Académique Documents
Professionnel Documents
Culture Documents
Referencias:
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
• Función de transferencia
• Espacio de estados
SISTEMAS DISCRETOS
• Suma de convolución
Operador retraso
• Transferencia
• Representación en EE
MODELOS CONVOLUTIVOS
∞
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)
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.
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
MUESTREO/DISCRETIZACION
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)
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
g( t ) = exp − αt u( t )
1
G(s) =
s +α
dy( t )
+ αy( t ) = u( t )
dt
gT (n) =
nT
∫ g( τ)dτ =
nT
∫ exp
− ατ
dτ =
exp − αnT
α
( )
expαT − 1
(n −1)T (n −1)T
⎛ 1 − α∗ ⎞ ∗n
gT (n) = ⎜ ⎟α u(n)
⎜ αα ∗ ⎟
⎝ ⎠
∞
−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
⎝ ⎠ ⎝ ⎠
− 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
⎧ ∞
⎪G( q) = ∑ g(k )q−k
y(n) = G(q)u(n) + H(q)e(n) ⎪ k =1
⎨ (1)
= G(q)u(n) + v(n) ∞
⎪H(q) = 1 + h(k )q−k
⎪ ∑
⎩ k =1
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.
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.
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.
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
PREDICCIÓN DETERMINÍSTICA
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.
−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 )
Ejemplo:
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 )
⎥
⎣ ⎦
pero de (2) F(z −1)A(z −1) = 1 − z−dG(z −1) entonces reemplazando en (3)
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:
⎧⎪ 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.
Curiosidad:
⎛ y[n + 3] − α3 y[n] ⎞
u[n] = ⎜ ⎟ − α u[n − 1] − α 2u[n − 2]
⎜ (1 − α ) ⎟
⎝ ⎠
Modelo A(z −1) y[n] = B(z −1)u[n] = z −dM B′(z −1)u[n] (5)