23
Fórmula de Ackermann
Otra vez, la fórmula de ackermann se puede usar
efectivamente en el proceso de:
transformación de un sistema observable a la forma
canónica observable
diseñar las ganancias del estimador por inspección
transformación a los estados originales
0
1 0
L p e Φ O
1
24
Ejemplo 8.4: Estimador - Doble
Integrador
G s
1
2
,
s
0 1 0
x t x t u t
0 0 1
y t 1 0xt
1 T T 2 2
xk 1 xk u k
0 1 T
y k 1 0xk
Colocar los polos del estimador en: z = 0.4 ± j0.4, de modo que = 0.6 y n
es casi tres veces más rápido que los polos seleccionados para el control
Digital Control of Dynamic Systems. Third Edition. Capítulo 8.
Franklin, Powell & Workman 25
Ecuación Característica deseada: z 2 0.8 z 0.32 0
zI Φ L P H 0
1 0 1 T l p1
z 1 0 0
0 1 0 1 l p 2
z 2 l p1 2 z Tl p 2 1 l p1 0
l p1 2 0.8
Tl p 2 1 l p1 0.32
xˆ k 1 Φxˆ k Γu k L p y k Hxˆ k
y k
xˆ k 1 Φ L p H xˆ k L p Γ
u k
27
28
29
30
Selección de polos de lazo cerrado
31
Técnicas Básicas
32
Diseño por Polos Dominantes
33
Diseño por Prototipo
Filtro Bessel
TF = 1/ Bn(s) donde Bn(s) es el polinomio de Bessel de grado n
34
Prototipo Bessel - Respuesta al escalón
Tiempo (s)
35
Prototipo Bessel - Polos normalizados
36
Prototipo ITAE - Respuesta al escalón
1.4
1.2
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8
37
Prototipo ITAE – Polos normalizados
p1=[-1]
p2 = [-0.7071+I*0.7071,-0.7071-I*0.7071]
p3 =[ -.7071;-.5210+i*1.068;-.5210-i*1.068]
p4=[-.4240+i*1.2630;-.4240-i*1.2630 ;-.6260+i*.4141;-
.6260-i*.4141] ;
38
Métodos de Diseño en
Espacio - Estado
39
Tracking (servo) systems
Trataremos el problema de regulación:
Planta H
Planta H
41
Generación de estados de referencia
Una estructura más general puede tomar ventaja del comportamiento
de algunos sistemas realimentados de “Tipo 1”
Planta H
42
Análisis
Los valores en estado estable de los estados y de la señal de
control deberán ser escalados con la entrada:
x ss N x rss
u ss N u rss
Esto sugiere una estructura general para introducir la
entrada de referencia: u N u r K x N x r
Luego, en estado estable:
u N u rss K x ss N x rss u ss K 0 u ss
43
¿Cómo calcular la ganancias de
escalamiento?
xk 1 Φxk Γu k
Las ecuaciones de la planta son:
y k Hxk Ju k
En estado estable: x ss Φx ss Γu ss
yss Hx ss Ju ss
Planta
Estimador
45
Control integral
Cuando el sistema es Tipo 0, la ganancia feedforward Nu es la
inversa de la ganancia de la planta
- esto no es robusto (la ganancia de la planta puede variar)
- y no considera disturbios constantes a la planta
Control integral se puede usar para sobre llevar este defecto, y
evitar el uso de la ganancia feedforward
Estado aumentado: xI k 1 xI k y k r k
añade el estado del integrador xI x k Hxk r k
I
46
Control integral con realimentación de
todos los estados
Integrador
Planta
z 1 H
47
Ejemplo
My y d b y d k u
md d y b d y k 0
48
M = 1kg, m = 0.1 kg., b = 0.0036 N-sec/m y k = 0.091 N/m
x d d y y
T
0 1 0 0
0.91 0.036 0.91 0.036
F , G 1 0 0 0 sysC=ss(F,G,H,J)
0 0 0 1
sysD=c2d(sysC,T, ‘zoh’)
0.091 0.0036 0.091 0.0036
0
0
H , J 0
0
1
49
Implementación en Matlab:
ganancias de control
Gp = ss(A, B, C, D,); % modelo continuo de la planta
Gpd = c2d(Gp, T); % Modelo discreto
Phi = Gpd.a; Gam = Gpd.b; La entrada externa no
[n, n] = size(Phi); % no. estados es parte de la realimen-
tación de estado
xI k 1 1 H xI k 0 1
xk 1 0 Φ xk Γ u k 0 r k
% Estado aumentado con integrador de salida
Phia = [1 H; zeros(n,1) Phi]; Gama = [0; Gam];
z1 = 0.85; z2 = 0.9+j*0.05; z3 = 0.8+j*0.4;
dclz = [z1; z2; conj(z2); z3; conj(z3)];
K = acker(Phia, Gama, dclz);
K =
50
KI=K(1) 0.0164 -0.4986 0.0387 0.8778 1.2729
Implementación en Matlab: ganancias
de control
1
N x Φ I Γ 0
N H J 1
u
51
Implementación en Matlab: sistema
en lazo cerrado
Gpda = augstate(Gpd); % añadir estados a la salida para realimentación
Gc1 = [zpk([],[1],K(1),T), ss([],[],[],K(2:5),T)];
GcGp = Gpda * Gc1;
Gcl1 = feedback(GcGp, eye(n+1)); u k K K xI k KN r k
I xk x
Gc2 = [1; ss([],[],[],Nx, T)];
Gcl = Gcl1 * Gc2;
Gcl = Gcl([2 4],:); % obtener d e y como salidas
52
Respuesta al escalón step(Gcl)
From: U(1)
1.5
To: d (s tates )
0.5
Sistema de tiempo discreto
graficado con línea continua
A m plitude
1.5
de pasos escalonados
To: y (s tates )
0.5
0
0 2 4 6 8 10 12 14 16 18 20
Tim e (s ec .)
53
Implementación en Simulink: sistema
de lazo cerrado
54
Control integral
Response to step command r and process disturbance w
2
d
D ispl d, y (m)
1.5 y
0.5
0.25 N disturbio del proceso en t = 15 segundos
0
0 5 10 15 20 25 30 35 40
Time (s)
0.4
0.2
Force u (N)
-0.2
-0.4
0 5 10 15 20 25 30 35 40
Time (s)
Esfuerzo de control
constante para
55
sobrellevar el disturbio
Control integral con estimación de estados
H Lp
56
Implementación en Matlab:
ley de control y estimador
K = acker(Phia, Gama, dclz); % Control gains as before
% Prediction estimator observing d
%(estimate plant states only)
% Place estimator poles 5 times as fast as ctrl poles
dcls = 1/T*log(dclz(2:5)); deps = 5*dcls; % s-plane
depz = exp(T*deps); % z-plane
Lp = place(Phi', C', depz)';
% Function estim implements a prediction estimator:
58
Control integral con estimación de
estado Response to step command r and process disturbance w
4
D isplacement d (m)
1
0.25 N disturbio del proceso en t = 15 segundos
0
0 5 10 15 20 25 30 35 40
Time (s)
0.5
Force u (N)
-0.5
0 5 10 15 20 25 30 35 40
Time (s)
Esfuerzo de control
constante para
59
sobrellevar el disturbio