Académique Documents
Professionnel Documents
Culture Documents
Procesos Dinámicos
Análisis en el Espacio
de Estados
Espacio de Estado
d (t ) g d (t )
c (t ) sin (t ) p (t ) , (t )
dt l dt
g (t)
(t ) c (t ) sin (t ) p(t )
l
(t ) (t )
x (t ) x
g
c sin p (t )
l
4
x f x, u
1
-1
-2
-3
-4
-4 -3 -2 -1 0 1 2 3 4
Ciclos Límites
Oscilador de Van Der Pol
σ es número de Prandtl y ρ es el número de Rayleigh. Los parámetros σ, ρ, β son positivos no nulos, usualmente σ = 10, β =
8 / 3 y ρ varía. Este sistema exhibe un comportamiento caótico para ρ = 28 pero muestra órbitas periódicas anudadas para
otros valores de ρ. Por ejemplo, con ρ = 99.96 se convierte en un T(3,2) nudo toroidal.
Cuando σ ≠ 0 y β (ρ-1) ≥ 0, las ecuaciones generan tres puntos críticos. El punto crítico en (0,0,0) corresponde a ausencia de
convección, y los otros puntos críticos corresponden a convección estacionaria. Son estables solo si:
http://en.wikipedia.org/wiki/Lorenz_attractor
Linealización
f (x, u) f (x, u)
x(t ) f (x0 , u0 ) x(t ) x0 u(t ) u0
x x0 ,u0 u x0 ,u0
Y si tomamos una condición de equilibrio para el desarrollo en serie:
f (x, u) f (x, u)
A , B ,
, en donde x x0 ,u0 u x0 ,u0
x (t ) x(t ) x0 , u (t ) u(t ) u 0
Llamando x(t) y u(t) a los incrementos respecto del punto de equilibrio obtenemos la forma
general de la ecuación de estado lineal pra un sistema genérico (MIMO = Multiple Inputs,
Multiple Outputs)
x(t ) A x(t ) B u(t )
t
X( s) ( s)x(0) ( s)B U( s) x(xt )(t) Φ((tt))xx(0) 0
Φ((t)B)u(t()d) d
t
(0) Bu
0
11 ( s) 1n ( s)
Adj sI A
T
( s ) sI A
1
sI A
n1 ( s) nn ( s)
Toda función racional puede expandirse en fracciones parciales en base a las raíces
del denominador, que solo podrán ser valores reales o pares complejos conjugados si
los coeficientes de los polinomios son números reales.
c1 c ck
ij ( s) 2
s p1 s p2 s 2 k nk s nk
2 2
Análisis de
Procesos Dinámicos
Función de Transferencia
Si además de la ecuación de estado consideramos la ecuación de salida, el modelo queda:
bm s m bm 1s m 1 ... b0
G(s) n
s an 1s n 1 an 2 s n 2 ... a0
K
s z1 s z2
s p1 s p2 s 2 2kn s n 2
k k
c1 c ck
2
s p1 s p2 s 2 k nk s nk
2 2
Los residuos del desarrollo (coeficientes cj) se calculan haciendo:
c j G(s) (s p j )
s p j
Para los polos complejos conjugados los residuos resultan ser conjugados, y para los
polos de orden múltiple el desarrollo en fracciones parciales queda:
r1 r2 rk
G( s)
s p1
k
s p1 s p1 2
s p1
k
Obtención Directa de la Función de Transferencia
g g
(t ) C(t ) sin (t ) f (t ) (t ) C(t ) (t ) f (t )
l l
( s) 1
G( s)
F ( s) g
s 2 cs
l
e nt 1 2
( s ) G ( s ) F ( s ) 1
(t ) 1 sin( d t tg 1
)
1 2
Step Response
1.5
Im(s)
Re(s)
Amplitude
0.5
0
0 2 4 6 8 10 12
Time (sec)
s z1 s z 2 s z N c1 c2 cN
G( s) k
s p1 s p2 s p N s p1 s p 2 s pN
Análisis de
Procesos Dinámicos
Análisis de Respuesta en
Frecuencia
Respuesta en Estado Estacionario a una Entrada Senoidal
Representación Gráfica de la Función de
Respuesta en Frecuencia
Análisis de
Procesos Dinámicos
T /2 2
bn 2
T f (t )sen(n t )dt
T / 2
0 1
f(t)
0
Dada una función periódica f(t), le corresponde una y sólo una serie de Fourier,
es decir, le corresponde un conjunto único de coeficientes cn.
f (t )
4
sen(0t ) 13 sen(30t ) 15 sen(50t ) ...
p
1.5
0.5
-0.5
Suma
fundamental
-1 tercer armónico
quinto armónico
septimo armónico
-1.5
-1 -0.5 0 t 0.5 1
1.5 Serie con 1 armónico 1.5 Serie con 5 armónicos
1 1
0.5 0.5
0 0
-0.5 -0.5
-1 -1
-1.5 -1.5
-1 -0.5 0 0.5 1 -1 -0.5 0 0.5 1
1 1
0.5 0.5
0 0
-0.5 -0.5
-1 -1
-1.5 -1.5
-1 -0.5 0 0.5 1 -1 -0.5 0 0.5 1
1.5 Serie con 13 armónicos 1.5 Serie con 50 armónicos
1 1
0.5 0.5
0 0
-0.5 -0.5
-1 -1
-1.5 -1.5
-1 -0.5 0 0.5 1 -1 -0.5 0 0.5 1
0.5
-0.5
-1
-1.5
-1 -0.5 0 0.5 1
Potencia de una Señal - Teorema de Parseval
Definimos la “energía” de la señal en un período como:
T /2
E
T / 2
f (t ) 2 dt
T /2
f (t ) 2 dt cn
1 2
T
T / 2 n
... -T -T/ 0 T/ T ..
2 2 t
. -p/ p/
2 2
0 T
t p
sen ( n p
2 2
0 2)
f (t ) 1 p
t p cn ( T )
p
2 2 (n0 2p )
0 p
t T
2 2
La distribución espectral para el tren de pulsos con p=1, T=2 es:
0.6
0.4
n
c
0.2
-0.2
-60 -40 -20 0 20 40 60 w=nw
0
Si el periodo del tren de pulsos aumenta:
1.5
p=1, T=2
1
f(t)
0.5
0
-20 -10 0 t 10 20
1.5
p=1, T=5
1
f(t)
0.5
0
-20 -10 0 t 10 20
1.5
p=1, T=10
1
f(t)
0.5
0
-20 -10 0 t 10 20
1.5
p=1, T=20
1
f(t)
0.5
0
-20 -10 0 t 10 20
0.6
p=1, T=2
0.4 cn
0.2
-0.2
=n0
0.3
-0.1
-50 0 50
0.15
0.1
p=1, T=10
0.05
-0.05
En el caso límite para T la distribución espectral se vuelve continua:
1.5
p=1, T=
1
f(t)
0.5
0
-20 -10 0 t 10 20
El razonamiento anterior nos lleva a reconsiderar la expresión de una función f(t) no periódica en el
dominio de la frecuencia, no como una suma de armónicos de frecuencia n0, sino como una función
continua de la frecuencia .
Así, la serie f (t ) c e
n
n
jn0 t
Al cambiar la variable discreta n0 (cuando T) por la variable continua , se transforma en una
integral de la siguiente manera:
T /2 1 T /2 jn0t T /2
cn 1
T f (t )e jn0t
dt f (t ) T f (t )e jn0t
dt e 21p f (t ) e jn0t
dt 0 e
jn0t
T / 2 n T / 2 n T / 2
jt
f (t )e dte d
jt
Si T, n0 y 0d, la sumatoria se convierte en: f (t ) 1
2p
F ( )e d f (t )e jt dt
jt
, lo que podemos escribir como: f (t ) 1
2p , en donde: F ( )
E NFs f k c
2 2
n
n
La “potencia” será:
E 1
P cn
2
T NFs n
Señal muestreada
Señal muestreada
y quantizada
Teorema del Muestreo
Para poder reconstruir una senoidal a partir de un muestreo de la misma, la frecuencia
de muestreo debe ser mayor al doble de la frecuencia de esta senoidal:
n , n 1
nq nq , nq
s
2
En el caso límite en el cual la frecuencia de muestreo es
exactamente igual al doble de la frecuencia de la senoidal
puede observarse una ambigüedad en la determinación
de fase y amplitud.
Transformada Discreta de Fourier
N
F (n) f (t k )e
j 2Npn ( k 1)
, para1 n N
k 1
N es la cantidad de muestras.
De esto obtenemos una distribución espectral discreta a intervalos ωs/N, en donde ωs es la
frecuencia de muestreo, ωs=2πfs =2π/Ts
Ecuación de Estado Discreta
( s ) sI A
1
(t ) ( s)
1
Ts
x k 1 A d x k B d u k A d (Ts ) , B d ( ) d B
0
Notar que aunque Ad y Bd son matrices de constantes, sus valores dependen del tiempo de muestreo Ts
Transformada Z
0 n 0 n 0 0
y (nTs )e sTs n
n 0
ze sTs
Z y (t ) y (nTs ) z n
n 0
Los coeficientes de la serie que resulta de aplicar transformada Z a una función son los
valores de la función en los sucesivos instantes de muestreo:
Dado que la transformada Z es una sumatoria, resulta ser distributiva respecto de la suma y
del producto por una constante (es decir, es una aplicación lineal):
Z f (t ) g (t ) f (nTs ) g (nTs )z n Z f (t ) Z g (t )
n 0
Z a f (t ) a f (nTs ) z n a Z f (t )
n 0
Z x k 1 Z A d x k B d u k
z Z x z x(0) A d Z x B d Z u
Y( z ) C zI A d B d D U( z )
1
Puede notarse que la matriz de transferencia discreta tiene la misma forma matemática
que la matriz de transferencia continua; y por lo tanto sus elementos son cocientes de
polinomios en z.
Dado que la transformada Z inversa también es distributiva respecto de la suma, todo lo
dicho sobre la aplicación del principio de superposición para modelos lineales en tiempo
continuo aplica al modelo correspondiente para tiempo discreto
Relación entre el Plano S y el Plano Z
2p Re( s ) j 2p Im( s )
S S
ze TS s
e e