Tópicos de Control Avanzado

TEMA1: REPRESENTACION DE SISTEMAS

Referencias:

Sistemas Lineas y modelos: System Identification, L. Lyung

Predicción: Adaptive Filtering, Prediction and Control, G. Goodwin & K. Sin.

SISTEMAS CONTINUOS........................................................................................................................................ 1
SISTEMAS DISCRETOS ........................................................................................................................................ 3
MODELOS CONVOLUTIVOS.............................................................................................................................. 5
MUESTREO/DISCRETIZACION.......................................................................................................................... 7
MODELO CON PERTURBACION ALEATORIA............................................................................................... 10
FAMILIA DE FUNCIONES DE TRANSFERENCIAS............................................................................................ 12
RETARDO EN LOS MODELOS ........................................................................................................................ 14
PREDICCIÓN DETERMINÍSTICA ........................................................................................................................ 14
PREDICCIÓN DEL MISMO ORDEN QUE EL RETARDO ................................................................................ 14
PREDICCIÓN DE DISTINTO ORDEN AL RETARDO....................................................................................... 20

SISTEMAS CONTINUOS

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 1 de 20

 Tópicos de Control Avanzado

• Entrada-salida o convolucional (SLIT)

• Función de transferencia

G (s) = ∫ g ( t ).e −st dt

• Espacio de estados

Recordando como se resuelven las EE mediante la transformada de Laplace

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 2 de 20

 Tópicos de Control Avanzado

• Vinculación entre ecuaciones de estado y Transferencia

SISTEMAS DISCRETOS

• Suma de convolución

Operador retraso

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 3 de 20

 Tópicos de Control Avanzado

Nota: utilizaremos indistintamente q o z.

• Transferencia

• Representación en EE

• Vinculación entre ecuaciones de estado y Transferencia

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 4 de 20

 Tópicos de Control Avanzado

MODELOS CONVOLUTIVOS

La representación entrada-salida general de un sistema discreto lineal, invariante en el tiempo y causal

obedece a una suma de convolución

∞
y[n] = ∑ h[k]u[n − k]
k =0

La representación como modelo convolutivo también puede ser expresada en función del la respuesta del
sistema a la señal escalón, forma muy utilizada en aplicaciones de control multivariable

∞
y[n] = ∑ g[k] ∆u[n − k]
k =1

siendo
∆u[n] = u[n] − u[n − 1]
n
g[n] = ∑ h[k]
k =0

Nota:
Y(z) = H(z)U(z) =
1− z
H(z)
−1 (1 − z−1)U(z)
= G(z) ∆U(z)

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 5 de 20

 Tópicos de Control Avanzado

Jerga de control industrial:

En cualquier proceso que se quiera controlar, las variables independientes son las entradas u[n], mientras que
las variables dependientes son las salidas y[n]. Las entradas son aquellas que pueden ser modificadas,
ocasionando un cambio en el proceso. También por ello las entradas se las denomina variables manipuladas
(MV-Manipulated Variables). Las salidas son aquellas variables que indican un cambio en el proceso, pero no
pueden modificarlo. También por ello las salidas con denominadas variables controladas (CV-Controlled
Variables) Las entradas pueden ser modificadas por el operador o bién son perturbaciones que cambian
continuamente.

u[n] entrada, variable independiente o manipulada

y[n] salida, variable dependiente o manipulada

En el caso multivariable

nu
yi [n] = ∑ hj ∗ uj i = 1,",ny
j=1
nu
= ∑ g j ∗ ∆u j
j=1
Siendo nu cantidad de entradas
ny cantidad de salidas

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 6 de 20

 Tópicos de Control Avanzado

MUESTREO/DISCRETIZACION

DISCRETIZACIÓN A PARTIR DE LA RESPUESTA IMPULSIVA

La discretización nos da el modelo matemático de un sistema como este será visto desde el
computador. Este recibe mediciones del proceso a intervalos discretos y transmite una nueva
señal de control también a intervalos discretos. El objetivo es entonces describir los cambios en
las señales de muestra a muestra sin importar el comportamiento entre ellas. Hay que recalcar
que a pesar de que estos modelos muestran el comportamiento en los puntos de muestreo, el
proceso físico sigue siendo continuo.

Recordando que en aplicaciones de control digital o identificación las entradas son provenientes
de un proceso de conversión D/A (recordar S/H)

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 7 de 20

 Tópicos de Control Avanzado

definiendo la respuesta impulsiva de un sistema discreto equivalente

llegamos al sistema discreto (describe en forma exacta el comportamiento del sistema continuo en
los instantes de muestreo):

Nota: en los sistemas muestreados existe un retardo de al menos 1 muestra entre la entrada y
salida

EJEMPLO

Sea la siguiente respuesta impulsiva de un sistema continuo

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 8 de 20

 Tópicos de Control Avanzado

g( t ) = exp − αt u( t )
1
G(s) =
s +α

correspondiente un sistema cuya ecuación diferencial es

dy( t )
+ αy( t ) = u( t )
dt

Se propone hallar el sistema discreto equivalente.

gT (n) =
nT
∫ g( τ)dτ =
nT
∫ exp
− ατ
dτ =
exp − αnT
α
( )
expαT − 1
(n −1)T (n −1)T

Denominando α∗ = exp − αT la respuesta impulsiva discreta equivalente resulta

⎛ 1 − α∗ ⎞ ∗n
gT (n) = ⎜ ⎟α u(n)
⎜ αα ∗ ⎟
⎝ ⎠

La transferencia discreta será

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 9 de 20

 Tópicos de Control Avanzado

∞
−n
⎛ 1 − α∗ ⎞ ∞ ∗n −n ⎛ 1 − α∗ ⎞ 1
G(q) = ∑ gT (n)q =⎜ ⎟ ∑α q = ⎜ ⎟
n=0
⎜ αα ∗ ⎟n = 0 ⎜ αα ∗ ⎟ 1 − α∗q−1
⎝ ⎠ ⎝ ⎠

El polo continuo s = −α fue mapeado en el polo discreto q = α∗ = exp − αT .

La ecuación en diferencia equivalente es

− αT
⎛ 1 − exp − αT ⎞
y n + exp y n −1 = ⎜ ⎟u
⎜ α exp − αT ⎟ n
⎝ ⎠

Nota: para un periodo de muestreo demasiado pequeño, el polo discreto equivalente tiende a uno.

T → 0 α∗ →1

MODELO CON PERTURBACION ALEATORIA

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 10 de 20

 Tópicos de Control Avanzado

Definición de un modelo completo

y(n) = G(q)u(n) + H(q)e(n)
= G(q)u(n) + v(n)
⎧ ∞
⎪G( q) = ∑ g(k )q−k
⎪ k =1
⎨ (1)
∞
⎪H(q) = 1 + h(k )q−k
⎪ ∑
⎩ k =1

junto con la función densidad de probabilidades fe (.) de e(n).

Notas:

1).-En la definición del G(q) en (1) se asume implícitamente la existencia de un retardo de una muestra entre u e
y.
2).- Estamos utilizando la letra G para la transferencia cuando antes la hemos utilizado para simbolizar la
transformada de la respuesta al escalón.

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 11 de 20

 Tópicos de Control Avanzado

La definición del modelo (1) en término de las respuestas impulsivas (en el caso más general, secuencias
infinitas de números)

{g(k )} {h(k )}
es impráctico. La funciones de transferencia racionales G(q) y H(q) requieren menos parámetros.

Asimismo, se asume generalmente que el ruido e(n) tiene una distribución gaussiana e incorrelada
temporalmente. De esta manera, la distribución fe (.) queda definida por su media (asumida siempre cero) y su
varianza.

FAMILIA DE FUNCIONES DE TRANSFERENCIAS

y(n) = G(q, θ)u(n) + H(q, θ)e(n)

La manera mas inmediata de parametrizar G y H es representarlas como funciones racionales y dejar que los
coeficientes de los polinomios sean los parámetros del modelo.

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 12 de 20

 Tópicos de Control Avanzado

ARX A(q ) y (n) = B(q)u (n) + e(n) ⎫

⎪⎪
A(q ) = 1 + a1 q −1 + ... + ana q − na ⎬
⎪
B (q ) = b1 q −1 + ... + bnb q − nb ⎪⎭
⎧ B ( q, θ )
⎪G (q,θ ) = A(q,θ )
⎪
⎨
⎪ H ( q, θ ) = 1
⎩⎪ A(q,θ )
ARMAX A(q ) y (n) = B(q)u (n) + C (q)e(n)
⎧ B(q)
⎪G (q, θ ) = A(q)
⎪
⎨
⎪ H (q, θ ) = C ( q )
⎪⎩ A(q )
ARARX 1
A(q)y(n) = B(q)u(n) + e(n)
D(q)
ARARMAX C(q)
A(q)y(n) = B(q)u(n) + e(n)
D(q)
BOX - B(q) C(q)
y(n) = u(n) + e(n)
JENKINS F(q) D(q)
FAMILIA B(q) C(q)
A(q)y(n) = u(n) + e(n)
GENERAL F(q) D(q)

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 13 de 20

 Tópicos de Control Avanzado

RETARDO EN LOS MODELOS

A veces la dinámica de u(n) hacía y(n) contiene un retardo de nk entonces algunos de los primeros coeficientes
de B(q) serán cero

B(q) = bnk q−nk + ... + bnk + nb −1q−nk −nb +1 = q−nk B (q)

B (q) C(q)
A(q)y(n) = q−nk u(n) + e(n)
F(q) D(q)

PREDICCIÓN DETERMINÍSTICA

PREDICCIÓN DEL MISMO ORDEN QUE EL RETARDO

Cuando el modelo de un SLITD es conocido, es posible construir un predictor de la salida del sistema mediante
la manipulación algebraica de dicho modelo. De esta forma, un SLITD admite una representación como modelo
alternativa, que es su forma de predictor.

Sea un SLITD con retardo puro de d muestras

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 14 de 20

 Tópicos de Control Avanzado

A(z −1) y[n] = B(z −1)u[n] = z −d B′(z−1)u[n] (1)

Teniendo en cuenta que siempre es posible expresar (Ecuación Diofantina)

−1
1 −1 −d Gd (z )
= Fd (z )+z ⇒ 1 = A(z−1)Fd (z −1) + z −dGd (z −1) (2)
A(z −1) −1
A(z )

⎧⎪F (z −1) orden d − 1

d
Siendo ⎨
⎪⎩Gd (z −1) orden na − 1

Ejemplo:

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 15 de 20

 Tópicos de Control Avanzado

A(z −1) = 1 − α z −1
1 1
= = 1 + αz −1 + α 2 z −2 + ... + α dz −d + ....
A(z −1) 1 − α z −1
⎡ ⎤
⎢ ⎥
⎢ ⎥

⎢
( )
⎥
= (1 + αz −1 + α 2 z −2 + ... + α d−1z −(d −1) ) + z−d ⎢α d 1 + αz−1 + α 2 z−2 + ... ⎥
−1
Fd (z ) ⎢   
⎥
−1
⎢ Gd (z ) ⎥
⎢ A(z −1 )
⎥
⎣ ⎦

Utilizando (2) en (1), multiplicando por F(z −1)

Fd (z −1)A(z −1) y[n] = z −dFd (z −1)B′(z −1)u[n] (3)

pero de (2) F(z −1)A(z −1) = 1 − z−dG(z −1) entonces reemplazando en (3)

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 16 de 20

 Tópicos de Control Avanzado

(1 − z−dGd (z−1)) y[n] = z−d Fd(z−1)B′(z−1)u[n]

y[n] = z −dGd (z −1)y[n] + z −d Fd (z−1)B′(z −1)u[n]
⇒ y[n] zd = Gd (z −1)y[n] + Fd (z −1)B′(z−1)u[n]

y[n + d] = Gd (z −1)y[n] + Fd (z −1)B′(z −1)u[n]

(4)
= L y (z −1)y[n] + Lu (z −1)u[n]

Siendo
⎧ L (z −1) = G (z −1) orden n − 1
⎪ y d a
⎨
⎪⎩ Lu (z −1) = Fd (z −1)B′(z −1) orden nb − 1

Ejemplo 2:

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 17 de 20

 Tópicos de Control Avanzado

⎧⎪ A(z −1) = 1 − α z −1
y[n] = α y[n − 1] + (1 − α )u[n − 3] ⎨
⎪⎩B(z −1) = (1 − α ) z −3 ⇒ B′(z −1) = (1 − α )

1
(
= 1+ α z −1 2 −2
+α z ) +z −3 α3
⎧
⎨
−1
( −1 2 −2
⎪F3 (z ) = 1 + α z + α z )
A(z −1) 1 − α z −1 ⎪G3 (z −1) = α3
⎩

( )
y[n + 3] = α3 y[n] + 1 + α z−1 + α 2 z−2 (1 − α )u[n]

(
= α3 y[n] + (1 − α ) u[n] + αu[n − 1] + α 2u[n − 2] )
La manipulación algebraica del modelo con retardo nos ha permitido expresar el valor futuro de la salida en
función de valores presentes y pasados de la entrada y salida.

A idéntico resultado podemos arribar mediante el siguiente procedimiento:

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 18 de 20

 Tópicos de Control Avanzado

y[n] = α y[n − 1] + (1 − α )u[n − 3]

y[n + 1] = α y[n] + (1 − α )u[n − 2]

y[n + 2] = α y[n + 1] + (1 − α )u[n − 1]

= α 2 y[n] + (1 − α ) [u[n − 1] + αu[n − 2]]

y[n + 3] = α y[n + 2] + (1 − α )u[n]

= α3 y[n] + (1 − α ) ⎡u[n] + α u[n − 1] + α 2u[n − 2]⎤
⎣ ⎦

Curiosidad:

Partiendo de la expresión del predictor anterior, y despejando la entrada

⎛ y[n + 3] − α3 y[n] ⎞
u[n] = ⎜ ⎟ − α u[n − 1] − α 2u[n − 2]
⎜ (1 − α ) ⎟
⎝ ⎠

¿Ley de control predictiva?

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 19 de 20

 Tópicos de Control Avanzado

PREDICCIÓN DE DISTINTO ORDEN AL RETARDO

Modelo A(z −1) y[n] = B(z −1)u[n] = z −dM B′(z −1)u[n] (5)

Ecuación Diofantina 1 = A(z −1)FP (z −1) + z −dP GP (z −1) (6)

Utilizando (6) y operando sobre (5) es posible demostrar que

y[n + dP ] = GP (z −1) y[n] + zdP − dM FP (z −1)B′(z −1)u[n] (7)

si dP > dM entonces el predictor es función de valores futuros de u[n]

si dP ≤ dM entonces depende de valores presentos y/o pasados.

[TCA-06] TEMA 1 REPRESENTACION SISTEMAS Página 20 de 20