Tema 4

Análisis y diseño en el espacio de estados

en continua

1. INTRODUCCIÓN...........................................................................................................................3

2. CONCEPTOS BÁSICOS................................................................................................................3

2.1 CONTROLABILIDAD.....................................................................................................................5
2.2 OBSERVABILIDAD.......................................................................................................................6
2.3 TEOREMAS DE ESTABILIDAD DE LIAPUNOV......................................................................................7

3. REPRESENTACIONES EN VARIABLES DE ESTADO..........................................................8

3.1 FORMA CANÓNICA CONTROLABLE..................................................................................................9

3.2 FORMA CANÓNICA OBSERVABLE....................................................................................................9
3.3 FORMA CANÓNICA DE JORDAN....................................................................................................10

4. DISEÑO DE SISTEMAS DE CONTROL POR MEDIO DE LA UBICACIÓN DE POLOS.

.............................................................................................................................................................10

4.1 FÓRMULA DE ACKERMANN.........................................................................................................13

4.2 SELECCIÓN DE LOS POLOS DESEADOS............................................................................................14

5. OBSERVADORES DE ESTADO................................................................................................15

5.1 OBSERVADOR EN BUCLE ABIERTO................................................................................................15

5.2 OBSERVADOR ASINTÓTICO DE ORDEN COMPLETO. ..........................................................................16
5.3 OBSERVADORES DE ORDEN REDUCIDO. ........................................................................................20

6. DISEÑO DE SERVOSISTEMAS................................................................................................23

6.1 INTRODUCCIÓN DE LA SEÑAL DE REFERENCIA. ..............................................................................23

6.2 CONTROL INTEGRAL. ................................................................................................................24

4-1
7. SISTEMAS DE CONTROL ÓPTIMO........................................................................................27

7.1 INTRODUCCIÓN A LA OPTIMIZACIÓN. ...........................................................................................27

7.2 SISTEMAS DE CONTROL ÓPTIMO CUADRÁTICO. ..............................................................................28

8. TÉCNICAS DE CONTROL AVANZADAS...............................................................................32

8.1 SISTEMAS DE CONTROL CON MODELO DE REFERENCIA. ...................................................................32

8.2 SISTEMAS DE CONTROL ADAPTABLE. ............................................................................................33

9. BIBLIOGRAFÍA...........................................................................................................................33

4-2
C.P.O. Análisis y diseño en el espacio de estados

1. Introducción.
La teoría clásica de control se vuelve poco práctica a la hora de tratar sistemas
complejos con múltiples entradas y salidas. El inconveniente radica en el enfoque de “caja
negra” que se emplea, considerando sólo la descripción externa del sistema, esto es, las
relaciones entrada/salida. De esta forma, y especialmente cuando el nivel de acoplamiento del
sistema es elevado, el análisis clásico se complica enormemente. Para abordar estos problemas
surgen las técnicas de la teoría moderna de control, basadas en la descripción interna y el
concepto de estado de un sistema.

El análisis en el espacio de estados es una técnica del dominio temporal que se

fundamenta en la descripción del sistema en base a n ecuaciones diferenciales de primer orden.
Cada una de dichas ecuaciones está asociada a una dimensión del estado del sistema o variable
de estado, modelando su evolución temporal. Con respecto a la representación clásica en
ecuaciones diferenciales de orden elevado, las ecuaciones de estado aportan una notación
matricial compacta que facilita su manipulación, con lo que el aumento del orden del sistema o
del número de entradas o salidas no supone un incremento significativo en la complejidad del
problema. Una ventaja adicional importante es que puede mantenerse prácticamente la misma
formulación con independencia de que se trabaje con sistemas lineales o no lineales, estáticos o
variantes en el tiempo, deterministas o estocásticos, etc.

2. Conceptos básicos.
El comportamiento de un sistema determinado puede modelarse a través de un conjunto
de ecuaciones diferenciales. Si las ecuaciones resultantes pueden descomponerse en un conjunto
de n (siendo n el orden del sistema) ecuaciones diferenciales de primer orden, dicho conjunto
estará integrado por las denominadas ecuaciones de estado, y las variables que intervienen en las
mismas se designan como variables de estado. De esta forma, y a partir de un instante de tiempo
dado t0 (estado inicial), las ecuaciones de estado contienen la información mínima que permite
determinar el comportamiento futuro del sistema (evolución del estado y de las salidas) ante un
conjunto de señales de entrada conocidas.

El conjunto de ecuaciones de estado y de salida que describen el sistema pueden

agruparse para obtener una representación más compacta. Resultan así, para un sistema de orden
n con p entradas y q salidas, las ecuaciones matriciales

Ecuación de estado: x' = Ax + Bu

Ecuación de salida: y = Cx + Du

donde x es el vector de estado (de dimensión n), A es la matriz del sistema (nxn), u es el vector
de entrada o de control (px1), y es el vector de salida (qx1), y B, C y D son matrices de

4-3
C.P.O. Análisis y diseño en el espacio de estados

dimensiones nxp, qxn y qxp respectivamente. Si las matrices utilizadas son estáticas, el sistema
descrito es invariante en el tiempo.

La dinámica del sistema viene determinada por los valores propios o raíces
características de la matriz A, puesto que coinciden con los polos de la ecuación característica
del sistema.

λI - A= 0

A esta conclusión se llega aplicando transformada de Laplace a las ecuaciones de estado.

MATRIZ DE TRANSICIÓN DE ESTADO

La matriz de transición de estado se define como la matriz que permite reconstruir la

trayectoria en el espacio de estados de un sistema a partir del estado inicial del mismo y las
entradas que recibe. Para un sistema lineal resultaría

x(t) = Φ(t, t0, u(τ ))x(t0)

donde t0 es el tiempo inicial de tiempo y u(τ ) representa las entradas futuras del sistema
(τ >=t0).

Para un sistema invariante en el tiempo, y tomando t0=0, la expresión anterior se reduce

a

x(t) = Φ(t, u(τ ))x(0)

Si consideramos ahora el caso no forzado (u(t)=0), y derivando la expresión resultante,

se comprueba que la matriz de transición de estado satisface la ecuación de estado homogénea

Φ'(t) = AΦ(t)

Para la ecuación no homogénea (u(t)≠ 0), la solución tiene una componente libre debida
a la propia dinámica del sistema (reflejada en la matriz de estado del sistema) y una componente
forzada debida a la entrada.

x(t) = Φ(t)x(0) + ∫ 0t Φ(t-τ ) Bu(τ ) dτ

La solución para la matriz de transición de estado puede determinarse aplicando

transformada de Laplace a la ecuación de estado.

X(s) = (sI-A)-1 x(0), x(t) = L-1[(sI-A)-1]x(0)

Φ(t) = L-1[(sI-A)-1]

4-4
C.P.O. Análisis y diseño en el espacio de estados

También puede resolverse la ecuación homogénea asumiendo una solución exponencial

de la forma x(t) = eAtx(0), con lo que

Φ(t) = eAt = I + At + A2t2/2! + ...

TRANSFORMACIONES LINEALES. TRANSFORMACIÓN MODAL

La representación en variables de estado no es única. Dado x vector de estado, el vector

resultante de aplicar una transformación lineal x1=P-1x, donde P es una matriz no singular,
también es vector de estado. La ecuación de estado resultante para el caso no forzado sería

x1’ = P-1APx1 + P-1Bu

En este caso, la matriz de estado del sistema pasa a ser P-1AP, aunque los valores propios
se mantienen al ser invariantes ante transformaciones lineales.

Si se construye adecuadamente la matriz de transformación P, puede obtenerse una

matriz del sistema diagonal, lo que facilita el estudio del mismo. Un ejemplo de diagonalización
es el que resulta cuando A posee n valores propios distintos y se construye P tomando los
correspondientes autovectores por columnas. El resultado es una matriz de estado en cuya
diagonal principal aparecen los valores propios del sistema. Esta operación de diagonalización
se conoce también como transformación modal.

Estas transformaciones ofrecen un método alternativo de obtención de la matriz de

transición de estado.

2.1 Controlabilidad.
Un sistema es controlable si dado un estado inicial x0 y un tiempo inicial t0, para
cualquier estado final x1 existe una señal de control físicamente realizable que puede guiar al
sistema desde el estado inicial al final en un tiempo finito.

La solución de la ecuación de estado es de la forma

x(t) = eAt x(t0) + ∫ t0

t
eA(t-τ) Bu(τ ) dτ

donde vamos a considerar el caso en que u sea escalar.

Tomando como tiempo inicial t0=0 y como estado final el origen del espacio de estados,
la condición de controlabilidad se expresa como sigue:

x(t1) = 0 = eAt1 x(0) + ∫ 0

t1
eA(t1-τ) Bu(τ ) dτ

x(0) = -∫ 0
t1
e-Aτ Bu(τ ) dτ

4-5
C.P.O. Análisis y diseño en el espacio de estados

Reemplazando e-Aτ por Σk=0n-1 αk(τ )Ak:

x(0) = -Σk=0n-1 Ak B ∫ 0
t1
αk(τ )u(τ ) dτ

Designado por βk el factor integral, queda

x(0) = -Σk=0n-1 Ak B βk =

= -[B|AB| ... |An-1B][β0 β1 ... βn-1]T

Para que el sistema sea de estado completo controlable, este conjunto de ecuaciones
debe tener solución única, es decir, la matriz [B|AB| ... |An-1B] (matriz de controlabilidad) de
dimensión n x n debe ser de rango n. Se llega a la misma condición si se considera u como un
vector de dimensión r, siendo en este caso, la dimensión de la matriz de controlabilidad n x nr.

Una forma alternativa para determinar la controlabilidad de un sistema es transformar el

vector de estado de modo que el sistema quede reducido a su expresión desacoplada
(transformación modal). Entonces el sistema será controlable si la dinámica de todas las
variables de estado (modos) se ve afectada por las variaciones en el vector de control. El sistema
será estabilizable si es controlable o bien si, a pesar de no ser controlable, los modos no
accesibles son estables.

Otra propiedad interesante es la controlabilidad de la salida. Para un sistema con m

salidas la condición que se debe verificar en este caso es que la matriz [CB|CAB| ... |CAn-1B|D],
de dimensión m x (n+1)r, sea de rango m.

2.2 Observabilidad.
Se dice que un sistema es de estado completo observable si cada estado x(t0 ) puede
determinarse a partir de la observación de la salida en un intervalo de tiempo finito. La
condición de observabilidad puede obtenerse a partir de la ecuación de salida del sistema no
forzado. Resulta así que para que el sistema sea observable, la matriz [C* |A*C* | ... |(A* )n-1C* ]
(matriz de observabilidad), de dimensión n x nm, debe ser de rango n.

Al igual que en el caso de la controlabilidad, existe un método alternativo para

determinar la observabilidad de un sistema a partir de su expresión desacoplada. En este caso,
para que el sistema sea observable todos los estados deben estar representados en el vector de
salida.

Las condiciones de controlabilidad y observabilidad tienen su reflejo en el plano s, de

forma que para que un sistema sea controlable y observable no debe presentar cancelaciones en
su matriz de transferencia.

4-6
C.P.O. Análisis y diseño en el espacio de estados

Tanto la observabilidad como la controlabilidad deben ser verificadas antes de comenzar

el diseño de un sistema de control basado en la representación en el espacio de estados. Si no se
cumplen, debe replantearse la selección de las variables de estado o, lo que es lo mismo, el
modelado del sistema.

2.3 Teoremas de estabilidad de Liapunov.

Para un sistema definido como x' = f(x,t), un punto singular o estado de equilibrio xe ⁄
f(xe ,t) = 0 ∀t es estable en el sentido de Liapunov si para toda región esférica S1 en torno a xe es
posible encontrar otra S2 tal que cualquier trayectoria de estado que se inicie dentro de S1 se
mantiene dentro de S2 cuando t tiende a infinito. Si además, la trayectoria tiende a xe cuando el
tiempo crece, el estado es asintóticamente estable.

El segundo método de Liapunov se utiliza para determinar si un estado es estable, y se

basa en encontrar una cierta función de energía que sea continuamente decreciente en el tiempo.
Se pueden aplicar dos teoremas para determinar la estabilidad del origen del espacio de estados.

a) Sea el sistema x' = f(x,t) donde f(0,t) = 0 para todo t.

Si existe una función escalar V(x,t) con primeras derivadas parciales continuas que
verifica:

1. V(x,t) es definida positiva (toma valores mayores que cero y se anula en el

origen).

2. V'(x,t) es definida negativa (-V' es definida positiva).

entonces el estado de equilibrio en el origen es uniforme y asintóticamente estable. Si además,

V(x,t)->∞ cuando x->∞ , el origen es asintóticamente estable de forma completa.

b) Sea el sistema x' = f(x,t) donde f(0,t) = 0 para todo t>t0.

Si existe una función escalar V(x,t) con primeras derivadas parciales continuas que
verifica:

1. V(x,t) es definida positiva.

2. V'(x,t) es semidefinida negativa (toma valores menores o iguales que cero y se

anula en el origen).

3. V'(Φ(t;x0,t0), t) sólo se anula en x0=0 para todo t>t0.

entonces el estado de equilibrio en el origen es asintóticamente estable.

4-7
C.P.O. Análisis y diseño en el espacio de estados

Para sistemas lineales invariantes en el tiempo del tipo x' = Ax, el origen es
asintóticamente estable si todos los autovalores de A tienen parte real negativa (si además A es
no singular, este es el único estado de equilibrio). Alternativamente, se puede aplicar el método
de Liapunov tomando la siguiente forma cuadrática hermítica.

V(x) = x*Px

donde P es una matriz hermítica (P=P*) definida positiva (por el criterio de Sylvester, el
determinante de todos sus menores principales debe ser mayor que cero).

V'(x) = x'*Px + x*Px' = x*(A*P+PA)x = -x*Qx

Para que el origen sea estable es suficiente que Q sea definida positiva.

La forma de verificar esta condición es tomar primero una matriz Q hermítica que sea
definida positiva, determinar la matriz P a partir de A*P+PA=-Q, y comprobar que es definida
positiva. Si A es estable (todos los autovalores tienen parte real negativa), la solución para los
elementos de P es única.

La matriz Q se puede tomar semidefinida positiva si se verifica

rango  1/ 2
 =n
 Q 
 
 Q1/ 2 A 
 
 .
 .
 
 .
 1/ 2 n-1
Q A 

puesto que ello implica necesariamente que V'(x) sólo se anula en el origen para cualquier
trayectoria.

3. Representaciones en variables de estado.

Considérese el sistema definido por la siguiente función de transferencia:

Y(s)/U(s) = (b0sn+b1sn-1 + ... +bn-1s+bn) / (sn+a1sn-1 + ... +an-1s+an)

4-8
C.P.O. Análisis y diseño en el espacio de estados

Es posible obtener diferentes representaciones en variables de estado aplicando las

técnicas que se indican seguidamente.

3.1 Forma canónica controlable.

Se obtiene por el método denominado de programación directa, considerando cada
variable de estado como la derivada de la variable de estado anterior. Las ecuaciones de estado y
de salida resultantes son como sigue:

 = 
[x]  [x] +   u
 0 1 0 ... 0   0 
 0 0 1 ... 0   0 
   
 . . . .  .
 . . . .   .
   
 . . . .  .
   
 0 0 0 ... 1  1
 - a n - a n-1 - a n-2 ... - a1 

y =
[ b -a b
n n 0 bn-1 - a n-1 b0 ... b1 - a 1 b0 ] [x] + b u
0

Esta representación resulta interesante en problemas de control con realimentación de

estado, como es el caso de la técnica de control por ubicación de polos.

3.2 Forma canónica observable.

Se obtiene aplicando el método de la programación anidada a la función de transferencia
del sistema, agrupando los términos en potencias iguales de la variable compleja s. Las
ecuaciones de estado resultantes son

 = 
[x]  [x] +  u
 0 0 ... 0 - an   bn - a nb0 
 1 0 ... 0 - a n-1   
-
   bn-1 a n-1 b0 
 . . . .  . 
   
 . . . .  . 
 . . . .  . 
   
 0 0 ... 1 - a1   b1 - a 1 b0 

4-9
C.P.O. Análisis y diseño en el espacio de estados

y = [ 0 0 ... 0 1 ] [x] + b u
0

Esta representación es de utilidad en análisis de problemas de control en los que el

estado no es medible directamente.

3.3 Forma canónica de Jordan.

Se aplica en este caso una expansión en fracciones parciales de la función de
transferencia. Las ecuaciones de estado correspondientes se muestran a continuación para el
caso en que el sistema posea n raíces distintas (p1...pn).

 = 
[x]  [x] +   u
 p1 0   1 
   1 
 p2   
   .
 .   .
 .   
   .
 .   
 0 1
pn 

y =
[ c1 c2 ... cn ] [x] + b u
0

donde los ci corresponden a los coeficientes de cada fracción.

Cuando el sistema posea raíces múltiples se introducen en la matriz de estado bloques de

Jordan.

4. Diseño de sistemas de control por medio de la ubicación

de polos.
El esquema típico de un sistema de control basado en la realimentación del estado
pretende conducir el estado inicial hacia el origen del espacio de estados y mantenerlo en ese
punto. El diagrama de bloques correspondiente a este esquema es el que sigue:

4-10
 u x

B
C.P.O. Análisis y diseño en el espacio de estados

- K

donde K es la matriz de ganancias de realimentación de las variables de estado, y la señal de

control viene dada por la expresión u=-Kx.

El objetivo del diseño es obtener los valores de los coeficientes de realimentación

(elementos de la matriz K) que hacen que los polos del sistema realimentado sean los fijados por
las especificaciones de funcionamiento del sistema controlado. Se puede demostrar que para que
esto sea posible, es condición necesaria y suficiente que el sistema sea de estado completo
controlable.

Este método parte de la premisa de que todas las variables de estado son medibles y
están disponibles para la realimentación. Se tratará el caso en que la señal de control u es
escalar.

Sustituyendo la expresión del control en la ecuación de estado (x'=Ax+Bu) tenemos

x'(t) = Ax(t) - BKx(t) = (A-BK) x(t)

De esta forma, la dinámica del sistema con realimentación de estado vendrá determinada
por los valores propios de la matriz A-BK, que deberán coincidir con los polos especificados. La
ecuación característica que resulta es

sI-(A-BK)= 0

Los pasos a seguir en el procedimiento de diseño son los siguientes:

1. Verificar que el sistema es controlable.

4-11
C.P.O. Análisis y diseño en el espacio de estados

2. Determinar la matriz de transformación T que transforma la ecuación de estado del

sistema a la forma canónica controlable a partir de la ecuación T=MW, donde M es la
matriz de controlabilidad y W viene dada por la expresión

W =  
 a n-1 a n-2 ... a1 1 
 a a n-3 ... 1 0 
 n-2 
 . . . .
 
 . . . .
 . . . .
 
 a 1 1 ... 0 0 
 
1 0 ... 0 0 

siendo los ai los coeficientes del polinomio característico sI-A.

3. Calcular el polinomio característico deseado a partir de los valores de los polos en

bucle cerrado que cumplen las especificaciones.

(s-p1) (s-p2) ... (s-pn) = sn + α1sn-1 + ... + αn-1s + αn

4. Como M tiene rango n, T tiene inversa y se puede obtener la matriz de ganancias

aplicando

K = [αn-an αn-1-an-1 ... α2-a2 α1-a1 ]T-1

Esta expresión es el resultado de igualar el polinomio característico del sistema,

utilizando la ecuación de estado transformada para x1=Tx, al polinomio
característico deseado.

sI-A+BK= sI-T-1AT+T-1BKT= sn + α1sn-1 + ... + αn-1s + αn

donde T-1AT y T-1B están en la forma canónica controlable.

Si el sistema es de orden pequeño, se puede emplear la sustitución directa de los

coeficientes de la matriz de realimentación de estado en el polinomio característico
correspondiente y resolver el sistema de ecuaciones que se plantea al igualarlo al polinomio
característico deseado.

Cuando se considera un sistema con múltiples entradas, el problema de la ubicación de

polos no tiene una única solución. Un método para encontrar diferentes soluciones consiste en
transformar, mediante realimentación del estado, el sistema controlable y multi-entrada de

4-12
C.P.O. Análisis y diseño en el espacio de estados

partida en otro con una sola entrada que también es controlable. Para ello se introducen matrices
arbitrarias en la ecuación de estado, de la forma

x' = (A+BM1) x + BM2 v

CONTROL MODAL

En el diseño de un control basado en la realimentación del estado pueden emplearse

también las variables modales, esto es, las variables resultantes de aplicar una transformación
modal al sistema. Se habla en este caso de control modal, siendo posible la selección específica
de qué autovalores se desea desplazar mediante la realimentación y qué otros se desea mantener
invariables.

4.1 Fórmula de Ackermann.

Otro mecanismo para obtener los valores de la matriz de realimentación es la fórmula de
Ackermann. Para obtenerla se parte de la expresión que iguala el polinomio característico del
sistema con realimentación de estado al polinomio característico deseado, cambiando A-BK por
Â.

sI-Â= sn + α1sn-1 + ... + αn-1s + αn

Por el teorema de Cayley-Hamilton, una matriz satisface su propia ecuación

característica.

φ(Â) = Ân + α1Ân-1 + ... + αn-1Â + αn = 0

Para obtener la solución se desarrollan las potencias de  en la expresión anterior. Por

ejemplo, para el caso en que n sea igual a 3, se llega a la siguiente igualdad:

φ(Â) = φ(A) - α2BK - α1BKÂ - BKÂ2 - α1ABK - ABKÂ - A2BK

[B AB A2 B ] φ (A) = 
-1

 K A 2
 α 2 K + α 1 KA+ 
 
 α 1 K + KA 
 
 K 

Multiplicando ambos miembros por [0 0 1] se obtiene la expresión buscada

K = [0 0 1] [B AB A2B]-1φ(A)

Finalmente, para cualquier número positivo n, el resultado es

4-13
C.P.O. Análisis y diseño en el espacio de estados

K = [0 0 ... 0 1] [B AB ... An-1B]-1φ(A)

En esta expresión aparece la matriz de controlabilidad invertida, lo que ratifica la

condición de controlabilidad de un sistema expuesta anteriormente.

4.2 Selección de los polos deseados.

Una cuestión fundamental en el diseño de un sistema de control por ubicación de polos
es la selección de los polos deseados. Existen catálogos de funciones de transferencia prototipo
(funciones ITAE o funciones de Bessel) que proporcionan un comportamiento aceptable y que
pueden ser de utilidad cuando el orden del sistema es elevado.

Un método alternativo que permite la selección de los polos deseados en base a un

criterio de minimización es el del lugar de las raíces simétrico. La idea es definir una función a
minimizar del tipo

J=∫ 0
∞
[py2 + u2] dt

para un sistema dado por las ecuaciones de estado siguientes:

x' = Ax + Bu

y =Cx

La función a minimizar penaliza tanto los valores elevados tanto en la salida (y) como
en el control (u), de forma que la importancia relativa de cada factor viene ponderada por el
parámetro p. Los valores de los polos que minimizan esta expresión se pueden encontrar
calculando los polos estables de la siguiente ecuación (denominada lugar de las raíces simétrico
SRL):

1 + pG(-s)G(s) = 0

donde G es la función de transferencia del sistema en bucle abierto, que se puede obtener
aplicando transformada de Laplace a la ecuación de estado (entrada y salida escalares)

G(s) = Y(s) / U(s) = C(sI-A)-1B

Una vez se ha seleccionado un valor adecuado del parámetro p se calculan los polos
resolviendo la ecuación SRL y se aplica la técnica de diseño por ubicación de polos tomando
dichas posiciones.

Es importante considerar que el esfuerzo del control está relacionado con el

desplazamiento que debe introducir la realimentación sobre los polos en bucle abierto para
alcanzar las ubicaciones deseadas de los polos en bucle cerrado. Cuanto mayor sea el

4-14
 C.P.O. Análisis y diseño en el espacio de estados

desplazamiento requerido, mayor será la magnitud de la señal de control. También hay que
tener en cuenta que se requiere un esfuerzo elevado para alejar un polo de un cero en bucle
abierto cercano. La mayoría de las técnicas de control basadas en optimización incluyen entre
sus objetivos la minimización del esfuerzo de control, puesto que con ello se reduce el consumo
energético del sistema de control y se facilita su implementación.

Debido a que la correspondencia entre ubicación de los polos y respuesta transitoria sólo
es directa en el caso de sistemas de segundo orden puros, normalmente será necesario simular el
resultado del diseño para garantizar que se cumplen las especificaciones.

u
5. Observadores
B +
de estado. x

C
y

El método de la ubicación de polos suponía que todas las variables de estado estaban
disponibles para la realimentación. En la práctica puede ocurrir que todas o algunas de las
variables de estado no sean medibles.
A

Una primera alternativa consistiría en generar la señal de control a partir de la salida,

teniendo en cuenta que dicha señal está formada por una combinación lineal de las variables de
estado y contendrá, por tanto, información relativa a las mismas. La ley de control será de la
forma

u = -Ky

Esta opción ofrece muy poca flexibilidad a la hora de modificar el comportamiento del
sistema, por lo que la solución más común es la estimación de las variables de estado para su
utilización en el control. Para ello se utilizan los observadores o estimadores de estado, que son
elementos que reciben una serie de entradas, como la señal de control o la señal de salida del
sistema, produciendo como salida una estimación de las variables de estado ( x  ).

5.1 Observador en bucle abierto.

En este estimador se toman las matrices que modelan el sistema para generar, sin tomar
información de la salida, el estado estimado.

4-15
C.P.O. Análisis y diseño en el espacio de estados

x '= A x + Bu
El principal inconveniente de este observador es que no existe una referencia que
permita controlar cuándo las estimaciones se alejan del valor real de las variables de estado. Por
otra parte, los errores en la identificación del sistema (matrices A y B ) o en la medición del
estado inicial son inevitables, por lo que la estimación será incorrecta desde un primer
momento.

5.2 Observador asintótico de orden completo.

Se puede conseguir un estimador más adecuado si se incluye en su expresión
información de la salida. Por ejemplo:

x '= M x + Key + z
El error de estimación e es la diferencia entre los valores reales de las variables de
estado y las estimaciones (e = x- x
 ). Por lo tanto la ecuación del error será de la forma
e' = x' - x
 ' = Ax + Bu - M x - Key - z
Para que el error de estimación sea independiente de la secuencia de control, podemos
hacer z=Bu. Sustituyendo además y por Cx tenemos

e' = (A-KeC)x - M x

Tomando finalmente M=A-KeC, obtenemos una ecuación diferencial homogénea que
describe la evolución del error de estimación.

e' = (A-KeC) e

Realizando las sustituciones indicadas en la ecuación del observador nos queda

x ' = (A-KeC) x + Key + Bu = A x + Ke(y-C x ) + Bu

La dinámica del error de estimación vendrá determinada por los autovalores de la matriz
A-KeC. Si dichos autovalores son estables (parte real negativa), el error deberá converger hacia
cero con independencia del valor inicial del mismo e(0) o, lo que es igual, el estado estimado
debe tender asintóticamente al estado real con independencia de sus valores iniciales.

Si el sistema es de estado completo observable, se puede demostrar que es posible elegir

la matriz Ke de modo que A-KeC tenga los valores propios deseados

sI-(A-KeC)= Π(s-µi)

4-16
C.P.O. Análisis y diseño en el espacio de estados

Para corroborar este punto, consideremos el siguiente sistema dual del anterior:

z' = A*z + C*v

n = B*z

v = -Kz

Aplicando el método de la ubicación de polos a este sistema, tenemos que si se verifica

la condición de controlabilidad, se puede elegir K de modo que los valores propios de A*-C*K
sean los deseados. Si se toman dichos autovalores iguales a los que se desean para la dinámica
del error en el observador (µi), tenemos Ke = K*, puesto que se cumple

sI - (A*-C*K)= sI - (A-K*C)= sI - (A-KeC)= Π(s-µi)

La condición de controlabilidad aplicada sobre el sistema dual es que el rango de la

matriz [C* A*C* ... (A*)n-1C*] sea n, que es precisamente la condición de observabilidad
aplicada sobre el sistema de partida.

Se plantea ahora el problema del diseño de un observador de estado de orden completo.

Las dos alternativas fundamentales son la resolución de la ubicación de polos para el observador
del sistema original o bien para el sistema dual.

a) Solución basada en el sistema original.

La transformación de la representación a la forma canónica observable puede realizarse

mediante la matriz Q=(WN*)-1, donde N es la matriz de observabilidad y W es la matriz ya
empleada en el apartado dedicado a la ubicación de polos.

Se define un nuevo vector de estado según la expresión

x = Qξ

Designando por ε el error de estimación del nuevo vector de estado y realizando

sustituciones en la ecuación de estado y en la del observador, tenemos que la dinámica del error
viene dada por la expresión:

ε ' = Q-1(A-KeC)Qε

Igualando el polinomio característico al polinomio característico deseado se obtiene la

expresión final:

Ke = Q[αn-an αn-1-an-1 ... α1-a1 ]T

4-17
C.P.O. Análisis y diseño en el espacio de estados

donde los αi son los coeficientes del polinomio característico deseado.

Si el orden del sistema es reducido, puede considerarse la resolución por sustitución

directa e igualación de coeficientes en

sI - (A-KeC)= Π(s-µi)

b) Solución basada en el sistema dual.

En este caso pueden aplicarse las técnicas ya comentadas en el apartado dedicado a la

ubicación de polos sobre el sistema dual. Así, es posible resolver por igualación de polinomios
característicos o mediante la fórmula de Ackermann.

El resultado de aplicar la fórmula de Ackermann al sistema dual es el siguiente:

-1
 
 C 
 CA  0 
  0 
 .   
.
K e = K * = φ (A)  . 
.
 
 .   
  .
 CA
n-2
  1
 
CAn-1

Dado que la matriz Ke afecta a la salida del sistema deben vigilarse especialmente las
perturbaciones y ruidos a que pueda estar sometida dicha señal. Si la magnitud de las
perturbaciones es elevada, los coeficientes de la matriz no deberían tomar valores excesivamente
grandes. Conviene obtener diversas matrices de ganancia para distintas ecuaciones
características a fin de alcanzar un compromiso entre una respuesta rápida y una baja
sensibilidad ante las perturbaciones. De nuevo, como ocurría con las técnicas de diseño clásicas,
es preciso realizar simulaciones para verificar el resultado del diseño, puesto que siempre se
cometen errores tanto en la estimación de las matrices del sistema como en la selección de los
polos deseados.

Una vez diseñado el observador, se puede utilizar el estado estimado para realimentarlo
y generar la señal de control. Hay que tener en cuenta que la dinámica del control debe ser más
lenta que la del observador, de modo que se utilicen estimaciones del estado fiables en el
control. Se considera conveniente seleccionar los polos del observador de modo que
proporcionen una respuesta del orden de dos a cinco veces más rápida que la del sistema de
control.

4-18
C.P.O. Análisis y diseño en el espacio de estados

La ecuación del sistema con el observador de estado completo será

x' = Ax - BK x
 = (A-BK)x + BK(x- x ) = (A-BK)x + BKe
La ecuación del error de estimación venía dada por

e' = (A-KeC)e

Combinando ambas ecuaciones tenemos

  =   
 x′   A - BK -BK   x 
 e′   0 A - K e C   e 

A partir de esta expresión, la ecuación característica del sistema con realimentación del
estado observado será

sI-A+BKsI-A+KeC= 0

Como se puede ver, los polos del sistema total son los del observador más los del
control. Esta propiedad se conoce como principio de separación, y permite que el diseño del
observador y del control realimentado sean independientes. Como ya hemos indicado, los polos
del observador deben proporcionar una respuesta más rápida que los del control, por lo que
serán estos últimos los que dominen la respuesta global del sistema.

La función de transferencia del conjunto controlador-observador, considerando tanto la

señal de control como la de salida escalares, puede determinarse a partir de las ecuaciones
diferenciales del observador y el control.

x ' = (A-KeC) x + Bu + Key

u = -K x

Aplicando la transformada de Laplace y asumiendo condiciones iniciales nulas tenemos

U(s)/Y(s) = -K (sI - A + KeC + BK)-1 Ke

4-19
C.P.O. Análisis y diseño en el espacio de estados

5.3 Observadores de orden reducido.

En algunas ocasiones un observador no necesita estimar todas las variables de estado,
por ser algunas de ellas medibles directamente de forma fiable. En estos casos se habla de
observadores de orden reducido. Si el orden de un observador reducido es el menor posible
(sólo se estiman las variables no accesibles), dicho observador se denomina observador de orden
mínimo.

Por simplicidad vamos a suponer que una de las variables de estado es medible
directamente (la salida) y que el resto deben ser estimadas. Las ecuaciones de estado quedan
entonces divididas entre variables medibles (xa de dimensión 1) y no medibles (xb de dimensión
n-1) de la forma

  =    +  u
 xa′   Aaa | Aab   x a   Ba 
 ---     ---   --- 
--- ---
      
 x b′   Aba | Abb   xb   Bb 

y =
[1 | 0 ]  
xa 
 --- 
 
 xb 

La ecuación de la parte medible tiene forma de ecuación de salida en xb

xa' - Aaaxa - Bau = Aabxb

puesto que las cantidades del primer miembro son todas conocidas.

La ecuación de la parte no medible tiene forma de ecuación de estado en xb

xb' = Abbxb + Abaxa + Bbu

Comparando con el observador de orden completo se obtienen las siguientes

equivalencias:

4-20
C.P.O. Análisis y diseño en el espacio de estados

Ob. completo Ob. mínimo

x x b
A Abb
Bu Abaxa+Bbu
y xa'-Aaaxa-Bau
C Aab
Ke [nx1] Ke [(n-1)x1]

Realizando las sustituciones correspondientes en la ecuación del observador de orden

completo tenemos

x b' = (Abb-KeAab) x b + Abaxa + Bbu + Ke(xa'-Aaaxa-Bau)

Sustituyendo el valor de xa' por la expresión obtenida ecuación de la parte medible se
tiene

x b' = (Abb-KeAab) x b + Abaxa + Bbu + KeAbaxb

Restando la última ecuación de la ecuación de la parte no medible se obtiene la ecuación
del error del observador.

e' = (Abb - KeAab)e

La ecuación característica del observador de orden mínimo resulta entonces

sI - Abb + KeAab= 0

La condición de observabilidad aplicada al observador de orden mínimo es que la matriz

siguiente tenga rango n-1.

4-21
C.P.O. Análisis y diseño en el espacio de estados

 
 Aab 
 A A 
 ab bb 
 . 
 
 . 
 . 
 
 Aab Abb
n-2


Para la obtención de la matriz de ganancias, la fórmula basada en el sistema original

toma ahora la siguiente forma:

Ke = (Wm Nm*)-1[α'n-1-a'n-1 α'n-2-a'n-2 ... α'1-a'1 ]T

donde los a'i son los coeficientes de la ecuación característica para la ecuación de estado del
observador de orden mínimo, los α'i son los coeficientes del polinomio característico deseado
para el observador, la matriz Nm es de la forma [A*ab | A*bb A*ab | ... | (A*bb)n-2A*ab], y la matriz
Wm es la nueva matriz de transformación:

Wm =  
 a’ n-2 a’ n-3 ... a’ 1 1 
 a’ a’ n-4 ... 1 0 
 n-3 
 . . . .
 
 . . . .
 . . . .
 
 a’ 1 1 ... 0 0 
 
1 0 ... 0 0 

Para la solución basada en el sistema dual, la fórmula de Ackermann también resulta

modificada, obteniéndose

4-22
C.P.O. Análisis y diseño en el espacio de estados

-1
 
 Aab 
 A A   0 
 ab bb   0 
 .   
   . 
K e = φ ( Abb )  .  
 .
 .   
   . 
 Aab Abb
n-3
  1 
 
 Aab Abb
n-2


Al igual que para el observador de estado completo, en el observador de orden mínimo

se cumple el principio de separación, puesto que la ecuación característica del sistema
controlado se puede expresar de la forma

sI-A+BKsI-Abb+KeAab= 0

donde puede comprobarse que los polos del observador y del control pueden seleccionarse de
forma independiente.

6. Diseño de servosistemas.
Los sistemas de control estudiados hasta ahora en este tema realizan funciones de
regulación, intentando mantener la salida del sistema a cero en presencia de perturbaciones. En
este apartado vamos a estudiar el diseño de un sistema de control basado en la realimentación de
variables de estado cuando se pretende que la señal de salida siga a una señal de referencia de
tipo escalón. Este tipo de control vamos a denominarlo servocontrol, dado que es característico
de sistemas mecánicos de posicionamiento.

6.1 Introducción de la señal de referencia.

La forma más general de incorporar la señal de referencia a las ecuaciones de estado es
añadirla en las ecuaciones del controlador mediante términos proporcionales. Para un
controlador basado en un observador de orden completo con señales de referencia, control y
salida escalares, resultan las siguientes ecuaciones:

x ' = (A-BK-KeC) x + Key + Mr

u = -K x
 + Nr
La selección de M y N puede basarse en diferentes criterios. Algunos ejemplos son:

4-23
C.P.O. Análisis y diseño en el espacio de estados

a) Tomar M y N de forma que el error de estimación sea independiente de la señal de

referencia.

b) Tomar M y N de forma que el control se base sólo en la señal de error (y-r).

c) Tomar M y N de forma que se tenga la máxima flexibilidad en la alteración de la

dinámica del sistema.

El primer caso (a) puede resolverse a partir de la expresión de la dinámica del error de
estimación (ee=x- x
 ). La ecuación resultante es
ee' = (A-KeC)ee+BNr-Mr

Si la señal de referencia no debe afectar al error, habrá que tomar M=BN.

Para el segundo (b) caso las ecuaciones del controlador deben expresarse en función sólo
del error, con lo que deberá seleccionarse N=0 y M=-Ke.

Para el tercer caso (c) se impone a las ecuaciones del controlador la condición de cero
(la salida del controlador es cero con independencia del valor del estado), que son los únicos
afectados puesto que la incorporación de una señal externa como la señal de referencia no altera
la ecuación característica (esto es, los polos) de dicho elemento. De esta forma se plantea un
sistema de ecuaciones cuya resolución permite ubicar libremente ceros adicionales para el
sistema.

La característica de ubicación de ceros de la realimentación de estados puede

aprovecharse para conseguir diferentes efectos tanto en la respuesta transitoria del sistema como
en el comportamiento estacionario. Adicionalmente, es posible obtener en algunos casos una
baja sensibilidad de la respuesta del sistema ante variaciones en la ganancia, al situar ceros en
posiciones cercanas a los polos especificados en bucle cerrado para el sistema controlado.

6.2 Control integral.

El objetivo del control integral es alcanzar error nulo en régimen permanente ante una
señal de referencia en escalón. Se presentan dos situaciones diferentes dependiendo de que la
planta posea o no un integrador. Se considerará que tanto la señal de control (u) como la salida
(y) son escalares, y que el estado está disponible para realimentación de forma directa.

a) Planta con integrador.

Una configuración de control típica para un servosistema es la que se muestra a

continuación:

4-24
C.P.O. Análisis
x
y diseño en el espacio de estados
r u y

+ k 1 + x '= A x + B u C

k 2

k 3

. . .

k n

La señal de control, considerando y=x1 , se expresa como:

u = -Kx + k1r

donde K = [k1 k2 ... kn].

La dinámica del sistema viene dada por la ecuación:

x' = Ax + Bu = (A-BK)x + Bk1r

En estado estacionario, la ecuación correspondiente será:

x'(∞ ) = (A-BK)x(∞ ) + Bk1r(∞ ) = (A-BK)x(∞ ) + Bk1r

Restando ambas ecuaciones nos queda la ecuación del error de la forma:

e' = (A-BK) e

Si el sistema de partida es controlable, se podrá elegir la dinámica del error de forma que
éste tienda a cero, independientemente de las condiciones iniciales. La condición de equilibrio
para la ecuación de estado será

x'(∞ ) = 0 = (A-BK)x(∞ ) + Bk1r

con lo que puede obtenerse el valor final del vector de estado de la forma

x(∞ ) = -(A-BK)-1Bk1r

La señal de control en el equilibrio debe ser cero (dado que el sistema posee un
integrador), con lo que queda

u(∞ ) = 0 = -Kx(∞ ) + k1r = k1[x1(∞ )-r]+k2x2(∞ )+...+knxn(∞ )

4-25
 + +

k 1

k 2

. . .
C.P.O. k n
Análisis y diseño en el espacio de estados

Asumiendo que el sistema ha sido transformando a la representación en forma canónica

controlable se tiene xi+1=x'i, con lo que debe verificarse x1(∞ )=r=y, y el sistema presenta error
nulo en régimen permanente.

b) Planta sin integrador.

En este caso, la técnica empleada consiste en insertar un integrador en la trayectoria

directa.

La señal de control, suponiendo que el estado es accesible, viene dada por

u = -Kx + kI n

con n' = r-Cx.

Combinando la ecuación de estado con la del comparador obtenemos una nueva

ecuación de estado con una variable adicional (correspondiente al integrador).

  =    +  u +  r
 x′   A 0  x   B   0 
 n′   -C 0   n   0   1 

Restando de la ecuación anterior la correspondiente al estado estacionario se obtiene:

  =    +   ue
 x 'e   A 0   xe   B 
 n'   -C 0     0 
 e  ne

donde xe, ne, y ue representan las desviaciones de cada una de las variables de sus valores en el
equilibrio, y además, ue = -Kxe + kI ne. Tomando como vector de error e=[xe ne]T, la señal de

4-26
C.P.O. Análisis y diseño en el espacio de estados

control se puede poner como ue = -K'e (con K'=[K|-kI]), y la expresión anterior se puede poner
en forma de ecuación de error.

e′ =  e +   ue =
 A 0   B 
 -C 0   0 

A′e + B′ ue = (A′ - B′K ′) e

Si el sistema definido por esta última ecuación es controlable, se puede elegir su

comportamiento de modo que tienda asintóticamente a cero, con lo que de nuevo el sistema
presentará error nulo en régimen permanente. En el diseño real, habrá que ensayar diversas
ubicaciones posibles para los polos, de modo que se pueda comprobar mediante simulación qué
opción proporciona mejores resultados.

En caso de que el estado del sistema no sea medible directamente, se deberá diseñar un
observador de estado, de modo que sea el estado estimado el que se emplee en la
realimentación.

7. Sistemas de control óptimo.

7.1 Introducción a la optimización.
El diseño de sistemas óptimos se basa en la idea de que los parámetros del sistema sean
el resultado de la minimización o maximización de una cierta función objetivo o índice de
desempeño respecto a dichos parámetros. Este enfoque contrasta con la aproximación clásica, en
la que los valores de los parámetros vienen condicionados a que se cumplan una serie de
especificaciones impuestas bien sobre la respuesta temporal, bien sobre la respuesta en
frecuencia.

ÍNDICES DE DESEMPEÑO

Un buen índice de desempeño debe ser una función de los parámetros del sistema de
control que presente un máximo o un mínimo claramente definidos (buena discriminación). Es
asimismo deseable que su cálculo sea relativamente simple. Las funciones más utilizadas son las
de tipo integral sobre alguna medida del error del sistema.

Algunos ejemplos de índices de desempeño son:

a) Criterio integral del error cuadrático (CIEC):

J=∫ 0
∞
e2(t) dt

4-27
C.P.O. Análisis y diseño en el espacio de estados

Las características principales de esta función son la facilidad de cálculo y la de producir

una corrección inicial fuerte con oscilaciones que tienden a mantenerse, al dar más peso a los
errores grandes que a los pequeños.

Este criterio se puede aplicar mediante la transformada de Laplace de la siguiente forma:

J=∫ 0
∞
e2(t) dt = ∫ 0
∞
f(t) dt = limt->∞∫ 0t f(t) dt = lims->0sF(s)/s = lims->0F(s)

b) Criterio integral del producto del error cuadrático por el tiempo (CIECT):

J=∫ 0
∞
t e2(t) dt

Penaliza los errores que se producen más tarde en la respuesta, eliminando las
oscilaciones. El error inicial puede ser grande.

Aplicando transformada de Laplace la expresión de este criterio es la siguiente:

J=∫ 0
∞
t f(t) dt = lims->0-dF(s)/ds

c) Criterio integral de error absoluto (CIEA):

J=∫ 0
∞
e(t)dt

Presenta un comportamiento adecuado para sistemas que no sean excesivamente

oscilatorios ni excesivamente lentos. El tratamiento analítico es complejo.

d) Criterio integral del producto del error absoluto por el tiempo (CIEAT):

J=∫ 0
∞
t e(t)dt

El principal inconveniente de este criterio es la complejidad de tratamiento analítico.

7.2 Sistemas de control óptimo cuadrático.

Sea el siguiente sistema dado por

x' = Ax + Bu

donde el vector de control es de dimensión r.

Se puede comprobar que si L(x,u) es una función cuadrática o hermítica, el índice de

desempeño J = ∫ 0∞ L(x,u) dt puede producir leyes de control del tipo u(t)=-Kx(t). Con respecto
a las técnicas de realimentación de estado vistas con anterioridad, la optimización cuadrática
tiene la ventaja de que no es necesario especificar los polos deseados para el sistema (lo cual

4-28
C.P.O. Análisis y diseño en el espacio de estados

puede resultar enormemente complejo en el caso de sistemas multivariables de dimensión

elevada). Otra ventaja de los métodos de optimización es su aplicación a sistemas variables en el
tiempo y su buen comportamiento con respecto a medidas como la estabilidad o la sensibilidad
del sistema de control resultante.

OPTIMIZACIÓN DE PARÁMETROS

Sea el siguiente sistema homogéneo:

x' = Ax

donde A incluye parámetros ajustables.

Como índice de desempeño se tomará la siguiente forma cuadrática hermítica:

J=∫ 0
∞
x*Qx dt

donde Q es una matriz hermítica definida positiva. Este índice es equivalente al CIEC, puesto
que el error del sistema es nulo cuando ha llegado al estado estacionario (x=0).

Si suponemos x*Qx=-d(x*Px)/dt, donde P es hermítica definida positiva, tenemos:

x*Qx = -x*(A*P+PA)x

Por el segundo método de Liapunov, si A es estable, para una Q definida positiva dada
existe una P definida positiva que verifica:

A*P + PA = -Q (3.1)

Por lo tanto, el índice de desempeño se puede expresar de la forma:

J=∫ 0
∞
x*Qx dt = -x*Px0∞ = -x*(∞ )Px(∞ ) + x*(0)Px(0)

Como el sistema es estable, x(∞ )->0 y el índice queda finalmente:

J = x*(0)Px(0)

El procedimiento de diseño partiría de una cierta matriz Q hermítica y definida positiva.

A partir de (3.1) se calcularían los valores de P como función de los parámetros ajustables.
Sustituyendo los resultados en la expresión del índice y minimizándolo se obtienen los valores
óptimos de los parámetros para ese índice.

4-29
C.P.O. Análisis y diseño en el espacio de estados

CONTROL ÓPTIMO CUADRÁTICO

Sea el siguiente sistema

x' = Ax + Bu

donde la ley de control es u(t) = -Kx(t), con lo que x' = (A-BK)x. Supondremos que el sistema
es estable y de estado completo controlable, y que las variables de estado están disponibles para
realimentación (de otro modo, habría que emplear un observador de estado para estimarlas).

El problema consiste en determinar los valores de la secuencia de control que minimizan

el siguiente índice de desempeño:

J=∫ 0
∞
(x*Qx + u*Ru) dt

donde Q y R son hermíticas definidas positivas. En este caso, el índice de desempeño penaliza
tanto las desviaciones del estado final como los esfuerzos de control elevados (el segundo
sumando pondera el gasto de energía de la señal de control). Si el índice viniese dado en
términos de la salida en vez del vector de estado, se puede utilizar la ecuación de salida (y=Cx)
para obtener una expresión equivalente a la anterior.

Sustituyendo la ley de control en el índice de desempeño tenemos:

J=∫ 0
∞
x*(Q + K*RK)x dt

Suponiendo que se verifica x*(Q + K*RK)x = -d(x*Px)/dt, desarrollando la derivada

como en el caso de la optimización de parámetros se llega a

(A-BK)*P + P(A-BK) = -(Q + K*RK) (3.2)

que es la denominada ecuación de Liapunov.

Por el segundo método de Liapunov, si A-BK es estable, se puede encontrar una matriz P
definida positiva que satisface la ecuación anterior. Resolviéndola y sustituyendo los valores
(que serán función de las ganancias) en la expresión del índice de desempeño J = x*(0)Px(0),
puede minimizarse éste respecto a las ki (igualando derivadas parciales a cero). Se plantea así un
sistema de ecuaciones cuya resolución permite llegar a la solución óptima para las ganancias de
realimentación. Este proceso, sin embargo, no es viable en la práctica, por lo que hay que
utilizar métodos alternativos.

Para determinar el valor de la matriz K óptima de forma directa descomponemos la

matriz R como T*T, donde T es no singular, y, operando con la ecuación de la matriz P (3.2) se
obtiene

4-30
C.P.O. Análisis y diseño en el espacio de estados

A*P + PA + [TK - (T*)-1BP]*[TK - (T*)-1BP] -PBR-1B*P + Q = 0

Para que J sea mínimo respecto a K hay que minimizar

x*[TK - (T*)-1B*P]*[TK - (T*)-1B*P]x

Como esta expresión es no negativa, el mínimo se producirá cuando sea cero, es decir

TK = (T*)-1B*P

De aquí se obtiene directamente la ecuación que proporciona el valor óptimo de la

matriz de realimentación como

K = T-1(T*)-1B*P = R-1B*P (3.3)

Esta expresión permite llegar, mediante sustitución en la ecuación de la matriz P (3.2), a

una ecuación alternativa para la obtención de dicha matriz denominada ecuación reducida de
Ricatti.

A*P + PA - PBR-1B*P + Q = 0

Una vez obtenida P, se sustituye su valor en (3.3) para obtener la matriz de

realimentación óptima.

La comprobación de que la matriz A-BK sea estable se puede hacer verificando si se

cumple

rango   = n
 Q1/ 2 
 
 Q1/ 2 A 
 
 . 
 . 
 
 . 
 1/ 2 n-1 
 Q A 

4-31
C.P.O. Análisis y diseño en el espacio de estados

8. Técnicas de control avanzadas.

8.1 Sistemas de control con modelo de referencia.
La técnica que se presenta a continuación consiste en especificar el comportamiento
deseado de un sistema como el que produce un determinado modelo. Las diferencias de
comportamiento entre el sistema real y el modelo serán medidas para generar la señal de control
en base a dicho error.

Este método resulta especialmente interesante cuando se abordan diseños de sistemas

que incluyen parámetros no lineales y/o variables en el tiempo.

Sea el siguiente sistema:

x' = f(x,u,t)

y el modelo de referencia deseado, viene dado por la ecuación:

xd' = Axd + Bv

Definimos el vector de error como:

e = xd-x

El problema consiste en conseguir un sistema de control que haga que este vector de
error tienda a cero. La ecuación diferencial del error sería de la forma:

e' = xd' - x' = Ae + Ax - f(x,u,t) + Bv

Si suponemos una función de Liapunov de la forma V(e) = e*Pe, donde P es hermítica,

tenemos:

V'(e) = e*(A*P + PA)e + 2M

donde M=e*P[Ax-f(x,u,t)+Bv] es una cantidad escalar.

La función V’(e) será definida negativa si:

1. A*P+PA = -Q es una matriz definida negativa.

2. Se puede elegir u de modo que M sea una cantidad negativa.

Si se verifican las condiciones, el estado origen será un estado asintóticamente estable

(V(e)->∞ cuando e->∞ ), y el sistema tenderá a seguir al modelo de referencia.

4-32
C.P.O. Análisis y diseño en el espacio de estados

8.2 Sistemas de control adaptable.

En general, un sistema de control adaptable es aquél que puede modificar su
comportamiento en respuesta a las variaciones no predecibles, tanto internas como externas, que
puedan producirse en el entorno. La variación del comportamiento del sistema se realiza por
medio de un ajuste de parámetros variables, vinculados normalmente al controlador.

El esquema clásico de control adaptable consta de un módulo de identificación de la

planta que muestrea la entrada y la salida de la misma. Un segundo módulo de decisión analiza
los resultados de la identificación y genera las acciones oportunas para la modificación de los
parámetros del controlador. La frecuencia con que se realiza el proceso de ajuste deberá estar en
función de la velocidad con que se produzcan las alteraciones en los parámetros de la planta.
Asimismo, dicho proceso deberá interferir lo menos posible en el comportamiento del sistema.

9. Bibliografía.
- Ogata, K., "Ingeniería de control moderna", Prentice Hall, 1993.

- Franklin, G., "Feedback control of dynamic systems", Addison Wesley, 1991.

- Kuo, C., "Automatic control systems", Prentice Hall, 1991.

- Houpis, C., "Digital control systems", McGraw-Hill, 1992.

4-33