Análisis de

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

El oscilador de Van der Pol puede mostrar un comportamiento

caótico con una forzante sinusoidal.
En este caso el amortiguamiento no-lineal es μ = 8.53, mientras
que la amplitud de la forzante es A = 1.2 y su frecuencia angular
ω = 2π / 10.
Dinámicas Caóticas
Atractor de Lorenz

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:

, lo cual se da solo para valores positivos de ρ si σ > β + 1.

http://en.wikipedia.org/wiki/Lorenz_attractor
 Linealización

Ecuación de estado general x  f x,u, t 

Si el proceso es invariante en el tiempo x  f x, u

Desarrollando en serie de Taylor el lado derecho:
f (x, u)
x  f (x0 , u 0 )  x  x0     f (x, u) u  u0   
x x0 ,u0 u x0 ,u0
Despreciando los términos de orden superior obtenemos una ecuación de estado lineal

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:

x(t ) x ,u  0  f (x0 , u0 )  0  x (t )  A x (t )  Bu (t )

0 0

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 )

 x1 (t )   a11 a12 . . . a1n   x1 (t )   b11 . b1m 

 x (t )  a a2 n   x2 (t )  b21 b2 m 
Que expandida tiene  2   21 a22 . . . .
 u (t ) 
la forma  .   . .  .   . .  1 
        
 .   . .  .   . . 
u (t ) 
 .   . .  .   . .  m 
      
Aplicando Laplace  xn (t )   an1 an 2 . . . ann   xn (t )  bn1 . bnm 

sX(s)  x(0)  A X(s)  B U(s)  X(s)   sI  A  x(0)  B U(s) 

1

Definiendo la Matriz de Transición de Estados como: (t )  1 ( s)

( s)   sI  A 
1

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

Efecto del desequilibrio Efecto de las entradas

 Analicemos la transformada de Laplace de la matriz de transición de estados

11 ( s)  1n ( s) 
Adj  sI  A 
T     
( s )   sI  A   
1

sI  A     
 
n1 ( s)   nn ( s) 

Cada elemento de esta matriz es una función racional de s, y tiene el

mismo denominador
Adj ji  sI  A  bn 1s n 1  bn  2 s n  2  ...  b0
ij ( s )   sI  A  
1
 n
sI  A s  an 1s n 1  an  2 s n  2  ...  a0

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:

x(t )  A x(t )  B u(t )

y (t )  C x(t )  Du(t )

La ecuación de salida es una ecuación algebraica. Aplicando Laplace, considerando

un estado inicial de equilibrio ( x(0) = { 0 } ) y reemplazando X(s) por lo hallado
anteriormente:
Y(s)  CX(s)  DU(s)  Y(s)  C sI  A B U(s)  DU(s)
1

de donde extraemos la Matriz de Transferencia, que relaciona la transformada

de Laplace de las entradas con la de las salidas cuando el estado inicial es un estado
de equilibrio:
G(s)  C sI  A B  D  Y(s)  G(s) U( s)
1

G(s) es una matriz de funciones  Y1 ( s)   G11 ( s) G12 ( s) . . . G1m ( s) 

racionales a las que llamamos Y ( s)  G ( s ) G ( s ) . . . G2 m ( s)   U1 ( s) 
 2   21 22
Funciónes de Transferencia  .   . .   . 
    
 .   . .  . 
 .   .  
.  U m ( s) 
   
Yk ( s)  Gk1 ( s) Gk 2 ( s) . . . Gkm ( s) 
Considerando una determinada entrada y una determinada salida lo que tenemos es una
Función de Transferencia en prticular, que sabemos es de la forma:

bm s m  bm1s m1  ...  b0

Gij ( s)  n mn
s  an 1s n1  an 2 s n2  ...  a0

en donde el denominador es el polinomio característico de la matriz A

Desarrollando en fracciones parciales:

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  2kn 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 2 ( s )  (0)   (0)  C s ( s )   (0)   ( s)  F ( s)

g
 
l
g  g
 s 2 ( s )  cs ( s )  ( s )   s 2  cs  ( s )  F ( s )
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

Análisis Espectral de Señales

Funciones Periódicas – Serie de Fourier

f (t )  a 0   [a n cos(n 0 t )  bn sen(n 0 t )]
1
2
n 1
T /2
a0  2
T  f (t )dt
T / 2
T /2
an  2
T  f (t ) cos(n t )dt
T / 2
0
3
T

T /2 2
bn  2
T  f (t )sen(n t )dt
T / 2
0 1

f(t)
0

Puede verse que los coeficientes surgen -1

de realizar el producto escalar entre la -2 24p
función f(t) con una función g(t) que será -30 50 100 150 200
en este caso sen(nω0t) o cos(nω0t) según t
cual de los coeficientes estemos tratando
de determinar. f(t) = 1 + cos(t/3) + cos(t/4)
También se puede escribir como:

 bn 
f (t )  c0   rn cos(n 0 t   n ) , rn  a  b 2
n
2
n ,  n  tg  
1

n 1  an 
, o en forma compleja:
 T
f (t )  c0   c n e jn0t , cn  1
T  f (t )e  jn0t dt
n 1 0

Se puede demostrar que:

rn
cn  e j n

1
an  jbn 
2 2
Al utilizar seno y coseno para cada frecuencia obtenemos la “coincidencia” o
“similitud” de la armónica respecto de la señal en cuanto a forma y la fase con
la cual se maximiza dicha coincidencia.

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.

Por ello, los coeficientes cn especifican a f(t) en el dominio de la frecuencia

de la misma manera que f(t) especifica la función en el dominio del tiempo.
Ejemplo - Onda Cuadrada

f (t ) 
4
sen(0t )  13 sen(30t )  15 sen(50t )  ...
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

1.5 Serie con 3 armónicos 1.5 Serie con 7 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
1.5 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

1.5 Serie con 100 armónicos

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

Definimos “potencia” como la “energía” de un ciclo dividida por su período.

Esta potencia “promedio” se puede determinar a partir de los coeficientes
de la serie mediante la relación de Parseval:

T /2 

 f (t ) 2 dt   cn
1 2
T
T / 2 n  

Los coeficientes nos indican como la potencia total de la señal se

distribuye entre las diferentes armónicas. Al filtrar armónicas le quitamos
potencia a la señal.
Transformada de Fourier
Analicemos que pasa con un tren de pulsos cuando aumentamos su
frecuencia de forma progresiva. Comenzamos con un período igual al
doble del ancho del pulso: f(t)
1

... -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 (n0 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
=n0
0.3

0.2 p=1, T=5

0.1

-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 n0, sino como una función
continua de la frecuencia .


Así, la serie f (t )  c e
n  
n
jn0 t

Al cambiar la variable discreta n0 (cuando T) por la variable continua , se transforma en una
integral de la siguiente manera:
T /2  1 T /2  jn0t   T /2

cn  1
T  f (t )e  jn0t
dt  f (t )    T  f (t )e  jn0t
dt e    21p  f (t ) e  jn0t
dt  0 e
jn0t

T / 2 n    T / 2  n    T / 2 


  jt
 f (t )e dte d
 jt
Si T, n0 y 0d, la sumatoria se convierte en: f (t )  1
2p

 

 F ( )e d  f (t )e  jt dt
jt
, lo que podemos escribir como: f (t )  1
2p , en donde: F ( ) 
 

En base a esto definimos la Transformada de Fourier y su Inversa como:

 
 f (t )  F ( )   f (t )e  jt
dt  F ( )  f (t ) 
1 1
2p  F ( ) e jt
d
 
Teorema de Parseval en Tiempo Discreto

Definimos la “energía” de la señal en un período como:


E  NFs  f k  c
2 2
n
n  

La “potencia” será:

E 1
P   cn
2

T NFs n  

Los coeficientes nos indican como la potencia total de la señal se

distribuye entre las diferentes armónicas. Al filtrar armónicas le quitamos
potencia a la señal.
Análisis de
Procesos Dinámicos

Análisis en Tiempo Discreto

Muestreo
Señal continua

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:

y (t )  A  sen(t ) , y * (nTs )  A  sen(nTs  )  A  sen(2np 

s )
 s  2
Cumplir esta desigualdad permite resolver la
ambigüedad que surge entre el muestreo de
la señal original y el de otras senoidales de
diferente frecuencia que producirían el mismo
muestreo.
Podemos decir que necesitamos que todo el
contenido espectral esté en una banda de
frecuencia conocida dentro de algún intervalo

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

Para señales muestreadas la Transformada se convierte en una sumatoria que recuerda la

serie de Fourier, pero en este caso no es una suma infinita .

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

Sea la ecuación de estado lineal: x(t )  A x(t )  B u(t )

y (t )  C x(t )  Du(t )

Aplicando Laplace, despejando y anti-transformando obtenemos la solución:

t
X( s)  ( s)x(0)  ( s)B U( s)  x(t )  (t ) x(0)   ( )B u(t   ) d
0

 ( s )  sI  A 
1
(t )   ( s)
1

Tomando t = Ts (intervalo de muestreo) y asumiendo que u(t) solo

cambia en los instantes de muestreo y se mantiene constante en
este intervalo:

Ts
x k 1  A d  x k  B d  u k A d  (Ts ) , B d   ( )  d  B
0

Que es la Ecuación de Estado Discreta o modelo estroboscópico de la dinámica

descripta por la ecuación de estado para tiempo continuo.

Notar que aunque Ad y Bd son matrices de constantes, sus valores dependen del tiempo de muestreo Ts
Transformada Z

Matemáticamente podemos expresar una señal muestreada como el producto de la señal

continua con un tren de impulsos unitarios (expresado esto último como una sumatoria de
funciones delta de Dirac desplazadas en el tiempo).

y* (t )  y(t )    (t  nTs )   y(nTs )   (t  nTs )

n n

Si aplicamos transformada de Laplace a la señal muestreada obtenemos lo siguiente.

 
   st
 

 y (t )    y (nTs )   (t  nTs )  e dt    y (nTs )   (t  nTs )  e  snTs dt
*

0  n 0  n 0 0

  y (nTs )e  sTs n
n 0

Si definimos una nueva variable compleja z de la siguiente forma:


ze 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:

Z y (t )  y (0)  y (Ts ) z 1  y (2Ts ) z 2  y (3Ts ) z 3  

 y0  y1 z 1  y2 z  2  y3 z 3  

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

Y la propiedad mas importante para nosotros está relacionada con el desplazamiento en el

tiempo:
 
Z  f (t  Ts )   f n  1Ts z  ( n 11)
  f (kT ) zs
k
z  z  Z  f (t ) z  f (0)
n 0 k  n 11
 
Z  f (t  Ts )   f n  1Ts z  ( n 11)
  f (kTs ) z  k z 1  z 1  Z  f (t )
n 0 k 1
Matriz de Transferencia Discreta

Aplicando Transformada Z a la ecuación de estado discreta:

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

X( z )  zI  A d  z  x(0)  B d  U( z)

1

Combinando esto con la ecuación de salida y considerando condiciones iniciales nulas

podemos obtener una matriz de transferencia discreta:

 
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
ze TS s
e e