UNIVERSIDAD NACIONAL DE SAN AGUSTÍN DE AREQUIPA

UNIDAD DE POSGRADO

FACULTAD DE INGENIERÍA DE PRODUCCIÓN Y SERVICIOS

TESIS

“ANALISIS Y SIMULACION DEL CONTROL AVANZADO DE LA

POSICION DE UN ASCENSOR”

Presentado por el bachiller:

LUIS ANTONIO GODOY MONTOYA

Para optar el grado de:

Maestro en Ciencias Ingeniería Electrónica,
con Mención en Automatización e
Instrumentación

Asesor: Mg. HUGO RUCANO PAUCAR

Arequipa - Perú
2018
___________________________________________________________

“ANALISIS Y SIMULACION DEL CONTROL

AVANZADO DE LA POSICION DE
UN ASCENSOR”

Luis Antonio Godoy Montoya

___________________________________________________________

ii
ANALISIS Y SIMULACION DEL CONTROL AVANZADO DE LA POSICION
DE UN ASCENSOR”

Luis Antonio Godoy Montoya

Asesor: Mg. Hugo Rucano Paucar

Tesis presentada a la Unidad de Postgrado de la Facultad de

Ingeniera de Producción y Servicios de la Universidad Nacional
de San Agustín como parte del requisito para obtención del
Grado de Maestro en Ciencias Ingeniería Electrónica con
Mención en Automatización e Instrumentación.

UNSA - Arequipa
2018

iii
 Agradecimientos
______________________________________________________

La presente tesis es el resultado final del esfuerzo conjunto con mi asesor, profesores y
compañeros de maestría quienes aportaron en todo momento motivación, consejos. También
quiero agradecer muy especialmente a toda mi familia por su apoyo y comprensión incondicional.

iv
 ÍNDICE GENERAL
__________________________________________________

RESUMEN …………………………………………………………………………. 1
ABSTRACT ……………………………………………………………………….. 2
INTRODUCCIÓN …………………………………………………………………. 3
CAPÍTULO I ………………………………………………………………………. 4

1.1 CONDICIONES DEL PROBLEMA …………………………….…… 4

1.2 OBJETIVO GENERAL ………………………………………………. 5

CAPITULO II ……………………………………………………………………… 6
MODELADO DEL SISTEMA
2.1 Modelamiento matemático…………………………………………… 6
2.2 Ecuaciones de Estado ……………………………………………….. 11

CAPITULO III………………………………………………………………………. 10
CONTROL ÓPTIMO
3.1 Control Optimó Cuadrático No Estacionario……………………....... 12
3.2 Control Óptimo Cuadrático Estacionario ………………………….… 19

3.3 El Regulador Óptimo Proporcional–Integral ………………………... 22

3.4 El Regulador Óptimo Multivariable Proporcional–Integral ………… 27

CAPITULO IV ……………………………………………………………………….. 30
EL OBSERVADOR DE ESTADOS MULTIVARIABLE
4.1 El Observador Optimo de una Entrada y una Salida ………………. 30
4.2 El Observador Óptimo Multivariable de Orden Completo …………. 34

v
CAPITULO V …………………………………………………………………………. 36
ANALISIS Y RESULTADOS
5.1 Análisis del proceso………………………………………………………. 36
5.2 Modelado del ascensor ………………………………………………….. 38
5.3 Procedimiento del análisis y diseño del control ………………………. 41
5.4 Análisis y simulación del control ……………………………………….. 42

CONCLUSIONES ……………………………………………………………………. 45

RECOMENDACIONES ……………………………………………………………… 46

TRABAJOS FUTUROS ……………………………………………………………… 47

BIBLIOGRAFÍA ………………………………………………………………………. 48

vi
 ÍNDICE DE FIGURAS
__________________________________________________

Figura 2.1 Representación general del sistema ascensor ……………………. 8

Figura 2.2 Representación del Circuito equivalente del motor DC.……..……. 8

Figura 2.3 Representación mecánica y de la interacción de los componentes

del sistema …………………………………………………………….… 9

Figura 3.1 Sistema de control óptimo a lazo cerrado …………………………. 21

Figura 3.2 El regulador SISO óptimo proporcional–integral …………………. 22

Figura 4.1 Configuración del observador de estados …………………………. 31

Figura 5.1 Proceso ascensor ……………………………………………………. 37

Figura 5.2 Respuestas al escalón de la posición del ascensor ………………. 40

Figura 5.3 Resultado de la simulación del control del ascensor …..…………. 44

vii
 Resumen
______________________________________________________

Los métodos de control moderno tienen en la actualidad cada vez más campos en
los cuales poder ser aplicados. Los progresos que hoy en día se alcanzan a nível
de equipos computacionales hace posible la implementación de estrategias,
algoritmos y modelos matemáticos sin que el coste computacional sea una
limitante determinante.

La presente tesis aborda el análisis y simulación del control avanzado de la

posición de un ascensor, partiendo del modelamiento matemático del sistema
electro – físico hasta la simulación, poniendo en práctica las técnicas de control
avanzado.

Palabras Clave: Análisis, simulación, control avanzado, control óptimo.

1
 Abstract
______________________________________________________

The methods of modern control nowadays have more and more fields in which
they can be applied. The progress that is achieved today at the level of
computational equipment makes possible the implementation of strategies,
algorithms and mathematical models without the computational cost being a
determining limitation.

This thesis deals with the analysis and simulation of the advanced control of the
position of an elevator, starting from the mathematical modeling of the electro -
physical system to the simulation, putting into practice the techniques of advanced
control.

Keywords: Analysis, simulation, advanced control, optimal control.

2
 INTRODUCCION

Se pretende demostrar y afianzar los conocimientos propios del control digital,

mediante el desarrollo de un sistema de control avanzado, para establecer la
posición de un cuerpo que tiene dos opciones de movimiento (arriba y abajo) y
requiere desplazarse de una manera establecida y fiable que permita a los
usuarios disfrutar de un viaje cómodo y eficaz en términos de tiempo.
El documento consta de 3 partes, de las cuales la primera el marco teórico, en
donde se documenta la teoría de control y se hace la descripción de los
elementos que hacen posible o son piezas estructurales del ascensor. La
segunda parte la aplicación como tal, incluyendo los elementos físicos y los de
software como el programa que corre en Matlab.
Enseguida se hace una integración de todos los elementos, para formar el
ascensor controlado.
La última parte hace referencia a las conclusiones a las que se llegó después de
hacer un análisis y simulación del proyecto.

3
 CAPITULO I

“ANALISIS Y SIMULACION DEL CONTROL AVANZADO DE LA

POSICION DE UN ASCENSOR”

1.1 CONDICIONES DEL PROBLEMA

El problema a resolver es posicionar suavemente el ascensor en un piso

determinado, lo que significa sobre impulso nulo (para que no se pase de piso) y

tiempo de estabilización menor que 10 s. Para no saturar al actuador (el

amplificador de potencia), la señal de control debe estar dentro del rango de ± 200

volt. Por lo tanto será necesario diseñar un sistema de control óptimo cuadrático

estacionario deposición que cumpla las especificaciones pedidas.

La selección del tiempo de muestreo es a conveniencia del diseño.

4
1.2 OBJETIVO GENERAL

Analizar el sistema de control avanzado y convencional para el control de la

posición de un ascensor con Matlab.

5
CAPITULO II

MODELAMIENTO DEL SISTEMA

2.1 MODELAMIENTO MATEMATICO.

DINAMICA DEL ASCENSOR

En la Figura 1 se aprecia la estructura del ascensor que ha de ser controlado. Un

motor DC se encarga de generar la fuerza necesaria para el ascensor, se
encuentra acoplado a un eje sobre el cual se encuentra una polea que mediante
un cable se conecta con una cabina que será usada para desplazar cargas
verticalmente. La entrada 𝑢 a este sistema es el voltaje aplicado al motor, y su
salida 𝑦 es la posición vertical de la cabina, medida positiva hacia abajo.
Asumiendo un motor DC de imán permanente con inductancia despreciable, la
ecuación (2.1) es el equivalente eléctrico del motor:

(2.1)

donde 𝑢 es el voltaje aplicado, 𝑅 es la resistencia entre terminales, 𝐼 es la

corriente, 𝑘𝑣 es la constante de velocidad-fuerza contra electromotriz y 𝜙 es la
posición angular del rotor del motor. Se puede apreciar en la figura 2.3 que el par
electromagnético generado por la corriente eléctrica debe mover el rotor, la
reductora, el eje, la polea y la cabina del ascensor, de cuya interacción se extrae
la siguiente ecuación:

6
 (2.2)

en la que 𝑘𝑖 es la constante de par, 𝐽𝑟 es la inercia del rotor, 𝐽𝑔 es la inercia de la

reductora reducida al eje del motor, 𝑛 > 1 es el factor de reducción, 𝐽𝑒𝑝 es la
inercia del conjunto eje-polea, 𝑇 es la tensión del cable y 𝑟 es el radio de la polea.
El movimiento de la cabina en términos de la segunda ley de Newton viene
representado por:

(2.3)

donde 𝑚𝑐 es la masa de la cabina (se considera como parte de la misma la carga

que transporta), 𝑦 es la posición vertical de la cabina y 𝑔 = 9,81 𝑚⁄𝑠 2 ・ es la

aceleración de la gravedad.
Para efectos del análisis, se asumirá que el cable no experimenta deslizamiento
sobre la polea.

7
Figura 2.1: Representación general del sistema ascensor. 1) Armadura. 2)
Encoder de posición. 3) Motor DC. 4) Caja reductora. 5) Eje de la polea. 6)
Polea. 7) Cable. 8) Cabina.

Figura 2.2 : Representación del Circuito equivalente del motor DC.

8
Figura 2.3. Representación mecánica y de la interacción de los componentes
del sistema.

Adicionalmente encontramos que existen 2 expresiones que relacionan la

velocidad vertical con la velocidad angular de la polea así como la aceleración
vertical con la aceleración angular de la polea:

(2.4)

Combinando (2.4) y (2.1) obtenemos la siguiente expresión:

(2.5)

9
Las variables de estado que elegiremos serán:

𝑥1 = Velocidad del ascensor

𝑥2 = Posición del ascensor
𝑥3 = Señal del sensor de velocidad
𝑥4 = Señal del sensor de posición

10
2.2 ECUACIONES DE ESTADO.

Las ecuaciones de estado y de salida del sistema ascensor son:

11
CAPITULO III

CONTROL ÓPTIMO

El control óptimo se basa en la definición de una función o funcional que

relaciona el error de control y la acción de control y/o sus desviaciones, con
ponderaciones que permiten “pesar” en forma relativa cada una de ellas, y se
establece un criterio de optimización sobre dicho funcional que se ajuste a los
objetivos del control. Pueden también ser incluidas las restricciones de la
misma (rangos de operación de variables, de las acciones de control y del
sistema), generando una acción de control optima según el criterio que se
estableciera, vinculada a las restricciones presentes en el proceso.

3.1 Control Óptimo Cuadrático No Estacionario

El control óptimo cuadrático se puede formular como sigue. Dado un sistema

lineal en el dominio discreto de la forma:

xk  1  Gxk   Huk , x( 0 )  c (3.1)

Se desea determinar una secuencia de señales de control u 0 ,u 1,,u N 

que minimicen una función de costo cuadrática. Un ejemplo de esta función de

costo para un proceso de tiempo finito 0  k  N  es:

12
 1 N 1 T

J  x  N Sx N    x k Qx k   u T k Ru k 
1 T
2 2 k 0

(3.2)

donde xk  es el vector de estado de dimensión n y u k  es el vector de

control de dimensión r r. Mientras que la matriz real simétrica semidefinida

positiva S (de dimensión n  n ) pondera la importancia del estado final

xN  en el tiempo N , la matriz real simétrica semidefinida positiva Q (de

dimensión n  n ) pondera la importancia del vector de estado xk  , y la

matriz real simétrica definida positiva R (de dimensión m  m ) pondera la
importancia de la señal de control u k  .

Cabe anotar además que una matriz real es definida positiva cuando todos sus
valores propios son positivos. Cuando los valores propios de una matriz real
son positivos o cero, entonces la matriz se denomina semidefinida negativa.
Cuando una matriz real posee valores propios positivos y negativos, entonces
es indefinida.

El estado inicial del sistema es cualquier vector arbitrario x0   c . Si el estado

x N SxN 
final se fija en un valor predeterminado x f , entonces el término 1 T
2

sale de la función de costo y se impone la condición final xN   x f . Si el

estado final xN  no es fijo, entonces el término x N SxN 

1 T
representa la
2

medida del rendimiento del sistema debido al estado final. La inclusión de

este término en la función de costo J representa que nosotros deseamos que

el estado xN  sea lo más cercano posible al origen.

13
El problema de minimización en estudio, consiste en minimizar J (ecuación
(3.3)) cuando está sujeto a la restricción impuesta por la ecuación de estado

(3.1), donde k  0,1,2,, N  1 , y donde el vector de estado inicial es de la

forma:

x0   c (3.3)

Empleando los multiplicadores de Lagrange 1 ,,N , podemos definir una

nueva función de costo L (el Hamiltoniano) como sigue:

L  1
2
x  N Sx N  
T 1 N 1 T
2
  
 x k Qx k  u T k Ru k   
k 0
  k  1Gxk   Hu k   xk  1
T

 Gxk   Hu k   xk  1  k  1

T

(3.4)

La función L se minimiza derivándolo parcialmente con respecto a los

vectores xk  , u k  y  k  . Luego igualamos a cero los resultados

obtenidos. Es decir:

L
 Qx  G T  k  1   k   0 , k  1,2 ,...,N  1
xk 
(3.5)

L
 Sx   N   0
xN  (3.6)

14
 L
 Ruk   H T  k  1  0 , k  1,2 ,...,N  1
u k 
(3.7)

L
 Gxk  1  Hu k  1  xk   0 , k  1,2 ,...,N  1
 k 
(3.8)

Donde se han empleado las relaciones matriciales conocidas:

 T  T
x Ax  Ax x Ay  Ay
x x

De (3.7) se obtiene:

uk    R 1 H T  k  1, k  1,2,...,N  1

(3.9)

De (3.8) se deduce:

xk  1  Gxk   Huk , k  1,2,...,N  1 (3.10)

Reemplazando luego (3.9) en (3.10) resulta:

xk  1  Gxk   HR 1 H T  k  1 k  1,2,...,N  1

(3.11)

15
El vector de control óptimo (la ley de control) puede ser formulado como:

uk    Kx k  (3.13)

donde K k  es la matriz de ganancia de realimentación de orden rn.

Asumamos que  k  se pueda escribir como:

 k   Pk xk  (3.13)

donde Pk  es una matriz simétrica de orden n  n . Sustituyendo (3.13) en

(3.5) y despejando se obtiene:

Pk xk   Qxk   GT Pk  1xk  1

(3.14)

Sustituyendo (3.13) en (3.11), combinando luego la ecuación resultante con la

ecuación (3.14) y reordenando términos obtenemos:


Pk   Q  GT Pk  1 I  HR1H T Pk  1 1
G
(3.15)

Empleando ahora el siguiente lema de inversión de matrices:

 A  BD1  A1  A1BI  DA1B1 DA1

16
en (3.15), obtenemos la siguiente ecuación de Riccati:

 
Pk   Q  GT Pk  1G  GT Pk  1H R  H T P( k  1 )H H T Pk  1G
1

(3.16)

De la ecuación (3.6) podemos deducir que:

Sxk    k 

Reemplazando (3.13) con kN en esta última relación:

PN   S (3.17)

Esta última relación se usa para resolver la ecuación de Riccati, partiendo de

k  N hasta k  0 . Es decir, podemos obtener PN , PN  1,, P0  . De

la ecuación (3.5) obtenemos:

k  1  GT  k   Qxk 

1

Sustituyendo la última expresión en (3.9) y empleando la relación (3.13) en la

expresión resultante produce:

uk    K k xk  K k   R1 H T GT  Pk   Q

1
(3.18)

Usando transformaciones matriciales, se pueden demostrar dos expresiones

más para la ganancia K k  :

17
 uk    K k xk  
K k   R 1 H T P 1 k  1  HR 1 H T 1
G
(3.19)

uk    K k xk  
K k   R  H T Pk  1H 1
H T Pk  1G
(3.20)

Nosotros usaremos preferentemente la última relación.

18
3.2 Control Óptimo Cuadrático Estacionario

Se ha establecido que cuando el tiempo final N es finito, K k  resulta una

matriz de ganancia variante con el tiempo. Consideremos ahora el caso

cuando el sistema xk  1  Gxk   Huk  ha alcanzado su estado

estacionario en un tiempo N   (este tiempo ahora es fijo). En esta

situación, la matriz de ganancia del controlador K k  se convierte en una

matriz constante K . Para N   , la función de costo se formula así:

 x k Qxk   uT k Ruk 

1
J T

2 k 0

(3.21)

1
N SxN  de la relación (3.3) ha
T
en donde podemos observar que el término x
2

desaparecido. Esto es debido a que en N   el sistema de control optimó

es estable, de modo tal que J converge a un valor constante, x   tiende

x Sx  0 . Por otra parte, en el estado estacionario la matriz

1 T
a 0 y
2
Pk  resulta una matriz constante P . De este modo la ecuación de Riccati
(3.16) en estado estacionario toma la forma:


P  Q  GT PG  GT PH R  H T PH H T PG 1

(3.23)

19
mientras que la matriz de ganancia K en (3.20) resulta:


K  R  H T PH H T PG 1

(3.23)

y la ley de control vectorial u k  pasa a ser:

uk    Kx k  (3.24)

La matriz P de la ecuación matricial (3.23) se obtiene empleando la ecuación

de Riccati en estado no estacionario dada en (3.16), pero invirtiendo la
dirección del tiempo; es decir:


Pk  1  Q  GT Pk G  GT Pk H R  H T P( k )H 
1
H T Pk G
(3.25)

El diagrama de bloques del sistema de control óptimo de estado estacionario

se ilustra en la figura 3.1, en donde se asume que todos los estados pueden
ser medidos y procesados.
Dicho sistema es estable si todas las raíces de su ecuación característica (los
eigenvalores o modos de funcionamiento):

detzI  G  HK   0 (3.26)

caen dentro del círculo unitario. El problema con la configuración mostrada en

la figura 3.1, es que la señal de referencia o “set point” no aparece
explícitamente. Es por esta razón que se prefiere usar la configuración del
regulador óptimo proporcional integral, en donde si aparece explícitamente la
señal de referencia. (Single–Input–Single–Output).
20
Figura 3.1: Sistema de control óptimo a lazo cerrado.

21
3.3 El Regulador Óptimo Proporcional–Integral

El regulador óptimo proporcional–integral mostrado en la figura 3.2, incluye un

integrador discreto, el cual sirve para eliminar los errores en estado estable. Es

decir, para hacer que la diferencia entre la salida yk  y la referencia r k 

sea nula en el estado estable.

De la figura 3.2 deducimos:

xk  1  Gxk   Huk  yk   Cxk  (3.27)

uk    Kxk   K I vk  (3.28)

Figura 3.2: El regulador SISO óptimo proporcional–integral.

donde xk  es el vector de estado del sistema de orden n , yk  es la salida

escalar controlada del sistema, u k  es la señal o fuerza de control, vk  es la

señal de salida del integrador, G es la matriz de estado de orden n  n , H

es la matriz de control de orden n  1 , C es la matriz de salida de orden

22
1 n , K I es la ganancia del integrador, y K es la matriz ganancia del

controlador de orden 1 n . La matriz de ganancia K se formula como:

K  K1 K 2  K n  (3.29)

La ecuación que describe al integrador discreto es:

vk   vk  1  r k   yk  (3.30)

Para tiempo k  1, vk  1 toma la forma:

vk  1  vk   r k  1  y k  1
 vk   r k  1  C Gxk   Hu k  vk  1
 1  CHK 1 vk    CG  CHK xk   r k  1
(3.31)

Usando (3.27) y (3.28), encontramos:

xk  1  G xk   H  Kx k   K I vk 

 G  HK xk   HK I vk 
(3.32)

mientras que las ecuaciones (3.31) y (3.32) producen:

 x( k  1 )  G  HK HK I   x( k ) 0 
 v( k  1 )   CG  CHK  r k  1
   1  CHK I   v( k ) 1
(3.33)

23
  x( k )
y k   C 0    (3.34)
 v( k )

En el estado estacionario para k   , las variables xk  , u k  y vk 

toman sus valores estacionarios x  , u   y v , respectivamente. Así,
(3.33) toma la forma:

 x(  )  G  HK HK I   x(  ) 0 
 v(  )   CG  CHK 
1  CHK I   v(  )  r 
  
(3.35)

Definiendo:

xk   x  x e k  (3.36)

vk   v  ve k  (3.37)

podemos ahora restar (3.35) de (3.33) y luego usar las ecuaciones (3.36) y
(3.37) para obtener:

24
  xe ( k  1 )  G  HK HK I   xe ( k )
 v ( k  1 )   
 e   CG  CHK 1  CHK I   ve ( k )
 G 0   xe ( k )  H   xe ( k )
  
    K K 
1  
 CG I   ve ( k )  CH   ve ( k )
(3.38)

La ecuación (3.38) se puede formular en su forma compacta así:

 k  1  G k   Hwk  wk    K k 
~ ~ ~
(3.39)

donde:

 xe ( k )  G 0
 k    G k   
~

 v e ( k )  CG I 

 H 
H k    K k   K  KI 
~ ~

 CH 

Cabe resaltar que el vector de estado xk  del sistema original es de orden n

, mientras que el vector de estado  k  del regulador proporcional – integral

es de orden n  1 , debido a la presencia del integrador.

El problema del control óptimo cuadrático discreto estacionario para el

regulador proporcional integral, se resuelve minimizando la siguiente función
de costo:
25
  


      
1 ~ ~
J  k Q T
k  w k R 2

2 k 0
(3.40)

(3.40)

Empleando el método de la sección 3.1, determinamos las expresiones de la

~
ecuación de Riccati y de la matriz de ganancia K del controlador:

~ ~ ~ ~~ ~ ~~ ~ ~ ~~
P  Q  GT PG  GT PH R  H T PH  1 ~ ~~
H T PG
(3.41)

~ ~ ~ ~~

K  R  H T PH 
1 ~ ~~
H T PG (3.42)

~
Donde P es una matriz simétrica definida positiva de dimensión
n  1  n  1 , la cual es solución de la ecuación matricial de Riccati
asociada.

26
3.4 El Regulador Óptimo Multivariable Proporcional–Integral

El regulador proporcional–integral mostrado en la figura 3.2, y descrito para el

caso univariable en la sección anterior, también se aplica a sistemas
multivariables.

Las ecuaciones que gobiernan la dinámica de un regulador multivariable

proporcional–integral se pueden establecer por extensión. Así, la ecuación de
estado del sistema multivariable viene a ser (ver figura 3.2):

xk  1  Gxk   Huk  yk   Cxk 

(3.43)

uk    Kxk   K I vk  (3.44)

donde xk  es el vector de estado del sistema de orden n , yk  es el vector

de salida de orden m , u k  es el vector de control de orden m , vk  es el

vector de salida del integrador de orden m , G es la matriz de estado de
orden n  n , H es la matriz de control de orden n  m , C es la matriz de
salida de orden 1m  n , K I es la matriz de ganancia del integrador de orden
m  m , y K es la matriz ganancia del controlador de orden m  n . La matriz
de ganancia K posee ahora la forma:

27
  K11 K12  K 1n 
K      

 K m1 Km2  K mn  (3.45)

Del mismo modo, de la figura 3.3, podemos formular la ecuación que describe
al vector integrador discreto:

vk   vk  1  r k   yk  (3.46)

Donde r es el vector de referencia de orden m . Operando como en el caso

de una entrada y una salida (sección 3.3), se puede demostrar que la forma
compacta de la ecuación (3.38), pero para el caso multivariable es (ver (3.47)):

wk    K k 
~
 k  1  G k   Hwk 
~ ~
(3.47)

donde:

 xe ( k )  G 0
 k    G k   
~

 v e ( k )  CG I 

 H 
H k    K k   K  KI 
~ ~
 
 CH 

28
con:

xk   x  x e k 

vk   v  ve k 

Para resolver el problema del control óptimo cuadrático discreto estacionario,

debemos minimizar la siguiente función de costo:

 w


      
1 ~ ~
J  k Q T
k  w k R T

2 (3.48)
k 0

En (3.48), el vector de entrada w es de orden m . Como resultado del

proceso de minimización, obtenemos las expresiones de la matriz de ganancia
~
K del controlador y la ecuación de Riccati asociada:

~ ~ ~ ~~ ~ ~~ ~ ~ ~~

P  Q  GT PG  GT PH R  H T PH 1 ~ ~~
H T PG
(3.49)


~ ~ ~ ~~
K  R  H T PH 
1 ~ ~~
H T PG (3.50)

~
Donde P es una matriz simétrica definida positiva de dimensión
~
n  1  n  1 , Q es una matriz simétrica semidefinida positiva de

dimensión n  1  n  1 y
~
R es una matriz simétrica definida positiva de
dimensión mm.
29
CAPITULO IV

EL OBSERVADOR DE ESTADOS MULTIVARIABLE

4.1 El Observador Óptimo de una Entrada y una Salida

Para implementaciones en tiempo real, sólo unas cuantas variables del vector

de estado xk  de un proceso se pueden medir en forma directa. En tales

situaciones necesitamos estimar dicho vector de estado; es decir, requerimos

hallar un vector de estado estimado x̂k  . El empleo de un observador

discreto de estados permite determinar x̂k  .

El diseño del observador implica determinar su matriz de ganancia K e ,

partiendo de la minimización de una función de costo cuadrática, en forma
similar al caso del controlador óptimo. El diagrama de bloques del observador
de estados de una entrada y una salida se muestra en la figura 4.1, donde

podemos notar que el observador emplea las mediciones de la salida yk  y

de la señal de control u k  .

De la figura 4.1 obtenemos:

xh  1  Gxk   Hu k  (4.1)

yk   Cx k  (4.2)

30
Figura 4.1: Configuración del observador de estados.

La ecuación del observador toma la forma:

x̂( k  1  Gx̂( k )  Hu( k )  K e y( k )  Cx̂( k ) .

(4.3)

donde x̂k  es el vector de estado estimado de dimensión n , ŷk 

representa la salida escalar estimada, K e es la matriz de ganancia de

realimentación del observador de dimensión n  1 y C es la matriz de salida

de dimensión 1 n . Reemplazando (4.2) en (4.3) y restando la ecuación
resultante de (4.1), podemos obtener la ecuación del error del observador:

e( k  1 )  G  K e C e( k ); e( k )  x( k )  x̂( k )
(4.4)

31
El observador posee la siguiente ecuación característica:

det zI  G  K eC   0 (4.5)

en donde la matriz K e se diseña para que el error tienda a cero con una
velocidad adecuada. Las raíces de la ecuación característica deben ubicarse
dentro del círculo unitario para que el observador sea estable y opere
satisfactoriamente.

La matriz K e se puede calcular en la misma forma en que se calculó la matriz

de ganancia K del controlador óptimo: partiendo de la minimización de una

función de costo cuadrática aplicada al observador. En este caso usaremos el
concepto de dualidad. Es decir, emplearemos las ecuaciones que describen al

sistema de control óptimo, convenientemente modificadas, para calcular K e .

El procedimiento es como sigue. Dado que el determinante de una matriz y el

de su transpuesta son iguales, podemos modificar la forma de la ecuación
(4.5) así:

  
det zI  G  KeC   det zI  G  KeC   det zI  GT  CT KeT
T

(4.6)

Comparando la ecuación característica del controlador optimo (3.26), con la

ecuación característica del observador (4.6), podemos concluir que se tienen
que hacer las siguientes modificaciones:

32
 G  GT H  CT K  KeT (4.7)

Usando dichas modificaciones en las estructuras de la ecuación de estado del

proceso xk  1  Gxk   Hu k  , de su ecuación de salida yk   Cx k  y

de su ley de control uk    Kx k  , obtendremos las siguientes relaciones

duales de la ecuación de estado y de la ley de control:

 ( k  1 )  GT  ( k )  C T  ( k ) (4.8)

 ( k )  KeT ( k ) (4.9)

Empleando ahora (4.8) y (4.9) en la función de costo siguiente:

  k Qe k    T ( k )Re  k 

1
J T

2 (4.10)
k 0

entonces la correspondiente ecuación de Riccati toma la forma:


Pe  Qe  GPe G T  GPe C T Re  CPe C T 
1
CPe G T (4.11)

mientras que la matriz de ganancia K e resulta:


Ke  Re  CPeCT 
1
CPeGT (4.12)

33
4.2 El Observador Óptimo Multivariable de Orden Completo

Por extensión, la figura 4.1 también puede ser aplicada a sistemas

multivariables.
De dicha figura se puede formular:

xk  1  Gxk   Huk  (4.13)

yk   Cxk  (4.14)

xˆ k  1  Gxˆ k   Hu k   K e  y (k )  Cxˆ (k )
(4.15)

donde x̂k  es el vector de estado estimado de dimensión n , ŷk 

representa el vector de salida estimado de dimensión m , K e es la matriz de

ganancia de realimentación del observador con dimensión n  m y C es la
matriz de salida de dimensión m n .

Otra vez, empleando el concepto de dualidad tratado en la sección anterior,

determinamos la ecuación de Riccati del observador:


Pe  Qe  GPeGT  GPeCT Re  CPeCT 1
CPeGT (4.16)

34
donde las matrices de ponderación Re y Qe son de orden mmy nn

respectivamente, y la matriz Pe solución de la ecuación de Riccati es de orden

n  n . La correspondiente matriz de ganancia K e se calcula de:


Ke  Re  CPeCT 1
CPeGT (4.17)

35
CAPITULO V

ANALISIS Y RESULTADOS

5.1 Análisis del proceso

La figura 5.1 muestra el diagrama de bloques simplificado del Proceso

ascensor, El problema a resolver es posicionar el ascensor adecuadamente.
El voltaje de armadura v(t) lo suministra un amplificador de potencia con
saturación (ver figura 5.1) el cual no debe exceder los +- 200 volt. Esto
significa una velocidad x1 en estado estable de:

Observar en la figura 5.1(d) que la velocidad y posición del elevador se miden

separadamente. Entre pisos, el amplificador de potencia se encuentra en
estado de saturación, generando ± 200 volt, dependiendo de si el ascensor
está desplazándose hacia arriba o hacia abajo. Cuando el ascensor se
aproxima al piso donde debe parar, la operación del amplificador pasa a la
zona lineal.
En esta situación debe actuar un controlador para posicionar suavemente al
ascensor empleando las mediciones de velocidad y posición del ascensor.
Tales mediciones, así como también la medición del voltaje de armadura en la
zona de saturación, están disponibles para cada piso.
La figura 5.1(d) muestra el sistema de control digital del ascensor.
Las ecuaciones de estado y de salida del ascensor son:

36
Figura 5.1: Proceso ascensor.
37
5.2 Modelado del Ascensor

(Codificación Matlab)
%ascensor 1.m
Clear all
% MODELO DEL SCENSOR
A= [-0.2 0 0 0
1 0 0 0
2 0 -2 0
5 0 0 -5];
B =[1e-3;0;0;0];
C = [0 1 0 0]; D = [0];
% CONTROLABILIDAD Y OBSERVABILIDAD DEL PROCESO
rAB = rank(ctrb(A,B)); % rAB = 4 => COMPLETAMENTE CONTROLABLE
rAC = rank(obsv(A,C)); % rAC = 2 => NO ES COMPLETAMENTE
OBSERVABLE
eigA= eig(A); % COMPUTA EIGENVALORES
% eigA =
% -5.0000
% 0
% -2.0000
% -0.2000
% CONVERSION AL ESPACIO DISCRETO
T=0.2; %TIEMPO DE MUESTREO
[G,H,C,D] = c2dm(A,B,C,D,T,’zoh’);
rGC = rank(obsv(G,C));%rGC=2=>NO ESCOMPLETAMENTE OBSERVABLE
eigG=eig(G); % COMPUTA EIGENVALORES
% eigG =
% 0.3679
% 1.0000
% 0.6703
38
% 0.9608
% G =
% 0.9608 0 0 0
% 0.1961 1.0000 0 0
% 0.3227 0 0.6703 0
% 0.6176 0 0 0.3679

% H = 1.0e-003 *
% 0.1961
% 0.0197
% 0.0347
% 0.0725
% RESPUESTAS AL ESCALON

[Y,X,t] = step(A,B,C,D);
[YY,XX] = dstep(G,H,C,D);
tt = linspace(0,size(YY,1)*T,size(YY,1));

subplot(211)
plot(t,Y); grid
xlabel(’Tiempo en segundos’)
ylabel(’Salidas continuas’)
subplot(212)
plot(tt,YY); grid
xlabel(’Tiempo en segundos’)
ylabel(’Salidas discretas’)

39
Figura 5.2: Respuestas al escalón de la posición del ascensor.

40
5.3 Procedimiento del análisis y diseño del control

El procedimiento de diseño e implementación en tiempo Real de un

sistema de control optimo cuadrático comprende los pasos siguientes:

1. Formular el problema (determinar especificaciones de diseño).

2. Determinar el modelo matemático del proceso a controlar y determinar si es
completamente controlable y completamente observable
3. Calcular la matriz de ganancia optima K de control
4. Calcular la matriz de ganancia optima Ke del observador
5. Simular el sistema de control óptimo cuadrático.

41
5.4 Análisis y simulación del Control

El problema a resolver es posicionar suavemente el ascensor en un piso

determinado, lo que significa sobre impulso nulo (para que no se pase de
piso) y tiempo de estabilización menor que 10s.
Para no saturar al actuador (el amplificador de potencia), la señal de control
debe estar dentro del rango de 200volt.
El análisis se centra en diseñar un sistema de control óptimo cuadrático
estacionario de posición que cumpla las especificaciones pedidas.
La selección del tiempo de muestreo es a conveniencia del diseño; por lo que
se ha seleccionado 0.2 segundos.

A continuación se muestra código de programa en Matlab para la resolución

del problema.

clc
clear all
close all

% MODELO CONTINUO DE LA PLANTA

A=[-0.2 0 0 0
1 0 0 0
2 0 -2 0
5 0 0 -5];

B=[10e-3; 0; 0; 0];
C=[0 1 0 0 ];
D=[0];

% MODELO LINEAL DISCRETO

T = 0.2; % PERIODO DE MUESTREO
[G,H,C,D]=c2dm(A,B,C,D,T,'zoh');

G1 = [G zeros(4,1);
-C*G 1 ];
H1 = [H; -C*H];

% INGRESO DE PESOS
42
Q = [1 0 0 0 0
0 100 0 0 0
0 0 1 0 0
0 0 0 1 0
0 0 0 0 3];

R = [0.01];

% ECUACION DE RICCATI
P = diag(0,4);
for i = 1:40
P = Q + G1'*P*G1 - G1''*P*H1*inv(R+H1'*P*H1)*H1'*P*G1;
end

% CALCULO DE LA MATRIZ DE GANANCIA KK

KK = inv(R+H1'*P*H1)*H1'*P*G1;

% SEPARAMOS LA ACCION INTEGRAL

K = [KK(1) KK(2) KK(3) KK(4)];
KI = -KK(5);
% KK = dlqr(G1,H1,Q,R);

% CALCULO DE LA MATRIZ DE OBSERVABILIDAD

No = [C' G'*C' (G')^2*C' (G')^3*C'];
rankNo = rank(No); % sistema no es observable

% SIMULACION
% DEFINIMOS LOS PARAMETROS DE LA SIMULACION
N = 200; x=[0;0;0;0]; v=0; Y=0;
for k=1:N
r(k)=3*sign(sin(0.02*k)); Ref=r(k);
v = v + Ref - Y;
U = - K*x + KI*v;

% EL VALOR DE U ES SATURADO EN +200 PARA TODO VALOR MAYOR

A +200
if(U > 200)
U = 200;

% EL VALOR DE U ES SATURADO EN -200 PARA TODO VALOR MENOR

A -200
elseif(U < -200)
U = -200;
end
x = G*x + H*U;
43
 Y = C*x;
y(k) = Y; u(k) = U;
end

% GENERACION DE GRAFICOS
t=linspace(0,N*T,N);
subplot(2,1,1)
plot(t,y(1:N),t,r(1:N)),
grid
ylabel('’Posicion (m)')
xlabel('Tiempo en segundos')

subplot(2,1,2)
plot(t,u(1:N)), grid

xlabel('Tiempo en segundos')
ylabel('Voltaje de control')

Figura 5.3: Resultado de la simulación del control del ascensor (Relación

entre la posición del ascensor y la tensión de control).

44
CONCLUSIONES

1. En este estudio se ha diseñado y aplicado un controlador discreto

multivariable a un sistema multivariable del control de un ascensor. El
controlador diseñado es el óptimo cuadrático del tipo proporcional integral.
Para su formulación se emplea el modelo linealizado del ascensor.

2. Se observa que las especificaciones de diseño establecidas se cumplen

satisfactoriamente. Es por ello que en el grafico correspondiente se
observa los resultados obtenidos del análisis y simulación.

3. Una de las partes más importantes en este trabajo es la aplicación del

control óptimo avanzado para el control del ascensor haciendo uso de
Matlab como herramienta para el análisis.

45
RECOMENDACIONES

1. Trabajos futuros pueden emplear este método de análisis diseñar otros

sistemas de control relacionados. Por ejemplo, se pueden probar los
algoritmos de control predictivo, control con modelo interno y control por
modo deslizante, entre otros, controlando el sistema en estudio. De esta
forma podríamos establecer puntos de comparación que muy bien podrían
ser aplicados en futuras implementaciones.

2. Se puede utilizar el software Labview para simular el control del ascensor

dado que dispone de herramientas de análisis muy similares a las
utilizadas por el software Matlab. El uso de Labview facilitaría la
implementación de interfaces de usuarios visuales.

46
TRABAJOS FUTUROS

1. En un futuro cercano se buscara la implementación de este tipo de

estrategias de control a vehículos aéreos no tripulados (drones) a fin de
poder evaluar su desempeño en comparación a otras formas de control.
2. También se plantea la posibilidad de implementar una interface en Matlab
con la herramienta GUIDE que permita al usuario interactuar de una
manera visual.

47
 BIBLIOGRAFIA

 Katsuhiko Ogata, “Ingeniería de Control Moderna”, Quinta Edición, Edit.

Prentice-Hall, 2010

 Richard Dorf y Robert Bishop, “Sistemas de Control Moderno”, 12ava

Edición, Edit. Pearson Prentice Hall, 2010

 Farid Golnaraghi y Benjamin Kuo, “Sistemas de Control Automático”,

Novena Edición, Edit. Prentice-Hall, 2009

 W. Bolton. INGENIERIA DE CONTROL. Editorial Alfa Omega 2da Edición

México 2006

 Aplicaciones en Tiempo Real. Editorial Maguiña 2001 Perú.

 RolfIsermann, Digital Control Systems, Volume 1, Springer-Verlag, 2da

edición, Germany, 1989

 A JIMENES AVELLO, E. JIMENES MORENO – INTRODUCCIÓN AL

CONTROL ÓPTIMO Universidad Politécnica de Madrid

 Rolf Isermann, Digital Control Systems, Volume 1, Springer-Verlag, 2da

edición, Germany, 1989

 Matlab User’s Guide Version (Release 2015b) from The MathWorks.

http://www.mathworks.com

 M. Vidyasagar, Nonlinear Systems Analysis (Second Edition), Prentice Hall,

Englewood , Cliffs, New Jersey 07632, 1993.

 R. De Keyser, “A Gentle Introduction to Model Based Predictive Control”. In

PADI2 International Conference on Control Engineering and Signal
Processing, Piura, Peru, 1998.

48
 Ricardo Tanscheit, Marlley Vellasco, YvanTupac, Marco Aurelio Pacheco.
Controlador Difuso con Evolución del Conjunto de Reglas de Inferencia.
2003 Papers. Yvantv, Marco, Marley.

 Simulink User’s Guide from The MathWorks. http://www.mathworks.com

 Advanced Logic Toolbox For Use with Matlab User’s Guide Version 3.0
(Release 14) The MathWorks. http://www.matworks.com.

 Iván Socolsky. Diseño de un controlador avanzado para el problema del

péndulo invertido Universidad Nacional de Tucumán Argentina, Mayo de
1999

 Solange Olivera “Sistemas Inteligentes“. Editora Manole Ltda. Brasil 2003

 Ian S. Shaw y Marcelo Godoy Simoes. Controle e Modelagem Avanzado

Editorial: Edgard Blucher LTDA. 2001. Impreso en Brasil. ISBN 85-212-
0248-2.

 Timothy J. Ross .Advanced Logic with Engineering Applications.

49