Académique Documents
Professionnel Documents
Culture Documents
TRABAJO DE INVESTIGACION
MAESTRIA EN INGENIERIA ELECTRONICA
DIRECTOR:
IE. DIEGO ALEJANDRO PATIÑO GUEVARA, PH. D.
“La universidad no se hace responsable de los conceptos emitidos por sus alumnos en sus
proyectos de grado. Solo velará porque no se publique nada contrario al dogma y la moral católica
y porque los trabajos no contengan ataques o polémicas puramente personales. Antes bien, que
se vea en ellos el anhelo de buscar la verdad y la justicia”
INTRODUCCION
Actualmente, los computadores, las redes digitales y los sistemas embebidos son cada vez más
complejos. Esto hace necesario un análisis profundo del acople entre los componentes que están
basados en la lógica digital y los sistemas físicos que son, por naturaleza, continuos. La teoría
clásica de sistemas dinámicos es, por lo tanto, insuficiente debido a que se basa en sistemas
descritos matemáticamente mediante ecuaciones diferenciales (caso continuo) o ecuaciones de
diferencias (caso discreto).
En este proyecto se expone un sistema de tanques interactuantes no lineal visto desde el enfoque
de los sistemas dinámicos híbridos. Los tanques interactuantes son considerados como
dispositivos ampliamente utilizados en todo tipo de industria y en muchas ocasiones requieren un
control de alta precisión tanto de flujo de líquido circulante como del nivel de llenado. Debido a la
naturaleza del sistema, los tanques obedecen a un comportamiento no lineal que generalmente
se aproximan a una dinámica lineal y estas aproximaciones conllevan a leyes de control que no son
completamente apropiadas. Una razón para usar los SDH es la reducción de complejidad del
modelo en orden, y en lugar de tener que representar la dinámica a partir de un conjunto de
ecuaciones diferenciales no lineales, se puede representar el mismo sistema por medio de un
conjunto de ecuaciones simples de comportamiento lineal que por medio de conmutaciones
controladas o autónomas entre estas emulan el comportamiento no lineal de un sistema. Los SDH
son capaces de tener en cuenta los aspectos no lineales en el modelo y por lo tanto producir
estrategias de control mucho más precisas.
Otras técnicas interesantes, que han sido últimamente desarrolladas, se basan en control óptimo
[5], [6] y más específicamente en control predictivo. El control predictivo [7], [8] es una de las
herramientas más usadas y más conocidas para sistemas híbridos. Sin embargo, requiere como
11
Este proyecto pretende trabajar con un sistema de tanques interactuantes que hace parte de un
trabajo de grado realizado en la Universidad Javeriana llamado “Ingeniería Detallada, Modelado
y Simulación De Un Sistema De Tanques Interactuantes No Lineales (2010)”. Este trabajo al igual
que este proyecto hace parte de un trabajo de investigación del grupo CEPIT [17] “Avances En El
Control De Sistemas Dinámicos Híbridos. Aplicación En Sistemas De Tanques Interactuantes No
Lineales (2009)” financiado por la vicerrectoría.
Para el desarrollo de este trabajo de grado se plantea como objetivo general formular estrategias
de control que permitan solucionar el problema de regulación del nivel del agua alrededor de una
referencia en un sistema de tanques interactuantes no lineal, visto como un sistema dinámico
hibrido. Y como objetivos específicos los siguientes:
1. Encontrar un modelo matemático (Identificar) de cada uno de los modos de operación del
sistemas de tanques como un sistema dinámico hibrido.
2. Aplicar una ley de control basada en una realimentación de estados conmutada [4], para
cada uno de los modelos identificados.
El sistema está compuesto por cuatro tanques en total (Figura 1), uno de ellos será el tanque de
reserva (TK-003) donde estará contenido todo el volumen de agua del que se dispondrá. Existen
otros dos tanques que son los elementos de análisis, los cuales tendrán un caudal de entrada en la
parte superior y un caudal de salida a través de un orificio situado en la parte inferior en ambos
casos (TK-01 y TK-02). Por último, está el tanque (TK-04) que tiene la función de retardar el
caudal de entrada en alguno de los dos tanques de interés y por medio de una válvula se puede
escoger el paso de caudal entre línea directa o por el tanque de retardo. Cabe anotar que los
tanques forman un circuito hidráulico cerrado en donde el agua circula todo el tiempo sin salir del
sistema. Por otra parte el sistema posee una bomba hidráulica que genera la energía necesaria
para hacer circular al agua por todo el circuito, venciendo las columnas de agua, la fricción en la
tubería y en los demás equipos instalados en la línea. En la Tabla 1 se puede observar las
características de cada uno de los tanques.
El sistema tiene ocho modos de operación, en primer lugar están los modos en que el sistema
puede trabajar con alguno de los dos tanques de interés (TK-001 o TK-002), ya sea por línea directa
13
o por el retardo; y en segundo lugar se encuentran los modos en que los tanques de interés se
comunican entre sí, formando un sistema interactuante.
El transmisor de presión PT02 está ubicado aguas arriba y aguas abajo de la válvula de control LCV
01 y tiene la función de medir la caída de presión diferencial sobre la válvula, en tiempo real, este
dato permite la comprobación del modelo y caracterización del sistema. Con los datos
transmitidos desde este transmisor también se puede obtener la curva característica de la válvula.
Aquí los electrodos y la pared del depósito son las placas del condensador. El producto es el
dieléctrico. La capacidad del condensador aumenta a medida que crece el recubrimiento de los
electrodos a causa de la elevada constante dieléctrica del producto en comparación con el aire.
Por las condiciones de la geometría del tanque 2 (TK 002) se determina que el principio de
medición que más se ajusta a las necesidades del proceso es la medición por medio de un
transmisor de nivel capacitivo. Este transmisor tendrá como función comunicar al controlador, de
manera continua, el nivel actual de agua en el tanque en un rango proporcional de 0 – 100.
con la distancia recorrida y de esta manera se detecta el nivel del líquido. Una característica
general de la onda de pulso es que varía de 100 MHz a 1.5 GHz.
La válvula globo está instalada en la línea de descarga de la bomba, después del transmisor de
presión y de flujo y está conformada por un actuador y posicionador para controlar la apertura de
la válvula proporcionalmente.
La válvula se dimensiona según las siguientes variables: el máximo y mínimo flujo, presión máxima
de entrada y salida, coeficiente de flujo Cv y algunas características físicas del fluido como la
viscosidad, densidad, presión de vapor entre otros. Estas características corresponden a las del
agua que es el fluido con el cual se va a trabajar.
Para cerrar la válvula se deja de suministrar presión de aire (fallo de aire) en la entrada “2”,
ocasionando que los muelles empujen los pistones hacia adentro, expulsando el aire por la
entrada “2” y se obtiene un giro en sentido de la agujas del reloj, según la Figura 4.b.
(a) (b)
Figura 4 - Acción del actuador. (a) Procedimiento para abrir (b) Procedimiento para cerrar
1.2.1. PROFIBUS DP
PROFIBUS DP desarrollado para altas velocidades de transmisión de datos (hasta 12 Mbits/s) y
tiempos de reacción reducidos (hasta 1 ms) es una solución excelente para el control directo de
dispositivos inteligentes de campo, por ejemplo arrancadores de motor, accionamientos,
analizadores, reguladores de proceso o paneles.
1.2.2. PROFIBUS PA
PROFIBUS PA, permite transmitir por el mismo cable los datos digitales y alimentar al sistema con
energía, utilizando cables bifilares y aplicando la tecnología de transmisión MBP (Manchester
Coded; Bus Powered). La velocidad de transmisión es de 31,25 kbits/s relativamente pequeña
comparándolo con el tiempo típico de comunicación de un transmisor que es aproximadamente
de 10 ms. Esto permite implementarse prácticamente en todas las aplicaciones típicas en la
industria de procesos.
Identificados los componentes que conforman al sistema de tanques y el bus de campo a utilizar,
la de la red de comunicación que se implemento fue una de tipo árbol, como se muestra en la
siguiente Figura 5.
En la Figura 5 se puede observar los componentes Profibus PA que son: actuador de la válvula,
sensor de presión diferencial, sensor de presión manométrica, Sensor de nivel del tanque TK-01
(Radar de onda Guiada), Sensor de nivel del tanque TK-02 (Medidor de nivel capacitivo), Sensor de
flujo magnético. Y los componentes Profibus DP que son; el modulo de entradas y salidas
digitales utilizado para la activación de alarmas de seguridad en el sistema y el acoplador DP/PA,
que como se explico anteriormente permite la comunicación entre los dispositivos PA y DP.
La siguiente tabla muestra las direcciones de memoria asignadas en el PLC para cada uno de los
dispositivos, por medio de estas se obtienen los datos de proceso del sistema y permite modificar
el porcentaje de apertura de la válvula globo CV-01.
18
de área transversal no lineal (TK-001). Este caudal funciona como entrada del tanque no lineal (TK-
001) pero tiene la característica que depende de la salida del tanque cilíndrico (TK-002), además
en la medida que el nivel en el tanque no lineal aumente la salida del tanque cilíndrico se verá
afectada por el cambio de la presión diferencial en los extremos de la válvula.
, ( ) ( )-
√
, ( ) ( )-
√
Tabla 3 - Modo A
, ( ) ( )-
√
, ( ) ( )-
√
Tabla 4 - Modo B
20
2. Identificación modelo PWARX. Este paso consiste en establecer el límite del error δ y en
determinar el orden para dicho modelo, es decir el número de entradas y salidas que se
tendrán en cuenta para la identificación de cada uno de los modelos PWA. Conocidos estos
valores se procede a estimar los parámetros a través de los algoritmos propuestos en [19].
La señal de entrada debe contener el mayor número de frecuencias posibles. Por ejemplo, una
señal sinusoidal pura no es adecuada en un experimento de identificación, puesto que sólo se
obtendrá la respuesta del sistema para la frecuencia de dicha señal. Por el contrario, las
señales escalonadas (con cambios bruscos) son muy utilizadas, puesto que contienen un
espectro suficientemente amplio de frecuencias.
Para sistemas no lineales, los niveles de la entrada a utilizar son todos los posibles valores que
se pueden obtener en todo el rango de variación permitido. En este tipo de sistemas se suelen
utilizar señales con una duración de , donde es el tiempo de establecimiento del sistema
[20].
( ) (1)
, - (2)
|| ( )|| (4)
Basados en el algoritmo [19] se busca desarrollar una metodología que permita encontrar un
modelo PWARX que describa la dinámica del sistema de tanques.
2.2.1. ALGORITMOS
El procedimiento consiste básicamente en una clasificación inicial, un refinamiento y una
estimación de la región de operación. Se denomina clasificación a la asignación de un dato ( )
a un submodelo * +. El Algoritmo 1 que se presenta en [19], es la base con la que se
determina el número inicial de submodelos. Los algoritmos 2, 3 y 4 corrigen errores en la
identificación, dando como resultados los parámetros óptimos . Para estimar la región de
operación de cada submodelo se utiliza un algoritmo de clustering como support vector machine
[21] o programación lineal robusta [22].
Entradas : Datos ( )
Salidas: Numero inicial de submodelos , conjunto de datos que
pertenecen a cada submodelo y parámetros para cada submodelo.
Dado * + y un contador
Mientras | | hacer
Definir el conjunto *( ) ‖ ̃‖ +
Buscar el vector con el algoritmo de optimización MAX FS [19] para
los puntos
para hasta
Definir el conjunto
*( ) ‖ ̃‖ +;
Si | | | |
Definir * ‖ ̃‖ +;
;
Algoritmo 1
23
2.2.1.2. REFINAMIENTO
Una vez obtenido submodelos a través del algoritmo 1, se plantea la siguiente hipótesis
⋃ (5)
{ ‖ ̃‖ ( )( )} + (6)
Los puntos que aun con el incremento en el error no satisfacen (6) en ninguno de los submodelos
deseados se agrupan en .El conjunto se usa para encontrar los subconjuntos
⋃ (7)
( )
⋃ (8)
( )
El conjunto de puntos son aquellos puntos que pertenecen a más de submodelo, la unión de
todos estos subconjuntos se agrupan para formar el conjunto
⋃ (9)
24
Este conjunto contiene los datos que deben ser clasificados una vez más. Estos se clasifican por
medio del algoritmo c-neareast point basado en el criterio de la distancia euclidiana [23]. El
algoritmo consiste en tomar los puntos más cercanos al punto y dependiendo del
submodelo que se encuentre más cercano al punto se toma la decisión para clasificarlo. Si todos
los puntos cercanos pertenecen al mismo submodelo la decisión es trivial, pero si hay dos
submodelos con el mismo número de puntos cercanos entre los puntos , el es
asignado al submodelo * + con la distancia media más baja. Este punto se agrega
a y se elimina de Con el conjunto se encuentran los valores óptimos para los
parámetros utilizando el algoritmo de optimización MIN PFS [19] . Este procedimiento se
realiza con el algoritmo 2, con el que se obtienen los conjuntos y Con el objetivo de
obtener mayor precisión el algoritmo 3 permite cambiar la dimensión de cada submodelo .
Finalmente el Algoritmo 4, prueba los datos adquiridos con los parámetros y con el nuevo
límite de error ( )( ). Esto implica que el algoritmo 2 se utiliza nuevamente, con lo que se corre
el riesgo que | | (puntos que aún no han sido clasificados). Entonces el modelo
correspondiente para un punto se encuentra por medio de:
‖ ( ̃)‖ * + (10)
( )
Dado ⋃
Algoritmo 3
para hasta
Definir * ‖ ̃‖ ( )( )+; Algoritmo 4: Refinamiento, Parte 3
* ‖ ̃‖ ( )( )+ indicado en (7);
Entradas : Datos ( ) , los conjuntos , y
para hasta , numero de submodelos , una constante y el parámetro
Definir indicado en (8)
Definir indicado en (9) Salidas: modificado
Definir indicado en (10)
Usando el Algoritmo de optimización MAX FS [19] con los
parámetros y el nuevo límite del error ( )( ) como entrada
⋃
Si | | entonces
para para
Utilizar el algoritmo c-nearest point con el parámetro para cada
punto ( ) { ‖ ( ̃)‖ }
para clasificarlo dentro de un submodelo ( )
* +. El punto se agrega al conjunto y a la vez se =
elimina de .
Algoritmo 4
Algoritmo 2
que representa a los puntos de muestra en el espacio, separándolos en clases por un espacio lo
más amplio posible. Este busca superficies en un espacio que separe de forma óptima los
puntos de una clase de la otra. Estas superficies pueden ser utilizadas para problemas de
clasificación. Para mayor información ver [24].
‖̂ ‖
( ) (11)
‖ ̅‖
Un sistema conmutado es global uniforme asintóticamente estable (GUAS). Si existe una constante
positiva y una función tal que para la secuencia , donde es la regla de conmutación, con
( ) se cumpla.
| ( )| (‖ ( )‖ ) (12)
La estabilidad para los sistemas conmutados puede ser estudiada desde dos perspectivas.
Independiente de las reglas de conmutación como es el caso de la función común de Lyapunov,
o dependiente de las reglas de conmutación como es el caso de la función múltiple de
Lyapunov. El método de Lyapunov tiene una definición para los sistemas no lineales como se
muestra en [25], [26]. Dado un sistema como:
(13)
* +
27
Donde , describe la dinámica del sistema. La estabilidad del sistema hibrido puede ser
estudiada con la ayuda de una función ( ).
( ) * + (14)
Figura 8 - Estabilidad de un sistema a través de funciones múltiples de Lyapunov. Numero de sistemas 2. La línea
continua representa el sistema activo en el instante de tiempo .
La figura anterior muestra un SDH estable. La estabilidad del sistema se comprueba con una
función de Lyapunov definida como (14), en donde se observa que esta es descendiente para
cualquier instante de tiempo el sistema conmuta de acuerdo a la secuencia [26] Para el caso
de sistemas lineales e invariantes en el tiempo se obtiene el siguiente resultado [25]:
Teorema 1: Un sistema SDH es GUES para una secuencia arbitraria si y solo si la siguientes
desigualdades se cumple para una matriz definida positiva :
( )
tanques dada una referencia. La técnica de control a estudiar en este proyecto es una
realimentación de estados que consiste en buscar una función de Lyapunov que garantice la
estabilidad asintótica de un sistema conmutado.
( ) (15)
Como es bien sabido una realimentación de estados tiene un error en estado estacionario
significativo. Por lo tanto con el fin de eliminar este error, se agrega un integrador dentro del lazo
de control. Una forma de introducir este integrador en el modelo matemático, es introduciendo
un nuevo vector de estado, que integre la diferencia entre la referencia del sistema y el vector de
salida como se observa en la Figura 7.
̂ [ ] ̂ [ ] ̂ (16)
̂ (̂ ̂ ̂ ̂ ) ̂ , donde ̂ , - y ̂ , - (17)
29
* +
y (18)
* +
(̂ ̂ ̂)
̂ ̂
[ ] (19)
̂ ̂ ̂
(̂ ̂ ̂)
* + ̂ ̂ (20)
̂ ̂ ̂
, ( ) ( )-
√ √
√
√
( )
(21)
√
, ( ) ( )-
√
Gf 1
Cv m^3/s 0.0860
R1 m 0,6
L m 0,7
R2 m 0,3
Ao m 2,85E-04
Tabla 5 - Parámetros Iniciales del sistema de tanques
El objetivo de esta validación es el de corregir y estimar los valores de estos parámetros a través
del método de la caja gris de Matlab, y de esta manera obtener el modelo dinámico que describe
el comportamiento del sistema real. El primer paso a realizar, es un experimento en el que se
excite al sistema y se almacenen los datos de entrada - salidas (Flujo de entrada – Nivel TAK 1 -
Nivel TAK 2), con el objetivo de comparar los valores del modelo simulado y los valores
experimentales del sistema.
Nivel Tanque 1 Nivel Tanque 2
0.3 1
0.8
0.25
0.6
m
m
0.2
0.4
0.2
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Time (s) Time (s)
-4 -4
x 10 Flujo Entrada x 10 Flujo Entrada
6 6
4 4
m3/s
m3/s
2 2
0 0
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Time (s) Time (s)
0.4
Modelo Real
0.35
Modelo Simulado
Nivel Tanque 1 (m)
0.3
0.25
0.2
0.15
0.1
0.05
Modelo Real
0.6
Modelo Simulado
0.5
Nivel Tanque 2 (m)
0.4
0.3
0.2
0.1
Con los datos almacenados se procede a estimar los parámetros del modelo y así obtener un
modelo dinámico que se acomode al comportamiento real del sistema. Los parámetros obtenidos
son:
32
Con la estimación de los nuevos parámetros de la ecuación dinámica del sistema (23) se puede
observar la similitud entre el modelo simulado y el modelo real. Este modelo servirá de
herramienta para el proceso de identificación del sistema como un SDH (Sistema Dinámico
Hibrido).
Nivel Tanque 1. (sim)
0.25
0.24
Nivel Tanque 1 (m)
0.23
0.22
0.21
Modelo Real
0.2 Modelo Estimado
0.19
0.65
Modelo Real
0.6 Modelo estimado
0.55
Nivel Tanque 2 (m)
0.5
0.45
0.4
0.35
0.3
0.25
0 500 1000 1500 2000 2500 3000 3500 4000 4500
Time (s)
(b)
(a)
Figura 14 - Válvula de Control
Como se explico en el capitulo 1 el sistema de tanques cuenta con una válvula de control, por
medio de esta se quiere controlar el caudal de entrada a los tanques con el fin de mantener el
33
nivel de estos alrededor de una referencia. La válvula CV 01 es una válvula tipo globo ampliamente
utilizada para el control de caudal. El control de caudal está determinado por el levantamiento del
tapón de la válvula. Cuando el tapón de la válvula está en contacto firme con el asiento, la válvula
está cerrada. Cuando el tapón de la válvula está alejado del asiento, la válvula está abierta. Debido
a que la vía de circulación en esta válvula es en forma de 'S', la caída de presión es considerable
comparándola con otros tipos de válvulas.
Posicion Valvula
100
80
60
OPV(%)
40
20
0
20 40 60 80 100 120 140 160 180 200
Tiempo
-4
x 10 Flujo
4
Flujo (m3/s)
0
20 40 60 80 100 120 140 160 180 200
Tiempo
Para encontrar una relación entre el porcentaje de apertura de la válvula y el flujo de salida se
realiza un ajuste a través de un polinomio (24).
( ) * | +
(22)
[ ] [ ]
34
-4
x 10 Caracteristica Instalada Valvula CV 01
8
5
Flujo (m3/s)
0
0 10 20 30 40 50 60 70 80 90 100
Posicion Valvula (%)
100% de apertura de la válvula. La duración de la señales será variable debido a la no linealidad del
sistema. En la Figura 18 se muestran los datos experimentales obtenidos
Nivel TAK 1
0.4
0.2
0
0.5 1 1.5 2 2.5
4
x 10
0.6
Nivel TAK 2
0.4
0.2
0
0.5 1 1.5 2 2.5
4
x 10
100
Posicion Valvula
50
0
0.5 1 1.5 2 2.5
Tiempo 4
x 10
4.3.1.1. ALGORITMOS
Datos Identificacion TAK 1
0.7
0.6
0.5
y [k-1]
2
0.4
0.3
0.2
100 0.4
80 0.35
60 0.3
40 0.25
20 0.2
0
u[k-1] y 1[k-1]
0.7
data1
Modelo 2
0.6
Modelo 3
Modelo 4
0.5 Modelo 5
y [k-1]
2
0.4
0.3
0.2
100 0.4
80 0.35
60 0.3
40 0.25
20 0.2
0
u[k-1] y 1[k-1]
Figura 20-Identificación inicial del TK-01, donde cada marca representa un submodelo
0.9380 0.9354
0.0454 0.0461
1.7594e-5 2.9836e-6
-0.0050 -0.0056
37
0.7
Modelo 1
0.6 Modelo 2
0.5
y [k-1]
2
0.4
0.3
0.5
0.4
0.2
100 0.3
80
60 0.2
40
20 0.1
0 y 1[k-1]
u[k-1]
100
90 Modelo 1
Modelo 2 Donde
80
70
Por lo tanto las reglas
60
de conmutación son
u[k-1]
50 iguales a:
40
Si
30 ̃
Si no
20
̃
10
0
0.18 0.2 0.22 0.24 0.26 0.28 0.3 0.32 0.34 0.36 0.38
y 1[k-1]
0.35
0.3
y [k-1]
1
0.25
0.2
0.8
0.6
80 60 0.4
40 0.2
20
u[k-1] y 2[k-1]
Hipótesis 5: El orden del sistema debe ser seleccionado a priori, por lo tanto , con
. Obteniendo que el vector de regresión es igual a
̃ , - . Donde es el nivel del TK-01, es el nivel del TK-02 y es la
posición de la válvula.
4.3.2.1. ALGORITMOS
De manera similar que se hizo para la identificación del tanque TK-01 se tienen que escoger los
parámetros de entrada para el algoritmo 1, estos parámetros necesariamente no deben ser
iguales a los utilizados en TK-01. Los valores seleccionados son , y
, dando como resultado una identificación preliminar como se observa en la siguiente
Figura 24.
Modelo 1
Modelo 2
Modelo 3
Modelo 4
0.4 Modelo 5
Modelo 6
Modelo 7
0.35 Modelo 8
Modelo 9
0.3 Modelo 10
y [k-1]
2
0.25
0.2
1
0.8
100
80 0.6
60
40 0.4
20 0.2
0
u[k-1] y 1[k-1]
Para el algoritmo 2 los parámetros de entradas seleccionados son , factor con el que se
aumenta en límite del error, que es el número deseado de submodelos, c = 5 con el que se
le indica al algoritmo 2 la cantidad de puntos cercanos que debe tener en cuenta para el proceso
39
0.9617 0.9528
0.0362 0.0460
0.0016 0.0004
-0.0295 -0.0087
Tabla 8 - Vector de parámetros del modelo PWARX de TK-02
0.4
0.35
0.3
y [k-1]
2
0.25
0.2
1
80 0.8
60 0.6
40
20 0.4
0 0.2
u[k-1] y 1[k-1]
Figura 25- Identificación final de TK-02, donde cada símbolo representa un submodelo, para un total de 2 submodelos.
70
Modelo 1
Modelo 2
60 Donde
50
Por lo tanto las reglas de
40 conmutación son iguales a:
u[k-1]
30
Si
̃
Si no
20
̃
10
0
0.25 0.3 0.35 0.4 0.45 0.5 0.55 0.6 0.65 0.7
y 1[k-1]
Figura 26 - Regiones de operación del modelo PWARX de TK-02
40
4.4.1. FIT
Las siguientes graficas comparan la señal real y la estimada con el modelo PWARX. También se
observa la conmutación entre los submodelos que componen al modelo PWARX. Los valores del
FIT representan que el modelo PWARX sigue a la salida real del sistema en este porcentaje, estos
valores son lo suficientemente altos para una implementación de control en el sistema que se
desea realizar más adelante.
TK-01 TK-02
Posicion Valvula
Posicion Valvula
40 40
20 20
0 0
0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140
Tiempo(s) Tiempo(s)
0.4 1
Nivel TAK 1
Nivel TAK 2
0.3 0.5
0.2 0
0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140
Tiempo(s) Tiempo(s)
2 2
Modo TK-01
Modo TK-02
1 1.5
0 1
0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140
Tiempo(s) Tiempo(s)
Figura 27-Modelo PWARX TK-01, FIT=88.7398%. Sistema Figura 28-Modelo PWARX TK-02, FIT=83.7398%. Sistema
Real en rojo, Modelo PWARX en negro Real en rojo, Modelo PWARX en negro
TK-01 TK-02
Posicion Valvula
Posicion Valvula
30 30
20 20
10 10
0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140
Tiempo(s) Tiempo(s)
0.4 0.8
Nivel TAK 1
Nivel TAK 2
0.3 0.6
0.2 0.4
0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140
Tiempo(s) Tiempo(s)
2 2
Modo TK-02
Modo TK-01
1 1.5
0 1
0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140
Tiempo(s) Tiempo(s)
Figura 29-Modelo PWARX TK-01, FIT=94.3316%. Sistema Figura 30-Modelo PWARX TK-02, FIT=87.1322%. Sistema
Real en rojo, Modelo PWARX en negro Real en rojo, Modelo PWARX en negro
41
TK-01 TK-02
Posicion Valvula
Posicion Valvula
100 100
50 50
0 0
0 20 40 60 80 100 120 140 0 10 20 30 40 50 60 70 80 90 100
Tiempo(s) Tiempo(s)
0.4 1
Nivel TAK 1
Nivel TAK 2
0.2 0.5
0 0
0 20 40 60 80 100 120 140 0 10 20 30 40 50 60 70 80 90 100
Tiempo(s) Tiempo(s)
2 2
Modo TK-01
Modo TK-02
1.5 1.5
1 1
0 20 40 60 80 100 120 140 0 10 20 30 40 50 60 70 80 90 100
Tiempo(s) Tiempo(s)
Figura 31-Modelo PWARX TK-01, FIT=86.4370%. Sistema Figura 32-Modelo PWARX TK-02, FIT=80.5802%. Sistema
Real en rojo, Modelo PWARX en negro Real en rojo, Modelo PWARX en negro
TK-01 TK-02
Posicion Valvula
Posicion Valvula
100 100
50 50
0 0
0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140
Tiempo(s) Tiempo(s)
0.4 1
Nivel TAK 1
Nivel TAK 2
0.2 0.5
0 0
0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140
Tiempo(s) Tiempo(s)
2 2
Modo TK-01
Modo TK-02
1.5 1.5
1 1
0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140
Tiempo(s) Tiempo(s)
Figura 33-Modelo PWARX TK-01, FIT=85.8015%. Sistema Figura 34-Modelo PWARX TK-02, FIT=87.4681%. Sistema
Real en rojo, Modelo PWARX en negro Real en rojo, Modelo PWARX en negro
( ) ( ) ( ) ̃
( ) ( ) ( ) ( ) ̃
{ ( ) ( ) ( ) ̃
( ) ( ) ( ) ̃
( ) ( ) ( ) ̃
( )
( ) ( ) ( ) ̃
{
Donde y son los modelos que describen el comportamiento de nivel para los tanques TK-01
y TK-02 respectivamente como respuesta a la entrada . y son los vectores de parámetros
identificados y y son las regiones de operación para cada submodelo donde * + y
* +.
42
Con la descripción anterior podemos construir un modelo en espacio de estados SIMO, única
entrada múltiple salida, de la siguiente forma
( ) ( ) ( )
(23)
( ) ( )
Donde
* + * + * + y [ ] (24)
MODO 1
Si y
[ ] [ ] , - [ ]
MODO 2
Si y
[ ] [ ] , - [ ]
MODO 3
Si y ( y )
[ ] [ ] , - [ ]
Ganancias
̂ , - [670.6168]
̂ , - [297.1333]
̂ , - [294.9869]
Tabla 10-Ganancias realimentación de estados Teorema 3
43
Los resultados obtenidos con esta ley de control se observan en la siguientes graficas
0.6 0.6
mts
mts
0.4 0.4
0.2 0.2
500 1000 1500 2000 2500 3000 3500 4000 4500 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
100 100
OPV%
OPV%
50 50
0 0
500 1000 1500 2000 2500 3000 3500 4000 4500 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
4 4
Modo
Modo
2 2
0 0
500 1000 1500 2000 2500 3000 3500 4000 4500 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Tiempo Tiempo
(a) (b)
Figura 35 - Control para el SDH, diseñado a través del Teorema 3 utilizando cambios en el valor de la referencia de (a)
0.25 a 0.30. (b) 0.22 a 0.30
En la Figura 37 en las graficas superiores la curva de color rojo representa el nivel del tanque TK-
02, la curva de color azul representa el nivel del tanque TK-01. En las graficas intermedias es la
acción de control, representa el porcentaje de apertura de la válvula. En las graficas inferiores se
observa la conmutación entre los submodelos del SDH. En estas graficas se observa el desempeño
del lazo control implementado en el sistema de tanques, estas graficas muestran la estabilidad del
sistema y un error en estado estacionario igual a cero, a medida que el sistema sigue la referencia
se observa las conmutaciones entre los submodelos, estas conmutaciones son aleatorias y no
tienen un límite establecido. Se puede observar también que al momento de conmutar se genera
un cambio brusco en las acciones de control, lo que puede generar daños en los actuadores del
sistema, teniendo en cuenta estos efectos sobre la válvula, se plantea sintonizar controladores
LQR para cada submodelo y a posteriori garantizar la estabilidad del sistema, a través del Teorema
1 que se explico en el Capítulo 3.
Utilizando el Teorema 1 se diseño una ley de control por el método de LQR. Las ganancias
obtenidas para este control se observan en la Tabla 11.
Ganancias
̂ , - , -
̂ , - , -
̂ , - , -
Tabla 11 - Control LQR para cada submodelo, garantizando la estabilidad del SDH
TK-02(mts)
TK-02(mts)
0.6 0.6
0.4 0.4
0.2 0.2
200 400 600 800 1000 1200 1400 1600 1800 2000 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500
TK-01(mts)
TK-01(mts)
0.3
0.2 0.2
200 400 600 800 1000 1200 1400 1600 1800 2000 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500
100 100
OPV%
OPV%
50 50
0 0
200 400 600 800 1000 1200 1400 1600 1800 2000 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500
5 5
Modo
Modo
0 0
200 400 600 800 1000 1200 1400 1600 1800 2000 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500
Tiempo Tiempo
(a) (b)
TK-02(mts)
0.6
TK-02(mts)
0.6
0.4
0.2 0.4
500 1000 1500 2000 2500 3000 3500 4000 4500 5000 1000 2000 3000 4000 5000 6000 7000
TK-01(mts)
TK-01(mts)
0.3 0.3
0.25
0.2
0.2
500 1000 1500 2000 2500 3000 3500 4000 4500 5000 1000 2000 3000 4000 5000 6000 7000
100 100
OPV%
OPV%
50 50
0 0
500 1000 1500 2000 2500 3000 3500 4000 4500 5000 1000 2000 3000 4000 5000 6000 7000
5 5
Modo
Modo
0 0
500 1000 1500 2000 2500 3000 3500 4000 4500 5000 1000 2000 3000 4000 5000 6000 7000
Tiempo Tiempo
(c)
(d)
Figura 36 - Control Conmutado, Utilizando el Teorema 1
Las Figura 38.a, Figura 38.b y Figura 38.c muestran la estabilidad del sistema alrededor de una
referencia y condiciones iniciales diferentes, las Tablas 12 13 y 14 muestra las características del
control implementado.
CARACTERISTICAS CONTROL
Referencia
Tiempo Establecimiento 2219seg
Tiempo de subida 556seg
Máximo Pico 1.89%
Tabla 12 - Características control Figura 38 (a)
45
CARACTERISTICAS CONTROL
Referencia
Tiempo Establecimiento 2489seg 2450seg
Tiempo de Subida 533seg 529seg
Máximo Pico 1.45% 1.8%
Tabla 13 - Características control Figura 38 (b)
CARACTERISTICAS CONTROL
Referencia
Tiempo Establecimiento 2057Seg 2326Seg
Tiempo de subida 532Seg 461Seg
Máximo Pico 1.8% 1.3%
Tabla 14 - Características control Figura 38 (c)
Las Figura 38 (a), Figura 38 (b) y Figura 38 (c) representa la respuesta del sistema con igual
referencia, la diferencia entre estas Figuras se encuentra en las acciones de control y las
conmutaciones entre los submodelos del sistema, esto se debe a que las condiciones iniciales del
sistema son diferentes para cada una. La Figura 38 (d) muestra el comportamiento del sistema
con una perturbación, la cual es introducida en las mediciones de nivel. En la graficas que
representan el nivel se puede observar que después de un determinado tiempo el control logra
estabilizar el sistema.
La respuesta del control sintonizado utilizando el Teorema 1 es mas suave comparado con la
respuesta del control sintonizado con Teorema 3. Dicha respuesta presentaba discontinuidades
que eran perjudiciales para la válvula.
46
, ( ) ( )-
√
(25)
, ( ) ( )-
√ √
√ ( )
El objetivo de esta validación es el de corregir y estimar los valores de estos parámetros en este
modo de operación a través del método de la caja gris de Matlab, y de esta manera obtener el
modelo dinámico que describa el comportamiento del sistema real. El primer paso a realizar, es un
experimento en el que se excite al sistema y almacenar los datos de entrada - salidas (Flujo de
entrada – Nivel TAK 1 - Nivel TAK 2), con el objetivo de comparar los valores del modelo simulado
y los valores reales del sistema.
47
mts 0.6
mts
0.5 0.3
0.4
0.25
0 1000 2000 3000 4000 5000 6000 7000 0 1000 2000 3000 4000 5000 6000 7000
Time (s) Time (s)
-4 -4
x 10 Flujo Entrada x 10 Flujo Entrada
6 6
4 4
m3/s
m3/s
2 2
0 0
0 1000 2000 3000 4000 5000 6000 7000 0 1000 2000 3000 4000 5000 6000 7000
Time (s) Time (s)
0.55
Nivel Tanque 1 (mts)
0.5
0.45
0.4
0.35
0.32
0.31
0.3
Nivel Tanque 2 (mts)
0.29
0.28
0.27
0.26
0.25
0.24
0.23
Con los datos almacenados se procede a estimar los parámetros del modelo. Los parámetros
obtenidos son:
Con la estimación de los nuevos parámetros de la ecuación dinámica del sistema (27) se puede
observar la similitud entre el modelo simulado y el modelo real. Este modelo servirá de
48
herramienta para el proceso de identificación del sistema como un SDH (Sistema Dinámico
Hibrido).
Nivel Tanque 1. (sim)
Modelo Real
0.55 Modelo Simulado
Nivel Tanque 1 (mts)
0.5
0.45
0.4
0.35
0.3
0.29
0.28
0.27
0.26
0.25
0 1000 2000 3000 4000 5000 6000
Time (s)
0.55
0.5
Nivel TAK 1
0.45
0.4
0.35
0.3
0.25
2000 4000 6000 8000 10000 12000 14000 16000
0.4
0.35
Nivel TAK 2
0.3
0.25
0.2
2000 4000 6000 8000 10000 12000 14000 16000
100
Posicion Valvula
80
60
40
20
0
2000 4000 6000 8000 10000 12000 14000 16000
Tiempo
Hipótesis 6: El orden del sistema debe ser seleccionado a priori, por lo tanto , con
. Obteniendo que el vector de regresión es igual a
̃ , - . Donde es el nivel del TK-01, es el nivel del TK-02 y es la
posición de la válvula.
50
0.34
0.32
0.3
y [k-1]
2
0.28
0.26
0.24
100 0.7
80 0.6
60 0.5
40 0.4
20 0.3
0 0.2
u[k-1] y 1[k-1]
5.3.1.1. ALGORITMOS
Los parámetros de entrada para el algoritmo 1 son , y ,
estos parámetros se escogen con el mismo criterio que en el Capitulo 4. La identificación
preliminar se observa en la Figura 46.
Modelo 1
Modelo 2
0.34 Modelo 3
Modelo 4
Modelo 5
0.32
0.3
y [k-1]
2
0.28
0.26
0.8
0.24 0.6
100
80 0.4
60
40
20 0.2
0
y 1[k-1]
u[k-1]
Figura 44 - Identificación inicial del TK-01, donde cada marca representa un submodelo
Los parámetros de entradas seleccionados para el algoritmo 2 son , factor con el que se
aumenta en límite del error, que es el número deseado de submodelos, c = 10 con el que
se le indica al algoritmo 2 la cantidad de puntos cercanos que debe tener en cuenta para el
proceso reclasificación. Al final de la identificación obtenemos los parámetros óptimos
observados en la Tabla 16. La Figura 47 se observa la identificación final del tanque TK-01.
0.9639 0.9566
0.0180 -0.2919
0.0007 0.0007
-0.0002 0.0934
Tabla 16 - Vector de parámetros óptimos para el modelo PWARX de TK-01
51
0.34
0.32
0.3
y [k-1]
2
0.28
0.26
0.7
0.24 0.6
100 0.5
80
60 0.4
40
20
0 y 1[k-1]
u[k-1]
100
90 Modelo 1
Modelo 2
80 Donde
70
60
Por lo tanto las
reglas de
u[k-1]
50 conmutación son:
40 Si
̃
30
Si no
20 ̃
10
0
0.35 0.4 0.45 0.5 0.55 0.6 0.65
y 1[k-1]
Figura 46 - Identificación final para TK-01, se observa la región de operación para cada submodelo.
52
Hipótesis 7: El orden del sistema debe ser seleccionado a priori, por lo tanto , con
. Obteniendo que el vector de regresión es igual a
̃ , - . Donde es el nivel del TK-01, es el nivel del TK-02 y es la
posición de la válvula.
0.65
0.6
0.55
0.5
y [k-1]
0.45
1
0.4
0.35
0.3
0.25
100 0.34
0.32
50 0.3
0.28
0.26
0 0.24
u[k-1] y 2[k-1]
5.3.2.1. ALGORITMOS
Los parámetros de entrada para el algoritmo 1 son , y ,
dando como resultado una identificación preliminar que se observa en la Figura 50.
0.6
0.5
y [k-1]
0.4
Modelo 1
2
Modelo 2
Modelo 3
0.3
Modelo 4
0.35
0.2
100
80 0.3
60
40
20
0 0.25
u[k-1] y 1[k-1]
Para el algoritmo 2 los parámetros de entrada seleccionados son , factor con el que se
aumenta en límite del error, que es el número deseado de submodelos, c = 20 con el que
se le indica al algoritmo 2 la cantidad de puntos cercanos que debe tener en cuenta para el
53
0.6 Modelo 1
0.55
0.5
y [k-1]
0.45 0.9617
2
0.0362
0.4 0.0016
-0.0295
0.35
Tabla 17 - Parámetros
óptimos para TK-02
100 0.34
80 0.32
60 0.3
40 0.28
20 0.26
0 0.24
u[k-1] y 1[k-1]
En las graficas anteriores se observa como los términos de correlación para cada modelo PWARX
de los tanques TK-01 y TK-02 se acercan a cero, con lo que se puede demostrar la independencia
de la salida con la entrada, lo que significa que el modelo es capaz de describir la dinámica del
sistema.
5.4.1. FIT
Los valores del FIT representan que tanto el modelo identificado, que en este caso es el PWARX,
sigue a la salida real del sistema. Las siguientes graficas comparan la señal real y la estimada con
el modelo PWARX. También se observa la conmutación entre los submodelos que componen a
cada modelo PWARX, los valores obtenidos son lo suficientemente altos para una implementación
de control en el sistema que se desea realizar más adelante.
TK-01 TK-02
Posicion Valvula
Posicion Valvula 100 100
50 50
0 0
0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140
Tiempo(s) Tiempo(s)
1 0.35
Nivel TAK 2
Nivel TAK 1
0.5 0.3
0 0.25
0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140
Tiempo(s) Tiempo(s)
2 2
Modo TK-01
Modo TK-02
1.5 1
1 0
0 20 40 60 80 100 120 140 0 20 40 60 80 100 120 140
Tiempo(s) Tiempo(s)
Figura 50 - Modelo PWARX TK-01, FIT=93.18%. Sistema Figura 51 - Modelo PWARX TK-02, FIT=87.3273%.
Real en rojo, Modelo PWARX en negro Sistema Real en rojo, Modelo PWARX en negro
TK-01 TK-02
Posicion Valvula
Posicion Valvula
100 100
50 50
0 0
0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45 50
Tiempo(s) Tiempo(s)
1 0.4
Nivel TAK 1
Nivel TAK 2
0.5 0.3
0 0.2
0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45 50
Tiempo(s) Tiempo(s)
2 2
Modo TK-01
Modo TK-02
1.5 1
1 0
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Tiempo(s) Tiempo(s)
Figura 52 - Modelo PWARX TK-01, FIT=91.79%. Sistema Figura 53 - Modelo PWARX TK-02, FIT=76.36.04%.
Real en rojo, Modelo PWARX en negro Sistema Real en rojo, Modelo PWARX en negro
TK-01 TK-02
Posicion Valvula
Posicion Valvula
50 50
0 0
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
Tiempo(s) Tiempo(s)
0.8 0.35
Nivel TAK 1
Nivel TAK 2
0.6 0.3
0.4 0.25
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
Tiempo(s) Tiempo(s)
2 2
Modo TK-01
Modo TK-02
1.5 1
1 0
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
Tiempo(s) Tiempo(s)
Figura 54 - Modelo PWARX TK-01, FIT=93.5436%. Figura 55 - Modelo PWARX TK-02, FIT=90.0365%.
Sistema Real en rojo, Modelo PWARX en negro Sistema Real en rojo, Modelo PWARX en negro
55
TK-02
Posicion Valvula
TK-01 100
Posicion Valvula
100
50
50
0
0 0 10 20 30 40 50 60 70
0 10 20 30 40 50 60 70 Tiempo(s)
Tiempo(s) 0.35
Nivel TAK 2
1
Nivel TAK 1
0.3
0.5
0.25
0 0 10 20 30 40 50 60 70
0 10 20 30 40 50 60 70 Tiempo(s)
Tiempo(s) 2
Modo TK-02
2
Modo TK-01
1
1.5
0
1 0 10 20 30 40 50 60 70
0 10 20 30 40 50 60 70 Tiempo(s)
Tiempo(s)
( ) ( ) ( ) ̃
( ) ( ) ( ) ( ) ̃
{ ( ) ( ) ( ) ̃
( ) ( ) ( ) ̃
( ) ( ) ( ) ̃
( )
( ) ( ) ( ) ̃
{
Donde y son los modelos que describen el comportamiento de nivel para los tanques TK-01
y TK-02 respectivamente como respuesta a la entrada . y son los vectores de los parámetros
identificados. y son las regiones de operación para cada submodelo donde * + y
* +.
Con la descripción anterior podemos construir un modelo en espacio de estados SIMO, única
entrada, múltiple salida, de la siguiente forma
( ) ( ) ( )
(26)
( )
Donde
* + * + * + y [ ] (27)
MODO 1
Si
[ ] [ ] , - [ ]
MODO 2
Si
[ ] [ ] , - [ ]
Ganancias
̂ , - [814.5877]
̂ , - [814.9162]
Tabla 19-Ganancias realimentación de estados Teorema 4
0.4
0.2
500 1000 1500 2000 2500 3000 3500
100
OPV%
50
0
500 1000 1500 2000 2500 3000 3500
3
2
Modo
0
500 1000 1500 2000 2500 3000 3500
Tiempo
Figura 58 - Controlador para el modo 3, obtenido con el Teorema 4
57
En los que se puede observar la estabilidad del sistema alrededor de la referencia, a cambio de
unas señales de control fuertes, con variaciones entre el 0 % y 100% de apertura de la válvula, en
periodos de tiempo muy cortos, esto puede causar daños en el la válvula de control y acortar la
vida útil de esta.
Teniendo en cuenta estos resultados se procese a sintonizar un controlador LQR para cada
submodelo, dando un mayor peso al sistema que es predominante, en este caso es el Modo1, ya
que este submodelo es donde el sistema tiende a estabilizarse. Garantizando la estabilidad del
sistema a través del Teorema 1 y con base a estas condiciones de diseño se obtiene las siguientes
ganancias.
Ganancias
̂ , - [253.2438]
̂ , - [91.11]
Tabla 20 - Controladores LQR para el modo 3
TK-01(mts)
TK-01(mts)
0.6 0.6
0.4 0.4
500 1000 1500 2000 2500 3000 3500 4000 4500 500 1000 1500 2000 2500 3000 3500 4000
TK-02(mts)
TK-02(mts)
0.36 0.36
0.34 0.34
0.32 0.32
0.3 0.3
0.28 0.28
0.26 0.26
500 1000 1500 2000 2500 3000 3500 4000 4500 500 1000 1500 2000 2500 3000 3500 4000
100 100
OPV%
OPV%
X: 3992
50 50 Y: 16.78
0 0
500 1000 1500 2000 2500 3000 3500 4000 4500 500 1000 1500 2000 2500 3000 3500 4000
5 5
Modo
Modo
0 0
500 1000 1500 2000 2500 3000 3500 4000 4500 500 1000 1500 2000 2500 3000 3500 4000
Tiempo Tiempo
Figura 59 - Implementación control para el modo 3 Figura 60 - Implementación control para el modo 3
CARACTERISTICAS CONTROL
Referencia
Tiempo Establecimiento 1747Seg 1733Seg
Tiempo de Subida 478Seg 515Seg
Máximo Pico 0.09% 0.1714%
Tabla 21 - Características control Figura 59
58
CARACTERISTICAS CONTROL
Referencia
Tiempo Establecimiento 1680Seg 1651Seg
Tiempo de Subida 527Seg 512Seg
Máximo Pico 0.09% 0.1714%
Tabla 22 - Características control Figura 60
TK-01(mts)
0.6
0.4
0.3
0.25
1000 2000 3000 4000 5000 6000
100
OPV%
50
0
1000 2000 3000 4000 5000 6000
5
Modo
0
1000 2000 3000 4000 5000 6000
Tiempo
CARACTERISTICAS CONTROL
Referencia
Tiempo Establecimiento 1768Seg 1827Seg
Tiempo de Subida 439Seg 461Seg
Máximo Pico 1.36% 1.03%
Tabla 23 - Características control Figura 61
CONCLUSIONES
La metodología propuesta en este trabajo de investigación ha probado ser útil para identificar y
resolver el problema de control en un sistema no lineal, como lo es el sistema de tanques
interactuantes. Se pudo observar que el método de identificación planteado permite obtener un
modelo PWARX a partir de datos adquiridos del sistema, con los que podemos construir un SDH
que describa la dinámica del sistema. Una vez obtenido el modelo del sistema, el problema de
control es resuelto a través de un análisis de estabilidad del sistema donde el objetivo es
determinar las ganancias de una realimentación de estados conmutada que garantice la
estabilidad del sistema alrededor de un punto de referencia.
En la parte de control del sistema conmutado se pudo garantizar la estabilidad del sistema a priori
utilizando el Teorema 3. Uno de los problemas que se encontró en esta implementación del
control fueron las discontinuidades en la acciones de control que a futuro podrían generar daños
en el actuador, como solución a esto se planteo sintonizar controladores LQR para cada
submodelo del SDH y a posteriori garantizar la estabilidad del sistema a través del Teorema 1.
Los resultados a través del Teorema 1 fueron aceptables, permitiendo la reducción de las
discontinuidades en la señal de control respecto a lo obtenido con el Teorema 3. También se
puede observar que estas señales de control no están saturadas lo que permite que la bomba del
sistema no trabaje en condiciones extremas.
Para trabajos futuros se plantea la modificación del Teorema 3, con el objetivo que el control a
utilizar sea un observador de estados, esto con el fin de que se garantice la estabilidad del sistema
a priori y las discontinuidades en las acciones de control puedan ser trabajadas a través del
método propuesto en [29].
60
BIBLIOGRAFÍA
[1] DUQUE M., GAUTHIER A., RAKOTO N. VILLA J.L., "Modelamiento y control de sistemas
hibridos.," Revista de ingenieria de los Andes, vol. 19, 2004.
[2] VILLA J.L., GAUTHIER A., RAKOTO M. DUQUE M., "Control de sistemas hibridos usando el
acercamiento MDL Parte I," in Congreso Nacional de la Asociacion Colombiana de Automatica,
Ibague, 2004.
[3] VILLA J.L., GAUTHIER A., RAKOTO M. DUQUE M., "Control de sistemas hibridos usando
elacercamiento MDL parte II," in Congreso Nacional de la Asociacion Colombiana de
Automatica, Ibague, 2004.
[4] RIEDINGER P., IUNG C. DAAFOUZ J., "Stability analysis and control synthesis for," IEEE
Transactions on Automatic Control, vol. 47, no. 11, pp. Pags. 1883-1887, 2002.
[5] GIUA A., SEATZU C., BEMPORAD A., "A master-slave algorithm for the optimal control of
continuous-time switched affine systems," Proceedings of the 41th IEEE Conference on
Decision and Control, vol. 2, pp. 1976 – 1981, 2002.
[6] RIEDINGER P., IUNG C. PATINO D., "Practical optimal state feedback control law,"
International Journal of Control, vol. 82, no. 2007, pp. 1357-1376, 2009.
[7] MCGRATH B., QUEVEDO D., GOODWIN G. SILVA E.I., "Predictive control of a flying capacitor
converter," Proceedings of the 26th IEEE American Control Conference, vol. 1, pp. 3763 –
3768, 2007.
[8] PAPAFOTIOU G., MORARI M. GEYER T., "Model predictive control in power electronics: A
hybrid systems approach," Proceedings of the 44th IEEE Conference on Decision and Control,
pp. 5606-5611, 2005.
[9] PATINO D., CORMERAIS H., RIEDINGER P., BUISSON J. BAJA M., "Hybrid control of a four-level
three-cell DC-DC converter," Proceedings of the IEEE American Control Conference, vol. 1, pp.
Pags 5458 – 5463, 2007.
[10] RIEDINGER P., IUNG C. PATINO D., "Une approche prédictive pour la commande d'un
convertisseur multicellulaire," Mémoires de JDMACs, vol. 3, pp. 50-55, 2007.
[11] BAOTIC M., MORARI M. BORELLI F., "An efficient algorithm for computing the state feedback
optimal control problem," Proceedings of the 1st IFAC Conference on, vol. 6, no. 2003, pp.
61
[12] CORONA D., GIUA A., BEMPORAD A. SEATZU C., "Optimal control of continuous time switched
affine systems," IEEE Transactions on Automatic Control, pp. 726-741, 2006.
[13] CORMERAIS H., RICHARD P.Y., BUISSON J. MORVAN C., "Extending passivity based control to
DAE systems with boolean inputs," Proceedings of the IFAC Symposium on Nonlinear Control
Systems (NOLCOS), 2004.
[14] ORTEGA R. SIRA-RAMIREZ H., "Passivity-based controllers for the stabilization of DC-to-DC
power converters," Proceedings of the 34th IEEE Conference on Decision and control, vol. 4,
pp. 3471-3476, 1995.
[15] CORMERAIS H., BUISSON J. RICHARD P.Y., "A generic design methodology for sliding mode
control of switched systems," Nonlinear Analysis, vol. 65, pp. 1751-1772, 2006.
[16] KUISMA M., TOLSA K., SILVENTOINEN P. AHMED M., "Implementing sliding mode control for
buck converter," Proceedings of the IEEE 34th Power Electronics Specialists Conference , vol. 2,
pp. 634-637, 2003.
[19] Andrea Garulli,Simone Paoletti, and Antonio Vicino Alberto Bemporad, Bounded error
approach to piecewise affine system identification, Oct. 2005.
[22] K. P. Bennett and O. L. Mangasarian, Robust linear programming discrimination of two linearly
inseparable sets, 1992.
[26] L Hetel, Robust Stability and Control of Switched Linear Systems. Nancy University, 2007.
[27] Pierre Riedinger and Claude Iung Jamal Daafouz, Stability Analysis and Control Synthesis for
Switched Systems: A switched Lyapunov function approach, 2001.
[28] Javier Albarracin and Andres Arguelles, ngenieria Detallada, Modelado y Simulacion De Un
Sistema De Tanques Interactuantes No Linelaes., 2010.
[29] Laura Marcela Salazar Cruz, BUMPLESS TRANSFER FOR SWITCHED SYSTEMS, 2012.