Anda di halaman 1dari 162

Centro Nacional de Investigación y Desarrollo Tecnológico

Departamento de Electrónica

TESIS DOCTORAL

Análisis, Síntesis y Construcción de un Controlador Adaptable


Genérico con Supervisión Inteligente

presentada por

Marco Antonio Paz Ramos


M. en C. en Ingeniería Electrónica por el cenidet

como requisito para la obtención del grado de:


Doctor en Ciencias en Ingeniería Electrónica

Director de tesis:
Dr. Enrique Quintero-Mármol Márquez

Cuernavaca, Morelos, México. 29 de Septiembre del 2006


Índice general

´Indice de figuras v
Simbologı́a utilizada en el documento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . viii
Equivalencia simbólica por fuentes bibliográficas . . . . . . . . . . . . . . . . . . . . . . . . . . . . xi
Siglas utilizadas en el documento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xii

1. Introducción 1
1.1. El control PID en la industria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Control avanzado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Sistemas autosintonizables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4. Supervisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5. El trabajo de tesis desarrollado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.1. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.2. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.3. La estructura de la propuesta de solución . . . . . . . . . . . . . . . . . . . . . . . 7
1.5.4. Organización del documento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

2. Control Adaptable 11
2.1. Modelo del proceso continuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2. Modelo del proceso discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3. El regulador autosintonizable (STR) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.4. Estimación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.1. Mı́nimos cuadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.2. Mı́nimos cuadrados recursivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4.3. Parámetros con variación en el tiempo . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4.4. Identificabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4.5. Excitación persistente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4.6. Convergencia de la estimación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4.7. La deriva paramétrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.5. La asignación de polos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.6. Diseño de la asignación de polos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.7. Controlador autosintonizable por asignación de polos (Wellstead) . . . . . . . . . . . . . . 28
2.8. El control de varianza mı́nima generalizado (Clarke) . . . . . . . . . . . . . . . . . . . . . 31
2.9. Acerca del controlador predictivo generalizado (Clarke) . . . . . . . . . . . . . . . . . . . 36

3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos 37


3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2. El controlador de varianza mı́nima generalizado con asignación dinámica de polos . . . . . 39

i
3.3. Estabilidad del controlador de varianza mı́nima generalizado con asignación dinámica de
polos (GMVDPAC) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.4. Análisis de estabilidad del GMVPAC para sistemas de segundo orden . . . . . . . . . . . 44
3.5. Estabilidad del GMVDPAC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.5.1. Asignación dinámica de polos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

4. Sistema de soporte al controlador 55


4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2. Inicialización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.2.1. Selección del orden del modelo de estimación . . . . . . . . . . . . . . . . . . . . . 57
4.2.2. Inicialización de parámetros iniciales . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2.3. Asignación de polos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.2.4. Selección del periodo de muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2.5. Factor de olvido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2.6. Matriz de covarianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2.7. Detección del retardo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.2.8. Excitación de procesos inestables . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.3. Control de respaldo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4.3.1. Criterio de paro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.3.2. Comportamiento del proceso evolutivo ante diferentes niveles de mutación . . . . . 72
4.4. Supervisión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.4.1. Estabilidad en lazo cerrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.4.2. Identificabilidad del proceso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.4.3. Error de seguimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.4.4. Respuesta de sistema ante cambios de carga . . . . . . . . . . . . . . . . . . . . . . 76
4.4.5. Simulación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

5. Resultados y Aplicaciones 81
5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.2. Implementación y evaluación general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.2.1. Implementación del GMVDPAC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.3. Manejo del retardo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5.4. Ejemplo numérico de implementación del GMVDPAC . . . . . . . . . . . . . . . . . . . . 87
5.5. Evaluación general del desempeño . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.5.1. El lote de plantas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.5.2. Criterios de evaluación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.5.3. Evaluación del desempeño por proceso . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.5.4. Resultados generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.6. Control de velocidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.7. Control de posición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
5.8. Control de temperatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5.9. Plataforma de aplicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.10. Interfaz de usuario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.11. Pruebas con el sistema integrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112

6. Conclusiones 121
6.1. Contribuciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
6.2. Trabajos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124

ii
I ANEXO A 127

Referencias Bibliográficas 145

iii
iv
Índice de figuras

1-1. Estructura jerárquica del sistema desarrollado. . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2-1. Diagrama a bloques de un regulador autosintonizable. . . . . . . . . . . . . . . . . . . . . . . . 13


2-2. Diagrama a bloques de un controladore por ubicación de polos. . . . . . . . . . . . . . . . . . . 20
2-3. Respuesta al escalón del sistema en lazo abierto y del sistema en lazo cerrado deseado . . . . . . 22
2-4. Sistema Controlado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2-5. Respuestas en lazo cerrado del sistema controlado, para diferentes constantes de tiempo deseadas. 25
2-6. Diferentes señales de control u para diferentes constantes de tiempo deseadas. . . . . . . . . . . . 25
2-7. a) Máxima señal de control contra constante de tiempo deseada, b) Esfuerzo de control contra
constante de tiempo deseada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2-8. Control por asignación de polos para 2.59. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2-9. Esquema adaptable para el STPAC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2-10. Diagrama de realimentación conceptual del GMVC. . . . . . . . . . . . . . . . . . . . . . . . . 33
2-11. Diagrama a bloques del GMVC implementado como una estructura adaptable. . . . . . . . . . . 34
2-12. Control GMVC para el proceso 2.98. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

3-1. GMVPAC modificado para enfrentar incertidumbres paramétricas. . . . . . . . . . . . . . . . . 38


3-2. Control GMVDPAC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3-3. Sı́ntesis del GMVDPAC a partir del STPAC y GMVC. . . . . . . . . . . . . . . . . . . . . . . 40
3-4. Comparación del sistema en lazo abierto y la respuesta deseada demarcada por la ecuación 3.6. . . 42
3-5. a) Seguimiento de la referencia del sistema cuando es controlado con un GMVDPAC, b) Señal de
control. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3-6. a) Evolución de los parámetros de estimación en función del tiempo, b) Desempeño de la traza de
la matriz de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3-7. Diagrama a bloques conceptual del GMVPAC . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3-8. Zona de estabilidad definida en función del polinomio costo P. . . . . . . . . . . . . . . . . . . . 45
3-9. Circuito RLC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3-10. Zona de estabilidad para el ejemplo 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3-11. a) Seguimiento a la referencia b) Señal de control. . . . . . . . . . . . . . . . . . . . . . . . . . 48
3-12. GMVPAC ante el cambio de resistencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3-13. Estabilidad del GMVDPAC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3-14. Control GMVDPAC ante el cambio de resistencia. . . . . . . . . . . . . . . . . . . . . . . . . . 52
3-15. Control GMVPAC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3-16. Control GMVDPAC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

4-1. Bosquejo del algoritmo de inicialización. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55


4-2. Sistema excitado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4-3. a) Comportamiento de la estimación primer orden b) Traza de la matriz de covarianza c) Deter-
minante de la inversa de la matriz de covarianza . . . . . . . . . . . . . . . . . . . . . . . . . . 59

v
4-4. Figura 4.4: LGR del modelo estimado de primer orden. . . . . . . . . . . . . . . . . . . . . . . 60
4-5. a) Comportamiento de la estimación segundo orden b) Traza de la matriz de covarianza c) Deter-
minante de la inversa de la matriz de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . . 61
4-6. LGR del modelo estimado de segundo orden. . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4-7. a) Comportamiento de la estimación tercer orden b) Traza de la matriz de covarianza c)
Determinante de la inversa de la matriz de covarianza. . . . . . . . . . . . . . . . . . . . . . . . 62
4-8. LGR del modelo estimado de tercer orden. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4-9. LGR del modelo de estimación de tercer orden. . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4-10. Múltiplo valor porcentual en el actuador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4-11. Señal de control saturada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4-12. Obtención del retardo del sistema. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4-13. Representación genética . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4-14. Estructura del PID Genético Directo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4-15. Lı́mites de saturación del actuador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4-16. a) Seguimiento de la referencia del sistema cuando es controlado con el PID genético directo b)
Función de aptitud. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4-17. Relación tiempo de ejecución del algoritmo versus número de generaciones. . . . . . . . . . . . . 71
4-18. Relación IAE promedio obtenida versus número de generaciones. . . . . . . . . . . . . . . . . . 72
4-19. Comportamiento del IAE promedio (10 muestras), para diferentes porcentajes de mutación. . . . 73
4-20. a) Comportamiento de los polos en lazo cerrado con respecto al tiempo, la dirección de las flechas
muestran la dirección de la migración de los polos en función del tiempo, b) proyección ε., Las X
representan la ubicación de polos definida por T, c) Asignación de los polos con respecto al tiempo,
los trapezoides representan la proyección ε. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4-21. Comportamiento del sistema cuando los parámetros iniciales del control adaptable son propor-
cionados por el procedimiento de inicialización. . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4-22. Comportamiento de los polos en lazo cerrado cuando los parámetros iniciales del control adaptable
son proporcionados por el procedimiento de inicialización . . . . . . . . . . . . . . . . . . . . . 77
4-23. Arranque del sistema bajo el control de respaldo . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4-24. Falla provocada al definir los polos de T fuera del cı́rculo unitario . . . . . . . . . . . . . . . . . 78
4-25. Falla Comportamiento del control adaptable en el tiempo cuando los polos de T se trasladan fuera
del cı́rculo unitario. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4-26. Conmutación al modo respaldo por la falla provocada. . . . . . . . . . . . . . . . . . . . . 79

5-1. Diagrama esquemático del sistema intercambiador de calor . . . . . . . . . . . . . . . . . . . . 87


5-2. Diagrama a bloques del control para el intercambiador de calor . . . . . . . . . . . . . . . . . . 88
5-3. Perturbacion en la transmision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5-4. Control PID del intercambiador de calor a) Seguimiento a la referencia y=T0 en grados centigrados,
b) Señal de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5-5. Control GMVDPAC del intercambiador de calor a) Seguimiento a la referencia, b) Señal de control 91
5-6. Estimación del proceso de intercambio de calor . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5-7. Comportamiento del IAE promedio en función de α . . . . . . . . . . . . . . . . . . . . . . . . 96
5-8. Comportamiento del IAC promedio en función de α . . . . . . . . . . . . . . . . . . . . . . . . 97
5-9. Comportamiento del ITAE promedio en función de α . . . . . . . . . . . . . . . . . . . . . . . 97
5-10. Gráfica de pastel que representa el porcentaje en que cada controlador obtuvo el mejor resultado
a lo largo de las pruebas para seguimiento a la referencia (medido con IAE) . . . . . . . . . . . . 98
5-11. Gráfica de pastel que representa el porcentaje total de ocaciones en que un controlador dado realiza
el menor esfuerzo de control. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5-12. Gráfica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a
lo largo de las pruebas de cambio de carga (medido con ITAE) . . . . . . . . . . . . . . . . . . 99

vi
5-13. Gráfica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a
lo largo de las pruebas para seguimiento a la referencia (medido con IAE) cuando la varianza de
la perturbación fue la máxima probada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5-14. Gráfica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a lo
largo de las pruebas de esfuerzo de control (medido con IAC) cuando la varianza de la perturbación
fue la máxima probada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5-15. Gráfica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a lo
largo de las pruebas de cambio de carga (medido con ITAE) cuando la varianza de la perturbación
fue la máxima probada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5-16. Puntaje acumulado para seguimiento a la referencia . . . . . . . . . . . . . . . . . . . . . . . . 103
5-17. Puntaje acumulado para el esfuerzo de control . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5-18. Puntaje acumulado para el cambio de carga. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5-19. Control de velocidad usando el GMVDPAC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5-20. Comportamiento de la estimación, a) Parámetros de la estimación, b) Función de salida generalizada. 105
5-21. Motor de CD Buehler con reducción de velocidad. . . . . . . . . . . . . . . . . . . . . . . . . . 106
5-22. Control de posición de una banda transportadora usando GMVDPAC (seguimiento). . . . . . . . 106
5-23. Control de posición de una banda transportadora usando GMVDPAC (regulación). . . . . . . . . 107
5-24. Comportamiento de la estimación, a) Parámetros de estimación, b) Traza de la matriz de covarianza. 107
5-25. Controlador de temperatura Honeywell DC1020 . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5-26. Figura 5.26. Proceso de temperatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5-27. Control del DC1020 a) Regulación, b) Señal de control. . . . . . . . . . . . . . . . . . . . . . . 109
5-28. Control GMVDPAC, (a) Regulación, (b) Señal de Control. . . . . . . . . . . . . . . . . . . . . 110
5-29. Figura 5.29. Plataforma de aplicación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5-30. Interfaz grafica del controlador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5-31. Excitación del sistema durante la inicialización, a) Respuesta del proceso, b) Señal de excitación. . 112
5-32. Estimación recursiva para el modelo interno de primer orden, a) Comportamiento de los parámetros
de estimación, b) Traza de la matriz de covarianza Px , c) Determinante de la inversa de la matriz
de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5-33. Estimación recursiva para el modelo interno de segundo orden, a) Comportamiento de los parámet-
ros de estimación, b) Traza de la matriz de covarianza Px , c) Determinante de la inversa de la matriz
de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5-34. Estimación recursiva para el modelo interno de tercer orden, a) Comportamiento de los parámetros
de estimación, b) Traza de la matriz de covarianza Px , c) Determinante de la inversa de la matriz
de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5-35. Comportamiento del controlador GMVDPAC, a) Seguimiento a la referencia, b) Señal de control. 117
5-36. Estimación recursiva durante el control adaptable, a) Parámetros de estimación, b) Traza de la
matriz de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
5-37. Control GMVDPAC aplicando al control de posición de una banda transportadora prototipo du-
rante cambios de carga, a) Seguimiento a la referencia, b) Señal de control. . . . . . . . . . . . . 118
5-38. Estimación recursiva durante el control adaptable cuando existen cambios de carga, a) Parámetros
de estimación, b) Traza de la matriz de covarianza. . . . . . . . . . . . . . . . . . . . . . . . . 118
5-39. Simulación del controlador PID para el individuo más apto, a) Seguimiento a la referencia, b)Proceso
evolutivo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
5-40. Control PID genético directo aplicado al control de posición de una banda transportadora prototipo,
a) Seguimiento a la referencia, b) Señal de control. . . . . . . . . . . . . . . . . . . . . . . . . . 120
5-41. Conmutación entre controladores GMVDPAC y PID genético directo en el segundo 100,
Seguimiento a la referencia, b) Señal de Control. . . . . . . . . . . . . . . . . . . . . . . . . . . 120

vii
Simbologı́a utilizada en el documento
y Salida del proceso

u Entrada del proceso

r Referencia del sistema

e Perturbación del sistema

A Polinomio denominador de la función de transferencia del proceso

B Polinomio numerador de la función de transferencia del polinomio


n Orden del polinomio A
m Orden del polinomio B

α Polinomio de ubicación de polos asociado al polinomio A

β Polinomio de ubicación de polos asociado al polinomio B

G(s) Función de transferencia del proceso en s

G(z) Función de transferencia del proceso en z

θ Parámetros del modelo del proceso

ϕ Vector de regresión

Φ Matriz de regresores

E r Vector residuo

ε Residuo de la estimación

P x Matriz de covarianza

K Ganancia del estimador

λ Factor de olvido exponencial

E Matriz de Sylvester

D Vector de asignación de polos

M Vector solución de la asignación de polos

K 0 Ganancia de seguimiento para asignación de polos

M p Sobreimpulso máximo

t s Tiempo de establecimiento

ξ Coeficiente de amortiguamiento

ω n Frecuencia natural no amortiguada

h Periodo de muestreo

viii
τ Constante de tiempo

τ d Constante de tiempo deseada en lazo cerrado

K D Ganancia para constante de tiempo deseada

E f Esfuerzo de control

ξ d Coeficiente de amortiguamiento deseado en lazo cerrado

ω nd Frecuencia natural no amortiguada deseada en lazo cerrado

M pd Sobreimpulso deseado en lazo cerrado

t sd Tiempo de establecimiento deseado en lazo cerrado

K 1 Ganancia para el sobreimpulso deseado en lazo cerrado

K 2 Ganancia para el tiempo de establecimiento deseado en lazo cerrado

H Polinomio de control asociado a u

E Polinomio de control asociado a r

G Polinomio de control asociado a y

C Polinomio de la perturbación

k Retardo en instantes de tiempo

T Polinomio de asignación de polos

X Polinomio conocido con inversa estable

φ Función de salida generalizada o pseudo salida

P Polinomio costo asociado a la salida del sistema

Q Polinomio costo asociado a la entrada del sistema

R Polinomio costo asociado a la referencia del sistema

E x Esperanza matemática

J Función costo asociada a φ

∂ Frontera de estabilidad

K x Ganancia de lazo abierto del proceso

∆RLS Diferencia entre la posición de polo y cero redundante durante la estimación RLS

εac Sumatoria del residuo absoluto

K cov Ganancia inicial para inicializar Px

w Ventana de parámetros de estimación

W n Variación de la salida del proceso con entrada cero

ix
Kp Ganancia proporcional del PID ISA

T i Tiempo integral del PID ISA

T d Tiempo derivativo del PID ISA

f.a. Función de aptitud

x
Equivalencia simbólica por fuentes bibliográficas
Variables utilizadas Allidina [1] Clarke [19] Wellstead [82] Åström [4] Tesis
Polinomio de orden n asociado a la A A A A A
salida del sistema; a0 = 1
Polinomio de orden m asociado a la B B B B B
entrada del sistema
Polinomio de orden n asociado a una C C C C C
secuencia aleatoria no correlaciona-
da; c0 = 1
Entrada al sistema u u u u u
Salida del sistema y y y y y
Referencia del sistema w w r r
Función de salida generalizada φ φ φ yf φ
Polinomio costo para la salida del P P P P∗ P
sistema
Polinomio costo para la entrada del Q Q Q Q∗ Q
sistema
Polinomio costo para la referencia R R R R
del sistema
Polinomio general para la salida del G G G S∗ G
sistema
Polinomio general para la entrada H H F R∗ H
del sistema
Polinomio general para la referencia E E H E
del sistema
Polinomio general de la secuencia F F E R ∗1 F
aleatoria
Polinomio general de la ubicación de T T Ac T
polos
Secuencia aleatoria no correlaciona- ξ ξ e e e
da de media cero

Åström presenta en [4] el control de varianza mı́nima generalizado como una variante del control autosin-
tonizable generalizado directo. En esta fuente no se presenta simbologı́a asociada a la referencia, por que
sólo se analiza el caso de minimización de varianza en la salida.

xi
Siglas utilizadas en el documento
PID Proporcional + Integral +Derivativo (control)

PAC Controlador de automatización programable1

SCADA Control supervisorio con adquisición de datos1

HMI Interfaz hombre máquina1

STR Regulador autosintonizable1

STPAC Controlador autosintonizable por asignación de polos1

GMVC Controlador de varianza mı́nima generalizado1

GMVPAC Controlador de varianza mı́nima generalizado con asignación de polos1

GMVDPAC Controlador de varianza mı́nima generalizado con asignación dinámica de polos1

LTI Lineal e invariante en el tiempo1

SISO Una entrada una salida1 (proceso)

ZOH Retenedor de orden cero1

RLS Mı́nimos cuadrados recursivos1

PE Excitado persistentemente1

MVC Controlador de varianza mı́nima1

LGR Lugar geométrico de las raı́ces

IAE Integral del error absoluto1

ITAE Integral del error absoluto por el tiempo1

IAC Integral del error absoluto de la señal de control

1
por sus siglas en inglés

xii
Capı́tulo 1

Introducción

El vı́nculo entre el control de procesos y el desarrollo de la tecnologı́a ha sido tan estrecho, que ha
trascendido incluso el papel de mera herramienta tecnológica [14]. Algunos ejemplos del profundo impacto
del control de procesos en la historia reciente, pueden encontrarse en el transcurrir de la Segunda Guerra
Mundial: en 1940 las refinerı́as en Estados Unidos producı́an tan sólo 30 000 barriles diarios, mientras que
al finalizar la guerra, la producción habı́a aumentado hasta alcanzar los 580 000 barriles [83]; la demanda
de combustible para los aviones militares forzó a la industria de la refinación a incorporar avances del
control de procesos, como es el costo de los primeros controladores PID neumáticos [11], que en ese
momento histórico no gozaban de una buena aceptación en la industria [12]. Por su parte, la sı́ntesis
del uranio 235 en el proyecto Manhattan hubiera sido imposible sin el control de flujo desarrollado por
Taylor, para el altamente explosivo hexafluorido de uranio [83]; incluso el desarrollo del radar, considerado
como pieza clave en la victoria de los aliados, recibió un gran impulso de los estudios precursores sobre
el control en tiempo discreto [40].
En la actualidad el control de procesos representa una industria multimillonaria, tan sólo en el 2003 se
vendieron 9200 mdd en sistemas de control distribuido alrededor del mundo, y se estima que esta cifra
ascienda a los 10 300 mdd para el 2007 [70]. Hoy en dı́a existen factores comunes que determinan la
adopción por parte de la industria de nuevas tecnologı́as de control, entre las que pueden enumerarse:

La reducción de costos,

La búsqueda de la eficiencia en la producción,

La mejora permanente en la calidad del producto.

La calidad del producto guarda una estrecha relación con el control de procesos, por lo que mejorar el
desempeño de este último, debe ser una tarea prioritaria. La mejora del desempeño del control puede
lograrse a través de una cuidadosa inversión en infraestructura [25], lo cual es poco viable en muchos
casos [48]; alternativamente la incorporación de estrategias de control que se adapten adecuadamente al
proceso puede significar una mejora a las condiciones de operación vigentes; por ejemplo, la apreciación
de la divisa japonesa ante el dólar en la década de 1990, obligó a la industria japonesa a una reducción
drástica de costos, para mantener ası́ su competitividad. Entre las estrategias implantadas exitosamente
para hacer frente a ésta problemática, estuvieron la evaluación y la adopción de tecnologı́as innovadoras
en el control de procesos, en sustitución del control convencional instalado. Consecuentemente, hoy en
dı́a la industria japonesa cuenta con la mayor relación de control no convencional instalado en el mundo
[77].

1
1. Introducción

1.1. El control PID en la industria


Según una encuesta de opinión realizada entre académicos e industriales [71], el controlador PID es la
segunda tecnologı́a de mayor influencia en el control de procesos durante el siglo XX. Algunos aspectos
que mantienen al control PID como lı́der en aplicaciones en la industria son:

Economı́a. Actualmente se puede conseguir un controlador PID digital de campo con autosintonización
por menos de 100 dólares,

Confiabilidad. El desempeño del control PID ha estado a prueba por décadas, con resultados favorables
en un amplio espectro de aplicaciones,

Simplicidad. A pesar de que la sintonización del control PID puede ser llevada a cabo analı́ticamente,
es su carácter intuitivo [90] el que le ha ganado la mayor parte de sus adeptos en la industria; sólo
la lógica difusa en tiempos recientes [18] ha logrado competir con el control PID en este rubro.

Se estima que aproximadamente el 95 % de los lazos de control en el mundo usan controladores PID [4];
aunque, también se estima que más del 30 % de dichos lazos opera en modo manual, mientras que otro
porcentaje similar opera con las ganancias por defecto configura el fabricante del controlador [24]. Las
principales causas de dicha situación se enumeran a continuación:

Mala sintonización del controlador,

Capacitación inadecuada o deficiente del operario,

Selección incorrecta de componentes,

Envejecimiento del proceso,

Cambios ambientales drásticos,

Desempeño poco satisfactorio de los actuadores,

Transmisores mal calibrados,

Diseño deficiente del lazo de control,

Anexión de infraestructura no contemplada en el diseño original,

No linealidades del proceso,

Cambios en las estrategias de producción,

Modificaciones de las propiedades de la materia prima,

Cambios en los ciclos de mantenimiento.

1.2. Control avanzado


Ante condiciones demandantes como las antes descritas, el control PID puede tener un desempeño in-
satisfactorio. En muchos casos, una acertada sintonización puede eliminar parte de los problemas; sin
embargo en algunas ocasiones, para lograr la sintonización se requiere un conocimiento profundo del
proceso, por lo que la sintonización heurı́stica deja de ser una ventaja.
Algunas estrategias de control avanzado han hallado un nicho precisamente donde el desempeño es
crı́tico y los costos de la infraestructura de control pueden amortizarse con las mejoras en la producción

2
1.3 Sistemas autosintonizables

consecuentes. El nivel de adopción del control avanzado ha dependido del tipo de industria y del lugar
donde ésta se encuentre. En Japón por ejemplo, el control inteligente ha ganado un espacio importante
[77], mientras que en Estados Unidos la adopción de estas mismas tecnologı́as ha sido moderada [18],
[10]. En Japón, técnicas como el control LQG, filtros de Kalman, H infinito y primordialmente el control
inteligente representan cerca del 10 % del control en la industria, lo cual significa un máximo histórico;
ya que, a principios de la década de los noventa, la participación de estas estrategias en Japón era
prácticamente nula.
Por su parte en Europa, particularmente en Gran Bretaña y Suecia, el control adaptable ha tenido
una participación discreta en el mercado, pero constante por más de dos décadas [69]. Los niveles de
desempeño de estos controladores han ganado espacios donde los estándares de producción son muy
altos; espacios que se han ido ampliando debido a la naturaleza cada vez más competitiva del mercado
europeo.

1.3. Sistemas autosintonizables

El control adaptable es particularmente útil, cuando por diversas causas el proceso está sujeto a cambios
en las condiciones de operación y se requiere mantener una homogeneidad en el desempeño del lazo.
En particular, el control autosintonizable, es la estrategia de control adaptable que mayor penetración
ha tenido en el control de procesos industriales. Los sistemas autosintonizables hallaron inspiración en
los desarrollos que Kalman realizó para el control computarizado de procesos, mientras trabajaba para
DuPont [3].
Narendra en [54] define control autosintonizable como: “Dada una planta que es conocida imprecisamente,
el problema del control adaptable puede ser definido cualitativamente como el de diseñar un controlador,
el cual, resulte en un desempeño satisfactorio. Si la planta es invariante en el tiempo, nosotros podemos
hablar acerca del problema de autosintonización, cuando el problema es uno de regulación o seguimiento.
Estrictamente hablando, nosotros podemos llamar al problema en el cual las caracterı́sticas de la planta
varı́an lentamente con el tiempo y el controlador trata de alcanzar un desempeño satisfactorio, como
el problema de adaptación. En la mayorı́a de la literatura publicada, es el problema de sintonización
el que se discute, y el problema de adaptación es tratado como uno de control robusto en presencia de
perturbaciones paramétricas”. Wellstead por su parte menciona en [82]: “...Especı́ficamente la idea de un
ajuste autosintonizable fue concebida originalmente, como un medio de manejar la sintonización inicial
de un controlador o filtro para sistemas y fuentes de señal, los cuales son invariantes en el tiempo pero
desconocidos”. El primer sistema de control autosintonizable que vio la luz en 1973, fue propuesto por
K. J. Åström y B. Wittenmark [6], pero no fue sino hasta la década de 1980, cuando varios controladores
autosintonizables salieron al mercado, aunque debido a la capacidad de cómputo disponible en aquel
momento, la adaptación no podı́a ser una tarea permanente del controlador.
Durante los últimos 20 años, la capacidad de cómputo ha mejorado en proporciones geométricas, lo cual
ha permitido una significativa reducción de costos. Hoy en dı́a, existen plataformas tecnológicas sobre las
cuales puede implementarse casi cualquier estrategia de control con relativa flexibilidad y economı́a, como
es el caso de los sistemas embebidos de propósito general, con plataformas de programación flexibles o
bien de los controladores de automatización programables (PAC) [79]. Ya que en la actualidad se puede
pasar por alto la limitación computacional, la disyuntiva de realizar la optimización de parámetros en
un sistema autosintonizable de forma permanente o no, prácticamente ha desaparecido.
Una forma ilustrativa de reconocer el estado de la práctica del control autosintonizable, es mediante
la revisión de las patentes relacionadas (U.S. patents). En la Tabla 1.1 se presentan algunas patentes
de controladores autosintonizables presentadas expresamente por fabricantes de controladores [87], es
importante mencionar que varias de estas propuestas utilizan como estructura de control central un PID.

3
1. Introducción

Tabla 1.1. Algunas patentes de controladores autosintonizables


propuestas por fabricantes de controladores
Año Patente No. Asignación Tı́tulo
1983 4,368,510 Leeds & Northrup Company Automatic identification system for
self tuning process controller
1986 4,602,326 The Foxboro Company Pattern-recognizing self-tuning con-
troller
1987 4,669,040 Eurotherm Corporation Self-tuning controller
1988 4,758,943 Hightech Network AB Method and an apparatus for auto-
matically tuning a process regulator
1989 4,814,968 Fischer & Porter Company Self-tuning process controller
1989 4,881,160 Yokogawa Electric Corporation Self-tuning controller
1989 4,882,526 Kabushiki Kaisha Toshiba Adaptive process control system
1990 RE33267 The Foxboro Company Pattern-recognizing self-tuning con-
troller
1992 5,153,807 Hitachi Ltd. Self-tuning controller apparatus and
process control system
1992 5,170,341 Honeywell Inc, Adaptive controller in a process con-
trol system and a method therefor
1994 5,335,164 Universal Dynamics Limited Method and apparatus for adaptive
control
1994 5,355,305 Johnson Service Company Pattern recognition adaptive con-
troller
1995 5,394,322 The Foxboro Company Self-tuning controller that extracts
process
1995 5406474 The Foxboro Company Self-tuning controller
1996 5587896 The Foxboro Company Self-tuning controller
1997 5,687,077 Universal Dynamics Limited Method and apparatus for adaptive
control
2004 6,760,716 Fisher-Rosemount Systems, Inc. Adaptive predictive model in a pro-
cess control system
2006 7,024,253 Honeywell Inc. Auto-tuning controller using loop-
shaping

Las patentes presentadas en la Tabla 1.1, están relacionadas con productos de control destinados al
“propósito general”, ya sea como controladores de campo o software asociado. Es importante mencionar
que el hecho de que las patentes se concedieran, no implica necesariamente que la compañı́a involucrada
las explote comercialmente. En la Tabla 1.2 se presentan diferentes aplicaciones particulares del control
autosintonizable, y como puede apreciarse, sobresale el uso de este tipo de controladores en la industria
automotriz.
En relación a la estructura de control abordada en la tesis (y sobre la cual se propone una modificación),
se enumeran patentes vinculadas al control de varianza mı́nima generalizado (GMVC) en la Tabla 1.3.

4
1.3 Sistemas autosintonizables

Tabla 1.2. Algunas patentes relacionadas con el uso


de controladores autosintonizables para uso en aplicaciones particulares
Año Patente No Asignación Tı́tulo
1986 4,585,985 General Electric Company Method of real time operating point
identification and pole adjustment for
an induction motor drive system
1987 4,677,542 Deere & Company Self-tuning regulator implement con-
trol
1987 4,698,745 Kabushiki Kaisha Toshiba Process control apparatus for optimal
adaptation to a disturbance
1990 4,930,517 Massachusetts Institute of Technology Method and apparatus for physiologic
system identification
1992 5,135,186 Teijin Seiki Co., Ltd. Flutter control system for aircraft
wings
1994 5,347,446 Kabushiki Kaisha Toshiba Model predictive control apparatus
1997 5,692,485 Honda Motor Co. Feedback control system using adap-
tive control
2000 6,076,951 National University of Singapore Frequency-domain adaptive con-
troller
2000 6,125,831 Honda Motor Co. Control system for plants
2001 6,229,898 Sikorsky Aircraft Corporation Active vibration control system using
on-line system identification with en-
hanced noise reduction
2003 6,564,110 Sumitomo Heavy Industries, Ltd. Position controlling apparatus capa-
ble of reducing the effect of distur-
bance
2002 6,404,581 Voyan Technology Adaptation to unmeasured variables
2004 6,745,087 Tokyo Electron Limited Method for control of a plant
2004 6,773,374 Honda Motor Co. Brake negative pressure control appa-
ratus and method, and engine control
unit for internal combustion engine
2004 6,784,632 Kabushiki Kaisha Yaskawa Denki Positioning servo controller
2006 7,024,302 Honda Motor Co. Air-fuel ratio control system and
method for an internal combustion
engine, and engine control unit
2006 7,050,864 Honda Motor Co. Control system for a plant using iden-
tified model parameters

En el presente trabajo se aborda también la sintonización de controladores PID mediante la aplicación de


algoritmos genéticos; una patente relacionada al tema es la número 5,971,579 presentada por Samsung
Electronics Co. como “Unit and method for determining gains of a PID controller using genetic algorithm”
[87].

5
1. Introducción

Tabla 1.3. Patentes relacionadas con el GMVC


Año Patente No Asignación Tı́tulo
1995 5,418,858 Cooper Tire & Rubber Company Method and apparatus for intelligent
active and semi-active vibration control
1997 5,629,986 Cooper Tire & Rubber Company Method and apparatus for intelligent
active and semi-active vibration control
2000 6,122,557 Montell North America Inc. Non-linear model predictive control
method for controlling a gas-phase re-
actor including a rapid noise filter and
method therefor
2001 6,263,355 Montell North America Inc Non-linear model predictive control
method for controlling a gas-phase re-
actor including a rapid noise filter and
method therefor

1.4. Supervisión
Los primeros sistemas SCADA (Supervisory Control and Data Acquisition) que incorporaron HMI (Hu-
man Machine Interface) salieron al mercado a finales de la década de 1970 como una respuesta a la
demanda de supervisión en los procesos [76]. Con el avance tecnológico, los procesos fueron incremen-
tando también su nivel de complejidad y se hizo necesario el desarrollo de sistemas de vigilancia de
menor tamaño y con mayor eficiencia que los existentes. Los sistemas SCADA actuales, posibilitan al
operario acceder a las variables del proceso casi instantáneamente; sin importar, la distancia a la que
se encuentren. Un SCADA es una herramienta muy valiosa en el control de procesos, pues permite una
panorámica general del proceso, facilitando ası́, la toma de decisiones.
La supervisión es una tarea fundamental para darle certidumbre a la operación del proceso. La supervisión
puede ser activa; es decir, que puede llevarse a cabo de forma autónoma al operario; o pasiva, cuando el
sistema provee al operario con elementos de juicio para que este último tome las decisiones [53].
Si lo que se desea es alcanzar ciertos niveles de autonomı́a en el control de procesos, es fundamental
que los lazos de control sean confiables y la supervisión de estos lazos en diversos niveles, puede ser una
solución efectiva.
En particular, los controladores autosintonizables empleados en la industria han incorporado como ele-
mento necesario un lazo de supervisión en la operación del sistema. A principios de la década de 1980,
se despertó un gran interés en la aplicación industrial de diversas técnicas de control autosintonizables;
sin embargo, surgieron dificultades puesto que a los ojos de personal no especializado en el tema, el
comportamiento dinámico de un controlador autosintonizable se apreciaba extraño y en consecuencia
podı́a considerarse poco digno de confianza. En este clima de incertidumbre inicial algunos trabajos emi-
tieron recomendaciones sobre la implementación de controladores autosintonizables en la práctica [84].
Una solución propuesta por Isermann para proveer de confiabilidad a un control autosintonizable, fue
la anexión de un lazo de supervisión activo al control [39]. Dicha propuesta basaba su funcionamiento
en la detección de la violación de precondiciones, las cuales son aquellos requerimientos necesarios para
el adecuado funcionamiento del sistema. En [39], la supervisión se realiza en los tres puntos que según
el autor son los más sensibles de un control autosintonizable: desempeño del controlador, calidad de la
estimación y estabilidad del lazo cerrado. Isermann incluyó un módulo de arranque para el controlador
al cual denominó inicializador. La importancia del inicializador para controladores autosintonizables, se
ve remarcada en los trabajos de Lundh-Åström [46], y Hägglund-Åström [31], donde el inicializador es
considerado un subsistema del supervisor. En [31] y [46] se hace mención del módulo de supervisión que

6
1.5 El trabajo de tesis desarrollado

utiliza la serie ECA de controladores adaptables de campo, los cuales son fabricados por ABB. El super-
visor utilizado por la serie ECA, basa su funcionamiento en diversos desarrollos heurı́sticos asociados al
análisis de la respuesta a la frecuencia [30]. La señal de la que se obtiene la información en la serie ECA,
es la respuesta del proceso cuando se cierra el lazo con un relevador realimentado [32]. La inicialización
basada en el uso del relevador realimentado, encuentra su principal limitación en procesos donde algunos
o todos los polos del sistema se encuentran en el eje imaginario y/o en el semiplano derecho del lugar
geométrico de las raı́ces (LGR), pues en estas circunstancias no es posible garantizar la existencia de un
ciclo lı́mite [2], [34].

1.5. El trabajo de tesis desarrollado


Hallar la solución de algunas de las dificultades enumeradas en la sección 1.1, en particular aquellas que
pueden llegar a ser interpretadas desde la perspectiva del diseño del controlador, como perturbaciones
en los parámetros del modelo (envejecimiento del proceso, cambios ambientales drásticos ó alteración en
las propiedades de la materia prima por ejemplo), motivó el trabajo de investigación reportado en este
documento.
Además, tomando en cuenta dos de las demandas más significativas que hace la industria al control
adaptable: mayor confiabilidad y menor dependencia del diseñador, en el trabajo se incorporan propuestas
que dan peso a estas directivas.
A continuación se enumeran los objetivos y justificación del trabajo desarrollado.

1.5.1. Objetivos
Diseñar y construir un controlador autosintonizable, capaz de superar satisfactoriamente durante
su operación, perturbaciones en los parámetros de la planta.

Diseñar y construir un sistema de soporte al controlador autosintonizable, para expandir sus rangos
de confiabilidad y autonomı́a

1.5.2. Justificación
Actualmente hay poco control adaptable instalado en la industria, debido principalmente a su complejidad
implı́cita. El trabajo de tesis presentado, se justifica debido a que es una propuesta para simplificar la
operación y facilitar la implementación práctica de un controlador adaptable subóptimo.

1.5.3. La estructura de la propuesta de solución


El control autosintonizable utilizado, es una contribución del trabajo de tesis, resultado de una reestruc-
turación al algoritmo de control de varianza mı́nima generalizado (GMVC) propuesto por Clarke en
[19]. En esta tesis se presentan ambas estructuras con la finalidad de establecer las diferencias y resaltar
las cualidades del controlador propuesto, denominado controlador de varianza mı́nima generalizado con
asignación dinámica de polos (GMVDPAC).
El sistema de soporte, consiste de un procedimiento de inicialización que permite el arranque autónomo
del sistema y de un procedimiento de supervisión que monitorea el estado de las variables del proceso
cuando se realiza el control, reconfigurando el control adaptable cuando las condiciones son adecuadas
para corregir un funcionamiento insatisfactorio o sustituyéndolo por un controlador de respaldo si el
control adaptable no pudiera garantizar las condiciones mı́nimas de operación.
Los supervisores de controladores autosintonizables son un tema escaso en la literatura, debido a que
éstos, están vinculados en su mayor parte a aplicaciones comerciales; al respecto en [30] se comenta:“Los
detalles de las condiciones para adaptación usadas en los controladores adaptables normalmente no son

7
1. Introducción

publicadas, sólo los principios generales se dan en publicaciones abiertas”, mientras que en [5] donde se
discute el futuro del control PID se menciona: “La mayorı́a del conocimiento acerca del control PID ha
estado disponible por largo tiempo. Desafortunadamente éste está siendo enterrado en la información
propietaria de los proveedores”. Esta situación representó una motivación extra para el desarrollo de una
metodologı́a abierta para la construcción de controladores autosintonizables supervisados.
El desarrollo en general de la tesis puede dividirse en dos partes fundamentales: desarrollo del control
autosintonizable y construcción del sistema de soporte para el controlador. En el diagrama a bloques de
la Figura 1-1 se ilustra la estructura jerárquica del sistema desarrollado.

Figura 1-1: Estructura jerárquica del sistema desarrollado.

La etapa de control, a su vez consta de dos partes:

El control adaptable: Es el control principal del sistema y está constituido por un GMVDPAC [59],

El control de respaldo: El papel de este controlador es suplir al control adaptable en caso de


que éste presente un desempeño poco satisfactorio. Para cumplir con estas funciones de diseño se
construyó un PID genético directo [62], [63].

La etapa de inicialización es esencial para el funcionamiento autónomo del sistema, en el trabajo de tesis
se desarrolló un procedimiento de inicialización [64], que mediante la interpretación y manipulación de
ciertas variables medidas ajusta las siguientes condiciones de operación del sistema:

1. Estructura del modelo de estimación,

2. Parámetros de identificación iniciales,

3. Matriz de covarianza inicial,

4. Factor de olvido,

5. Detección y caracterización del retardo del sistema,

6. Diseño de asignación de polos,

7. Selección del periodo de muestreo,

8. Sintonización del control de respaldo.

8
1.5 El trabajo de tesis desarrollado

Por otro lado, con el módulo de supervisión se incrementa el nivel de confianza en la operación del
sistema, a través de la evaluación del desempeño del proceso y la toma de decisiones.
Las variables de supervisión contempladas por el sistema desarrollado son:

Estabilidad del lazo realimentado,

Identificabilidad del lazo retroalimentado,

Error de seguimiento a la referencia,

Respuesta del sistema ante cambios de carga.

1.5.4. Organización del documento

El presente documento se ha dividido en los siguientes capı́tulos:


Capı́tulo 2: Control Adaptable. En este capı́tulo, se revisan los fundamentos de las estructuras de control
autosintonizable en las que se basa el algoritmo desarrollado en la tesis, ası́ como la metodologı́a de
estimación utilizada. Se establecen también en este capı́tulo las bases del diseño por asignación de polos
usando el enfoque polinomial.
Capı́tulo 3: Control de Varianza Mı́nima Generalizado con Asignación Dinámica de Polos. En este capı́tulo
se presenta el algoritmo de control desarrollado en la tesis. Se presentan las principales diferencias con
respecto al algoritmo original y se analizan las mejoras ofrecidas por el GMVDPAC en cuanto a la
estabilidad y desempeño del sistema en lazo cerrado.
Capı́tulo 4: Sistema de soporte al controlador. En este capı́tulo, se presentan las estrategias desarrolladas
para dar soporte al controlador adaptable: procedimiento de inicialización, procedimiento de supervisión
y configuración del control de respaldo.
Capı́tulo 5: Resultados y Aplicaciones. En este capı́tulo, se reúnen pruebas realizadas tanto en simu-
lación como en aplicaciones prácticas del sistema desarrollado. Los resultados se presentan y se analizan
detalladamente en esta sección.
Capı́tulo 6: Conclusiones. En este capı́tulo, se exponen y analizan las contribuciones del trabajo de tesis.

9
1. Introducción

10
Capı́tulo 2

Control Adaptable

La idea central del control adaptable es modificar la ley de control, en función de posibles cambios
asociados al proceso, con el fin de obtener un desempeño homogéneo en presencia de dichos cambios.
Las estructuras de control adaptable son diversas [8]. En el presente capı́tulo se estudian algunos regu-
ladores autosintonizables (grupo al cual pertenece el controlador propuesto en esta tesis), a través de la
revisión de sus etapas esenciales: estimación, diseño del controlador y control.

2.1. Modelo del proceso continuo


El enfoque de los procesos que se consideran a lo largo del trabajo es lineal, especı́ficamente se usan
los modelos matemáticos de una entrada, una salida (SISO, por sus siglas en inglés), del tipo lineal e
invariante en el tiempo (LTI, por sus siglas en inglés) de tal forma se describe la ecuación diferencial de
orden n

y (n) (t) + a1 y n−1 (t) + ... + an y (t) = b0 u(m) + b1 u(m−1) (t) + bm u (t) (2.1)
∆ di ∆ di
donde y(i) (t) = y (t) , y u(i) (t) =
dti
u (t) ; u (t) es la variable asociada a la entrada del proceso,
dti
mientras y (t) es la variable asociada a la salida del proceso, los coeficientes ai , bj , i=1,2,...,n, j=0,1,...,m,
son constantes donde n y m son constantes enteros. Para obtener la función de transferencia del sistema
(2.1), se toman las transformadas de Laplace de ambos miembros de la ecuación (2.1) asumiéndose
condiciones iniciales cero,
¡ n ¢ ¡ ¢
s + a0 sn−1 + ... + an Y (s) = b0 sm + b1 sm−1 + ... + bm U (s) (2.2)
donde s es la variable de Laplace. La función de transferencia de (2.2) es definida entononces como:

∆ B (s) b0 sm + b1 sm−1 + ... + bm


G (s) = = n (2.3)
A (s) s + a1 sn−1 + ... + an
Considerando la ecuación (2.3) se tienen las siguientes definiciones

Definición 2.1 El polinomio caracterı́stico del sistema es el polinomio A (s) de la ecuación (2.3).

Definición 2.2 El polinomio caracterı́stico es mónico, ya que a0 = 1.

Definición 2.3 El polinomio caracterı́stico es Stodola si todos sus coeficientes son positivos definidos.

Definición 2.4 El polinomio caracterı́stico es Hurwitz si Re[s] < 0.

Definición 2.5 La ecuación 2.3 es propia si n ≥ m; estrictamente propia n > m y bipropia si n = m.

11
2. Control Adaptable

Definición 2.6 Se dice que dos polinomios A (s) y B (s) son coprimos si no tienen raı́ces comunes.

Definición 2.7 El orden del proceso es n.

El hecho de que A (s) y B (s) sean coprimos, es una caracterı́stica que cobra importancia desde diversos
ángulos en éste trabajo, pues por un lado define si hay cancelación entre polos y ceros, lo cual implica
repercusiones en cuanto a controlabilidad y/u observabilidad [15], ası́ como el posible impacto en la tarea
del modelado [13] y en los procesos de estimación paramétrica [85]. La caracterı́stica coprima puede
establecerse a partir del Lema 2.1.

Lema 2.1. (Identidad de Bezout). Dos polinomios A (s) y B (s) son coprimos si y sólo si, existen
polinomios α (s) y β (s) , tal que:

α (s) A (s) + β (s) B (s) = 1 (2.4)

demostración en [38].

2.2. Modelo del proceso discreto


En lo sucesivo, los modelos discretos presentados en el documento son el resultado del muestreo de la
función continua (2.3) con la ayuda de un retenedor de orden cero (ZOH, por sus siglas en inglés) de la
forma: ½ ¾
¡ −1
¢ G (s)
G (z) = 1 − z Z (2.5)
s
donde Z {·} representa la transformada Z de la función y G (z) es la función de transferencia discreta en
z. Se opta por esta forma de discretización puesto que guarda muchos puntos en común con la operación
de diversos sistemas de adquisición de datos, por su parte G (z) puede ser definido como:

B (z)
G (z) = (2.6)
A (z)

donde

A (z) = z n + a1 z n−1 + ... + an−1 z + an (2.7)

B (z) = b0 z m + b1 z m−1 + ... + bm−1 z + bm


Las definiciones 2.1, 2.2, 2.5, 2.6 y 2.7 prevalecen para el caso discreto.
.

2.3. El regulador autosintonizable (STR)


El regulador autosintonizable (STR por sus siglas en inglés) es una estructura de control adaptable de
modelo interno, ya sea que dicho modelo represente al proceso o al control de dicho proceso. En la Figura
2-1 se presenta un diagrama a bloques de un STR [8].

12
2.4 Estimación

Figura 2-1: Diagrama a bloques de un regulador autosintonizable.

El adjetivo de autosintonizable, enfatiza la propiedad que tienen estos controladores para sintonizar
automáticamente sus propios parámetros, para de ésta manera obtener las propiedades deseadas del
sistema en lazo cerrado.
En la Figura 2-1 pueden apreciarse claramente las etapas principales en un STR. La configuración de la
etapa de estimación determina el tipo de STR del que se hable; un STR explı́cito es aquel en el cual se
tiene un modelo interno del proceso a controlar y en el cual se estiman a partir de las señales del proceso,
los parámetros del modelo. El modelo estimado se emplea para un diseño de control, que como resultado
arroja los parámetros del controlador, que pueden dependiendo del diseño original, actualizarse con cada
muestreo o a partir de eventos definidos por el diseñador. Por su parte un STR implı́cito, involucra
una etapa de preprocesamiento de las señales de la planta para estimar directamente los parámetros
del control, es decir, el proceso de diseño del control subyace implı́cito en la etapa de estimación. En lo
referente a la etapa del diseño de control, se define por los requerimientos del sistema.
En las siguientes secciones se profundiza en cada etapa del control autosintonizable.

2.4. Estimación
Los mı́nimos cuadrados recursivos (RLS) con factor de olvido exponencial [8], fueron utilizados como
método de estimación en todas las estructuras de control adaptable a las que se hace referencia en este
trabajo.

2.4.1. Mı́nimos cuadrados


Los mı́nimos cuadrados son ampliamente utilizados en diversos problemas. La siguiente ecuación define
el modelo matemático del sistema que se desea estimar

y (i) = ϕ1 (i) θ01 + ϕ2 (i) θ02 + ... + ϕn (i) θ0n = ϕT (i) θ0 (2.8)

donde y en este caso es la variable observada, θ01 , θ02 , ..., θ 0n , son parámetros del modelo que ha de ser
determinado, y ϕ1 , ϕ2 , ..., ϕn son variables conocidas que pueden depender de otras variables conocidas.
Para (2.8) se definen los vectores
£ ¤
ϕT (i) = ϕ1 (i) ϕ2 (i) ... ϕn (i) (2.9)
£ ¤T
θ0 = θ01 θ02 ... θ0n

donde i puede denotar tiempo de un conjunto discreto.

13
2. Control Adaptable

El vector ϕ es usualmente denominado regresor. El problema de los mı́nimos cuadrados es determinar los
parámetros que hagan que la salida de (2.8), sea lo más cercana posible a la salida medida del sistema;
los parámetros θ deben elegirse para minimizar la función costo:

1P t ¡ ¢2
V (θ, t) = y (i) − ϕT (i) θ (2.10)
2 i=1

Debido a que la variable medida y es lineal en los parámetros θ y el criterio de los mı́nimos cuadrados es
cuadrático, el problema permite una solución analı́tica, teniendo:
£ ¤T
Y (t) = y (1) y (2) ... y (t) (2.11)
£ ¤T
Er (t) = ε (1) ε (2) ... ε (t)
 
ϕT (1)
·
Φ (t) =  : 
T
ϕ (t)
µ t ¶−1
£ T ¤−1 P T
Px (t) = Φ (t) Φ (t) = ϕ (i) ϕ (i)
i=1

donde los residuos ε (i) se definen por:

ε (i) = y (i) − ŷ (i) = y (i) − ϕT (i) θ (2.12)

de lo cual (2.10) puede reescribirse como:

1P t 1 1
V (θ, t) = ε2 (i) = ErT Er = kEr k2 (2.13)
2 i=1 2 2

donde E r puede ser escrito como:


Er = Y − Ŷ = Y − Φθ (2.14)
La solución del problema de los mı́nimos cuadrados esta dada por el Teorema 2.1.

Teorema 2.1. Estimación por mı́nimos cuadrados.

La función de la ecuación (2.10) es mı́nima para los parámetros θ̂, tal que:

ΦT Φθ̂ = ΦT Y (2.15)

si la matriz ΦT Φ es no singular, el mı́nimo es único y está dado por:


¡ ¢−1 T
θ̂ = ΦT Φ Φ Y (2.16)

demostración en [8].

2.4.2. Mı́nimos cuadrados recursivos


En los sistemas autosintonizables las observaciones son obtenidas secuencialmente en tiempo real; para
calcular la estimación de mı́nimos cuadrados, se pueden utilizar los resultados obtenidos en t − 1 ; para
obtener ası́, un estimado en el tiempo t. Los mı́nimos cuadrados recursivos son sintetizados en el Teorema
2.2.

14
2.4 Estimación

Teorema 2.2. Estimación por mı́nimos cuadrados recursivos.

Asuma que la matriz Φ (t) tiene rango completo, esto es ΦT (t) Φ (t) es no singular para todo t ≥ t0 . Dado
¡ ¢−1
θ̂ (t0 ) y Px (t0 ) = ΦT (t0 ) Φ (t0 ) , el estimado de mı́nimos cuadrados entonces satisface las ecuaciones
³ ´
θ̂ (t) = θ̂ (t − 1) + K (t) y (t) − ϕT (t) θ̂ (t − 1) (2.17)
¡ ¢−1
K (t) = Px (t) ϕ (t) = Px (t − 1) ϕ (t) I + ϕT (t) Px (t − 1) ϕ (t)
¡ ¢−1 T
Px (t) = Px (t − 1) − Px (t − 1) ϕ (t) I + ϕT (t) Px (t − 1) ϕ (t) ϕ (t) Px (t − 1)
¡ T
¢
= I − K (t) ϕ (t) Px (t − 1)

donde K(t) es la ganancia del estimador y sus componentes son factores de ponderación, que indican
cómo la correlación y el estimado previo pueden ser combinados. Demostración en [8].

2.4.3. Parámetros con variación en el tiempo


Los parámetros del sistema estimado podrı́an sufrir variaciones en los parámetros, provocando un incre-
mento desmesurado de la covarianza y de la ganancia del estimador. Una manera de evitarlo, es modificar
la función costo (2.13) como:
1P t ¡ ¢2
V (θ, t) = λt−i y (i) − ϕT (i) θ (2.18)
2 i=1
donde λ es un parámetro, tal que 0 < λ ≤ 1. El parámetro λ es llamado factor de olvido. En la ecuación
(2.18) los datos están siendo poderados por un operador. El dato más reciente está siendo ponderado
unitariamente, pero el dato que tiene una antigüedad de n unidades de tiempo, está siendo ponderado por
λn ; por lo tanto, el método es llamado olvido exponencial y es incluido en la ecuación (2.19), obteniéndose
el resultado [8].

Teorema 2.3. Estimación con mı́nimos cuadrados con factor de olvido exponencial.

Asuma que la matriz Φ (t), tiene rango completo para t > t0 . Los parámetros θ, los cuales minimizan la
ecuación (2.18), son dados por:
³ ´
θ̂ (t) = θ̂ (t − 1) − K (t) y (t) − ϕT θ̂ (t − 1) (2.19)
¡ ¢−1
K (t) = Px (t) ϕ (t) = Px (t − 1) ϕ (t) λI + ϕT Px (t − 1) ϕ (t)
¡ ¢
Px (t) = I − K (t) ϕT Px (t − 1) /λ

Demostración en [8].

2.4.4. Identificabilidad
La identificabilidad es una condición esencial, para establecer la confiabilidad en los parámetros de
estimación. El problema de la identificabilidad consiste en establecer si un único resultado de la estructura
de identificación concuerda con los valores verdaderos del sistema.
La matriz de covarianza guarda una relación fundamental con esta propiedad, ya que es necesario que
Px sea invertible como condición necesaria. En la práctica la no identificabilidad de los parámetros del
modelo se debe principalmente a la correlación de los elementos en el vector de datos, lo cual resulta en
la singularidad de la matriz de covarianza [56].
La identificabilidad para el caso SISO puede plantearse a partir del siguiente Teorema 2.4 [44].

15
2. Control Adaptable

Teorema 2.4. Considerando un modelo estructural dado correspondiente a:

B (q) C (q)
A (q) y (t) = u (t) + e (t) (2.20)
F (q) D (q)

con θ definido de (2.8), siendo los coeficientes de los polinomios involucrados. Los grados de los
polinomios son na , n b y ası́ sucesivamente. Esta estructura modelo es globalmente identificable en
θ̂, si y sólo si las siguientes condiciones prevalecen:

i No hay factores comunes a todo z na  (z) , znb B̂ (z) y znc Ĉ (z) ,

ii No hay factor común de znb B̂ (z) y znf F̂ (z) ,

iii No hay factor común de z nc Ĉ (z) y z nd D̂ (z) ,

iv Si na≥ 1, entonces no debe haber factor común de z nf F̂ (z) y z nd D̂ (z) ,

v Si nd≥ 1, entonces no debe haber factor común de z na  (z) y z nb B̂ (z) ,

vi Si nf ≥1 , entonces no debe haber factor común de z na  (z) y z nc Ĉ (z) .

Los polinomios testados corresponden a θ̂, demostración en [44].

Nota: Si puede establecerse la identificabilidad global, en consecuencia se puede establecer la identifica-


bilidad global robusta [45].
¡ ¢
Para la identificabilidad resulta necesario que el det Px−1 6= 0, [82].
La identificabilidad guarda una estrecha relación a su vez con la excitación persistente [8], [82].

2.4.5. Excitación persistente


La excitación persistente es un condicionante para alcanzar la identificabilidad. Considerando la matriz
 
cov (0) cov (1) ... cov (n − 1)
1  cov (1) cov (0) ... cov (n − 2) 
Covn = lı́m ΦT Φ = 
 · 
 (2.21)
t−→∞ t :
cov (n − 1) cov (n − 2) ... cov (0)

donde cov (k) son las covarianzas empı́ricas de la entrada, esto es

P
t
cov (k) = lı́m u (i) u (i − k) (2.22)
t−→∞i=1

Una señal u es llamada persistentemente excitada (PE) de orden n, si los lı́mites de (2.22) existen y si la
matriz covn dada por (2.21) por definición positiva.

Teorema 2.5. Señales persistentemente excitadoras

La señal u con la propiedad (2.22), es persistentemente excitadora de orden n, si y sólo si:

1 Pt
U = lı́m (A (q) u (K))2 > 0 (2.23)
t−→∞ t K=1

para todo polinomio diferente de 0 de grado n − 1 o menor. Demostración en [8].

16
2.4 Estimación

Del Teorema 2.5 se puede deducir que una delta de Dirac no es una excitación persistente, un escalón es
una excitación persistente de orden 1, una señal senoidal es una señal de excitación persistente de grado
2, mientras que una señal periódica con periodo n, es una excitación persistente de grado n [8].
La matriz ΦT Φ es conocida como la matriz de excitación, debido a su relación con el Teorema 2.5. ΦT Φ,
está relacionada con la identificabilidad debido a que para tener al menos una excitación persistente de
grado 1, se requiere que la matriz de excitación sea linealmente independiente.

2.4.6. Convergencia de la estimación


La convergencia en un algoritmo recursivo puede establecerse a partir de las siguientes propiedades [82]:

1. El desempeño del sistema es correcto al menos asintóticamente,

2. Los parámetros estimados del modelo convergen,

3. Los estimados convergen a los valores “correctos”.

Dichas propiedades de convergencia pueden enumerarse jerárquicamente como sigue:

(i) La propiedad 1 corresponde a la identificabilidad del sistema y es esencial para alcanzar los objetivos
de control. Es importante notar que la propiedad 1 no implica que la propiedad 2 sea cierta (o
viceversa),

(ii) La propiedad 3 corresponde a la identificabilidad de parámetros (o consistencia). Note que la


propiedad 1 no implica que la propiedad 3 sea cierta,

(iii) La propiedad 3 es sólo significativa, si el modelo es estructuralmente consistente con el sistema


controlado. Entonces la propiedad 3 implica que las propiedades 1 y 2 son válidas.

Puede añadirse que un algoritmo de identificación es robustamente convergente si [45]:


° °
° °
lı́m lı́m °ĜN − G0 ° = 0 (2.24)
δ−→0N→∞

|v (t)| ≤ δ∀t (2.25)


donde G0 es el sistema “verdadero”, ĜN es el modelo identificado para N datos-puntos, y v (t) es una
perturbación acotada.

2.4.7. La deriva paramétrica


El problema de la deriva paramétrica fue expuesto por Rohrs et al. en [72] y describe la posibilidad de
que una estructura de control adaptable (cualquiera que ésta fuese) pueda volverse inestable ante alguna
de las siguientes situaciones:

Referencias senoidales a frecuencias especı́ficas,

Perturbarciones en la salida de forma senoidal a cualquier frecuencia.

Rohrs et al. mostró en [72], la existencia de dos operadores que son inherentes al mecanismo de adaptación
a casi todas las estructuras de control adaptable. Según Rohrs estos operadores tienen ganancia infinita, lo
cual desemboca en los casos de inestabilidad antes mencionados. La principal implicación de este problema
es que la excitación persistente no garantiza la estabilidad en el lazo adaptable. Cabe mencionar que el

17
2. Control Adaptable

fenómeno de la deriva paramétrica no necesariamente se hace evidente al corto plazo de la ejecución


del control, pues algunos algoritmos no manifiestan una forma “explosiva” de dicho fenómeno [42], esta
variante de la deriva parámetrica puede ser incluso más riesgosa que la forma “explosiva”, ya que el lazo
de control puede fallar en el momento menos esperado.
Si bien, no se puede negar que el problema de la deriva parámetrica establece fronteras estrictas al uso
del control adaptable, también es cierto que existen factores en la práctica que minimizan la posibilidad
de que ésta ocurra. En particular, en el control de procesos es prácticamente innecesario el uso de
referencias senoidales de alta frecuencia. Con respecto a las perturbaciones senoidales a la salida del
proceso, éstas pueden provenir en algunos casos de filtraciones de señales de sistemas de comunicación
inalámbricos, o incluso de la lı́nea de alimentación a la lı́nea de transmisión cuando ésta es analógica
(4-20mA), o bien hı́brida (señales senoidales de alta frecuencia y diferente amplitud son montadas en la
señal analógica para representar la información binaria, tal como es el caso del protocolo HART [65]). Sin
embargo, en la actualidad los protocolos de comunicación de mayor uso emplean exclusivamente señales
digitales, lo cual les vuelve inmunes a las perturbaciones; puesto que los paquetes de información digital
no pueden ser corrompidos [66]. Aunque el uso de protocolos de comunicación enteramente digitales
previene el problema de perturbaciones senoidales; por lo menos en cuanto a la transmisión se refiere, las
perturbaciones senoidales también pueden gestarse como dinámicas aisladas en el actuador. Un problema
muy grave en la industria es precisamente la fricción estática en las válvulas, la cual puede llevar a las
mismas a alcanzar una oscilación sostenida [78], y ya que usualmente los procesos están interconectados
por lazos cascada, controles de relación o prealimentaciones, las oscilaciones pueden llegar a propagarse
a lo largo del proceso de formas muy complejas. Dichas oscilaciones son, sin duda, un peligro para la
estabilidad de un control adaptable (y para el desempeño de otras estructuras de control), por lo que
si se usa un control adaptable y se detectan oscilaciones en el proceso, lo aconsejable es pasar a otro
modo de control que represente un menor riesgo para la operación del sistema. En el caso particular del
controlador ECA 600 de ABB cuando éste detecta oscilaciones en el proceso, mientras él ejecuta el modo
adaptable, apaga de forma automática el proceso de adaptación [29].
Lo más conveniente, en caso de estar en presencia de oscilaciones provenientes de los actuadores, es
detectar el origen y actuar en consecuencia, ya que esto puede deteriorar la calidad del producto inde-
pendientemente de la estructura de control que se use. Si después de detectar la fuente de oscilación, el
problema no puede ser solucionado de origen, el controlador adaptable podrı́a volver a escena, reforzado
por un procedimiento para contrarrestar el problema, por ejemplo, mediante la cancelación activa del
ruido [74].

2.5. La asignación de polos


El control por asignación de polos es una de las estrategias más usuales en el control de sistemas lineales.
Cuando un proceso puede ser modelado representativamente con una estructura lineal, la asignación
de polos puede brindar muchas ventajas, pues es una estrategia maleable, que permite proveer de un
conjunto de caracterı́sticas deseadas a un lazo cerrado. De hecho, la operación de cualquier controlador
lineal puede apreciarse como un proceso de asignación de polos, con ciertas limitaciones estructurales. En
particular se habla de diseño de controladores por asignación de polos, cuando explı́citamente se diseña
un controlador para lograr que las raı́ces de un proceso estén en lugares o zonas del lugar geométrico de
las raı́ces al cerrarse el lazo.
El diseño de controladores por asignación de polos, es una herramienta flexible; sin embargo, hay dos
puntos que dificultan su implementación en aplicaciones: se requiere de una adecuada selección de la
estructura del modelo, más una correcta identificación de parámetros; además, se requiere de cierto
conocimiento y experiencia para decidir dónde ubicar los polos en función de un comportamiento dinámico
deseado. Lo que puede volver al proceso de ubicar polos en lazo cerrado una tarea demandante, es el
proceso de incorporar las consideraciones de diseño el comportamiento de los sensores y actuadores,

18
2.5 La asignación de polos

además de los propios lı́mites operativos del proceso. A diferencia del control PID, que opera a través de
una minimización del error, el diseño por asignación de polos depende de una adecuada “parametrización”;
además, si las condiciones de operación del proceso fueran afectadas por una perturbación de parámetros,
el desempeño del sistema en lazo cerrado podrı́a verse afectado. Debido a lo anterior la asignación de
polos como estrategia, puede fortalecerse cuando se le utiliza dentro de una estructura control adaptable.
En la literatura se exponen varias formas de realizar la asignación de polos [57]. Considerando el manejo
de funciones de transferencia, la ubicación de polos por enfoque polinomial es la alternativa más adecuada.
Considerando la ecuación (2.6) definimos el polinomio de asignación de polos como:

D (z) = d0 z 2n−1 + d1 z 2n−2 + ... + d2n−2 z + d2n−1 (2.26)

Donde D (z) es un polinomio de grado 2n − 1, con todas sus raı́ces dentro del cı́rculo unitario.
La identidad de Bezout, descrita en el Lema 2.1, cuenta con un número infinito de soluciones [38]. Por
otro lado, si en lugar de tener una solución unitaria se opta por una solución de la forma (2.26), se tiene:

α (z) A (z) + β (z) B (z) = D (z) (2.27)

La ecuación (2.27) es conocida como la ecuación Diofantina donde los polinomios α (z) y β (z) se definen
como:

α (z) = α0 z n−1 + α1 z n−2 + ... + αn−2 z + αn−1 (2.28)


n−1 n−2
β (z) = β 0 z + β1z + ... + β n−2 z + β n−1

El número de soluciones para (2.27) es ahora finito. Una forma sistemática y confiable para hallar la
solución a la ecuación (2.27), es mediante el planteamiento y solución de la matriz de Sylvester, la cual
tiene una dimensión de 2n x 2n. Sea la matriz de Sylvester E:
 
an 0 ... 0 bn 0 ... 0
 an−1 an ... 0 bn−1 bn ... 0 
 · · 
 : an−1 ... 0 : bn−1 ... 0 
 
 · · · · 
 a1 : : b1 : : 
∆  
E= 1 a1 ... an b0 b1 ... bn  (2.29)
 
 0 1 ... an−1 0 b0 ... bn−1 
 · · · · · · 
 : : : : : : 
 
 0 0 ... a1 0 0 ... b1 
0 0 ... 1 0 0 ... b0

Teorema 2.6. (Teorema de Sylvester): dos polinomios A (z) y B (z) son coprimos, si y sólo si su matriz
de Sylvester E es no singular, prueba en [38].

Del Teorema 2.6, se puede decir que la matriz de Sylvester tiene una solución única para un polinomio
dado D (z) cuando A (z) y B (z) son coprimos, por lo que se hace hincapié en lo siguiente:

Si se desea llevar a cabo una asignación de polos efectiva, se requiere que el modelo identificado
esté correctamente dimensionado,

Cuando se utiliza la matriz de Sylvester como forma de solución de (2.27), para realizar un control
por asignación de polos, es fundamental para lograr dicha asignación que los polinomios A (z) y
B (z) sean coprimos y que además el polinomio de asignación de polos tenga un orden máximo de
2n − 1 (ver ecuación (2.25)) y sea lineal e invariante en el tiempo.

19
2. Control Adaptable

Precisamente para lograr la solución de la matriz de Sylvester, se requiere el planteamiento del vector de
asignación D como:
 
d2n−1
 d2n−2 
 · 
D=  : 
 (2.30)
 d1 
d0
y el vector de solución denominado M como:
 
αn−1
 αn−2 
 
 ·
: 
 
 
 α0 
M =  (2.31)
 β n−1 
 
 β n−2 
 · 
 : 
β0

Entonces los coeficientes α0 , α1 , ... αn−1 y β 0 , β 1 , ..., β n−1 se pueden determinar a partir de:

M = E −1 D (2.32)

El control por ubicación de polos, puede relacionarse con la ecuación (2.27) a través del diagrama a
bloques que se muestra en la Figura 2-2.

Figura 2-2: Diagrama a bloques de un controladore por ubicación de polos.

El denominador de la reducción del lazo de realimentación en la Figura 2-2 es equivalente a la ecuación


(2.27), por su parte K0 , es una ganancia prealimentada usada para ajustar la ganancia del sistema en
lazo cerrado. K0 se deriva del teorema del valor final en su caso discreto como:
³ ´
lı́m (D (z))
z→1
K0 = ³ ´³ ´ (2.33)
lı́m α (z) lı́m B (z)
z→1 z→1

El polinomio de asignación puede descomponerse de diversas formas con diferentes propósitos, como por
ejemplo:
D (z) = DA (z) DB (z) (2.34)
El desempeño del controlador representado en la Figura 2-2 puede degradarse en la presencia de ceros,
sobre todo, si están cerca del origen en el lugar geométrico de las raı́ces (LGR). La ecuación (2.34)

20
2.5 La asignación de polos

puede configurarse en algunos casos para lograr la cancelación de ceros [33], si el diseñador evalúa que
es conveniente en presencia de perturbación en los parámetros. Este método no se recomienda cuando
existen ceros en el origen [17], aunque dada situación es inusual en procesos industriales.

Ejemplo 2.1. Suponga el proceso representado por la función de transferencia continua:


1
G1 (s) = (2.35)
s2 + 0.3s + 1

considerando que el sobreimpulso máximo (Mp ) , es descrito por:


√ 2
Mp ≈ e−πξ/ 1−ξ , 0 ≤ ξ < 1 (2.36)

donde ξ es el coeficiente de amortiguamiento y el tiempo de establecimiento (ts) es definido en [26] como:


4.6
ts = (2.37)
ξω n

ω n es la frecuencia natural no amortiguada del sistema.

De (2.36) y (2.37), se tiene el sobreimpulso máximo M p = 62 %, mientras que el tiempo de establecimiento


es ts =30.66. En [26] se recomienda como criterio de selección del periodo de muestreo h, que éste sea al
menos 20 veces el ancho de banda del sistema en lazo cerrado, ya que en los sistemas de segundo orden,
éste es aproximadamente igual a la frecuencia natural, que para éste caso es de 1 rad/seg o 0.16 Hz, por
lo que se opta por muestrear (2.35) a 3.2 Hz, de tal forma al aplicar un ZOH se tiene:

0.04696z + 0.04551
G1 (z) = (2.38)
z 2 − 1.818z + 0.9105

Para este ejemplo, se desea que al cerrar el lazo el sistema sea 30 % más rápido que en lazo abierto y no
supere el 20 % de sobreimpulso, por lo que la asignación de polos se propone como:

D (z) = z 2 − 1.855z + 0.8747 (2.39)

En la Figura 2-3 se presenta un comparativo entre la respuesta al escalón del sistema en lazo abierto y
el sistema deseado en lazo cerrado.

Con (2.38), se procede a formar la matriz de Sylvester

 
0.9105 0 0.0455 0
 -1.818 0.9105 0.0469 0.0455 
E=

 (2.40)
1 -1.818 0 0.0469 
0 1 0 0

Nota: En la ecuación (2.40) se presentan los datos truncados por cuestiones de espacio.

21
2. Control Adaptable

Figura 2-3: Respuesta al escalón del sistema en lazo abierto y del sistema en lazo cerrado deseado

Considerando (2.39) los polinomios α (z) y β (z) están dados por:

 
0.999
 0 
M =
 −0.785 
 (2.41)
0.003126

De tal forma, el lazo cerrado de realimentación en la Figura 2-2 está dado por:

α (z) 0.003126z − 0.785


= (2.42)
β (z) 0.999

La ecuación (2.42) es una función de transferencia impropia; sin embargo, cuando se obtiene el lazo
cerrado:

α (z) β (z)
GLC (z) = (2.43)
α (z) A (z) + β (z) B (z)

(2.43) es propio.
Finalmente para lograr el seguimiento a la referencia, la ganancia se obtiene de (2.33) como:

K0 = 0.217978

En la Figura 2-4 se presenta la respuesta al escalón del proceso (2.38) cuando se aplica el esquema
representado en la Figura 2-2, con la referencia unitaria.

22
2.6 Diseño de la asignación de polos

Figura 2-4: Sistema Controlado.

2.6. Diseño de la asignación de polos


Una labor importante es el diseño del polinomio de asignación de polos. Esta tarea involucra tanto
aspectos teóricos como consideraciones prácticas.
Si se utiliza como método de asignación de polos el enfoque polinomial, aplicando la matriz de Sylvester,
de (2.26) se tiene que el orden del polinomio D es nD ≤ 2n − 1, por lo que suponiendo que el proceso en
lazo abierto sea de primer, segundo o tercer orden, nD podrá tener como orden máximo primero, tercero
y quinto orden respectivamente. Cuando el sistema en lazo abierto es de primer orden y se usa la solución
de matriz de Sylvester, nD = n es la única alternativa posible. De tal forma que D tiene la forma:

D (z) = d0 z + d1 (2.44)
Debido a que (2.44) tiene una sola raı́z, puede suponerse que estará dentro del cı́rculo unitario y que su
posición deberá permitir una respuesta dinámica más rápida que en lazo abierto, en la mayorı́a de las
aplicaciones. La decisión de en qué proporción deberá hacerse más rápida la respuesta en lazo cerrado
depende de las necesidades de control.
Considere la ecuación caracterı́stica continua que define al proceso a controlar como:

A (s) = τ s + 1 (2.45)
donde τ es la constante de tiempo del sistema, mientras que el polinomio de asignación de polos continuo
se define a su vez como la relación de (2.46)

D (s) = τ d s + 1 (2.46)

donde τ d es la constante de tiempo deseada, y se elige a partir de:

τ d = KD τ (2.47)

23
2. Control Adaptable

KD es una ganancia menor a la unidad, utilizada para elegir una constante de tiempo para el sistema
en lazo cerrado, usando como referencia la constante de tiempo en lazo abierto. Mientras menor sea la
ponderación KD , mayor será el esfuerzo de control definido por la integral en el tiempo del cuadrado de
la entrada de control
Z t
Ef = u2 dt (2.48)
0
Con el fin de discretizar (2.46) y alcanzar la forma (2.44), se utiliza un mapeo directo de polos de la
forma:

z = esh (2.49)
Por su parte el caso discreto (2.48) puede aproximarse como:
w
X
Ef = u2 (t) (2.50)
t=1

donde w, es el número de muestreos para una medición dada. El esfuerzo de control guarda una relación
directa con las capacidades y el tiempo de vida de los actuadores, por lo que debe ser contemplado
durante el diseño de la asignación de polos.

Ejemplo 2.2. Suponga que para el proceso, cuyo modelo es la función de transferencia de primer orden
1
G (s) = (2.51)
s+1

se diseña un control por asignación de polos para lograr diversas constantes de tiempo en lazo cerrado,
cuando h=0.05 segundos como se muestra en la Figura 2-5.
En la Figura 2-6 se presenta la señal de control para cada valor diferente τ d . Como se puede observar en
la Figura 2-6, a medida que se impone una mayor velocidad de respuesta al desempeño en lazo cerrado,
mayor será la amplitud inicial de la señal de control.

24
2.6 Diseño de la asignación de polos

Figura 2-5: Respuestas en lazo cerrado del sistema controlado, para diferentes constantes de tiempo deseadas.

Figura 2-6: Diferentes señales de control u para diferentes constantes de tiempo deseadas.

En la Figura 2-7a), se grafica el máximo valor de la señal de control contra el τ d relacionado, como se
puede observar, la relación obedece a un envolvente exponencial. La Figura 2-7a), guarda una relación
con el máximo rango de operación del actuador, mientras que en la Figura 2-7b) se presenta el esfuerzo
de control descrito en la ecuación (2.50) para ω =100 muestreos, lo cual guarda relación con el tiempo
de vida del mismo actuador

25
2. Control Adaptable

Figura 2-7: a) Máxima señal de control contra constante de tiempo deseada, b) Esfuerzo de control contra constante
de tiempo deseada.

De lo expuesto en el Ejemplo 2.2, se observa la necesidad de establecer un vı́nculo entre la elección de


KD y las limitaciones fı́sicas del actuador.
¤
Cuando la asignación de polos deseada es de segundo orden y se considera la siguiente ecuación carac-
terı́stica del proceso en lazo abierto,

A (s) = s2 + 2ξω n s + ω 2n (2.52)

donde ξ es el coeficiente de amortiguamiento y ω n es la frecuencia natural no amortiguada, se propone


el polinomio de asignación deseada de polos como:

D (s) = s2 + 2ξ d ω nd s + ω 2nd (2.53)

en este caso ξ d es el coeficiente de amortiguamiento deseado y ωnd es la frecuencia natural no amortiguada


deseada. La forma más conveniente para proponer los coeficientes de la ecuación (2.53) es en función de
una respuesta dinámica deseada. Considerando las ecuaciones (2.36) y (2.37) es importante decir que
aunque uno podrı́a elegir un Mp y un ts para la respuesta en lazo cerrado de forma arbitraria, es más
conveniente considerar la respuesta del sistema en lazo abierto (2.52) para el diseño de (2.53), de tal
forma:

Mpd = K1 Mp y tsd = K2 ts (2.54)


donde Mpd y tsd son las caracterı́sticas dinámicas de (2.53), mientras K1 y K2 son ganancias que deben
elegirse de acuerdo a las capacidades reales del sistema, lo que explica que (2.54) sea función de la
respuesta dinámica del sistema en lazo abierto. En cuanto a la elección de dichas ganancias hay que
agregar, que aunque serı́a deseable que el sistema en lazo cerrado fuera muy rápido y tuviera poco
sobreimpulso, esto tiene implicaciones en el otro lado de la balanza significando un mayor esfuerzo y
mayor sobreimpulso en la señal de control.
Una vez definidos Mpd y tsd los coeficientes de (2.53) se calculan a partir de:

26
2.6 Diseño de la asignación de polos

s
(ln (Mpd ))2
ξd = (2.55)
π 2 + (ln (Mpd ))2
y de:
4,6
ω nd = (2.56)
ξ d tsd
Después que (2.53) ha sido definido, se le discretiza por mapeo usando (2.49), o si se tiene completamente
definida una función de transferencia deseada, a través del uso de un ZOH.
Con lo que se obtiene la asignación discreta de polos de la forma:

D (z) = d0 z 2 + d1 z + d2 (2.57)
Finalmente cuando la asignación deseada de polos es de tercer orden se propone el polinomio:
¡ ¢
D (s) = s2 + 2ξ d ω nd s + ω 2nd (s + pe ) (2.58)
Como puede observarse (2.58) conserva relación con (2.53). Si se desea obtener la mı́nima afectación
dinámica dispuesta por ξ d y ω nd , pe debe elegirse el semiplano izquierdo, lejano al eje imaginario. La
elección de pe es un compromiso entre la dinámica deseada y el esfuerzo de control, puesto que a medida
que pe se aleja del eje, el esfuerzo de control crece.

Ejemplo 2.3. Suponga el sistema de tercer orden que representa el modelo lineal de tres reactores
acoplados descrito en [47]:
0.125
G (s) = 3 (2.59)
s + 3s2 + 3s + 1
suponga que se desea una respuesta más rápida que en lazo abierto sin superar un sobreimpulso máximo
aproximado del 10 %, por lo que se propone:

D (s) = s3 + 89.13s2 + 154.9s + 190.9 (2.60)

El polinomio tiene dos polos complejos en -0.8738±1.192i y un polo en -87.38 ubicado 100 veces más lejos
del eje imaginario que el componente real de los polos complejos conjugados, con la finalidad de que este
polo tenga la menor influencia dinámica posible.
Discretizando (2.59) utilizando un ZOH a 20 Hertz se tiene que

2.508x10−6 z 2 + 9.665x10−6 z + 2.327x10−6


G (z) = (2.61)
z 3 − 2.854z 2 + 2.715z − 0.8607
mientras que al aplicar las mismas condiciones de discretización a (2.60), se tiene:

D (z) = z 3 − 1.924z 2 + 0.9405z − 0.0116 (2.62)

En la Figura 2-8a) se observa que al aplicar el control por la ubicación de polos, para (2.62) en la respuesta
dinámica, hay un sobreimpulso negativo. Otra propuesta de ubicación de polos alterna se define como:

D (s) = s3 +4.26s2 +6.0492s+2.863288 (2.63)


el cual es crı́ticamente amortiguado con tres polos en -1.42, lo que permite que la respuesta en lazo
cerrado sea 30 % más rápida que en lazo abierto. El equivalente discreto de (2.63) está dado por:

D (z) = z 3 -2.794z 2 +2.603z-0.8082 (2.64)

27
2. Control Adaptable

como puede observarse en la Figura 2-8b), el lazo cerrado para (2.64) no tiene sobreimpulso negativo.

Figura 2-8: Control por asignación de polos para 2.59.

Alternativamente puede realizarse una asignación de segundo orden con las caracterı́sticas dinámicas
equivalentes, como por ejemplo:
D (z) = z 2 − 1.9111z − 0.9163 (2.65)
Evitando ası́, el sobreimpulso negativo al elegir la ubicación de polos de segundo orden descrita por la
ecuación (2.63).
De lo observado en el Ejemplo 2.3, hay que recalcar la importancia de la elección del polinomio D(z)
cuando n D = 3.
¤

2.7. Controlador autosintonizable por asignación de polos (Wellstead)


El controlador autosintonizable por asignación de polos (STPAC) usa una estrategia de control basada en
el diseño por asignación de polos, descrita en la sección 2.5 y 2.6. La estructura de control representada
en la Figura 2-2, puede ser la misma para un STPAC, cuando el bloque del diseño del controlador es
ocupado por una sı́ntesis de asignación de polos. Existen algunas variaciones de la estructura original del
STPAC [7]; en particular, aquı́ se presenta la propuesta de Wellstead [81]. El STPAC es una estructura
estocástica, por lo cual establecemos el sistema descrito por el modelo CARMA (por sus siglas en inglés):

Ay (t) = z −k Bu (t) + Ce (t) (2.66)


donde A, B y C son polinomios en z, A es mónico y coprimo en relación a B, k representa el retardo del
sistema en instantes de tiempo, mientras e (t) se asume como una secuencia aleatoria no correlacionada
de media 0. Para esta estrategia de control se considera que las raı́ces de A y B pueden quedar fuera del
cı́rculo unitario; es decir, la planta puede ser inestable (raı́ces de A fuera del cı́rculo) o de fase no mı́nima
(raı́ces de B fuera del cı́rculo). En todos los casos las raı́ces de C se asumen estrictamente dentro del
cı́rculo unitario.

28
2.7 Controlador autosintonizable por asignación de polos (Wellstead)

Ya que se desea lograr que la salida de la planta siga una referencia dada, dentro de un esquema de
asignación de polos, los polinomios de control designados en este caso como H, G y E requieren ser
diseñados. En la Figura 2-9 se presenta un diagrama que incorpora la estructura adaptable completa
(considerando la etapa de identificación) para el STPAC.

Figura 2-9: Esquema adaptable para el STPAC.

En la Figura 2.9 puede apreciarse la ley de control como la ecuación:

Hu (t) = Er (t) − Gy (t) (2.67)

Al cerrarse el lazo de control la ecuación caracterı́stica que define al STPAC es:

HA + z −k BG (2.68)

En el caso del STPAC la asignación deseada de polos es definida por el polinomio T (en sustitución de
D para el caso adaptable).
Cuando k = 1, la ecuación (2.66) toma la siguiente forma:

Ay (t) = z −1 Bu (t) + Ce (t) (2.69)

Combinando el controlador definido por la ecuación (2.67) con la ecuación del proceso (2.69), se tiene:

(HA + BG) y (t) = z −1 BEr (t) + CHe (t) (2.70)

Si se desea que el lazo cerrado tenga un comportamiento asociado a la posición de polos definida por T ,
se requiere resolver la identidad polinomial:

HA + z −1 BG = T C (2.71)

donde los polinomios H, G y E están definidos por:

H = 1 + h1 z −1 + ... + hnh z −nh (2.72)


−1 −ng
G = g0 + g1 z + ... + gng z
−1
E = e0 + e1 z + ... + ene z −ne

29
2. Control Adaptable

Para lograr una solución única para (2.71) es necesario que nh y ng se elijan como:

nh = nb (2.73)
ng = na − 1

Sabiendo que A y B son coprimos


nt ≤ na + nb − nc (2.74)
Cuando se inserta la ecuación (2.71) en la ecuación (2.70), se tiene :

EB H
y (t) = r (t − 1) + e (t) (2.75)
TC T
El precompensador E se elige para alcanzar un ajuste con la ganancia de baja frecuencia del sistema,
mediante la aplicación del teorema del valor final (ver ecuación (2.33))
· ¸
T
E=C (2.76)
B z=1

Finalmente el STPAC puede sintetizarse en el siguiente algoritmo:

Algoritmo 2.1. STPAC.

En cada periodo de muestreo:


Paso 1: Utilizando RLS estimar Â, B̂, Ĉ, de (2.66)
Paso 2: Sintetizar los polinomios de control de:

ÂĤ + z −1 B̂ Ĝ = ĈT

T (1)
Ĥ = Ĉ
B̂ (1)
Paso 3: Generar la salida de control u (t) de:

Ĥu (t) = Êr (t) − Ĝy (t)

Paso 4: Esperar a que termine el periodo de muestreo y retornar al paso 1.

En el caso donde existen ceros fuera del cı́rculo unitario; es decir, cuando el sistema es de fase no mı́nima
se procede a resolver la ecuación identidad bajo la siguiente modificación

HA + z −1 BG = CT B + (2.77)

donde B = B + B − y B + contiene los modos estables inversos de B.

Estrictamente hablando el STPAC es un controlador autosintonizable, ya que cumple la propiedad au-


tosintonizable [82]. A continuación se bosqueja dicha propiedad.
Considere el sistema:
A0 y (t) = z −1 B0 + C0 e (t) (2.78)
En la notación usual, donde los coeficientes polinomiales son desconocidos. Un algoritmo autosintonizable
con asignación de polos para regulación se implanta a partir de una estimación RLS de A y B que son
coeficientes en el modelo:
Ay (t) = z −1 B + X ê (t) (2.79)

30
2.8 El control de varianza mı́nima generalizado (Clarke)

donde X es un polinomio conocido con inversa estable y los grados de A, B son nα , y nβ respectivamente
(nα 6= 0) .
Dados los estimadores Â, B̂ en el tiempo t, el control u (t) generado de:

Ĥu (t) + Ĝy (t) = 0 (2.80)

ÂĤ + z −1 B̂ Ĝ = XT (2.81)
si
Ĥ → H y Ĝ → G asintóticamente
la propiedad de autosintonı́a prevalece si H y G satisfacen la identidad:

A0 H + z −1 B0 G = C0 T (2.82)

En [82] se presentan un conjunto de condiciones suficientes para satisfacer a (2.82) en todos los puntos
de convergencia.

2.8. El control de varianza mı́nima generalizado (Clarke)


La principal debilidad del controlador de varianza mı́nima (MVC), propuesto por Åström y Wittenmark
[6], es la incapacidad de afrontar el control de sistemas de fase no mı́nima. Con la intención de superar
esta inconveniencia, Clarke y Gawthrop propusieron el control de varianza mı́nima generalizado (GMVC)
[19], [20] el cual contempla la inclusión de una salida auxiliar que no sólo toma en cuenta la salida del
sistema, sino que también incorpora a la referencia y a la señal de control. Entre otras propiedades el
GMVC permite al diseñador definir diversos perfiles en el desempeño, mediante la elección adecuada de
un criterio de optimalidad, el cual se expresa a través de la función de salida generalizada

φ (t + k) = P y (t + k) + Qu (t) − Rr (t) (2.83)

donde P, Q y R son los denominados polinomios costo, utilizados para modificar el desempeño del control.
La labor de los polinomios costo es filtrar la referencia, el control y la salida. Esta realimentación permite
rehubicar las raı́ces en lazo abierto de B a la ubicación de las raı́ces de PB+QA, ya que sustituyendo la
ecuación del sistema en (2.83), se obtiene :

P B + QA PC
φ (t + k) = u (t) + e (t + k) − Rr (t) (2.84)
A A
La función costo a ser minimizada es la varianza de la salida generalizada:
£ ¤
J = Ex φ2 (t + k) (2.85)

En la ecuación (2.83) puede observarse que en un tiempo t, Qu (t) y Rr (t) , pueden conocerse; por otro
lado P y (t + k) está desplazado en el tiempo al igual que la propia salida generalizada, por lo que la
ecuación (2.85) puede dividirse en dos secciones: la primera está relacionada a la acción de control y la
segunda a la perturbación, tal que:
PC G
e (t + k) = F e (t + k) + e (t) (2.86)
A A
donde el polinomio F es relativo a la perturbación futura y la relación G/A relativa a las perturbaciones

31
2. Control Adaptable

presentes y pasadas. A partir de (2.86), se tiene la identidad:

P C = F A + z −k G (2.87)

si P es mónico,

F = 1 + f1 z −1 + ... + fk−1 z −(k−1) (2.88)


−1 −ng
G = g0 + g1 z + ... + gng z
ng = máx (na − 1, np + nc − k)

multiplicando F por la ecuación:

Ay (t + k) = Bu (t) + Ce (t + k) (2.89)

y sustituyendo FA de (2.87),

P Cy (t + k) = BF u (t) + Gy (t) + CF e (t + k) (2.90)

adicionando CQu (t) − CRr (t) a ambos lados se tiene:

C [P y (t + k) + Qu (t) − Rr (t)] = (BF + QC) u (t) + Gy (t) − CRr (t) + CF e (t + k) (2.91)

lo cual puede factorizarse como:


1
φ (t + k) = [(BF + QC) u (t) + Gy (t) − CRr (t)] + CF e (t + k) (2.92)
C

La función costo minimiza el primer término del lado derecho de la ecuación a 0. El GMVC está dado
por:
(BF + QC) u (t) = −Gy (t) + CRr (t) (2.93)

o bien,
Hu (t) + Gy (t) + Er (t) = 0 (2.94)

donde:

H = BF + QC
E = −CR

cuando la ley de control (2.94) es aplicada al proceso, se tiene que:

z −k BR (BF + QC)
y (t) = r (t) + e (t) (2.95)
P B + QA (P B + QA)

en la Figura 2-10 se presenta un diagrama conceptual del GMVC.

32
2.8 El control de varianza mı́nima generalizado (Clarke)

Figura 2-10: Diagrama de realimentación conceptual del GMVC.

De (2.95) puede apreciarse que si Q = 0, ambos miembros de la ecuación tienen como factor común B,
en el numerador y en el denominador, de esta forma se canceları́an los ceros.
Cuando se desea lograr el seguimiento a la referencia debe cumplirse la siguiente condición:
BR
|z=1 = 1 (2.96)
P B + QA

el análisis presentado muestra una equivalencia entre (2.83) y (2.92). Esta equivalencia es la idea central
detrás de un control GMVC.
Partiendo de la equivalencia se asume que si se cuenta con (2.83) conocido (es decir, se han propuesto
de alguna manera los polinomios P, Q y R) se pueden estimar de (2.83) los polinomios de control H,
G y E, basados en esta suposición se eliminan los cálculos de los polinomios de control, ya que éstos se
estiman directamente de (2.83) y la estructura se vuelve implı́cita.
La equivalencia entre (2.83) y (2.92) es clara en lo referente a los valores de la salida generalizada, pero no
en cuanto a estructura, por lo cual el funcionamiento del GMVC depende de que Ĥ, Ĝ y Ê converjan a
valores constantes y después que éstos sean los verdaderos. La convergencia de los parámetros permanece
como una posibilidad [82], pero no puede establecerse, en el posible caso de que los parámetros converjan,
la manera en que lo hacen.
A continuación se sintetiza el algoritmo de control para el GMVC.

Algoritmo 2.2 (GMVC).

En un tiempo t
Paso 1. Proponer de alguna forma los polinomios costo y formar la pseudo salida φ (t)

φ (t) = P y (t) + Qu (t − k) − Rr (t − k) (2.97)

Paso 2. Estimar Ĥ, Ĝ y Ê de (2.97)


Paso 3. Con los polinomios de control conocidos aplicar a ley de control

Ĥu (t) = −Ĝy (t) − Êr (t) (2.98)

Paso 4. Esperar a que termine el periodo de muestreo y retornar al paso 1.

En la Figura 2-11 se presenta un diagrama que contempla la parte de adaptación.

33
2. Control Adaptable

Figura 2-11: Diagrama a bloques del GMVC implementado como una estructura adaptable.

A continuación se presenta un ejemplo donde se implementa el algoritmo de Clarke.

Ejemplo 2.4. Suponga el sistema de segundo orden


10
G (s) = (2.99)
s2 + 0.5s + 1

suponga que el sistema es muestreado, eligiendo h=0.5 segundos, al aplicar un ZOH se tiene la función
de transferencia
1.129z + 1.038
G (z) = 2 (2.100)
z − 1.562z + 0.7788
se proponen valores para la función costo de la forma:

P = 0.00121z − 0.0752 (2.101)


Q = 0.998
R = 0.02588

por el momento, en este ejemplo no se plantea la forma en que estos polinomios son propuestos.
De (2.101) se construye la función de salida generalizada como:

φ (t) = 0.00121y (t) − 0.0752y (t − 1) + 0.998u (t − 1) − 0.02588r (t − 1) (2.102)

Se sabe que a partir de (2.102) se tienen que estimar los polinomios de control Ĥ, Ĝ y Ê.
Para continuar con el análisis, se considera que se trabaja con la estructura de estimación RLS. Si lo que
se quiere es estimar los mismos coeficientes que conforman el polinomio (2.102), el regresor tendrı́a la
forma:
ϕ1 (t) = [y (t) , −y (t − 1) , u (t − 1) , −r (t − 1)] (2.103)
pero lo que se desea no es encontrar P̂, Q̂ y R̂ sino Ĥ, Ĝ y Ê. Considerando la estructura equivalente de
la función de salida generalizada de la ecuación (2.92) para el caso F = 1, se tiene:

φ (t) = Ĥu (t − k) + Ĝy (t − k) + Êr (t − k) + e (t) (2.104)

Se puede observar que la relación (2.104) incluye a las variables del sistema, pero con configuración

34
2.8 El control de varianza mı́nima generalizado (Clarke)

diferente, lo cual resultarı́a en un vector regresor diferente a (2.103). Si se reconstruyera (2.104) a partir
de los polinomios costo estimados, considerando (2.88) y luego (2.94) se tendrı́a:

φ (t) = ĥ0 u (t − 1) + ĥ1 u (t − 2) + ĝ0 y (t − 2) + ĝ1 y (t − 3) + ê0 r (t − 1) (2.105)

considerando un proceso de estimación RLS, el vector de regresión necesario para estimar los polinomios
de control tendrı́a la forma:

ϕ2 (t) = [u (t − 1) , u (t − 2) , y (t − 2) , y (t − 3) , r (t − 1)] (2.106)

Lo que resulta adecuado en el diseño del control, repercute en el proceso práctico de estimación. Pues si
se estiman los polinomios de control de (2.102) se requiere aplicar (2.106). De (2.106) se puede observar
dos cosas; que la estructura del regresor es diferente y que (2.106) es de dimensión mayor; es decir, la
estimación de los polinomios de control está sobredimensionada. Desde el punto de vista de control se
espera que la estructura RLS opere como un predictor de orden mı́nimo, pero desde la perspectiva de
la identificación la estimación sobredeterminada puede representar un gran problema [85]. En la Figura
2-12 se presenta el control del sistema para el Ejemplo 2.4 y el proceso de estimación involucrado.
En la Figura 2-12a) se observa un desempeño del control satisfactorio, a pesar de que los parámetros
estimados varı́an como puede observarse en la Figura 2-12b), pero al hacerlo conjuntamente, las relaciones
en la ley de control pueden prevalecer constantes sin afectar grandemente el desempeño del sistema en
lazo cerrado (ver Figura 2-12a)). Al observar el comportamiento de la estimación de los parámetros de
control, se concluye heurı́sticamente que puede haber más de una solución válida, pues el comportamiento
de los parámetros de estimación delata una dependencia lineal, que guarda relación con la estimación
sobredeterminada.
El GMVC presenta un desempeño satisfactorio en la mayor parte de los casos; sin embargo, habrá que
considerar que la estimación sobredeterminada representa un riesgo permanente al desempeño del sistema
en lazo cerrado.

Figura 2-12: Control GMVC para el proceso 2.98.

35
2. Control Adaptable

2.9. Acerca del controlador predictivo generalizado (Clarke)


El controlador predictivo generalizado (GPC) fue propuesto por Clarke [22] y fue presentado como un
“sucesor natural” del GMVC [23]. Ambos algoritmos comparten algunas propiedades estructurales, como
la minimización de una función costo que moldea el desempeño del sistema y el manejo de un horizonte
de predicción [8].
Según Clarke, el GPC permite sortear algunos de los problemas más comunes a los que se enfrenta un
STR, como son; una inadecuada elección de orden del sistema y las posibles variaciones en el retardo del
mismo. Una vez propuesto el GPC, el autor prácticamente deja de lado desarrollos posteriores sobre la
estructura de control propuesta en 1975 y se enfoca de lleno en el estudio del GPC; sin embargo, y como
se podrá observar en el Capı́tulo 3, ha habido un resurgimiento del interés sobre el GMVC durante la
última década. Dos caracterı́sticas que pueden resaltarse sobre el GMVC son:

Su carácter predictivo,

La minimización de la varianza de la salida generalizada bajo la rectorı́a de una función costo.

En el siguiente capı́tulo se presenta una propuesta de control asociada al GMVC. Para la sı́ntesis del algo-
ritmo propuesto se consideró que el carácter predictivo del algoritmo de Clarke, no tenı́a una contribución
determinante al desempeño del controlador, ya que el horizonte de predicción es de orden mı́nimo. Esta
consideración llevo a una modificación en la que desaparece del algoritmo propuesto la etapa de predic-
ción y se lleva a cabo una reestructuración algorı́tmica que permite al GMVC pasar de su tradicional
estructura implı́cita a una explı́cita.
Dicha modificación orientó el desarrollo del trabajo de tesis hacia una vertiente diferente al del GPC,
pues en éste último existe un horizonte de predicción que puede ser construido de diferentes formas y
dimensiones [21], permitiendo el manejo de cierto nivel de incertidumbre sobre el proceso (y consecuente-
mente sobre el desempeño del sistema), mientras que en la modificación del GMVC, el objetivo principal
es asegurar un nivel de desempeño en la salida, reduciendo la incertidumbre mediante la anexión de una
etapa de inicialización y otra de supervisión. Por lo anteriormente expresado se consideró oportuno com-
parar al algoritmo propuesto en este trabajo, con el algoritmo original GMVC y el STPAC de Wellstead
(como podrá apreciarse en el Capı́tulo 3), sin considerar dentro del marco de pruebas al GPC.

36
Capı́tulo 3

Controlador de varianza mı́nima


generalizado con asignación dinámica de
polos

3.1. Introducción
A pesar de que la formulación original del GMVC incorporó propuestas de control innovadoras, es impor-
tante mencionar que este algoritmo presenta un conjunto significativo de limitaciones prácticas. Como
puede apreciarse en la sección 2.8, los polinomios costo de la función de salida generalizada φ, deben
diseñarse fuera de lı́nea y aunque éstos pueden proponerse de varias formas (lo cual implica flexibilidad),
se requiere que el diseñador tenga cierto conocimiento sobre el proceso a controlar (lo cual implica depen-
dencia). Además si el proceso es susceptible a perturbaciones en los parámetros, el desempeño general del
sistema controlado podrı́a degradarse con respecto a las proyecciones iniciales de desempeño, pudiendo
en algunos casos llegar a poner en entredicho la estabilidad del lazo cerrado. De tal forma que el GMVC
puede usarse adecuadamente y con buenos resultados en aplicaciones particulares, donde existe suficiente
información del proceso, pero no se pueden tener amplios márgenes de confiabilidad cuando se tiene poca
información del proceso, como serı́a el caso que tienen que enfrentar los controladores industriales de
campo.
A pesar de las desventajas mencionadas, los niveles de desempeño (subóptimos) ofrecidos por el GMVC,
posicionan a este controlador como una opción muy atractiva. Un intento por sortear las desventajas
anteriormente mencionadas se presentó por primera vez en [1]; sin embargo, el algoritmo en cuestión
depende de la propuesta arbitraria de los polinomios costo y presenta serios problemas de convergencia
[82].
En [51], se encuentra una alternativa para solucionar el problema de la inicialización de parámetros
mediante una modificación en el diseño del controlador; en esta propuesta los parámetros del control no
se estiman de la función de salida generalizada, sino que se calculan a partir de una estimación de señales
prefiltradas asociadas a los parámetros de la planta.
En años recientes, el interés sobre el GMVC se ha incrementado, lo cual se puede atestiguar al encontrar
en la literatura un creciente número de modificaciones, extensiones y aplicaciones de dicho algoritmo, a
continuación se presentan algunos de los casos más representativos:

Interacción con otras estructuras de control [52], [89],

Extensión al caso multivariable [37],

Extensión a sistemas lineales variantes en el tiempo [43], [49],

37
3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos

Análisis de robustez [50],

Aplicaciones industriales varias [73], [88],[58],

y recientemente

Extensión al caso no lineal [28].

Si se desea que los polinomios costo P y Q de φ (t) , se diseñen para lograr una asignación de polos
determinada, se dice que se tiene un controlador de varianza mı́nima generalizado con asignación de
polos (GMVPAC). Entonces los polinomios costo se obtienen de la solución de la ecuación diofantina:

B̂P + ÂQ = T (3.1)


donde T es la asignación deseada de los polos.
El GMVPAC tiene dos problemas importantes que enfrentar. El primero se debe a que la estructura
de diseño del controlador fuerza una estimación sobreparametrizada, tal como se comentó en la sección
2.8, provocando a su vez una inconsistencia estructural; es decir, aunque pudiera haber identificabilidad
paramétrica no hay garantı́a de que los parámetros identificados sean los “verdaderos”. Lo cual repercute
directamente en que la relación (3.1) no sea satisfecha. El segundo problema surge incluso suponiendo
que los parámetros estimados son los correctos, pues si existe perturbación en los parámetros y en algún
momento de la elecución del control, estos son diferentes a los usados en el diseño original de los polinomios
costo, nuevamente la ecuación (3.1) no llegará a satisfacerse.
Una posible alternativa para calcular de forma autónoma los polinomios costo en función de una asig-
nación deseada de polos, y actualizar la ley de control en presencia de perturbaciones paramétricas,
se presenta en el diagrama a bloques de la Figura 3-1. Como puede observarse, se requiere una doble
estimación y no se soluciona el problema de la estimación sobreparametrizada, haciendo necesaria la
búsqueda de soluciones alternas.

Figura 3-1: GMVPAC modificado para enfrentar incertidumbres paramétricas.

38
3.2 El controlador de varianza mı́nima generalizado con asignación dinámica de polos

En la búsqueda de una mejor solución se desarrolló un algoritmo de control que comparte con el STPAC
la estimación de la planta y con el GMVC la estructura de control, el cual se explicará a detalle en la
siguiente sección.

3.2. El controlador de varianza mı́nima generalizado con asignación


dinámica de polos
Con la intensión de superar las principales inconveniencias del GMVC, en esta sección se propone una
estructura de control, que se basa en el desarrollo de un controlador GMVC cuyos polinomios costo
se diseñan en relación con una asignación deseada de polos. La solución denominada controlador de
varianza mı́nima generalizada con asignación dinámica de polos, consiste en la reconfiguración de la
arquitectura implı́cita del GMVC, utilizando la estructura de diseño subyacente descrita en la sección
2.8, para convertirla en explı́cita, además de añadir el recálculo en lı́nea de la ubicación de polos para
contemplar los casos de perturbación paramétrica, todo dentro de un esquema con mayor eficiencia
computacional a la estructura presentada en la Figura 3.1. A continuación se presenta una sı́ntesis del
algoritmo propuesto.

Algoritmo 3.1. GMVDPAC.

En un tiempo t
Paso 1. Usando RLS estimar los polinomios del proceso Â, B̂ y Ĉ.
Paso 2. Calcular P y Q de:
B̂P + ÂQ = T
Paso 3. Con P y Q calcular directamente los parámetros del controlador Ĥ, Ĝ y Ê de;

P C = F A + z −K G
H = BF + QC
E = −CR

donde R se obtiene para lograr el seguimiento a la referencia de la aplicación del teorema del valor final

B̂R
|z=1 = 1
P B̂ + QÂ

Paso 4. Con los polinomios de control calculados se aplica la ley de control

Ĥu (t) = −Ĝy (t) − Êr (t)

Paso 5. Esperar a que termine el periodo de muestreo y retornar al paso 1.

En la Figura 3-2 se presenta la estructura del GMVDPAC dentro de un esquema adaptable.


Al estimar la planta, en vez de los polinomios de control se soluciona el problema de sobreestimación en
el GMVC, además de que el sistema se hace más sensible. La inclusión de los pasos 1 y 2 en el algoritmo
a su vez permiten actualizar la ley de control en presencia de perturbaciones paramétricas.
La sı́ntesis del controlador en el GMVDPAC se realiza directamente, de esta forma se evita estimar H,
G y E de φ (t). La idea para calcular estos polinomios, en lugar de estimarlos también se utiliza en [51],
aunque de diferente forma. En la Figura 3-3 se presentan las principales caracterı́sticas principales del
GMVDPAC y su relación con los algoritmos STPAC y GMVC.

39
3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos

Figura 3-2: Control GMVDPAC.

Figura 3-3: Sı́ntesis del GMVDPAC a partir del STPAC y GMVC.

40
3.2 El controlador de varianza mı́nima generalizado con asignación dinámica de polos

Ejemplo 3.1. Con el fin de ejemplificar la aplicación del algoritmo y analizar sus propiedades se presenta
la función de transferencia de la planta
1
G (s) = e−0.1s (3.2)
s2 + 2s + 1

Aplicando una discretización con un retenedor de orden cero, con un periodo de muestreo h=0.1 segundos
y añadiendo una perturbación, el sistema (3.2) se puede expresar como la ecuación diferencia

y (t) = 1.80967y (t − 1) − 0.81873y (t − 2) + 0.0046788u (t − 2) + 0.004377u (t − 3) + e (t) (3.3)

Se contemplan las siguientes condiciones de simulación:

Varianza de la perturbación de 0.0000123, la cual al interactuar con la dinámica del sistema provoca
que la salida tenga variaciones sobre la referencia de aproximadamente 10 %,

Una covarianza inicial Px0 =100I, donde I es la matriz identidad,

Un factor de olvido λ=0.99,

Un tren de pulsos cuadrados de amplitud 2 como la referencia r.

De la ecuación (3.3) se puede establecer que los valores a los cuales el sistema debe converger son:

θ = [θ (0) , θ (1) , θ (2) , θ (3) , θ (4)] = [1.81, 0.8187, 0.004679, 0.004377, 1.0] (3.4)

Tras 2000 iteraciones los parámetros de estimación son


h i
θ̂f = θ̂f (0) , θ̂f (1) , θ̂f (2) , θ̂f (3) , θ̂f (4) = [1.8099, 0.81869, 0.0046789, 0.004377, 0.9999] (3.5)

Para este caso se diseña la asignación de polos para 10.7 % de sobreimpulso máximo como

T = z 2 − 1.88z + 0.8896 (3.6)

En la Figura 3-4, se presenta una comparación entre el lazo abierto y el sistema en lazo cerrado con la
ubicación de polos (3.6). Para la asignación de polos definida y considerando (3.3), se tienen los polinomios
costo:
P = −8.6058z + 8.6665 y Q = 1.040266 (3.7)

41
3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos

Figura 3-4: Comparación del sistema en lazo abierto y la respuesta deseada demarcada por la ecuación 3.6.

Figura 3-5: a) Seguimiento de la referencia del sistema cuando es controlado con un GMVDPAC, b) Señal de
control.

En la Figura 3-5a) se presenta el seguimiento de la referencia por la salida del proceso. Se puede observar
que el sistema obedece a la señal de control sólo después de unos pocos segundos, lo cual se debe al
proceso de estimación, como se puede ver en la Figura 3-6.

42
3.2 El controlador de varianza mı́nima generalizado con asignación dinámica de polos

Figura 3-6: a) Evolución de los parámetros de estimación en función del tiempo, b) Desempeño de la traza de la
matriz de covarianza.

La traza de la matriz de covarianza puede considerarse como una medida de confiabilidad en la estimación.
La identificabilidad está en riesgo si la magnitud de la traza de Px crece sin cota. En la Figura 3-6b) se
muestra que la traza del proceso de estimación se mantiene alrededor de un valor constante.
A continuación se resumen las ventajas fundamentales de la estructura a la que se ha denominado
controlador de varianza mı́nima generalizado con asignación dinámica de polos (GMVDPAC).

No se requiere inicialización de los polinomios costo,

Los polinomios costo se actualizan en lı́nea en función de los parámetros estimados de la planta (lo
cual es beneficioso si los parámetros sufren perturbaciones),

El sistema de control permite la asignación dinámica de polos, lo cual disminuye considerablemente


fluctuaciones en el desempeño dinámico del lazo cerrado,

Los márgenes de estabilidad en el GMVDPAC se modifican en lı́nea para enfrentar posibles per-
turbaciones en los parámetros del proceso (lo cual se revisa en secciones subsecuentes),

El GMVDPAC es algorı́tmicamente eficiente tanto en tiempo de ejecución, como en espacio.

Desde la perspectiva del análisis algorı́tmico el GMVDPAC es más simple (Figura 3-2) que la propuesta
de la modificación al GMVC presentada en la Figura 3-1, ya que ésta requiere de 2 estimaciones recursivas
de parámetros y una solución de una ecuación diofantina en lı́nea, mientras que el GMVDPAC lleva a
cabo una estimación en lı́nea y la solución de 2 ecuaciones diofantinas. Si se parte del hecho de que una
estimación basada en mı́nimos cuadrados recursivos requiere de:

32n3 − 17n2 − 3 (3.8)


operaciones computacionales (flops, operaciones de puntos flotantes), donde n es el orden del proceso y
para resolver una ecuación diofantina con ayuda de la matriz de Sylvester se requieren:

43
3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos

18n3 − 10n2 − 1 (3.9)


pasos, ya que el resultado (3.8) es mayor que el (3.9) (y esta diferencia se hace mayor conforme n
aumenta), el GMVDPAC requiere de menos operaciones de cómputo que el algoritmo presentado en la
Figura 3-1.

3.3. Estabilidad del controlador de varianza mı́nima generalizado con


asignación dinámica de polos (GMVDPAC)
Cuando la selección de los polinomios costo se lleva a cabo bajo el criterio de asignación de polos, la
identidad:

P B + QA = T (3.10)
es necesaria para la obtención de los polinomios P y Q.
El diagrama a bloques de la Figura 3-7, representa conceptualmente el control GMVPA cuando los
polinomios costo se obtienen de (3.10) para una asignación de polos determinada.

Figura 3-7: Diagrama a bloques conceptual del GMVPAC

La redución del diagrama a bloques de la Figura 3-7, proveé la función de transferencia:

BQ
GLC = (3.11)
P B + QA
El enfoque del algoritmo original GMVC propuesto por Clarke [19], está orientado a sistemas lineales
invariantes en el tiempo y no contempla incertidumbres paramétricas; es decir, que el diseño de este
controlador asume que los parámetros del proceso no tienen variaciones, por lo que los polinomios costo
P y Q son constantes durante el proceso de control. De (3.11) se puede suponer que si A y B son los
polinomios de un sistema lineal invariante en el tiempo con incertidumbres paramétricas y durante el
proceso de control los parámetros de la planta sufren una desviación con respecto a los originales, la
identidad (3.10) no se cumplirá.

3.4. Análisis de estabilidad del GMVPAC para sistemas de segundo


orden
La elección de los polinomios costo en el GMVPAC guarda una estrecha relación con la estabilidad del
sistema, ya que éstos delimitan la zona en la que los parámetros del modelo lineal pueden variar sin
provocar la inestabilidad en lazo cerrado. Un caso representativo que permite apreciar claramente este
fenómeno de forma gráfica, es el control de procesos que pueden representarse como un modelo lineal de
segundo orden cuando nT =2.

44
3.4 Análisis de estabilidad del GMVPAC para sistemas de segundo orden

Las estructuras de segundo orden son un caso muy representativo del control de procesos industriales.
Es una recomendación común en la implementación de STR’s, la anexión de una etapa de filtrado para
poder manipular el proceso con una dinámica dominante de segundo orden.
Aunque el controlador tiene una estructura discreta en su implementación, sólo para fines del análisis de
estabilidad se emplea un equivalente continuo.

Lema 3.1. Dada la planta en lazo abierto:


K
G(s) = (3.12)
s2 + a1 s + a2

y un controlador GMVPAC cuyos polinomios costo son de la forma:

P (s) = p0 s + p1 (3.13)
Q (s) = 1
y asumiendo el parámetro K fijo en la ecuación (3.12), entonces, la zona de estabilidad de la planta
(3.12) ante perturbaciones en los parámetros a1 y a2 , en lazo cerrado con el controlador definido por los
polinomios costo (3.13), es la zona E cuyas fronteras están definidas por:

∂a1 = −p0 K
∂a2 = −p1 K

en el espacio de parámetros a1 − a2 (ver Figura 3-8).

Figura 3-8: Zona de estabilidad definida en función del polinomio costo P.

Prueba: Se tiene una planta de la forma:

B (s) K
= 2 (3.14)
A (s) s + a1 s + a2
Para (3.14) n=2, de lo que nA = n y nB = n − 2, se diseña un controlador GMVPAC donde nT = n, si
se tiene que nP = n − 1 y nQ = n − 1, entonces los polinomios costo P y Q pueden expresarse como:

P (s) = p0 s + p1 (3.15)
Q(s) = q0 s + q1

45
3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos

Si al utilizar el GMVPAC, se supone que:

Â=A,
˜ B̂ =B,
˜ Ĉ =C
˜ (3.16)
entonces:

P (s) B̂ (s) + Q (s) Â (s) = T (s) (3.17)


donde T es el denominador del sistema en lazo cerrado y representa la asignación deseada de los polos.
Entonces el polinomio caracterı́stico en lazo cerrado es:
¡ ¢
T (s) = (sp0 + p1 K) + s2 + a1 s + a2 (sq0 + q1 ) (3.18)
si se reduce algebraicamente (3.18), se tiene:

T (s) = s3 q0 + s2 (q1 + a1 q0 ) + s (p0 K + a1 q1 + a2 q0 ) + p1 K + a2 q1

nT = 2 =⇒ q0 = 0
finalmente

T (s) = s2 q1 + s (p0 K + a1 q1 ) + p1 K + a2 q1 (3.19)


si T (s) es mónico, q1 = 1.
Sabiendo que el polinomio denominador en lazo cerrado es:

s2 + s (p0 K + a1 ) + p1 K + a2 (3.20)
Y ya que (3.14) no contempla retardos en el transporte, se obtiene un cálculo de las fronteras de estabilidad
a partir del criterio de Routh aplicado a (3.20):

s2 1 p1 K + a2
1
s p0 K + a1 (3.21)
s0 p1 K + a2
para que el sistema en lazo cerrado sea estable, es condición necesaria y suficiente que:

p0 K + a1 > 0 (3.22)
p1 K + a2 > 0

de lo que se deduce que el rango de estabilidad se define por:

∂a1 > −p0 K (3.23)


∂a2 > −p1 K

donde ∂ es utilizado aquı́ para indicar la frontera de estabilidad dada y la Lema 3.1 está probada.
¤
A continuación se presenta un ejemplo para ilustrar el Lema 3.1

Ejemplo 3.2. Suponga el circuito RLC de la Figura 3-9.

46
3.4 Análisis de estabilidad del GMVPAC para sistemas de segundo orden

Figura 3-9: Circuito RLC.

Si los valores de los elementos están dados por: L=8.4572 Henrios; C=.004523 Faradios; R=69.02119
Ohmios.
Ya que la función de transferencia definida para el circuito de la figura es:

Eo (s) 1/LC
= 2 (3.24)
Ei (s) s + R/Ls + 1/LC
La función de transferencia para este caso es:
26.14
G(s) = (3.25)
s2 + 8.161s + 26.14
Suponga que se desea tener una dinámica del sistema en lazo cerrado, tal que:

T = s2 + 3.68s + 9.688 (3.26)


Si se considera un GMVPAC, los polinomios costo continuos están dados por:

P (s) = −0.1714157999s − 0.62941652 (3.27)

Q (s) = 1 (3.28)
Entonces puede mostrarse la zona de estabilidad en la Figura 3-10.

Figura 3-10: Zona de estabilidad para el ejemplo 6.

La solución discreta para la ecuación (3.12) es:

P (z) = −2.597z + 1.7988 (3.29)


Q (z) = 1.25784

47
3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos

Considerando (3.29) se simuló el control para (3.25) bajo las siguientes condiciones:

Matriz de covarianza inicial Px = 100I,

Factor de olvido exponencial λ =0.98,

Estimados iniciales θ0 = (0.5, 0.5, 0.5, 0.5, 0.5) ,

Varianza del vector de perturbación V(e (t)) = 1 × 10−5 .

La amplitud de la varianza es arbitrariamente pequeña, para que la respuesta dinámica propuesta por
T sea evidente. En la Figura 3-11, se representa la respuesta a la referencia y la señal de control del
GMVPAC.

Figura 3-11: a) Seguimiento a la referencia b) Señal de control.

Suponga ahora que hay una variación en el valor nominal de la resistencia, tal que: R=37.5; de (3.24)
los nuevos coeficientes del sistema son a∗1 =4.434 y a∗2 =26.14. Este cambio en la resistencia provoca
que los coeficientes del sistema queden fuera de la zona de estabilidad, definida por los polinomios costo
diseñados originalmente para (3.25). En la Figura 3-12 se presenta el comportamiento del sistema cuando
R cambia.

48
3.5 Estabilidad del GMVDPAC

Figura 3-12: GMVPAC ante el cambio de resistencia.

El desempeño mostrado en la Figura 3-12, remarca la limitación del algoritmo propuesto por Clarke,
donde los polinomios P y Q se diseñan de acuerdo a (3.10) (GMVPAC) cuando existen perturbaciones
en los parámetros.
¤
A continuación se revisa la zona de estabilidad asociada al algoritmo propuesto GMVDPAC.

3.5. Estabilidad del GMVDPAC


Gracias a que los polinomios costo no son propuestos fuera de lı́nea y no pierden vigencia debido a que son
recalculados permanentemente, las posibles perturbaciones en los parámetros pueden ser consideradas en
el diseño, permitiendo ası́, que el sistema permanezca estable en lazo cerrado (siempre que los parámetros
de estimación converjan a los verdaderos). De lo anterior se puede decir que el GMVDPAC modifica las
zonas de estabilidad para permitir la operación segura del sistema ante perturbaciones en los parámetros.
A continuación se presenta un Teorema que describe dicho fenómeno.

Teorema 3.1. Para una planta con función de transferencia de lazo abierto G(s):

K
G (s) = (3.30)
s2 + a∗1 s + a∗2
en la cual los parámetros a∗1 y a∗2 están sujetos a perturbaciones del tipo:

a∗1 = a1 + ∆a1 y a∗2 = a2 + ∆a2 (3.31)


si se aplica el GMVDPAC a esta planta, entonces la coordenada (a∗1 , a∗2 ) permanece dentro de la zona de
estabilidad dada por las fronteras:

49
3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos

∂a1 = a∗1 − t1 (3.32)


∂a2 = a∗2 − t2

donde t1 y t2 son los coeficientes del polinomio de asignación de polos:

T (s) = s2 + t1 s + t2 (3.33)

Prueba: Considere incertidumbres en el siguiente polinomio denominador:

A∗ (s) = s2 + (a1 + ∆a1 ) s + (a2 + ∆a2 ) (3.34)


donde ∆a1 , ∆a2 son perturbaciones aditivas en los parámetros a1 , a2 , definiendo lo siguiente:

a∗1 = a1 + ∆a1 y a∗2 = a2 + ∆a2 (3.35)


Entonces el polinomio en lazo cerrado es de la forma:

T (s) = s2 + s (p0 K + a∗1 ) + p1 K + a∗2 (3.36)


Cuando existe incertidumbre en los parámetros se tiene que:

a∗1 6= a1 y a∗2 6= a2 (3.37)


En el GMVPAC los polinomios costo se obtienen fuera de lı́nea a partir de la solución de la matriz de
Sylvester. Bajo el GMVPAC el cálculo de los polinomios costo correspondientes se lleva a cabo con a1 y
a2 , no con a∗1 y a∗2 ; esto implica que las perturbaciones ∆a1 y ∆a2 pueden ocasionar que el par (a∗1 , a∗2 )
esté fuera de la zona de estabilidad dada por las fronteras del Lema 3.1. El cálculo de los polinomios
costo resulta en:
   
q1 1
 q0   
 = 1 0 1  (3.38)
 p1   − a2 + t2 
K K
p0 − K1 a1 + K1 t1
donde, los parámetros t1 , t2 son los correspondientes al polinomio deseado:

T (s) = s2 + t1 s + t2 (3.39)

Por su parte en el GMVDPAC, el cálculo de los polinomios costo se realiza en lı́nea a partir de  y
B̂ (suponiendo la convergencia en la estimación). Bajo este esquema, si existen perturbaciones en los
parámetros del sistema, el algoritmo recalcula los polinomios costo correspondientes a los parámetros
perturbados una vez que a∗1 y a∗2 se han estimado, por lo que es posible asumir:

a∗1 =â
˜ 1 y a∗2 =â
˜ 2 (3.40)
y los polinomios costo correspondientes para estos parámetros están dados por:
   
q1 1
 q0   0 
   
 p1  =  − 1 â2 + 1 t2  (3.41)
K K
p0 − K1 â1 + K1 t1

50
3.5 Estabilidad del GMVDPAC

Se sabe del Lema 3.1, que las fronteras de estabilidad para los parámetros del proceso están dadas por:

∂a1 = −p0 K y (3.42)


∂a2 = −p1 K

Sustituyendo los parámetros dados por (3.41) en (3.42) se tiene que:

µ ¶
1 1
a1 = − − a∗1 + t1 K (3.43)
K K
µ ¶
1 1
a2 = − − a∗2 + t2 K
K K

Por lo que simplificando en (3.43) se obtiene:

a1 = a∗1 − t1 (3.44)
a2 = a∗2 − t2

De (3.55) se puede observar que si el polinomio T (s) cumple la condición de Stodola, las fronteras de la
estabilidad del GMVDPAC envuelven a la coordenada (a∗1 , a∗2 ), tal como puede apreciarse en la Figura
3-13.

Figura 3-13: Estabilidad del GMVDPAC.

Observación 3.1. Las magnitudes de ∆a1 , ∆a2 están limitadas en la práctica por la capacidad de
los actuadores y sensores; es decir, que aunque algoritmicamente es posible ampliar la zona de
estabilidad indefinidamente, la señal de control podrı́a alcanzar la saturación en algún punto.

Sustituyendo el controlador empleado en el Ejemplo 3.2 por un GMVDPAC, puede observarse en la


Figura 3-14 que cuando ocurre el cambio de resistencia, el lazo cerrado permanece estable, a diferencia
de cuando se aplica el GMVPAC (ver Figura 3-12), ésto debido a que la ley de control se actualiza en
presencia de la perturbación.

51
3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos

Figura 3-14: Control GMVDPAC ante el cambio de resistencia.

3.5.1. Asignación dinámica de polos

En las secciones anteriores se han revisado algunos aspectos que guardan relación con la estabilidad
del GMVDPAC. Otra cualidad relevante del GMVDPAC, es la capacidad que el controlador poseé en
lo dinámico para sobreponerse a perturbaciones. Suponga ahora que existe una perturbación en los
parámetros; si (3.34) es considerado en:

BP + QA∗ (3.45)

donde A∗ es el polinomio de los parámetros perturbados, considerando el diseño original, el sistema en


lazo cerrado tendrı́a la forma:

s2 + t1 s + (sa∗1 − sa1 ) + t2 + (a∗2 − a2 ) (3.46)

por lo que cuando (3.36) se cumple, en el GMVDPAC se cumple la asignación de polos

BP + QA∗ = T (3.47)

Para revisar lo anterior en un caso real, el control propuesto para el circuito RLC del Ejemplo 3.2 fue
implementado en la práctica, considerando una variación en el valor de la resistencia en el segundo 30,
con el fin de generar una incertidumbre paramétrica.
En la Figura 3-15 se presenta el efecto de dicha variación, cuando se aplica el GMVPAC, como puede
observarse la respuesta dinámica se desvı́a del objetivo original. En la Figura 3-16 se presenta el fun-
cionamiento del GMVDPAC y se observa que la variación de R es compensada por la señal de control
para preservar el comportamiento delimitado por el polinomio T de consigna.

52
3.5 Estabilidad del GMVDPAC

Figura 3-15: Control GMVPAC.

Figura 3-16: Control GMVDPAC.

53
3. Controlador de varianza mı́nima generalizado con asignación dinámica de polos

54
Capı́tulo 4

Sistema de soporte al controlador

4.1. Introducción
Uno de los principales objetivos de la tesis es la operación autónoma del controlador. En este capı́tulo
se presenta el procedimiento desarrollado para proveer de arranque autónomo al controlador adaptable
presentado en el Capı́tulo 3. Además se expone el desarrollo de un controlador, usado para reemplazar
al control adaptable en caso de que este último presente comportamientos poco satisfactorios. El control
desarrollado en la tesis denominado GMVDPAC, presentado en el Capı́tulo 3, es una estructura con altos
niveles de confiabilidad, por lo que la inclusión de un control de respaldo busca principalmente expandir los
márgenes de autonomı́a del sistema. Del control de respaldo a su vez, se espera que sea capaz de mantener
un nivel de desempeño aceptable, ante un amplio espectro de condiciones de operación. También en este
capı́tulo se presenta el sistema de supervisión desarrollado para monitorear el desempeño del sistema en
su conjunto capaz de tomar decisiones de configuración del sistema.

Figura 4-1: Bosquejo del algoritmo de inicialización.

55
4. Sistema de soporte al controlador

El procedimiento de inicialización se lleva acabo previamente a la acción de control. Como primer paso
de la inicialización, el sistema excita al proceso en lazo abierto, para obtener las señales de entrada y
salida del proceso, con el fin de ejecutar procedimientos RLS con modelos internos de diversos órdenes.
De los procedimientos de estimación recursiva se almacenan tanto las soluciones, como algunos aspectos
del desempeño del propio estimador. Con la información recabada durante el proceso de estimación se
realiza un análisis (el cual se describe en la siguiente sección), para obtener las variables de inicialización
necesarias para el control autónomo. En la Figura 4-1 se bosqueja el proceso de inicialización y se muestra
su vı́nculo con el proceso de sintonı́a del control de respaldo.

4.2. Inicialización
En el Capı́tulo 1 se mencionan brevemente otras técnicas de inicialización, como la desarrollada por Lundh
y Åström [46] basada en el análisis en frecuencia y la interpretación heurı́stica. En [46] se aprovechan las
señales de entrada y salida del sistema (producto de un proceso de autosintonización cuando se aplica un
relevador realimentado) para proveer de la información necesaria al sistema de arranque del controlador
autosintonizable mediante la interpretación heurı́stica del análisis espectral resultante. La limitación de
la técnica de dicho método, es que es funcional sólo para procesos asintóticamente estables.
Por otro lado, en el Capı́tulo 2 se abordan algunos aspectos de la naturaleza lineal de los RLS, como la
condición de que los procesos a estimar no tuvieran raı́ces comunes en el numerador y el denominador del
modelo del proceso. Como ya se comentó en el Capı́tulo 2, la no unicidad de la solución guarda relación
con la excitación persistente y con el sobredimensionamiento del modelo de estimación. Dicha situación
representa una inconveniencia de la estimación RLS; sin embargo, en un cambio de perspectiva, esta
situación se aprovecha por el método de inicialización propuesto en este trabajo. En [85],[86] se descri-
be un fenómeno que sucede en la estimación RLS cuando el modelo interno está sobreparametrizado,
consistente en la tendencia de colocar pares de polos y ceros en la misma posición para compensar el
sobredimensionamiento, y minimizar el residuo. Basados en tal premisa cuando se aplica RLS, puede
emitirse un diagnóstico aproximado acerca de si el sistema de estimación está sobredimensionado con-
siderando la evolución del RLS durante la estimación, por lo que si la estimación está sobredeterminada
debido a que el orden del modelo interno fue elegido de orden mayor al “real”, el modelo estimado no
tendrá carácter coprimo ni unicidad en la solución (ver Capı́tulo 2). Este fenómeno en los RLS inspiró un
proceso de inicialización que basa su funcionamiento en un sistema experto que discrimina entre modelos
internos a partir del fenómeno mencionado.
En la práctica diversas situaciones pueden provocar que el desempeño de un proceso de estimación
tenga variaciones en relación con el comportamiento esperado, en este sentido Narendra menciona en
[54]: “Me gustarı́a añadir a este escenario que en 30 años durante los cuales fueron llevadas a cabo
simulaciones extensivas ¡rara vez me he topado con situaciones (exceptuando ejemplos muy simples)
donde los parámetros convergen a los valores verdaderos!, incluso cuando la entrada de referencia es
PE (excitada persistentemente), los parámetros convergen tan lentamente que para fines prácticos no lo
hacen. Uno de los hechos sorprendentes es que a pesar de esto el error de salida del sistema dinámico
tiende a 0”. Por lo anterior para los fines del desarrollo de la estructura de inicialización presentada
en este capı́tulo, cobra relevancia el comportamiento cualitativo ante el cuantitativo en la práctica, para
establecer el sobredimensionamiento de la estimación, por lo que se considera más importante la tendencia
a la cancelación de raı́ces en el desempeño de la estimación, que la cancelación en si, o la inconsistencia
de estimación (que delata la no unicidad de la solución) que la vigilancia estrecha de los residuos.
En las siguientes secciones se presenta la metodologı́a propuesta para la inicialización de las variables
necesarias para la operación de la estructura de control, que para el caso del control adaptable persigue
la inicialización de las siguientes variables:

Estructura del modelo de estimación,

56
4.2 Inicialización

Parámetros de identificación iniciales, θ0 ,

Matriz de covarianza inicial, Px0 ,

Factor de olvido,

Retardo del sistema,

Diseño de asignación de polos,

Periodo de muestreo.

Y para el caso del control de respaldo, los parámetros del controlador.

4.2.1. Selección del orden del modelo de estimación


La elección del orden del modelo interno se realiza por medio de un procedimiento mediante el cual se
excita el sistema, almacenando inmediatamente la respuesta y la entrada de excitación. Con la información
disponible, se realiza la estimación con RLS para los modelos deterministas.

y (t) = a1 y (t − 1) + b0 y (t − 1) (4.1)
y (t) = a1 y (t − 1) + a2 y (t − 2) + b0 y (t − 1) + b1 y (t − 2)
y (t) = a1 y (t − 1) + a2 y (t − 2) + a3 y (t − 3) + b0 y (t − 1) + b1 y (t − 2) + b2 y (t − 3)

Sólo se utilizan tres modelos de primero, segundo y tercer orden, debido a que la dinámica dominante de
la mayorı́a de los sistemas puede ser sintetizada con estas estructuras [82] y a la vez evitar un aumento
excesivo del esfuerzo computacional.
Una vez que se tiene la información de las tres estimaciones recursivas se procede a realizar el proceso
de selección. El método propuesto es básicamente un procedimiento de discriminación.
La selección depende de cumplir tres criterios, en el orden de precedencia:

Criterio de ubicación de polos,

Criterio de error,

Criterio de convergencia heurı́stica.

Criterio de ubicación de polos


Si se asume que el sistema a identificar tiene la forma.

B (z) b0 z m + b1 z m−1 + ... + bm


G (z) = = n (4.2)
A (z) z + a1 z n−1 + a2 z n−2 + ... + an

que también puede expresarse como:


Q
m
Kx (z − ci )
i=1
G (z) = Q
n ,m ≤ n (4.3)
(z − pi )
i=1

57
4. Sistema de soporte al controlador

Al aplicar RLS, se obtiene el proceso estimado:


Q
r
K̂x (z − ĉi )
i=1
Ĝ (z) = ,r ≤ s (4.4)
Q
s
(z − p̂i )
i=1

donde r y s son el orden del numerador y el denominador del modelo de estimación respectivamente.
Si el modelo estimado es consistente [82] y s > n, entonces:

Q
m Q ³
r−m ´
K̂ (z − ĉi ) z − dˆi
i=1 i=1
Ĝ (z) = , m (r − m) ≤ n (s − n) , di ≈ qi (4.5)
Qn Q
s−n
(z − p̂i ) (z − q̂i )
i=1 i=1

La diferencia entre la posición del polo y el cero redundante puede definirse como:

∆RLS = |di − qi | (4.6)

RLS asigna los polos y ceros redundantes para capturar la dinámica del sistema, a la vez que el residuo
es minimizado. La magnitud de (4.6) está determinada por el tamaño del residuo y la excitación del
sistema. Como ya se mencionó, si el sistema está sobreestimado el modelo estimado no es coprimo. Esta
condición se usa para descartar modelos. Es importante mencionar que (4.5) es un resultado experimental
y que para que se cumpla tiene que existir la excitación persistente [8]. Si Px se vuelve singular indica la
correlación de parámetros y al igual que con el criterio de ubicación de polos se procede a descartar el
modelo. Este método no considera, el caso de ceros en el origen del modelo en lazo abierto.

Ejemplo 4.1. Para mostrar el efecto de cancelación de polos y ceros que se da cuando se usan

RLS con un modelo interno sobredimensionado, se presenta el modelo de un proceso integrador de la


forma:

1
G (s) = (4.7)
s
Suponiendo un periodo de muestreo de h=0.1 segundos, se tiene el modelo discreto:
0.1
G (z) = (4.8)
z−1
A continuación se realiza en simulación la identificación RLS, usando los modelos discretos de primero,
segundo y tercer orden descritos por la ecuación (4.1), bajo las siguientes condiciones: λ =0.98, Px0 =
1000I, donde I es la matriz identidad y finalmente θ0m1 = (0.5, 0.5) , θ0m2 = (0.5, 0.5, 0.5, 0.5) , θ0m3 =
(0.5,0.5,0.5,0.5,0.5,0.5) , para las identificaciones deterministas RLS de primero, segundo y tercer orden
respectivamente. En la Figura 4-2a) se presenta la respuesta del sistema a la excitación de un tren de
pulsos cuadrados (ver Figura 4-2b)).

58
4.2 Inicialización

Figura 4-2: Sistema excitado.

El proceso descrito por la ecuación (4.7), puede utilizarse para representar la posición angular en motores
de C.D., por lo que la forma de (4.7) es usual en el diseño de servos de posición. El modelo descrito por la
ecuación (4.7), no tiene ciclo lı́mite en presencia de un relevador realimentado [2], por lo que un método
de inicialización basado en este principio [46] no puede emplearse. En la Figura 4-3a) se presenta el
comportamiento de los parámetros de estimación con modelo interno de primer orden.

Figura 4-3: a) Comportamiento de la estimación primer orden b) Traza de la matriz de covarianza c) Determinante
de la inversa de la matriz de covarianza

59
4. Sistema de soporte al controlador

En la Figura 4-3b) se observa como después de un determinado tiempo de ejecución de la estimación de


primer orden, la traza de la matriz de covarianza decrece para permanecer después en un nivel constante,
lo cual denota un proceso de estimación adecuado. La Figura 4-3c) muestra el comportamiento de la
traza de la inversa de la matriz de covarianza, el comportamiento
¡ −1 ¢ de ésta variable es una razón cualitativa
de la independencia
¡ −1 ¢ lineal de Px , puesto que si det Px = 0, el sistema es linealmente dependiente,
mientras det Px se aleje lo más posible y de forma regular de 0 puede inferirse que el modelo de
estimación es el adecuado; se habla de una interpretación cualitativa, puesto que cuando los parámetros
de estimación convergen a los verdaderos, se asume la convergencia si θ ≈ θ̂, lo cual implica que ¡ existen
¢
pequeñas diferencias entre los parámetros reales y estimados que a su vez impiden¡ que ¢det Px−1 sea
exactamente igual a cero, de aquı́ se vuelve importante la interpretación, pues si det Px−1 se acerca a 0
debe sospecharse dependencia lineal. En la Figura 4-4 se presenta el LGR discreto del modelo de primer
orden estimado

Figura 4-4: Figura 4.4: LGR del modelo estimado de primer orden.

Cuando se aplica la estimación LGR utilizando un modelo interno de segundo orden se obtienen los
resultados mostrados en la Figura 4-5

En la Figura 4-5a) se observa el comportamiento de los parámetros de estimación, mientras que en la


Figura 4-5b) se observa que la traza crece, lo cual muestra una pérdida de identificabilidad
¡ provocada
¢ por
la estructura de identificación sobredimensionada, en la Figura 4-5c) se aprecia que det Px−1 es menor
al presentado por la Figura 4-4c) y se observa que es más cercano a 0. De lo observado en la Figura
4-5, se puede sospechar que el modelo está sobredimensionado. Como ya se mencionó, la estimación RLS
tiende a superponer polos y ceros cuando la estructura de estimación está sobredimensionada, situación
que puede apreciarse en la Figura 4-6 con la redundancia de un polo y un cero.

60
4.2 Inicialización

Figura 4-5: a) Comportamiento de la estimación segundo orden b) Traza de la matriz de covarianza c) Determi-
nante de la inversa de la matriz de covarianza.

Figura 4-6: LGR del modelo estimado de segundo orden.

De la aplicación de la estimación LGR, con un modelo interno de tercer orden, se presenta en la Figura
4-7a) el proceso de estimación en el tiempo, en la Figura 4-7b)
¡ −1 ¢ se observa que la traza Px crece conforme
pasa el tiempo, mientras que en la Figura 4-7c) det Px se acerca peligrosamente a cero. La sobre-
determinación del modelo interno es evidente y se confirma con la doble redundancia de polos y ceros
presentados en la Figura 4-8.

61
4. Sistema de soporte al controlador

Figura 4-7: a) Comportamiento de la estimación tercer orden b) Traza de la matriz de covarianza c)


Determinante de la inversa de la matriz de covarianza.

Figura 4-8: LGR del modelo estimado de tercer orden.

De lo observado en el Ejemplo 4.1, se puede deducir que sin la estructura del modelo, pero conociendo
el comportamiento de la estimación de primero, segundo y tercer orden, la estructura de estimación del
control adaptable para el proceso debe ser de primer orden, ya que para las estimaciones de segundo y
tercer orden, los polinomios de los modelos estimados no son coprimos.
¤

62
4.2 Inicialización

Criterio de error
Considerando el residuo del proceso de estimación está dado por:

ε (t) = y (t) − ϕT (t − 1) θ̂ (t − 1) (4.9)

La sumatoria del residuo absoluto está dada por.


P
x
εac = |ε (t)| (4.10)
t=1

donde x es el tiempo definido para la excitación inicial.


El criterio de ubicación de polos es suficiente si el sistema que se está estimando es de primer orden, pues
los modelos estimados de segundo y tercer orden no serán coprimos, (4.10) se usa como un criterio de
desempate si el modelo real es de segundo o tercer orden.

Ejemplo 4.2. El caso presentado en el Ejemplo 4.1 es fácil de interpretar, ya que sólo un modelo de
estimación interno cubre las condiciones mı́nimas de identificabilidad. Sin embargo si se asume el
modelo de segundo orden:

1
G (s) = (4.11)
s2
el cual es un doble integrador, usualmente utilizado para modelar sistemas de posición con mı́nima
fricción, como los usados en manipuladores espaciales o submarinos. Se usa el modelo (4.11) como ejemplo,
pues se trata de un modelo de segundo orden que tampoco cuenta con un ciclo lı́mite.
Al discretizar (4.11) con h = 0.1 segundos se obtiene
0.005z + 0.005
G (z) = (4.12)
z 2 − 2z + 1
Para (4.12) sólo cuando el modelo interno es de tercer orden existe cancelación de polos y ceros, lo cual
es congruente con lo planteado en esta sección. En la Figura 4-9 se puede observar dicha cancelación

Figura 4-9: LGR del modelo de estimación de tercer orden.

63
4. Sistema de soporte al controlador

Tanto el modelo interno de primer orden como el de segundo cumplen con la condición de que sus
polinomios de identificación sean coprimos. Es aquı́ donde el criterio de error cobra importancia. Para
el caso de primer orden, el error de estimación acumulado es 1.6714, y para el caso de segundo orden es
0.01781; por lo cual, se puede deducir para este caso que el modelo de estimación interno para el control
adaptable debe elegirse como segundo orden
En la práctica, una situación que puede delatar la no unicidad de la solución, es la variación extrema o
alternancia en el comportamiento de los parámetros de estimación, por lo que se define a continuación
un último criterio de validación.

Criterio de convergencia heurı́stica


El desempeño del procedimiento de estimación tiene un comportamiento particular cuando es sobreesti-
mado, pues el proceso pierde consistencia [82].
Suponga ahora que el vector de estimación cuando la perturbación es ruido blanco, es definido como:

θ = [θ0 , θ1 , θ2 , ..., θ 2n+1 ] i = 0, 1, ..., 2n + 1 (4.13)

de lo cual se tiene que θi puede expresarse como el vector de longitud x :

θi = [θi0 , θi1 , θi2 , ..., θx ] (4.14)

Si (4.14) se representa ahora como: £ ¤


θi = w1 , w2 , ..., wx/v (4.15)
donde w1 , w2 hasta wx/v son v segmentos de la misma dimensión del vector (4.14), denominadas en este
trabajo como ventanas. De tal forma, que se puede decir que hay convergencia (en particular consistencia)
heurı́stica cuando:
var (w1 ) > var (w2 ) > ... > var(wx/v ) (4.16)
¡ 2¢
donde var es la varianza σ del vector involucrado.
A continuación se resume el procedimiento de selección de orden del modelo interno, en el siguiente
algoritmo:

Algoritmo 4.1. Para la elección del orden del modelo de estimación

Paso 1. Excitar al proceso con un tren de pulsos en lazo abierto y guardar las señales de excitación.
Paso 2. Con las señales de excitación, aplicar RLS usando los modelos descritos por la ecuación (4.1).
Paso 3. Del comportamiento exhibido por los procesos de estimación definir el orden del modelo interno
considerando
a) Si sólo el modelo estimado de primer orden es coprimo, se elige una estructura de primer orden,
b) Si el modelo de tercer orden es el único que no es coprimo, se elige el modelo de segundo orden
si su proceso de estimación es consistente y su error acumulado es el menor,
c) Si todos los modelos estimados son coprimos se opta por un modelo interno de tercer orden si
su proceso de estimación es consistente y su error acumulado es el menor. En caso de no satisfacer la
validación se opta por un modelo de segundo orden.
NOTA: Para la adquisición de señales debe usarse un filtro pasabajas.

Efectividad del método de selección de orden


Para medir el nivel de efectividad del proceso de selección de orden del modelo interno se realizó una
prueba estadı́stica. Debido a que la evaluación del desempeño del algoritmo de selección de orden se

64
4.2 Inicialización

dificulta en la práctica debido a la falta de una referencia, se desarrollaron pruebas en simulación, ya que
es más fácil medir el porcentaje de acierto si se conoce con certeza el orden del proceso.
Para la prueba se desarrolló un programa que genera aleatoriamente, funciones de transferencia continuas,
cuyo orden del denominador es máximo n=3, mientras que el orden del numerador es máximo n − 1. Por
su parte los coeficientes de la función son generados aleatoriamente con valores que varı́an en un rango
continuo entre 0 y 10. Una vez que el modelo es generado, se ejecuta el programa de selección de orden
el cual excita inicialmente al modelo con un tren cuadrado de pulsos. Con los datos generados a partir
del proceso de excitación, el método para selección de orden realiza una propuesta del orden del modelo
interno.
Para las pruebas se generaron aleatoriamente 100 procesos, con los que se probó la efectividad del
algoritmo de selección de orden teniendo éste un porcentaje de acierto del 94 %. Los desaciertos estuvieron
relacionados en todos los casos para procesos de tercer orden, en 5 de los 6 desaciertos el sistema propuso
modelos de segundo orden, mientras que en el restante, la propuesta fue de primer orden.

4.2.2. Inicialización de parámetros iniciales


Los parámetros iniciales del control adaptable se ajustan como los parámetros finales (se asume conver-
gencia) del procedimiento de estimación, de la estructura cuyo orden haya sido seleccionada.

4.2.3. Asignación de polos


La configuración para definir la asignación de polos en el sistema autónomo, consiste en una asignación
de primer orden cuando el procedimiento de inicialización opta por una estructura interna de primer
orden, tal que:
τ d = 0.7τ (4.17)
es decir, se propone una asignación de polos que dinámicamente sea 30 % más rápida que en lazo abierto.
Para el caso del segundo orden tanto como del tercero, se propone una asignación deseada de polos de
segundo orden que cumpla
tsd = 0.7ts y Mpd = 10 % (4.18)
Ambas configuraciones son válidas cuando la referencia deseada no supere el 50 % del rango máximo
permisible de acción de la variable de salida. Si la referencia se ecuentra entre el 50 % y el 80 % se realiza
una evaluación numérica para la magnitud de la señal de control, para obtener el pico máximo de ésta,
y se ejecuta un algoritmo que reduce las expectativas en reducción de tiempo, aplicando incrementos; es
decir, si el tiempo que el sistema pasa en saturación supera el 30 % del tiempo de establecimiento del
proceso en lazo abierto, la expectativa del tiempo pasa del 70 % al 80 % del tiempo de establecimiento
en lazo abierto, se evalúa nuevamente la respuesta del control, y si se cumple con la condicionante se
conserva la propuesta de asignación de polos. Este proceso se repite con intervalos definidos hasta cumplir
una asignación de polos necesaria. El inicializador también considera el ajuste manual de la asignación
de polos mediante el diseño de la respuesta dinámica deseada.
Los criterios utilizados para el diseño de los polinomios de asignación de polos se proponen como una
relación heurı́stica entre el comportamiento del actuador, la referencia y la ganancia de lazo abierto del
proceso. Debido a la dificultad que representarı́a obtener una relación generalizada que se adaptara a
cualquier rango de actuación, se eligió el estándar ISA de 4 a 20mA.
Si suponemos que usamos un controlador cuyas entradas y salidas están normalizadas dentro del estándar
de 4 a 20mA podemos suponer una ganancia unitaria. Con fines ilustrativos se utiliza un proceso particular
con dos polos en -1, lo cual resulta en un tiempo de establecimiento de 5.84 (usando la función settling time
de Matlab). Suponiendo un tope para la señal de actuación equivalente al 90 %, tenemos un máximo de
18.4 mA (si se restan los 4mA del inicio del rango se tendrı́an 14.4mA como tope de actuación). Tomando
como referencia 14.4mA como máximo valor neto posible al actuador, podemos establecer en función de

65
4. Sistema de soporte al controlador

porcentaje del rango, los máximos valores de actuación para diferentes tiempos de establecimiento en
lazo cerrado (Ver Figura 4-10).

Figura 4-10: Múltiplo valor porcentual en el actuador.

En la Figura 4-10 se exploran la señales máximas de control cuando se requiere alcanzar porcentajes
que van desde 0.2 hasta 3 veces el tiempo de establecimiento. Para lograr que la señal de control no
llegue al tope del actuador, es necesario diseñarla para que el tiempo de establecimiento en lazo cerrado
sea muchas veces mas lento que en lazo abierto. Observando la Figura 4-10, podemos observar que 0.7
del tiempo de establecimiento en lazo abierto como propuesta inicial, puede llegar a tener un máximo
porcentual de la señal de control del 200 %, esto significa que teniendo la señal de control saturada (ver
Figura 4-11), el controlador sólo estarı́a en saturación el 17 % del tiempo de establecimiento de la planta,
lo cual vuelve a este criterio una alternativa viable para el diseño de asignación de polos.

Figura 4-11: Señal de control saturada

66
4.2 Inicialización

4.2.4. Selección del periodo de muestreo


Para sistemas asintóticamente estables el periodo de muestreo se calcula como:
ts
h= (4.19)
50

4.2.5. Factor de olvido


La elección del factor de olvido modifica de forma fundamental el comportamiento de la matriz de
covarianza Px , como ésta es una variable de supervisión (como se verá mas adelante) se opta por un
factor de olvido λ constante de 0.99.

4.2.6. Matriz de covarianza


La matriz de covarianza se debe inicializar según [82], como:

Px0 = Kcov I (4.20)

donde Kcov debe elegirse entre 100 y 1000 si el conocimiento del proceso es escaso y entre 1 y 10 si hay
información sobre el sistema. Gracias al proceso de inicialización se opta por Kcov = 10.

4.2.7. Detección del retardo


El valor del retardo se obtiene directamente de la salida del sistema en lazo abierto, contando los muestreos
hasta obtener una respuesta del sistema una vez que una entrada de excitación se ha aplicado (Figura
4-12).

Figura 4-12: Obtención del retardo del sistema.

Wn es la amplitud de la variación de la salida del proceso con entrada 0. El conteo de muestreos se realiza
hasta:
y > max (Wn ) (4.21)
El número de muestreos contabilizados se denomina k.
La reducción del costo computacional es muy importante. Para evitar un incremento en la dimensión de
Px , cuando el regresor está definido por:

ϕ (t − 1) = [−y (t − 1) ... − y (t − n) , u (t − 1) ...u (t − n) ...e (t − 1) ...e (t − n)] (4.22)

67
4. Sistema de soporte al controlador

cuando k > 0 se redefine el regresor como:

ϕ (t − 1) = [−y (t − 1) ... − y (t − n) , u (t − 1 − k) ...u (t − n − k) ...e (t − 1) ...e (t − n)] (4.23)

4.2.8. Excitación de procesos inestables


El proceso de inicialización en simulación es completamente funcional, tanto para sistemas estables como
inestables; sin embargo, en la práctica hay que mencionar que la metodologı́a propuesta sólo es válida para
sistemas que tienen sus raı́ces en el semiplano izquierdo y sobre el eje imaginario. Un sistema inestable
no puede excitarse en la práctica en lazo abierto (por los riesgos que representa), y para excitarlo en lazo
cerrado se requiere conocimiento del proceso. El GMVDPAC tiene capacidad para controlar sistemas
inestables y de fase no mı́nima, sin embargo para llevar a la práctica este caso, serı́a necesario que el
usuario brinde la información necesaria para el arranque.

4.3. Control de respaldo


El control de respaldo juega un papel de suma importancia en la estructura del sistema en general, puesto
que vuelve al sistema redundante y los márgenes de confiabilidad se expanden.
En años recientes se ha aprovechado la capacidad de optimización de los algoritmos genéticos en el
control. En lo concerniente a los controladores PID, los algoritmos genéticos se emplean para optimizar
los controladores ante condiciones particularmente demandantes. La idea básica del PID genético es la
formación de un cromosoma [27] cuyo contenido genético sean las ganancias del controlador PID como
se muestra en la Figura 4-13.

Figura 4-13: Representación genética

Cada cromosoma es probado y evaluado. Los individuos con aptitud superior al promedio tendrán mayores
oportunidades de reproducción. Las ganancias que permiten un mejor desempeño del control tienen mayor
oportunidad de heredar su perfil del cromosoma.
Para el caso particular del PID genético directo se usa la estructura de control PID
µ Z ¶
1 t de (t)
u (t) = Kc e (t) + e (t) dt + Td (4.24)
Ti 0 dt
y en particular su equivalente discreto para el algoritmo de posición
· ¸
hP n Td
u (k) = Kc e (k) + e (i) + (e (k) − e (k − 1)) (4.25)
Ti i=0 h

En la Figura 4-14 se presenta un diagrama donde se representa el funcionamiento del PID Genético
Directo. El sistema usa el modelo estimado por RLS, del orden definido por la inicialización, el cual se
utiliza para evaluar la sintonización del sistema en cuestión. Por medio de la función de aptitud [27] se
establece un criterio de desempeño.

68
4.3 Control de respaldo

Figura 4-14: Estructura del PID Genético Directo.

Uno de los aspectos más importantes que debe considerarse en el proceso evolutivo, es el acotamiento
del esfuerzo de control, por lo que la función contempla una penalización a la saturación como:
 x 
 P |e (t)| , mı́n (u) > Sl ∧ máx (u) < Sh 
f.a. t=1 (4.26)
 
baja aptitud mı́n (u) > Sl ∧ máx (u) < Sh

En la Figura 4-15 se presentan los lı́mites de saturación del actuador, dichos lı́mites pueden ajustarse en
el proceso evolutivo, para desalentar esfuerzos del controlador que el operario considere excesivos, aunque
sean inferiores a los lı́mites de saturación naturales.

Figura 4-15: Lı́mites de saturación del actuador.

En la Figura 4-16a) se presenta el control PID genético directo para el proceso del Ejemplo 4.2 una vez
que se cuenta con el modelo interno. En la Figura 4-16b) se presenta la evolución de la función de aptitud

69
4. Sistema de soporte al controlador

a través de 10 generaciones.
El cromosoma más apto, para el ejemplo particular arrojó un conjunto de ganancias de control, como
Kc =0.39, Ti =9.11 y Td =9.24, como puede apreciarse el algoritmo genético evolucionó una ganancia
derivativa relativamente grande para compensar la acción del doble integrador.
Como puede apreciarse en la Figura 4-16 el desempeño del control es satisfactorio, hay que hacer hin-
capié en que ningún método de sintonización basado en las reglas de Ziegler y Nichols es útil para la
sintonización de un proceso de esta clase.

Figura 4-16: a) Seguimiento de la referencia del sistema cuando es controlado con el PID genético directo b)
Función de aptitud.

4.3.1. Criterio de paro


La ejecución de un algoritmo genético usualmente es detenida mediante un criterio de paro que involucra
la consecución de una meta, la cual podrı́a ser alcanzar una cota mı́nima de error, o la mı́nima satisfacción
para un problema. La principal desventaja de detener un algoritmo de esta forma consiste en el hecho de
que es muy difı́cil predecir el tiempo que le puede tomar alcanzar al algoritmo una solución satisfactoria.
Del otro lado del espectro queda el establecer un número fijo de generaciones que nos permitan determinar
un tiempo determinı́stico de ejecución para el algoritmo. Desafortunadamente al aplicar esta alternativa
de solución, no se puede garantizar una cota de error. Para sortear ambas dificultades se propuso deter-
minar a partir de pruebas estadı́sticas, un número mı́nimo de generaciones que cumpliera con una cota
de desempeño determinada.
Dado que el tamaño del problema de optimizar el número de generaciones para obtener los parámetros
de optimización para cualquier proceso serı́a inconmensurable, se optó por realizar las pruebas para un
proceso único de la forma:
1
G (s) = (4.27)
s2 + 2s + 1
lo cual si bien no garantiza un desempeño global, da una idea de cómo ajustar el tiempo de ejecución del
algoritmo de una manera aceptable.

70
4.3 Control de respaldo

El experimento se llevo a cabo modificando el número de generaciones de 2 a 20, para 25 muestras


(se ejecutó el algoritmo genético para cada número determinado de generaciones en 25 ocasiones, y se
obtuvieron valores de desempeño promedio). En la Figura 4-17 se presenta el comportamiento del tiempo
de ejecución (en segundos), con relación al número de generaciones, como puede observarse la relación
es prácticamente lineal, de lo que se puede presumir un aumento directamente proporcional en el tiempo
de ejecución al aumentar el número de generaciones que se definan para el algoritmo.

Figura 4-17: Relación tiempo de ejecución del algoritmo versus número de generaciones.

En la Figura 4-18 se presenta el comportamiento del IAE promedio, con 25 muestras para diferentes
números de generaciones (las x representan los puntos de prueba, mientras que la lı́nea representa una
interpolación lineal). Contrario a lo que podrı́a pensarse, no necesariamente un mayor número de gen-
eraciones garantiza un menor error, una de las razones es que el algoritmo genético no emplea elitismo
[16] y las últimas generaciones podrı́an tener una función de aptitud inferior a algunas de sus prede-
cesoras. En particular la mayor función de aptitud (el menor IAE) se consigue estadı́sticamente como
puede apreciarse en la Figura 4-18, al ejecutar 10 generaciones, lo cual implica en referencia a la Figura
4-17 un tiempo de ejecución inferior a un minuto (usando Matlab 6 sobre Intel Centrino). Existen casos
reportados donde similarmente se tienen muy pocas generaciones fijas para un PID genético y se alcanzan
buenos resultados [41].

71
4. Sistema de soporte al controlador

Figura 4-18: Relación IAE promedio obtenida versus número de generaciones.

4.3.2. Comportamiento del proceso evolutivo ante diferentes niveles de mutación


Ya que el algoritmo genético propuesto para el PID genético directo es de 8 bits, la longitud del cromosoma
es 24. El porcentaje de mutación definido para el sistema es 10 %, lo cual significa alterar el valor lógico de
un bit de 10 cromosomas en una población de 100. En otras palabras significa la alteración del 0.00416 %
del contenido genético de la población medido en bits.
Las razones que llevaron a la selección de este porcentaje de mutación tienen que ver con el compor-
tamiento de la máxima función obtenida para un porcentaje de mutación dado.
La variación efectiva de los tiempos de ejecución por modificación de los porcentajes de mutación es
mı́nima (para un mismo tamaño de población y un número de generaciones establecido), por lo que es
muy difı́cil de medir al ejecutarse la simulación sobre una plataforma multitarea (Windows), y aunque
estrictamente hablando, aumentar el porcentaje de mutación repercute en mayor número de operaciones,
la dificultad de la medición impide apoyarse en este factor para tomar una decisión.
Para obtener el IAE promedio se llevaron a cabo 10 pruebas para un mismo porcentaje de mutación,
cada una de ellas para 10 generaciones en todos los casos. Se realizaron pruebas para ı́ndices de mutación
que van desde el 0 % hasta el 30 %, en la Figura 4-19 se ilustran los resultados.
Como podemos observar en la Figura 4-19, el mı́nimo error promedio se obtuvo con un 10 % de la mutación
del algoritmo genético. La gráfica presenta con “x” los puntos de prueba, mientras que la lı́nea que une
a dichos puntos es el resultado de una interpolación lineal de octavo orden. Dicha curva representa
un comportamiento complejo, pues se pueden observar varios mı́nimos. En particular se selecciona la
mutación del 10 %, puesto que ésta demarca el mı́nimo global de la curva.

72
4.4 Supervisión

Figura 4-19: Comportamiento del IAE promedio (10 muestras), para diferentes porcentajes de mutación.

4.4. Supervisión
En la literatura disponible sobre supervisión de sistemas adaptables, la inicialización y el control de
respaldo forman parte de un concepto general de supervisión [31], [39], [46]. En particular en este capı́tulo
la supervisión es referida como la etapa de monitoreo para la operación del control adaptable.
La estructura de supervisión es un módulo basado en sistemas expertos, la cual sintetiza el conocimiento
heurı́stico necesario para establecer un margen de operación seguro del control adaptable. Dicho sistema
experto es en esencia un sistema de diagnóstico rápido, que establece acciones para salvaguardar la
operación del sistema de control.
Las principales variables de supervisión utilizadas en esta etapa, están definidas en función de factores
necesarios para el adecuado funcionamiento del GMVDPAC:

Estabilidad en lazo cerrado,

Identificabilidad del proceso,

Error de seguimiento,

Respuesta del sistema ante cambios de carga.

4.4.1. Estabilidad en lazo cerrado


Cuando se aplica un controlador del tipo GMV, el lazo cerrado tiene la forma descrita por la ecuación
(2.95), por lo que puede observarse, que la relación (3.1) determina la ubicación de los polos en lazo
cerrado. Para supervisar la estabilidad del sistema durante el proceso recursivo, puede establecerse la
relación (3.1) mediante un proceso de identificación RLS que involucra la salida del proceso y a la
referencia del mismo en lazo cerrado. La ubicación de los polos respecto al tiempo puede monitorearse,
como se puede observar en la Figura 4-20, cuando se controla el proceso descrito en el Ejemplo 3.1 del
Capı́tulo 3.

73
4. Sistema de soporte al controlador

Figura 4-20: a) Comportamiento de los polos en lazo cerrado con respecto al tiempo, la dirección de las flechas
muestran la dirección de la migración de los polos en función del tiempo, b) proyección ε., Las X representan la
ubicación de polos definida por T, c) Asignación de los polos con respecto al tiempo, los trapezoides representan
la proyección ε.

Cuando la estimación acaba de comenzar, los polos pueden quedar fuera por algunos muestreos del cı́rculo
unitario, pero una vez que los parámetros han convergido los polos no deben salir del cı́rculo unitario.

74
4.4 Supervisión

Una forma indirecta de medir la inestabilidad del sistema en lazo cerrado es a través del comportamiento
de la señal de control, por lo que la magnitud de u, puede ser útil para definir las condiciones de operación
a través de la regla heurı́stica

Si |u| > cota max . entonces control adaptable OFF y control de respaldo ON (4.28)

4.4.2. Identificabilidad del proceso


La identificabilidad [82] de parámetros, es un concepto fundamental en la identificación de parámetros.
Como se estableció en el Capı́tulo 2.
La correlación de los elementos del vector de datos, se debe fundamentalmente a la falta de excitación
persistente o a casos de sobreparametrización.
La identificabilidad de un proceso se puede determinar a través de la verificación de la independencia
lineal de Px . Si la inversa de la matriz Px se vuelve singular pueden tomarse acciones mediante el uso de
la regla:

Si det(Px )−1 = 0 entonces control adaptable OFF y control de respaldo ON (4.29)

La traza de la matriz de covarianza es una variable de supervisión útil, pues a partir de ella se pueden
deducir dos cosas, si el proceso está en riesgo de ser no identificable y/o que los parámetros de esti-
mación no están convergiendo; en presencia de ambas condiciones, la operación del control adaptable
debe detenerse, por lo cual se aplica el procedimiento

Si tr(P x) > cota max. entonces control adaptable OFF y control de respaldo ON (4.30)

A través de la interpretación de la traza, el sistema de supervisión desarrollado puede realizar algunas


acciones correctivas en la etapa temprana de la anomalı́a.
La primera acción propuesta si se detecta un crecimiento de la traza de la matriz de covarianza (mien-
tras no se alcance la cota máxima) es la propuesta en [85], la cual consiste en enriquecer el regresor
artificialmente una vez que se ha establecido un sobredimensionamiento tal que:
¡ ¢
y (t) = θT ϕ + e (t) − θT v (t) , ϕ = ϕ̄ + e (t) (4.31)
donde ϕ̄ es el regresor para el sistema sobredimensionado y v(t) es el término agregado para asegurar
que ϕ este excitado adecuadamente; según [85], v(t) debe seleccionarse con ruido blanco gausiano con
media cero.
La segunda acción se lleva acabo cuando el modelo interno que se está aplicando es de segundo orden,
si la traza tiene una tendencia creciente se realiza la conmutación del modelo interno a uno de primer
orden, de la forma:

Si t r (Px ) tiene una tendencia creciente ∧ t r (Px ) < cota max ,


entonces modelo interno de segundo orden OFF y modelo interno de primer orden ON

Si la causa de la anomalı́a es la falta de excitación persistente, la conmutación al control de respaldo es


un paso necesario.

75
4. Sistema de soporte al controlador

4.4.3. Error de seguimiento

La supervisión del error se inicializa cuando el error instantáneo supera una cota permitida, y se realiza
el procedimiento
P
max
Si |e(k )| > cota max1 . entonces e (k) , (4.32)
k=1

P
max
Si e (k) > cota max2. entonces . . .
k=1
control adaptable OFF y control de respaldo ON
P
max
Si |e(k)| < cota max1. entonces e (k) = 0
k=1

4.4.4. Respuesta de sistema ante cambios de carga

Los cambios de carga pueden detectarse de la siguiente manera


Si u aumenta e y disminuye entonces CAMBIO DE CARGA
Si CAMBIO DE CARGA entonces detener la adaptación
Si CAMBIO DE CARGA contar tiempo t

Si t > tiempo max. entonces control adaptable OFF y control de respaldo ON (4.33)

Este proceso está inspirado en el método propuesto por [31], y utiliza un filtro pasa altas a la salida del
controlador para sensar la variación.

4.4.5. Simulación

A continuación se presentan algunos ejemplos en simulación asociados al sistema de supervisión descrito


en las secciones anteriores.
En la Figura 4-21 se presenta el comportamiento del sistema (3.2) controlado con el GMVDPAC, cuando
los parámetros iniciales del proceso adaptable son ajustados con la información obtenida del proceso de
inicialización, como puede observarse en la Figura 4-21b), no existe un pico inicial en la señal de control.
En la Figura 4-22 se observa que cuando el control usa el procedimiento de inicialización, los polos
permanecen siempre dentro del cı́rculo unitario. De lo mostrado en la Figura 4-22, se puede observar que
el proceso de inicialización tiene un impacto muy positivo en el desempeño del sistema y en la estabilidad
de lazo cerrado. En la Figura 4-23, se presenta el arranque del sistema con el control de respaldo: el
PID genético directo. Después del segundo 100 el sistema conmuta al modo adaptable; la conmutación
es arbitraria, con fines ilustrativos.
Con la finalidad de probar el supervisor, en caso de inestabilidad en lazo cerrado en simulación, se hacen
los polos inestables de T en el segundo 100. En la Figura 4-24, se observa el comportamiento de los polos en
esta situación y en la Figura 4-25 se observa la respuesta en el tiempo ante el fallo provocado. Finalmente
en la Figura 4-26 se presenta la conmutación entre controles, cuando la supervisión está activada. Este
proceso se lleva a cabo midiendo el exceso de señal de control descrito en la sección 4.4, lo cual es
conveniente, pues se puede actuar rápido y rescatar oportunamente el sistema de una disfunción.

76
4.4 Supervisión

Figura 4-21: Comportamiento del sistema cuando los parámetros iniciales del control adaptable son proporcionados
por el procedimiento de inicialización.

Figura 4-22: Comportamiento de los polos en lazo cerrado cuando los parámetros iniciales del control adaptable
son proporcionados por el procedimiento de inicialización

77
4. Sistema de soporte al controlador

Figura 4-23: Arranque del sistema bajo el control de respaldo

Figura 4-24: Falla provocada al definir los polos de T fuera del cı́rculo unitario

78
4.4 Supervisión

Figura 4-25: Falla Comportamiento del control adaptable en el tiempo cuando los polos de T se trasladan fuera
del cı́rculo unitario.

Figura 4-26: Conmutación al modo respaldo por la falla provocada.

79
4. Sistema de soporte al controlador

80
Capı́tulo 5

Resultados y Aplicaciones

5.1. Introducción
En este Capı́tulo se presentan a través de simulaciones y pruebas prácticas resultados obtenidos a partir
de la implementación del sistema de control desarrollado en la tesis.

5.2. Implementación y evaluación general


En esta sección se presenta un análisis del procedimiento necesario para la implementación del controlador
de varianza mı́nima generalizado con asignación dinámica de polos (GMVDPAC). Además se presenta
una evaluación llevada a cabo al GMVDPAC, con ayuda de un conjunto de pruebas realizadas sobre un
lote de plantas, que involucraron con fines comparativos a otras estrategias de control.

5.2.1. Implementación del GMVDPAC


El procedimiento de implementación del controlador GMVDPAC se revisa en función de n, que es el
orden del polinomio A.
Para fines del siguiente análisis se asume: Â → A, B̂ → B, Ĉ → C, por lo cual en lo subsecuente se
hará referencia a ellos como los verdaderos.

Implementación digital del GMVDPAC para n = 1


Cuando el modelo del proceso tiene la forma:
b0
G (z) = (5.1)
z + a1

donde (5.1) puede representar tanto a un proceso estable, inestable o integrador.


El polinomio de ubicación de polos en este caso tiene la forma:

T = t0 z + t1 (5.2)

ya que nT = 2n − 1. Las raı́ces del polinomio de ubicación de polos T, deben permanecer dentro del
cı́rculo unitario para alcanzar una ubicación de polos estable en lazo cerrado.
Cuando los polinomios costo del controlador GMVC se diseñan para satisfacer una asignación de polos,
es necesario resolver la identidad:
P B + QA = T (5.3)

81
5. Resultados y Aplicaciones

Una forma de solucionar (5.14) es mediante el planteamiento de la matriz de Sylvester como:


· ¸−1 · ¸ · ¸
a1 b0 t1 q0
M= = (5.4)
1 0 t0 p0

De manera que los polinomios P y Q tienen la forma:

P = p0 (5.5)
Q = q0

En el GMVDPAC los polinomios F y G se calculan a partir de:

P C = F A + z −k G (5.6)

Para el caso donde se cuenta con una función de transferencia, como la definida por la ecuación (5.1), el
orden para el polinomio de la perturbación c es n c ≤ nA , de tal forma:

c = c0 z + c1 (5.7)

Por lo que la solución de (5.6) está dada por:

f0 = p0 c0 (5.8)
g0 = c1 p0 − a1 c0 p0

Entonces el polinomio de control asociado a la entrada de la planta tiene la forma:

H = QC + BF = q0 c0 z + q0 c1 + b0 p0 c0 (5.9)

de lo que h0 = q0 C0 y h1 = b0 f0 + q0 c1 , mientras que:

E = −CR (5.10)

o bien:
E = e0 z + e1 (5.11)

Dada la forma conocida del controlador:

Hu (t) + Gy (t) + Er (t) = 0 (5.12)

Expandiendo la ecuación (5.12) se tiene:

(h0 z + h1 ) u (t) + g0 y (t) + (e0 z + e1 ) r (t) = 0

Por ejemplo para el caso particular donde c1 = 0, la ley de control podrı́a implementarse como:
h1 g0 e0
u (t) = − u (t − 1) − y (t − 1) − r (t) (5.13)
h0 h0 h0

82
5.2 Implementación y evaluación general

Implementación digital del GMVDPAC para n = 2

Cuando el modelo del proceso tiene la forma:


b0 z + b1
G (z) = (5.14)
z2 + a1 z + a2

nT = 3, ya que nT = 2n − 1, de tal forma:

T = t0 z 3 + t1 z 2 + t2 z + t3 (5.15)

El orden de la asignación puede variarse mediante la adecuada selección de los coeficientes del polinomio
T.
La solución de la identidad se da a partir de:
 −1    
a2 0 b1 0 t3 q1
 a1 a2 b0 b1   t2   q0 
M =  
 1 a1 0 b0  
=  (5.16)
t1   p1 
0 1 0 0 t0 p0

Por lo que los polinomios P y Q tienen la forma:

P = p0 z + p1 (5.17)
Q = q0 z + q1

Entonces la ecuación (5.3), puede representarse como:

z 3 q0 + z 2 (a1 q0 + b0 p0 + q1 ) + z (a2 q0 + a1 q1 + b1 p0 + b0 p1 ) + b1 p1 + a2 q1 (5.18)

por lo que por ejemplo, para el caso particular donde nT = 2, q0 = 0.


En el GMVDPAC, F y G se calculan a partir de la ecuación (5.6).
Para el proceso representado por la función de transferencia de la ecuación (5.14) el orden máximo posible
para el polinomio c está dado como nc ≤ nA por lo que c tiene la forma:

z 2 + c1 z + c2

donde el polinomio C es mónico. Con la finalidad de mostrar un resultado general se incluye el coeficiente
c0 , el cual tiene un valor conocido de 1; sin embargo, es importante para ilustrar el efecto de c cuando
nc < nA .
Al resolver (5.6) se obtiene:

f0 = c0 p0 (5.19)
1
f1 = p1 c2
a2
1
g0 = − p1 c2 + p0 c1 − a1 c0 p0
a2
a1
g1 = − p1 c2 + p0 c2 + p1 c1 − a2 c0 p0
a2

cuando nc ≤ nA .

83
5. Resultados y Aplicaciones

para:

F = f0 z + f1 (5.20)
G = g0 z + g1

Por su parte los polinomios de control H y E tienen la forma:

H = BF + QC (5.21)

por lo que H tiene la forma:


µ ¶
3 2 b0 b1
H = z c0 q0 + z (b0 c0 p0 + q1 c0 + c1 q0 ) + z c1 q1 + b1 c0 p0 + p1 c2 + c2 q0 + q1 c2 + p1 c2 (5.22)
a2 a2

o bien
H = h0 z 3 + h1 z 2 + h2 z + h3

Mientras que:
E = −CR

de lo que:
E = e0 z 2 + e1 z + e2

Considerando que la ley de control tiene la forma

Hu (t) + Gy (t) + Er (t) = 0 (5.23)

La expansión puede estar dada a su vez por:


¡ ¢ ¡ ¢
h0 z 3 + h1 z 2 + h2 z + h3 u (t) + (g0 z + g1 ) y (t) + e0 z 2 + e1 z + e2 r (t) = 0

para la implementación hay que despejar u (t) , asociada al coeficiente de mayor orden. Como ejemplo
suponga el caso sonde nT = n, por lo que q0 = t0 = 0, y consecuentemente h0 = 0. Además de suponer
c = c0 z, por lo que la implementación particular estarı́a dada por:
h2 g0 g1 e0
u (t) = − u (t − 1) − y (t − 1) − y (t − 2) − r (t) (5.24)
h1 h1 h1 h1

84
5.2 Implementación y evaluación general

Implementación digital del GMVDAPC para n = 3


Cuando el modelo del proceso tiene la forma:

b0 z 2 + b1 z + b2
G (z) = (5.25)
z 3 + a1 z 2 + a2 z + a3
la ubicación de polos se define con el polinomio:

T (z) = t0 z 5 + t1 z 4 + t2 z 3 + t3 z 2 + t4 z + t5 (5.26)

ya que cuando n = 3, nT = 5.
La solución de la identidad se da a partir de:
 −1    
a3 0 0 b2 0 0 t5 q2
 a2 a3 0 b1 b2 0   t4   q1 
     
 
a1 a2 a3 b0 b1 b2   t3   q0 
M =

 =  (5.27)
 1 a1 a2 0 b0 b1   
 t2  
  p2 

 0 1 a1 0 0 b0   t1   p1 
0 0 1 0 0 0 t0 p0

De manera que los polinomios P y Q tienen la forma:

P = p0 z 2 + p1 z + p2 (5.28)
2
Q = q0 z + q1 z + q2

Considerando la ecuación (5.25), nc ≤ nA por lo que:

F = f0 z 2 + f1 z + f2 y (5.29)
2
G = g0 z + g1 z + g2

donde:

f0 = c0 p0
a2 1
f1 = − 2 c3 p2 + (c2 p2 + c3 p1 )
a3 a3
1
f2 = c3 p2
a3
a2 1
g0 = 2 c3 p2 − (c2 p2 + c3 p1 ) + c0 p1 + c1 p0 − a1 c0 p0
a3 a3
−a3 − a2 a1 1
g1 = c3 p2 − a1 (c2 p2 + c3 p1 ) + c0 p2 + c1 p1 + c2 p0 − a2 c0 p0
a23 a3
−a22 + a3 a1 1
g2 = 2 c3 p2 − a2 (c2 p2 + c3 p1 ) + c1 p2 + c2 p1 + c3 p0 − a3 c0 p0
a3 a3

por ejemplo en el caso particular de c1 = c2 = 0 se tendrı́a f0 = c0 p0 mientras que f1 = f2 = 0, por su


parte,

g0 = c0 p1 − a1 c0 p0 (5.30)
g1 = c0 p2 − a2 c0 p0
g2 = −c0 a3 p0

85
5. Resultados y Aplicaciones

Por lo tanto H puede definirse como:

H = h0 z 5 + h1 z 4 + h2 z 3 + h3 z 2 + h4 z + h5 (5.31)

donde:
h0 = q0 c0
h1 = q0 c1 + q1 c0 + b0 f0
h2 = q0 c2 + q1 c1 + b0 f1 + b1 f0 + q2 c0
h3 = q0 c3 + b0 f2 + b1 f1 + q1 c2 + q2 c1 + b2 f0
h4 = q1 c3 + q2 c2 + b1 f2 + b2 f1
h5 = q2 c3 + b2 f2
Por su parte E = e0 z 3 + e1 z 2 + e2 z + e3 , para E = −CR donde:

(Q (1) A (1))
R = P (1) + (5.32)
B (1)

Sabiendo que la ley de control es:

Hu (t) + Gy (t) + Er (t) = 0 (5.33)

puede realizarse la implementación de la ley de control; por ejemplo, para un caso particular donde
c1 = c2 = c3 = 0 puede expresarse a su vez en ecuaciones diferencia tiene la forma:
h1 h2 h3 h4
u (t) = − u (t − 1) − u (t − 2) − u (t − 3) − u (t − 4) − (5.34)
h0 h0 h0 h0
h5 g0 g1 g2 e0
u (t − 5) − y (t − 3) − y (t − 4) − y (t − 5) − r (t − 2)
h0 h0 h0 h0 h0
Sin embargo, para cualquier nT ≤ 2n − 1,

h4 = h5 = 0 (5.35)

debido a que h4 = b1 f2 + b2 f1 , mientras que h5 = b2 f2 cuando f2 = f1 = 0.


En el caso particular nT = nA , h0 = 0, porque:

h0 = q0 c0 (5.36)

dado que cuando nT = 3, q0 = 0, puesto que cuando la identidad es resuelta q0 = t0 .


Por su parte h1 = 0, ya que,
b0 f0 = −q1 c0 (5.37)
de tal forma (5.33) puede ser expresada

h3 g0 g1 g2 e0
u (t) = − u (t − 1) − y (t − 1) − y (t − 2) − y (t − 3) − r (t) (5.38)
h2 h2 h2 h2 h2
¤

5.3. Manejo del retardo


Para evitar que la dimensión de las matrices involucradas en la estimación crezca en proporción directa
a la magnitud del retardo, se opta en todos los casos de identificación, por la manipulación del vector de

86
5.4 Ejemplo numérico de implementación del GMVDPAC

regresión tal como se explicó en la sección 4.2.7.

5.4. Ejemplo numérico de implementación del GMVDPAC


Con la finalidad de mostrar el proceso de implementación del GMVDPAC, se ha seleccionado un ejemplo
de control de procesos consistente en el control del sistema de intercambiador de calor [75], mostrado
en la Figura 5-1, cuyo principal objetivo es que la temperatura del flujo a procesarse en la salida T0 (t)
se controle en el punto de trabajo T0sp (t), mediante el paso de vapor Fs (t) a través de una válvula de
control

Figura 5-1: Diagrama esquemático del sistema intercambiador de calor

Suposiciones:

El rango de la señal eléctrica es 4-20 mA,


El rango de la señal neumática es 3-15 psi,
la válvula de control es neumática y utiliza un convertidor corriente a presión I/P, con una relación

∆P (15 − 3) psi
= = 0.75psi/mA
∆I (20 − 4) mA

La caı́da de presión a través de la válvula es constante

Tabla 5.1.Condiciones de operación y especificaciones de los instrumentos


Variable Especificación
Gasto del fluido en proceso F =12Kg/s
Temperatura de entrada T =50C
sp
Punto de control T 0 =90C
Capacidad calorı́fica del fluido Cp =3750J/KgC
Calor latente del vapor λ=2.25x106 J/Kg
Capacidad de la válvula de vapor Fs =1.6kg/s
Rango del transmisor de temperatura 50 a 150C

87
5. Resultados y Aplicaciones

En la Figura 5-2 se presenta un diagrama a bloques simplificado del control del proceso de intercambio
de calor.

Figura 5-2: Diagrama a bloques del control para el intercambiador de calor

Donde las funciones de transferencia están dadas por:


a) Intercambiador
50
Gs (s) = (5.39)
30s + 1
b) Sensor-transmisor

Kh 0.16
Hs (s) = = mA/C (5.40)
Ts + 1 10s + 1
1
= %/C
10s + 1

Se usa el % de rango como unidad de ganancia, en el caso eléctrico el 100 % es 16 mA; para el neumático
es 12 psi.
c) Para fines del cálculo de la ganancia última el controlador se define como uno proporcional.

GC (s) = KC %/ % (5.41)

d) Válvula. Tomando la capacidad de la válvula de 1.6 kg/s de vapor, se tiene que

Kv 0,1
Gv (s) = = mA − kg/s (5.42)
Ts + 1 3s + 1
1.6kg/s
Kv0 = = 0.016kg/s/ %
100 %
0.016
= kg/s/C
3s + 1
De las funciones de transferencia en lazo cerrado se tiene que la ecuación caracterı́stica tiene la forma

1 + Hs (s) GC (s) Gv (s) Gs (s) = 0 (5.43)


0.016 1 50
1 + KC = 0
3s + 1 10s + 1 30s + 1
900s3 + 40s2 + 43s + 1 + 0.8KC = 0

88
5.4 Ejemplo numérico de implementación del GMVDPAC

Para encontrar el valor de la ganancia última, se sustituye s por jω, de lo que resulta que Ku = 23.8
mientras que la frecuencia es ω = 0.2186 rad/s (Tu = 28.7s el perı́odo de oscilación).
Con estos parámetros es factible el uso de la tabla de sintonización del Ziegler Nichols de lazo cerrado,
y el PID ISA[4] (ver Tabla 5.2).

Tabla 5.2. Ganancias de sintonización


Controlador Kc Ti Td
P 11.9 - -
PI 10.8 23.9 -
PID 14.0 14.3 3.6

Si se asume una perturbación en el proceso de transmisión, el diagrama a bloques de la Figura 5-2 puede
replantearse como se muestra en la Figura 5-3.

Figura 5-3: Perturbacion en la transmision

Con fines de simulación, se selecciona un periodo de muestreo equivalente a 1/30 de la constante de


tiempo más pequeña entre los bloques del diagrama de la Figura 5-3. Dicha velocidad de muestreo tiene
como consecuencias directas, una reducción considerable en la magnitud de los coeficientes del numerador
(debido a la sensitividad polo-coeficiente [9]) y una mayor susceptibilidad a la magnitud de la perturbación
ξ en la ecuación diferencia, por lo que con el fin de llevar a cabo el ejemplo numérico se asume como
perturbación una secuencia pseudo aleatoria con distribución gaussiana y media cero, con varianza de
1x10−8 .
En la Figura 5-4 se presenta el control PID sintonizado con las ganancias de la Tabla 5.2. Como puede
observarse en la Figura 5-4a) el sistema presenta un sobreimpulso importante. Mientras en la Figura
5-4b) se puede observar que se incluye un saturador definido como: max u = 300, min u = −300, y que
la señal de control permanece un tiempo notable en saturación.

89
5. Resultados y Aplicaciones

Figura 5-4: Control PID del intercambiador de calor a) Seguimiento a la referencia y=T0 en grados centigrados,
b) Señal de control

Siguiendo el procedimiento descrito en la sección 5.2.1, cuando n = 3, el diseño del GMVDPAC para el
intercambiador de calor se da bajo las siguientes condiciones de identificación

Px0 = 1000I (5.44)


λ = 0.99
θ0 = (1, 1, 1, 1, 1, 1, 1)

y asumiendo la convergencia de la estimación

 → A (5.45)
B̂ → B
Ĉ → C

De dicho procedimiento de estimación se desprende el cálculo en lı́nea de los poilinomios P, Q y R,


considerando una propuesta inicial de asignación polos, que para este caso está dado por:

T (z) = z 3 − 2.955z 2 + 2.911z + 0.955 (5.46)


Suponiendo que (5.45) se cumple, tales polinomios tiene la forma:

P (z) = −1920.12z 2 + 4063.13z − 2140.46 (5.47)


Q (z) = 0.000281z + 1.001
R (z) = 3.799

Con (5.47) calculado a partir de la estimación, se tiene que:

90
5.4 Ejemplo numérico de implementación del GMVDPAC

F = −1920.12z 2 (5.48)
2
G = −1608.78z + 3443.91z − 1832.57

Siendo por su parte H :

H = z 3 + 0.000274z 2 (5.49)
mientras que:

E = −3.79 (5.50)
En la Figura 5-5 se presenta el desempeño del proceso cuando éste es controlado por un GMVDPAC,
en la Figura 5-5a), se puede apreciar el seguimiento a la referencia, mientras que en la Figura 5-5b), se
observa la señal de control, la cual en relación con la señal de control del PID sintonizada por el método
de Ziegler-Nichols lazo cerrado es moderada y no alcanza en ningún momento, los lı́mites de saturación
establecidos en este ejemplo.

Figura 5-5: Control GMVDPAC del intercambiador de calor a) Seguimiento a la referencia, b) Señal de control

Por su parte en la Figura 5-6 se presenta el proceso de estimación del sistema.

91
5. Resultados y Aplicaciones

Figura 5-6: Estimación del proceso de intercambio de calor

La estructura de θ para este caso particular está dada por :

θ = [a1 , −a2 , a3 , b0 , b1 , b2 , c0 ] (5.51)


siendo θ verdadera,
¡ ¢
θver = 2.95, 2.90, 0.95, 0.1464x10−6 , 0.578x10−6 , 0.143x10−6 ,1 (5.52)
A partir de (5.53) se puede observar en la Figura 5-6 que

θ̂ → θ (5.53)
¤

5.5. Evaluación general del desempeño


Con la finalidad de evaluar el desempeño del GMVDPAC, se seleccionó un lote de plantas de diversas
fuentes bibliográficas [4], [46], [80], cuyas dinámicas son comunes en la industria del control de procesos.

5.5.1. El lote de plantas


A continuación se enumera el lote de plantas empleadas para las pruebas de desempeño

e−s
G1 (s) = Tx = 0.1, 1, 10 (5.54)
(1 + sTx )2
1
G2 (s) = n = 3, 4 (5.55)
(1 + s)n

92
5.5 Evaluación general del desempeño

1
G3 (s) = αx = 0.2, 0.5, 0.7 (5.56)
(1 + s) (1 + αx s) (1 + α2x s) (1 + α3x s)

(1 + αx s)
G4 (s) = αx = 0.1, 0.2, 0.5, 1, 2 (5.57)
(1 + s)3
0.0506 −6s
G5 (s) = e (5.58)
s
1 −0.2s
G6 (s) = e (5.59)
s−1

5.5.2. Criterios de evaluación


Con la finalidad de permitir un procedimiento de evaluación general y debido a la naturaleza particular
de cada prueba, se ha optado por asignar una calificación representativa al nivel de desempeño mostrado
por un controlador con respecto a sus homólogos, bajo las mismas condiciones de operación. Por lo que
se propone la siguiente relación, la cual toma en cuenta los valores obtenidos de IAE, IAC e ITAE a
partir de la siguiente ecuación:
µ ¶
valor evaluado - mejor resultado
er = 100 − × 100
peor resultado - mejor resultado
esta relación evalúa con 100 al mejor desempeño y con 0 al peor desempeño, y con una calificación gradual
entre 0 y 100 a los demás desempeños, dependiendo de su cercanı́a al mejor o peor resultado.
Durante la evaluación del desempeño, se contempla la inclusión del control PID ISA [3] debido a su
extenso uso en la industria.
µ Z ¶
1 t de (t)
u (t) = Kc e (t) + e (t) dt + Td (5.60)
Ti 0 dt
En particular se utiliza como variante discreto de (5.60), el algoritmo de posición [9].

à n
!
hX Td
u (k) = Kc e (k) + e (k) dt + [e (k) − e (k − 1)] (5.61)
Ti h
t=0

Donde h es el periodo al que se muestrea el proceso.


Para la autosintonización del controlador PID, se utilizan los métodos de Ziegler Nichols de lazo abierto
y lazo cerrado [3]. Los métodos de sintonización de Ziegler y Nichols, no son útiles cuando se realiza la
sintonización de controladores PID para procesos cuyas raı́ces no están estrictamente en el semiplano
izquierdo del LGR. Como alternativa a dicho método de sintonización se utiliza la estrategia propuesta
por Visioli [80], que al igual que en el método de Ziegler Nichols requiere del uso de tablas, con la
diferencia de que tales tablas no son una sı́ntesis heurı́stica, sino el resultado de una optimización con
algoritmos genéticos. También fue utilizado el método de sintonización para sistemas integradores con
retardo propuesto por Poulin y Pormeleau [68], el cual se basa en el uso de los diagramas de Nichols para
encontrar una relación óptima entre el margen de fase y máximo sobreimpulso.
La evaluación particular del desempeño de cada proceso se lleva a cabo con los siguientes ı́ndices de
desempeño

La integral del valor absoluto de error (IAE)

93
5. Resultados y Aplicaciones

Caso continuo Z t
IAE = |e (t)| dt (5.62)
0
Caso discreto
n
X
IAE = |e (t)| dt (5.63)
t=1

La integral del valor absoluto de error por el tiempo (ITAE)


Caso continuo
Z t
IT AE = t |e (t)| dt (5.64)
0
Caso discreto
n
X
IT AE = t |e (t)| dt (5.65)
t=1

Esfuerzo del controlador


Caso continuo
Z t
IAC = |u (t)| dt (5.66)
0
Caso discreto
n
X
IAC = |u (t)| dt (5.67)
t=1

El IAE se emplea para evaluar el seguimiento a la referencia, mientras que el ITAE, se utiliza para evaluar
la capacidad de un controlador determinado para sobreponerse ante un cambio de carga, la multiplicación
por el tiempo t, acentúa en el resultado el tiempo que le toma al sistema de control superar dicho cambio.
Por su parte el IAC es la integral del valor absoluto de la señal de control y es representativa del esfuerzo
de control. El IAC está ligado con la capacidad de operación de un actuador, ası́ como con el tiempo de
vida del mismo. Cuando un proceso es perturbado con un cambio de carga, ésta puede modelarse como
un escalón aplicado en la salida del sistema, si se aplica el teorema del valor final al circuito serie, el
efecto del cambio de carga puede observarse como una ganancia adicional [17], por lo cual se proprone
en este texto una aproximación a un cambio de carga escalón.
En particular, para medir el ITAE se simula un cambio de carga en un tiempo dado t, modificando la
ganancia del polinomio B(z) como:

Bcarga (z) = Kcarga B(z) (5.68)


para Kcarga < 1 (ver anexo A), lo cual puede interpretarse como que la dinámica de la carga es mucho
más rápida que la del sistema perturbado.

5.5.3. Evaluación del desempeño por proceso


En esta sección se revisa a partir de la información adjunta en el Anexo A el desempeño de cada proceso
del lote, considerando como rubros a evaluar, el seguimiento a la referencia, el esfuerzo de control y la
respuesta ante cambios de carga.

94
5.5 Evaluación general del desempeño

- Proceso G1

En este proceso de segundo orden, se realizan pruebas para 3 valores diferentes de Tx , cuya variación
provoca en primer lugar una variación sobre el tiempo de respuesta del sistema, el interés de este ex-
perimento recae en el hecho de que el retardo del proceso se mantiene constante, generando diferentes
relaciones entre el retardo y el tiempo de respuesta, siendo en casos extremos el retardo muy grande o
muy pequeño en relación con el tiempo de establecimiento, siendo ambos casos difı́ciles de afrontar por
la sintonización de Ziegler Nichols (al grado de que la variación de este método en lazo abierto no logra
proveer ganancias que estabilicen el controlador cuando Tx = 1 y Tx = 10, mientras que esta situación
se repite para el Ziegler Nichols lazo cerrado cuando Tx =0.1 ).
En términos generales, el mejor desempeño de control lo tiene para este proceso el STPAC, seguido
muy de cerca por el GMVDPAC, resaltando el desempeño de éste último cuando la magnitud de la
perturbación es mayor y en la respuesta cuando existen cambios de carga. La dinámica descrita por G1
puede hallarse en procesos que involucran la regulación de nivel.

- Proceso G2

En realidad el barrido de n en el proceso G2 genera dos procesos sin retardo, uno de tercer orden y
otro de cuarto orden, para el control adaptable ambos sistemas usan un modelo interno de tercer orden,
observándose en las tablas relacionadas del Anexo A, un mejor desempeño en general del GMVDPAC
cuando n = 4. El GMVDPAC presenta un mejor desempeño nuevamente cuando la amplitud de la
perturbación es la máxima empleada y cuando se aplican los cambios de carga programados.
La estructura del modelo G4 puede usarse en la representación de procesos de reacción quı́mica [47].

- Proceso G3

El principal interés sobre el proceso G3 , consiste en que al realizar el barrido del parámetro αx , se
obtienen diversas combinaciones de ubicación de polos, manteniendo una respuesta temporal similar.
Esta situación provoca diferentes respuestas al cerrar al lazo de control.
El STPAC presenta el mejor comportamiento para αx =0.2, teniendo el GMVDPAC un buen desempeño,
mejorando cuando hay cambios de carga o mayor amplitud de la perturbación. Cuando αx =0.5 la
sintonización de Ziegler Nichols en lazo cerrado muestra el mejor seguimiento a la referencia (seguido de
cerca por el GMVDPAC) con un esfuerzo de control moderado.
Cuando αx =0.7 el GMVDPAC presenta el mejor seguimiento a la referencia y la mejor respuesta a
cambios de carga. Puede observarse también que cuando αx =0.7 y la amplitud de la perturbación es
máxima la respuesta de control PID sufre un gran deterioro.
Para G3 , puede decirse que la mayor virtud del GMVDPAC es la regularidad en su desempeño ante
diversas condiciones de operación.

- Proceso G4

El proceso G4 es muy útil para ejemplificar algunas situaciones relacionadas con el desempeño de los
controladores. La dinámica de las funciones de transferencia con barrido del parámetro αx están vincu-
ladas entre si, puesto que αx , en G4 modifica la posición del único cero en la función de transferencia.
A medida que αx aumenta, dicho cero se acerca al origen, esta situación es por demás demandante en
aquellos controladores que basan su diseño en la asignación de polos en lazo cerrado [17] como es el caso
del STPAC, GMVPAC y GMVDPAC.
En la Figura 5-7 se sintetiza el desempeño de los controladores en el rubro de seguimiento a la referencia,
evaluado con ayuda del IAE promedio (el promedio del IAE medido para todos los niveles de perturbación
considerados).

95
5. Resultados y Aplicaciones

Figura 5-7: Comportamiento del IAE promedio en función de α

En la Figura 5-7 se presenta en forma de “x” el IAE promedio de cada controlador para una αx determi-
nada. A partir de tales puntos, se realizó un ajuste de curva con mı́nimos cuadrados para un polinomio
de tercer orden, con la finalidad de mostrar posibles tendencias. En la gráfica puede observarse que en
general el seguimiento a la referencia se ve perjudicado en todos los controladores con el acercamiento del
cero al origen; sin embargo, es interesante observar que el mayor IAE a mayor αx se da con el controlador
PID sintonizado con el método de Ziegler-Nichols lazo cerrado y no con los controladores adaptables
que basan su funcionamiento en la asignación de polos. Para ésta planta podemos observar que el mejor
seguimiento se da para el menor IAE del controlador de Clarke; sin embargo, hay que hacer hincapié que
para este controlador se requiere cierto nivel de conocimiento sobre el proceso a controlar, para poder
ası́ proponer fuera de lı́nea los polinomios P, Q y R, además de tener la inconveniencia a ser susceptible
a un deterioro en el desempeño cuando existe perturbación paramétrica en el proceso.

Con respecto al GMVDPAC se puede mencionar que es el segundo mejor desempeño además de mostrar
la mayor regularidad al tener el ajuste de curva más notorio.

En la Figura 5-8 se presenta la relación entre el esfuerzo de control (medido con el IAC promedio) y la
variación de αx .Como puede observarse en la Figura 5-8, el comportamiento del IAC para el GMVPAC
y el STPAC es bastante irregular. Por su parte las curvas sintetizadas a partir del comportamiento del
PID y del GMVDPAC muestran un desarrollo monótono, sı́ntoma de un mejor nivel de confiabilidad
para este tipo de pruebas.

Finalmente en la Figura 5-9 se presentan las curvas que relacionan el desempeño ante cambios de carga
(medido con ITAE) y αx .

96
5.5 Evaluación general del desempeño

Figura 5-8: Comportamiento del IAC promedio en función de α

Figura 5-9: Comportamiento del ITAE promedio en función de α

Como puede observarse el menor ITAE lo presenta el GMVDPAC, significando un mejor desempeño ante
la perturbación paramétrica, lo cual es congruente con lo expuesto en el Capı́tulo 3.

Es importante recalcar que el GMVPAC, por su parte presenta el segundo peor comportamiento en este
rubro, por lo que su modificación en GMVDPAC cobra relevancia en estos casos.
En las gráficas presentadas para esta planta, no se incluye una curva relacionada con la sintonización
de Ziegler Nichols en lazo abierto, puesto que ésta sólo puedo realizarse para αx = 0,1 y αx = 0,2 (ver

97
5. Resultados y Aplicaciones

Anexo A), ya que para los subsecuentes barridos de αx , la respuesta al escalón presenta sobreimpulso
negativo, y se consideró que dos puntos no eran suficientes para la sı́ntesis de una curva.
La dinámica descrita por G4 puede hallarse en procesos de temperatura relacionados con la presión, como
podrı́a darse en el manejo de vapor en turbinas.
- Proceso G5
El proceso G5 es un proceso integrador con retardo, para este caso no es posible aplicar la sintonización
Ziegler y Nichols, por lo cual se emplean los métodos de sintonización propuestos por Visioli [80] y
Poulin y Pormeleau [68]. Como puede observarse, en la tabla relacionada en el Anexo A, el GMVDPAC
presenta el mejor comportamiento dinámico en todos los rubros, haciendo hincapié en que el GMVPAC
y el STPAC siguen los mismos criterios de desempeño.
La estructura de G5 puede encontrarse en la representación de válvulas actuadas por motor.
- Proceso G6
El proceso G6 es un sistema inestable de primer orden. El GMVDPAC presenta el mejor desempeño
tanto en seguimiento a la referencia, esfuerzo de control y respuesta a cambios de carga.

5.5.4. Resultados generales


A continuación se presentan algunos gráficos de pastel que representan el porcentaje del total de las
pruebas en que un controlador dado, logra el mejor desempeño para un criterio de evaluación (ver
Anexo A). Como podrá observarse no todos los controladores involucrados en las pruebas comparativas
aparecen en los gráficos, lo cual se debe a que en ninguna oportunidad dichos controladores tuvieron la
mejor evaluación para un rubro en particular.
En la Figura 5-10 se presenta una gráfica de pastel que representa el porcentaje del total de ocasiones en
que un controlador dado tiene el mejor seguimiento a la referencia a lo largo de las pruebas. Como puede
observarse el controlador GMVPAC fue en este rubro el mejor en el 40 % de las pruebas seguido por un
27 % del GMVDPAC. Es importante recalcar que en las simulaciones (salvo en las perturbaciones que
simulan cambios de carga) los procesos se asumen LTI, y que para el caso del GMVPAC los parámetros
determinantes para el desempeño del controlador son diseñados fuera de lı́nea.

Figura 5-10: Gráfica de pastel que representa el porcentaje en que cada controlador obtuvo el mejor resultado a
lo largo de las pruebas para seguimiento a la referencia (medido con IAE)

98
5.5 Evaluación general del desempeño

En la Figura 5-11 se presenta una gráfica de pastel que representa el porcentaje total de ocasiones en
que un controlador dado realiza el menor esfuerzo de control. En esto caso el STPAC realiza el menor
esfuerzo de control en el 40 % de las pruebas, seguido por el GMVDPAC y el PID sintonizado por Ziegler
y Nichols lazo cerrado con un 20 %.

Figura 5-11: Gráfica de pastel que representa el porcentaje total de ocaciones en que un controlador dado realiza
el menor esfuerzo de control.

Como ya fue comentado anteriormente, el disturbio por cambio de carga es aproximado mediante una
alteración de la ganancia del polinomio B(z), lo cual en ecuaciones diferencia, representa también una
perturbación paramétrica. En la Figura 5-12 se puede observar que en el 60 % de las pruebas, el menor
ITAE fue obtenido con el GMVDPAC.

Figura 5-12: Gráfica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a lo
largo de las pruebas de cambio de carga (medido con ITAE)

Como ya fue comentado, se observó que el desempeño del GMVDPAC mejoraba con respecto al de-
sempeño general en los casos en que la varianza de la perturbación era mayor. En la Figura 5-13 se puede
observar que el porcentaje de casos donde el GMVDPAC obtuvo el menor IAE no tuvo variación con
respecto a la Figura 5-10.

99
5. Resultados y Aplicaciones

Figura 5-13: Gráfica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a lo
largo de las pruebas para seguimiento a la referencia (medido con IAE) cuando la varianza de la perturbación fue
la máxima probada.

Sin embargo, puede observarse en la Figura 5-14 que el GMDPAC aumenta su participación en siete
puntos porcentuales con respecto a lo mostrado en la Figura 5-11.

Figura 5-14: Gráfica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a lo
largo de las pruebas de esfuerzo de control (medido con IAC) cuando la varianza de la perturbación fue la máxima
probada.

Finalmente en la Figura 5-15 puede observarse que en más de las 2/3 partes de las pruebas que involu-
craron la máxima amplitud de la perturbación el GMVDPAC arrojaron el menor ITAE.

100
5.5 Evaluación general del desempeño

Figura 5-15: Gráfica de pastel que representa en que porcentaje cada controlador obtuvo el mejor resultado a lo
largo de las pruebas de cambio de carga (medido con ITAE) cuando la varianza de la perturbación fue la máxima
probada.

Las gráficas de pastel presentadas a lo largo de esta sección, son herramientas útiles que proporcionan
información relevante del desempeño de un controlador a lo largo de un conjunto de pruebas; sin embargo,
no proporcionan información del desempeño general del controlador, cuando este no obtiene el mejor
resultado (como puede observarse en la Tabla 5.4 el único controlador que obtiene el mejor resultado en
todos los rubros de evaluación para un proceso dado, es el GVMVDPAC para el proceso integrador de
primer orden G5 y para el proceso inestable con retardo de primer orden con retardo G6 ). Por su parte,
el esquema de evaluación por puntaje descrito en la sección 5.5.2 permite tener una idea mas precisa del
desempeño general de una estrategia de control, usada con el lote de plantas de la sección 5.5, ya que un
buen resultado en dicha evaluación representa regularidad en el desempeño.
La Tabla 5.4 sintetiza los puntajes acumulados bajo dicho esquema de pruebas.

101
5. Resultados y Aplicaciones

Tabla 5.4. Evaluación del desempeño de los controladores.

PID LA PID LC PID Visioli PID Poulin STPAC GMVPAC GMVDPAC

IAE IAC ITAE IAE IAC ITAE IAE IAC ITAE IAE IAC ITAE IAE IAC ITAE IAE IAC ITAE IAE IAC ITAE

G1 0 100 0 N.A. N.A. N.A. N.A. N.A. N.A. N.A. N.A. N.A. 100 268 100 182 0 255 295 259 292

T=0.1

G1 N.A. N.A. N.A. 200 0 165 N.A. N.A. N.A. N.A. N.A. N.A. 16.338 300 300 171 281 0 3.98 293 293

T=1

G1 N.A. N.A. N.A. 0 0 0 N.A. N.A. N.A. N.A. N.A. N.A. 273.92 300 294 300 299 237 247 298 298

T=10

G2 0 0 0 163 199 127 N.A. N.A. N.A. N.A. N.A. N.A. 270.97 300 273 294 218 66 297 226 300

n=3

G2 0 0 86.1 244 273 204 N.A. N.A. N.A. N.A. N.A. N.A. 241.58 264 251 299 294 10.5 266 273 295

n=4

G3 N.A. N.A. N.A. 0 0 191 N.A. N.A. N.A. N.A. N.A. N.A. 282.66 300 171 255 237 136 201 271 267

a=0.2

G3 0 0 162 300 242 300 N.A. N.A. N.A. N.A. N.A. N.A. 247.08 300 250 249 297 0 264 295 256

a=0.5

G3 0 0 50.9 294 271 286 N.A. N.A. N.A. N.A. N.A. N.A. 291.61 282 289 264 300 0 300 248 300

a=0.7

G4 0 0 100 234 238 165 N.A. N.A. N.A. N.A. N.A. N.A. 263 289 225 300 234 159 280 284 247

a=0.1

G4 0 44.5 0 172 295 195 N.A. N.A. N.A. N.A. N.A. N.A. 244.42 288 219 300 18.4 140 271 272 248

a=0.2

G4 N.A. N.A. N.A. 74.5 300 190 N.A. N.A. N.A. N.A. N.A. N.A. 100 76.2 217 296 151 0 172 129 207

a=0.5

G4 N.A. N.A. N.A. 152 300 97.1 N.A. N.A. N.A. N.A. N.A. N.A. 100 22.2 160 286 103 137 228 78.6 205

a=1

G4 N.A. N.A. N.A. 0 300 100 N.A. N.A. N.A. N.A. N.A. N.A. 264.78 114 164 227 117 70.8 198 25 224

a=2

G5 N.A. N.A. N.A. N.A. N.A. N.A. 160 0 0 0 220 107 297.9 286 299 271 278 264 299 300 300

G6 N.A. N.A. N.A. N.A. N.A. N.A. 0 0 N.A. N.A. N.A. N.A. 299.4 297 300 285 297 0 300 300 300

Total 0 144.5 399 1835 2418 2020 160 0 0 0 220 107 3293.65 3684 3512 3979 3124 1476 3623 3551 4032

De la tabla se pueden deducir a su vez ciertos resultados generales.


Con respecto al criterio IAE, que es representativo del seguimiento a la referencia en la Figura 5-16,
puede observarse un gráfico de barras que sintetiza los resultados generales obtenidos por los diferentes
controladores en este rubro.

102
5.5 Evaluación general del desempeño

Figura 5-16: Puntaje acumulado para seguimiento a la referencia

Por su parte la evaluación general de los controladores para la medición del esfuerzo (Figura 5-17).

Figura 5-17: Puntaje acumulado para el esfuerzo de control

103
5. Resultados y Aplicaciones

Figura 5-18: Puntaje acumulado para el cambio de carga.

En la Figura 5-18 se muestra la evaluación general numérica para el cambio de carga.


El buen desempeño del GMVDPAC a lo largo de las pruebas se debe fundamentalmente a tres razones:

La reestructuración explı́cita del algoritmo,

El recálculo en lı́nea de los polinomios costo,

La minimización permanente de la varianza de la función de salida generalizada φ (t) .

5.6. Control de velocidad


Utilizando el control GMVDPAC, se llevó a cabo el control práctico de un motor Minertia T03 manu-
facturado por Yaskawa, el cual se utiliza frecuentemente en periféricos computacionales como:

Bobinado y rebobinado de cintas magnéticas,

Alimentación de papel para impresoras,

Graficadores X-Y,

Maquinaria pequeña de propósito general.

El experimento consiste en el control de velocidad del motor mencionado. La salida del proceso es la
variable velocidad, medida en revoluciones por minuto (rpm). La referencia fue desarrollada de tal forma
que involucra rampas con la finalidad de observar tanto el seguimiento como la regulación en el mismo
experimento.
En la Figura 5-19 se puede observar que la velocidad del motor sigue la referencia de forma muy cercana.

104
5.6 Control de velocidad

Figura 5-19: Control de velocidad usando el GMVDPAC.

En la Figura 5-20a) se presenta el comportamiento de los parámetros de estimación cuando el proceso se


estima como uno lineal de primer orden, como puede observarse los parámetros denotan una variación
dependiendo de la zona de operación.

En la Figura 5-20b) se presenta el desempeño de la función de salida generalizada para este caso, que como
puede observarse tiene una amplitud muy pequeña, significando un proceso de optimización altamente
satisfactorio.

Figura 5-20: Comportamiento de la estimación, a) Parámetros de la estimación, b) Función de salida generalizada.

105
5. Resultados y Aplicaciones

5.7. Control de posición


Para este experimento, se seleccionó una banda transportadora prototipo actuada por un motor de
DC con imanes permanentes, el cual incluye un mecanismo de reducción de velocidad modelo 1.61.046
manufacturado por Buehler (ver Figura 5-21). La entrada del proceso es la alimentación en volts del
motor, mientras que la salida del proceso es el desplazamiento de la banda en centı́metros. Para este
ejemplo se usa la misma forma de la referencia del control de velocidad. Usualmente para control de
posición se usa un control PD; cuando el sistema ha alcanzado el valor de la referencia, la señal de control
se vuelve nula. En este caso práctico, el motor tiene una zona muerta entre -3V y 3V en la entrada del
proceso. El GMVDPAC ubica la señal de control justo abajo de la frontera de la zona muerta, lo cual
permite una respuesta más rápida ante un cambio de referencia súbita

Figura 5-21: Motor de CD Buehler con reducción de velocidad.

En la Figura 5-22 se observa el control de posición cuando se usa una señal de referencia compuesta
de escalones y rampas como las usadas en el control de velocidad. La Figura 5-23 presenta el mismo
control pero con una referencia cuadrada, para apreciar la respuesta del sistema ante cambios súbitos de
referencia (la variable posición en éste caso está medida directamente del sensor en volts). La inicialización
para este sistema es arbitraria consistiendo en los siguientes parámetros: n = 1, h =0.1, θ0 = [0.5,0.5]
(asumiendo c = z) Px0 = 100I, λ =0.99 y T = z−0.8 lo cual implica una constante de tiempo en lazo
cerrado τ =0.5 seg.

Figura 5-22: Control de posición de una banda transportadora usando GMVDPAC (seguimiento).

106
5.8 Control de temperatura

Figura 5-23: Control de posición de una banda transportadora usando GMVDPAC (regulación).

En la Figura 5-24 se presenta el comportamiento de la estimación cuando la referencia es cuadrada.

Figura 5-24: Comportamiento de la estimación, a) Parámetros de estimación, b) Traza de la matriz de covarianza.

5.8. Control de temperatura


En esta sección se presenta una comparación del seguimiento a una referencia dada por un controlador
PID autosintonizable DC1020 de Honeywell y un GMVDPAC corriendo sobre LabVIEW y Matlab si-
multáneamente con una tarjeta de adquisición de datos National Instruments PCI 6014.

107
5. Resultados y Aplicaciones

El controlador DC1020 es un controlador de temperatura perteneciente a la familia DC1000 de Honeywell


[35], el cual incluye control PID con autosintonización. El controlador PID se conectó directamente al
elemento sensor, que para este caso es un termopar tipo K, ya que el controlador incluye compensación
de punta frı́a. Una imagen de este controlador puede observarse en la Figura 5-25.

Figura 5-25: Controlador de temperatura Honeywell DC1020

Con el fin de realizar la comparación se eligió un proceso de temperatura, el cual consiste de dos cámaras.
En la primera cámara el aire es calentado con una fuente constante de calor (lámpara incandescente),
en la unión entre las dos cámaras existe un ventilador que impulsa el aire caliente de la primera cámara
hacia la segunda cámara. En la segunda cámara se encuentra alojado el sensor de temperatura cerca de
la ventilación de ésta (ver Figura 5-26).

Figura 5-26: Figura 5.26. Proceso de temperatura

La velocidad del ventilador puede regularse con un voltaje variable de 0 V a 10 V (la velocidad aumenta
en relación directa al voltaje), de tal forma que la temperatura en la cámara 2 puede elevarse de forma
proporcional a la velocidad de giro del ventilador. En este sistema el elemento primario de medición es el
termopar, mientras que el ventilador es el elemento final de control, en particular el ventilador tiene una
zona muerta entre 0 V y 3 V, por lo que una señal de control debe superar este umbral para tener un
impacto en la temperatura de la cámara 2. En este proceso, el enfriamiento sucede cuando el ventilador
no es actuado y depende primordialmente de la transferencia de calor entre la cámara 2 y el medio
ambiente a través de la ventilación de la misma cámara. Debido a la naturaleza del sistema, sólo puede
aspirarse a temperaturas de consigna superiores a la temperatura ambiental; es importante remarcar que
para realizar la comparación en circunstancias igualitarias, el proceso es considerado como una caja negra
cuando se aplica el GMVDPAC.

108
5.8 Control de temperatura

Figura 5-27: Control del DC1020 a) Regulación, b) Señal de control.

El DC1020 fue conectado al proceso de la Figura 5-26 y se ejecutó la autosintonización comprendida por
este sistema particular (este sistema realiza una excitación inicial, con la cual ajusta las ganancias del
controlador PID). Con ayuda de la tarjeta PCI 6014 se adquirieron las señales analógicas correspondientes
a la salida de temperatura y a la señal de control enviada por el controlador. Para este caso particular
la referencia fue elegida como 38 ◦ C. La respuesta del sistema se aprecia en la Figura 5-27.
En la Figura 5-27a se observa que la temperatura del sistema varı́a alrededor de la referencia. Dicha
variación depende de la acción de control (Figura 5-27b) pero además guarda cierta relación con la zona
muerta del actuador. La señal de control es bastante irregular debido a la naturaleza del mecanismo de
autosintonización de éste sistema.
Es importante mencionar que el desempeño del control PID, puede mejorarse con una cuidadosa elección
de ganancias por parte del usuario, pero la intensión central de esta prueba es comparar la sintonización
autónoma de un controlador PID comercial, y el arranque inicializado del GMVDPAC.
En este sentido, se realizó el proceso de inicialización cuyo resultado principal fue la elección de una
estructura interna de estimación de primer orden.
En la Figura 5-28a) se presenta la regulación del proceso a la temperatura de consigna, y se puede
observar un mejor desempeño que con el controlador comercial. La señal de control es más regular y se
equilibra por encima de la zona muerta (Figura 5-28b).

109
5. Resultados y Aplicaciones

Figura 5-28: Control GMVDPAC, (a) Regulación, (b) Señal de Control.

5.9. Plataforma de aplicación


La plataforma de aplicación, es la herramienta diseñada para llevar a cabo las pruebas prácticas del
sistema de control desarrollado. Las partes de la plataforma de aplicación se presentan en la Figura 5-29.

Figura 5-29: Figura 5.29. Plataforma de aplicación.

De la Figura 5-29 se observa que la totalidad de los algoritmos de control se ejecutan sobre Matlab, a la
vez la interfaz gráfica se ejecuta sobre LabVIEW, junto con la comunicación entrada salida a la tarjeta
de adquisición de datos, que para este caso es una PCI modelo 6014 de National Instruments.
Las ventajas de la plataforma de aplicación son varias, entre ellas la posibilidad de explotar al mis-
mo tiempo las herramientas de LabVIEW y Matlab, configuración flexible del periodo de muestreo y
resolución de 16 bits.

110
5.10 Interfaz de usuario

La plataforma de aplicación incorpora las tres etapas involucradas en el desarrollo, inicialización, control y
supervisión, implementados como SubVI’s (subprogramas) de LabVIEW [55]. A continuación se describe
la secuencia de operación del sistema.

1. Al activar la inicialización, el sistema manda una señal de excitación al proceso en lazo abierto,
consistente de un tren de pulsos durante un número determinado de ciclos. Se guardan tanto el
vector de datos de entrada como el de salida.

2. Con los vectores de entrada y de salida, se llevan a cabo estimaciones recursivas de primero, segundo
y tercer orden

3. Con la información recolectada se realiza el procedimiento de inicialización descrito en el Capı́tulo


4

4. Una vez obtenido el orden del modelo interno, se sintoniza un control PID con el método basado
en algoritmos genéticos descrito en el Capı́tulo 4

5. Con toda la información de la inicialización disponible y con el controlador de respaldo ajustado,


se procede a encender el control adaptable

6. Una vez que el controlador está funcionando se habilita el supervisor. El supervisor a su vez consta
de 2 etapas. La primera etapa es la supervisión activa que es la parte del supervisor que toma
decisiones de forma independiente al usuario, para modificar el desempeño del sistema. La otra
etapa es la supervisión pasiva, la cual provee de la información necesaria para que un usuario pueda
tomar decisiones a través de la interfaz de usuario. La variables de supervisión más importantes se
derivan de las señales de error, señal de control y la matriz de covarianza

7. A través de la interfaz de usuario, el usuario tiene acceso a todas las etapas descritas anteriormente.

5.10. Interfaz de usuario


En la Figura 5-30 se presenta un esquema donde se asocian los elementos de la interfaz gráfica con la
secuencia diseñada para el controlador

Figura 5-30: Interfaz grafica del controlador.

111
5. Resultados y Aplicaciones

Como puede observarse en la Figura 5-30, la pantalla principal de la interfaz gráfica esta dividida en las
3 etapas del sistema.

A Cuando inicializa el controlador y se calcula la información necesaria, el indicador de “inicializando”


parpadea. Una vez que se ha terminado el proceso de excitación inicial, el indicador de “respaldo
listo” se activa, a su vez cuando se concluye la inicialización genética y finalmente los espacios de
variables son llenados con la información obtenida.

B Mientras el control adaptable opera se grafican en lı́nea las variables del proceso: señal de con-
trol, salida del proceso, parámetros de estimación (si el controlador de respaldo estuviera en fun-
cionamiento, la gráfica de estimación de parámetros es desactivada), en esta sección se incluyen 2
controles para iniciar y detener el controlador

C Tanto la traza de la matriz de covarianza, como la magnitud de la señal de control son usadas
como un criterio para conmutación automática entre el control adaptable y el control de respaldo.
También se monitorea el error de seguimiento a la referencia, que es un criterio de desempeño al
igual que el esfuerzo de control, este último al alcanzar ciertas cotas conmuta al control de respaldo.

5.11. Pruebas con el sistema integrado


En esta sección se presenta un experimento completo de inicialización, supervisión y control sobre el
prototipo de la banda transportadora descrito en la sección 5.7, como ya se explicó anteriormente el
primer paso del sistema, es la excitación del proceso.

Figura 5-31: Excitación del sistema durante la inicialización, a) Respuesta del proceso, b) Señal de excitación.

En la Figura 5-31b) podemos observar la señal cuadrada usada para excitar el motor de C.D. En la
Figura 5-31a) por su parte podemos observar la respuesta del sistema (medida directamente del sensor
de posición en volts). El comportamiento de la posición angular en un motor de C.D. en lazo abierto,
puede modelarse usualmente como un integrador. En una banda transportadora la dinámica dominante
sigue siendo integradora, sin embargo intervienen otros factores como la elasticidad de la banda y la

112
5.11 Pruebas con el sistema integrado

fricción de la misma con los elementos actuadores, por lo que en la Figura 5-31a) puede apreciarse un
comportamiento desviado de la respuesta lineal propia de un integrador puro. El siguiente paso dado
por el inicializador, consiste en que una vez almacenados los vectores de entrada y salida, se ejecutan los
algoritmos de estimación RLS para los sistemas de primero, segundo y tercer orden. En la Figura 5-32
se presenta el comportamiento de la estimación recursiva para el modelo interno de primer orden.

Figura 5-32: Estimación recursiva para el modelo interno de primer orden, a) Comportamiento de los parámetros
de estimación, b) Traza de la matriz de covarianza Px , c) Determinante de la inversa de la matriz de covarianza.

En la Figura 5-32a) se puede observar un comportamiento de los parámetros bastante regular (consis-
tente), en la Figura 5-32b) se observa que la traza de la matriz de covarianza decrece, lo cual denota que
la estimación recursiva se está desarrollando adecuadamente, como un indicador del desempeño se mide
la varianza de la traza y se tiene 5.532x103 . Si el determinante de la matriz inversa de covarianza es 0,
el sistema no es identificable como ya se mencionó en secciones anteriores, ya que existe dependencia
lineal en la solución de la identificación. Mientras este último indicador se acerque a cero, implica el
riesgo de la perdida de la identificabilidad. Para el caso de la identificación con modelo interno de primer
orden, la varianza de este indicador es 9.457x109 , lo cual implica que el sistema no tiene problemas de
identificabilidad.
En la Figura 5-33 se presenta el comportamiento de la estimación recursiva cuando el modelo interno es
de segundo orden. En la Figura 5-33a) puede observarse un comportamiento variable en la estimación;
no hay un patrón que pudiera delatar perturbación paramétrica y en su lugar puede observarse una
inconsistencia en la estimación. Una situación que permite sospechar del sobredimensionamiento de la
estimación es el desempeño en espejo que puede apreciarse en los puntos a y b, y en los puntos c y d en la
Figura 5-33a). El comportamiento de la traza de Px se observa errático en la Figura 5-33b); la varianza
es para este caso 1.0995x108 , lo cual es un aumento significativo con respecto al caso de primer orden,
incluso considerando el aumento en la dimensión de la matriz de covarianza causado por el aumento
dimensional del modelo interno. Finalmente la varianza del determinante de la inversa de la matriz de
covarianza durante la estimación es 1.595x106 .

113
5. Resultados y Aplicaciones

Figura 5-33: Estimación recursiva para el modelo interno de segundo orden, a) Comportamiento de los parámetros
de estimación, b) Traza de la matriz de covarianza Px , c) Determinante de la inversa de la matriz de covarianza.

En la Figura 5-34a se observa que la estimación cuando el modelo interno es de tercer orden, tiene una
mayor variación. Se puede observar que los parámetros no parecen converger, la varianza de la traza para
este caso es 2.447x108 y la varianza del determinante de la inversa de la matriz de covarianza es de 12.919,
lo cual dados los niveles paramétricos para este indicador obtenidos durante la identificación tanto de
primer como de segundo orden, es peligrosamente cercano a cero, delatando el sobredimensionamiento.
De lo analizado gráfica por gráfica de la estimación para los diferentes órdenes se pueden obtener conclu-
siones basadas en la experiencia de diseño, y la interpretación cualitativa del proceso de estimación. El
procedimiento de selección del orden n para el modelo interno del estimador RLS usado por el GMVDPAC
descrito en el Capı́tulo 4 es un esfuerzo para capturar la experiencia del diseñador para la interpretación
de las gráficas de estimación recursiva.

114
5.11 Pruebas con el sistema integrado

Figura 5-34: Estimación recursiva para el modelo interno de tercer orden, a) Comportamiento de los parámetros
de estimación, b) Traza de la matriz de covarianza Px , c) Determinante de la inversa de la matriz de covarianza.

Considerando la metodologı́a de selección de orden descrita en el Capı́tulo 4, para el caso de la ban-


da transportadora se obtiene la información presentada en las tablas 5.5, 5.6 y 5.7. En la Tabla 5.5
se presentan los modelos discretos identificados por RLS para cada orden, con los últimos valores de
identificación.

Tabla 5.5. Modelos identificados


Orden del Función de transferencia discreta h=0.1
modelo
0.005439
1er orden G1 (z) = z−0.9973
er 0.0004z−0.005985
2 orden G2 (z) = z2 −0.8224z−0.1744
2 +0.002636z+0.004061
er
3 orden G3 (z) = 0.0004554z
z 3 −0.8001z 2 −0.07889z−0.1174

De las funciones de transferencia discretas puede decirse que todas tienen polinomios coprimos; es decir,
no hay redundancia de polos y ceros, en el sentido práctico la distancia entre polos y ceros impide inferir el
sobredimensionamiento, ya que la respuesta del sistema presentada en la Figura 5-31 tiene un contenido
armónico mucho más rico que un primer orden, y aunque una alternativa basada en la experiencia es
modelar estos sistemas como integradores puros, podemos observar que el criterio de asignación de polos
no es concluyente en este sentido. Para este caso particular la banda del prototipo es elástica, lo cual
introduce otras dinámicas adicionales a la integradora dominante. Si la elasticidad de la banda fuera
despreciable; es decir, la transmisión tuviera una relación uno a uno, la dinámica dominante serı́a más
evidente para este criterio, pero por los resultados se requiere revisar los otros dos criterios de decisión.
En la Tabla 5.6 se presenta el comportamiento de la integral de los residuos de la estimación.

115
5. Resultados y Aplicaciones

Tabla 5.6. Residuos integrados


Px
Orden del |ε (t)|
modelo t=1

1er orden 4.6231038


2er orden 2.246151
er
3 orden 2.120186

Como se mencionó en el Capı́tulo 4, este criterio sólo es empleado como criterio de desempate si no se
pueden tener resultados del criterio de asignación de polos y el de convergencia heurı́stica, por lo que se
procederá a revisar el criterio de convergencia heurı́stica, cuyos resultados se exponen en la Tabla 5.7 (la
varianza es medida en θ1 ).

Tabla 5.7. Convergencia heurı́stica


Varianza de los parámetros de estimación por ventana
Orden del Ventana 1 Ventana 2 Ventana 3 Ventana 4
modelo
1er orden 0.003790 0.0000001782(< V 1) 0.000001244(< V 2) 0.000005033(≈ V 2)
2er orden 0.009126 0.03455(>> V 1) 0.01143(< V 2) 0.05760(> V 3)
3er orden 0.02379 0.01867(< V 1) 0.01143(< V 2) 0.03394(> V 3)

Este criterio arroja resultados suficientes para la elección de orden, pues se puede observar la falta de
consistencia para estructuras internas, tanto de segundo como de tercer orden. Por lo cual y del algoritmo
de selección de orden descrito en el Capı́tulo 4 se deduce que el modelo es n = 1.
De la excitación para este caso puede medirse un retardo k=0 (ver Figura 5.31). Para el diseño de la
ubicación de polos, la dinámica dominante es integradora y la tarea fundamental es desplazar el polo
dominante en las cercanı́as de 1 al interior del cı́rculo unitario. Para establecer que tanto se puede
desplazar el polo hacia el interior del cı́rculo unitario, se hace la siguiente consideración práctica con
respecto a los actuadores: se calcula τ como el 10 % del tiempo necesario para alcanzar el 50 % del rango
entre los lı́mites de saturación de la variable. Por lo cual se tiene una τ deseada en lazo cerrado equivalente
a 2 seg., lo cual determina T como cuando h =0.1 seg., como:

T = z − 0.9512 (5.69)
resultado de la estimación inicial, se ajustan como valores iniciales del GMVDPAC, los finales de la
estimación de primer orden
θ0 = (0.99727053,0.00543861,1) (5.70)
donde el tercer parámetro corresponde a Co (la estructura de este polinomio, se elige a partir de la
recomendación de [8]), ya que se tiene cierta certeza sobre los parámetros de arranque que la matriz de
covarianza inicial es ajustada como:
Px0 = 10I (5.71)
Finalmente el factor de olvido es fijo durante la estimación como λ =0.99.
En la Figura 5-35a) puede apreciarse el comportamiento del desplazamiento de la banda transportadora
(medido del sensor en volts). La acción de control está menos tiempo en saturación que el control ajustado
arbitrariamente presentado en la Figura 5-23, además el sobreimpulso inicial es mucho menor en la Figura
5-35a) que en la Figura 5-23a). En la Figura 5-36 se presenta el proceso de estimación llevado a cabo
durante el control GMVDPAC.

116
5.11 Pruebas con el sistema integrado

Figura 5-35: Comportamiento del controlador GMVDPAC, a) Seguimiento a la referencia, b) Señal de control.

Figura 5-36: Estimación recursiva durante el control adaptable, a) Parámetros de estimación, b) Traza de la
matriz de covarianza.

En la Figura 5-36a) puede observarse que uno de los parámetros de estimación presentado en la Figura 5-
34 ronda la unidad, lo cual es congruente con la dinámica integradora dominante del sistema. En términos
generales se puede observar una estimación consistente, lo cual es validado por el comportamiento de la
traza de la matriz de covarianza presentado en la Figura 5-36b).
En la Figura 5-37 se presenta el resultado de una prueba que involucra cambio de carga, como puede
observarse éstos se realizan en los segundos 100 y 110 como desplazamientos axiales arbitrarios en la
banda, para sacar al sistema de su posición de control. La duración de la carga en tiempo está restringida

117
5. Resultados y Aplicaciones

a sólo lograr el desplazamiento de la banda para quedar fuera de la referencia. En la Figura 5-37b) se
observa la corrección realizada por la señal de control para regresar al sistema a su posición original. En
la Figura 5-38 se presenta el proceso de estimación relacionado.

Figura 5-37: Control GMVDPAC aplicando al control de posición de una banda transportadora prototipo durante
cambios de carga, a) Seguimiento a la referencia, b) Señal de control.

Figura 5-38: Estimación recursiva durante el control adaptable cuando existen cambios de carga, a) Parámetros
de estimación, b) Traza de la matriz de covarianza.

El control de respaldo (el PID genético directo), descrito en la sección 4.3 es probado por separado para
el mismo sistema. Una vez que se ha elegido el orden del modelo interno, se utilizaron los parámetros

118
5.11 Pruebas con el sistema integrado

de estimación de dicha estructura para construir un modelo interno usado para computar la función de
aptitud dentro del algoritmo genético. Las especificaciones particulares para el algoritmo genético son:
tamaño de población = 50, longitud del cromosoma = 3 para genes de 8 bits. La reproducción es realizada
a partir de un torneo, donde participa el 10 % de la población por generación. El PID genético incluye
un proceso de mutación del 10 % con el fin de disminuir las posibilidades de la convergencia prematura.

Figura 5-39: Simulación del controlador PID para el individuo más apto, a) Seguimiento a la referencia, b)Proceso
evolutivo.

Como ya se mencionó en la sección 4.3, el individuo (cromosoma) está compuesto como las ganancias
PID para la ecuación (4.25). El proceso evolutivo está realizado para un número fijo de generaciones,
25, que le llevan al sistema de cómputo particular 60.367 segundos. Los valores obtenidos a partir del
individuo más apto al finalizar la evolución controlada se exponen en la Tabla 5.8.

Tabla 5.8. Ganancias del PID genético


Ganancia Valor
Kc 9.355351
Ti 3.789035
Td 0.156860

En la Figura 5-40 se presenta la prueba práctica del control PID genético en la banda transportadora,
puede observarse un comportamiento adecuado ya que el control sólo tiene un error en estado estacionario
muy pequeño, pues llega a 3.93 volts cuando la referencia de 4 volts, lo cual equivale al 1.75 % de error
en estado estacionario. En la Figura 5-40b) se observa el comportamiento de la señal del control el cual
es diferente a la generada por el GMVDPAC. En la Figura 5-41 se realiza un cambio forzado entre el
GMVDPAC y el control de respaldo en el tiempo t = 100 seg para observar la continuidad de desempeño
de los controladores para un proceso real.

119
5. Resultados y Aplicaciones

Figura 5-40: Control PID genético directo aplicado al control de posición de una banda transportadora prototipo,
a) Seguimiento a la referencia, b) Señal de control.

Figura 5-41: Conmutación entre controladores GMVDPAC y PID genético directo en el segundo 100,
a) Seguimiento a la referencia, b) Señal de Control.

120
Capı́tulo 6

Conclusiones

Este trabajo de tesis condujo a una modificación sobre el algoritmo del controlador de varianza mı́nima
generalizado (GMVC), para lacanzar mejores niveles de desempeño y confiabilidad en aplicaciones prácti-
cas. Al resultado de la modificación del GMVC se le denominó controlador de varianza mı́nima general-
izado con asignación dinámica de polos (GMVDPAC). Las modificaciones realizadas al GMVC, reestruc-
turaron el algoritmo implı́cito como uno explı́cito, permitiendo ası́, la actualización de los parámetros
asociados a la función costo en cada iteración, con el fin de mejorar la respuesta del sistema ante pertur-
baciones paramétricas.

Los principales beneficios del GMVDPAC son:


Extensión de la zona de estabilidad con respecto al algoritmo original.
En el Capı́tulo 3 se demostró que la zona de estabilidad del controlador GMVDPAC se modifica para
envolver a las coordenadas de los parámetros perturbados, por lo que supera al algoritmo original de
Clarke en el rubro de estabilidad.
Mejor repetibilidad
Debido a la estructura del controlador, el sistema tiene una mejor interacción con el procedimiento de
identificación (ver Capı́tulos 3 y 4), lo cual facilita que el sistema pueda comportarse de manera muy
similar en cada oportunidad de uso.
Mayor confiabilidad
El sistema tiene un perfil para encarar perturbaciones en los parámetros del proceso (ver los Capı́tulos 3
y 5), lo cual brinda un mayor nivel de confiabilidad.1
Mayor maleabilidad de la respuesta dinámica.
La estructura explı́cita incorporada por el GMVDPAC y el recálculo de los polinomios costo hace posible
garantizar la ubicación de polos, con lo que se facilita alcanzar una respuesta dinámica determinada ante
diversas condiciones de operación (ver Capı́tulo 4).
Eficiencia algorı́tmica
El algoritmo esta diseñado de tal forma, que realiza la actualización de parámetros en lı́nea con un
sólo procedimiento RLS, y un incremento computacional moderado para calcular permanentemente los
polinomios costo.

1
En el Capı́tulo 5 se observó que en términos generales cuando la amplitud de la perturbación aumenta, el GMVDPAC
muestra un mejor desempeño. También en las pruebas de dicho capı́tulo se observó que cuando hay perturbación en los
parámetros el menor ITAE se tiene con GMVDPAC.

121
6. Conclusiones

Flexibilidad

El GMVDPAC es un algoritmo flexible ya que para operar, la información necesaria del proceso es
reducida y puede ser recopilada por un sistema automático (inicializador), lo que facilita su uso en posibles
aplicaciones industriales. Con el fin de recopilar la información mı́nima necesaria para la operación del
control adaptable, se desarrolló un sistema de inicialización que dio muy buenos resultados, tanto en
simulación como en experimentos prácticos. Las capacidades del GMVDPAC permitieron minimizar las
necesidades del sistema en su conjunto, simplificando ası́ varios aspectos del desempeño del control en
lazo cerrado.
Por su parte la etapa de supervisión desarrollada, extiende la autonomı́a del controlador, pues le permite
operar bajo un modo de respaldo en caso necesario, proveyendo al sistema en su conjunto de un mayor
grado de independencia.
El sistema desarrollado integrado, permite la operación dentro de un buen nivel de confiabilidad y au-
tonomı́a. Aunque el controlador individualmente es capaz de controlar sistemas de fase mı́nima e inesta-
bles, el sistema integrado en su conjunto sólo contempla la operación autónoma con sistemas asintótica-
mente estables, marginalmente estables e integradores.
En general la estructura de control desarrollada tiene una enorme potencialidad para su aplicación prácti-
ca en el contexto industrial, además de que las ventajas expuestas en el trabajo pueden hacerla atractiva
en sistemas donde existan perturbaciones paramétricas y se requiera un seguimiento de la referencia
estrecho.

6.1. Contribuciones
El desarrollo de la tesis partió de la premisa que para aumentar los niveles de confiabilidad y autonomı́a
de un controlador adaptable del tipo STR (y de esta forma facilitar su inserción en el contexto industrial),
se requiere que el sistema de control adaptable contemple una estructura de soporte, conformada por un
inicializador automático y un sistema de supervisión, capaz de tomar acciones pertinentes en caso de un
desempeño poco satisfactorio.
Como fue comentado al inicio del documento en [46] se describe un procedimiento de inicialización ligado
a la estructura de supervisión descrita en [31], ambos procedimientos están basados en el análisis de la
respuesta a la frecuencia, particularmente en el uso del relevador realimentado [2] y son empleados en el
controlador de campo adaptable ABB ECA600. La principal limitante es que el relevador realimentado
solo puede emplearse con procesos ası́ntoticamente estables. Ya que el controlador involucrado en la
propuesta original, puede nominalmente manejar indistintamente sistemas de fase mı́nima y no mı́nima,
debiera esperarse que el inicializador desarrollado tuviera rangos de operación más amplios.
En la propuesta de tesis doctoral presentada en el documento del seminario predoctoral, se propusieron
como opciones para el controlador del sistema, el GMVC [19], [20] y el GMVPAC [1]. Posterior al semi-
nario predoctoral se encontró que el GMVPAC de Allidina tenı́a problemas algorı́tmicos y de convergencia
por lo que se descartó como opción, la propuesta original del inicializador y supervisor descrita en el do-
cumento del seminario predoctoral estaba en función de las necesidades de dicho controlador, siendo las
variables de inicialización requeridas para dicho controlador:

1. Parámetros de estimación iniciales,

2. Matriz de covarianza inicial,

3. Detección del retardo del proceso,

4. Selección del orden del modelo de estimación,

5. Selección del periodo de muestreo,

122
6.1 Contribuciones

6. Selección del polinomio de ubicación deseada de los polos,

7. Selección de los polinomios costo,

8. Inicialización del control de respaldo.

Mientras que las variables involucradas en la supervisión eran:

1. Variables relacionadas a la respuesta dinámica como el error y algunas de sus relaciones estadı́sticas,

2. Identificabilidad y calidad de la estimación (a través de la matriz de covarianza y los residuos),

3. Estabilidad del sistema de control a través del monitoreo de la señal de control y la ubicación de
polos,

4. Conmutador entre el controlador de respaldo y el control adaptable,

5. La comunicación con el usuario a través de la interfaz de usuario.

Bajo este esquema, serı́a necesario proponer los polinomios costo (punto 7 de la inicialización) y verificar
que los polos alcanzaran la asignación deseada (punto 3 de la supervisión), para que en caso de que ésto
no sucediera, rediseñar los polinomios costo.
La particularidad de las necesidades expresadas motivaron la sı́ntesis de un algoritmo de control que
satisfaciera dichas necesidades: el GMVDPAC. El uso del GMVDPAC elimina la necesidad del punto 7
de inicialización y simplifica el punto 3 de la supervisión, al suprimir la necesidad de verificar la ubicación
de polos ya que ésta se asegura, si la estimación converge (ver Capı́tulo 3), por lo que se centró el desarrollo
en el punto 2 de la supervisión, ya que si el supervisor garantiza la consistencia estructural se pueden
esperar buenos niveles de desempeño en el controlador.
Las principales aportaciones del trabajo se pueden establecer en relación a las etapas del sistema. Con
respecto al algoritmo de control adaptable propuesto, las aportaciones son:

El algoritmo propuesto no requiere de una inicialización de los polinomios costo,

El algoritmo propuesto contempla una actualización permanente de los polinomios costo (relati-
vamente con poco aumento de costo computacional) lo cual permite garantizar una asignación de
polos ante perturbaciones paramétricas,

El algoritmo presenta un mayor rango de estabilidad que el algoritmo original ante perturbaciones
paramétricas arbitrarias.

El algoritmo de control desarrollado en la tesis se ha reportado en [64] y en [59] donde se aborda como
tema la eficiencia computacional, mientras que en [61] se aborda el desempeño de los polos en lazo
cerrado. En [67] se revisa a partir de una aplicación el desempeño dinámico del controlador, y en [60] se
estudia la estabilidad del algoritmo ante perturbaciones paramétricas.
Por su parte para el control de respaldo se desarrolló un sistema de sintonización por modelo interno
(para n ≤ 3) que permite la sintonización del controlador PID, sin importar si el sistema es estable,
marginalmente estable o inestable. El control aprovecha un procedimiento de inicialización común con el
control adaptable, del cual se genera un modelo interno y con ayuda de un algoritmo genético se obtienen
las ganancias necesarias.
Esta propuesta de sintonización fue denominada PID genético directo y ha sido reportada en [62] y en
[63], también se hace referencia a ella en [64].
En lo referente al sistema de soporte se desarrolló un proceso de inicialización que se basa en una excitación
en lazo abierto y la estimación RLS.

123
6. Conclusiones

Para el desarrollo de la inicialización se propuso un método original para elegir el orden del modelo
interno e inicializar las variables del controlador autosintonizable. Dicho método fue reportado en [64].
Finalmente para la estructura de supervisión en lı́nea se desarrolló un sistema experto, que sintetiza el
conocimiento heurı́stico generado en este rubro, a lo largo del trabajo.
A continuación se enumeran las publicaciones, producto del trabajo de tesis.

Paz-Ramos M.A., Torres-Jiménez J., Quintero-Mármol-Márquez E., “Proportional-Integral-Derivative


Controllers Tuning for Unstable and Integral Processes Using Genetic Algorithms”, ICCS 2004 (In-
ternational Conference on Computational Science 2004, Krakow, Poland), publicado en el número
especial de la revista Lecture Notes in Computer Science, 3037, pp. 532-539, Springer-Verlag 2004.

Paz-Ramos M.A., Torres-Jiménez J., Quintero-Mármol-Márquez E., “PID Controller Tuning for
Stable and Unstable Processes Applying” GECCO 2004 (Genetic and Evolutionary Computation
Conference 2004, Seattle, Washington), publicado en el número especial de la revista Lecture Notes
in Computer Science, 3103, pp. 1-10, Springer-Verlag 2004.

Paz-Ramos M.A., Quintero-Mármol-Márquez E., Torres-Jiménez J., “Automatic Intelligent Ini-


tialization for a Modified Generalized Minimum Variance Controller”, Proceedings of the 5th Asian
Control Conference, pp.1231-1238, Melbourne 20-23 July 2004.

Paz-Ramos M.A., Quintero-Mármol-Márquez E., Fernández del Busto R., “Generalized Minimum
Variance with Pole Assignment Controller Modified for Practical Applications”, Proceedings of
the 2004 IEEE International Conference on Control Applications, pp. 1347-1352, September 2-4,
Taipei, Taiwan.

Ponce Cruz P., Paz Ramos M.A., Fernández del Busto R., Quintero-Mármol E., “DTC Scheme for an
Induction Motor Using Generalized Minimum Variance Controller with Dynamic Pole Assignment”,
IEEE International Symposium on Industrial Electronics, pp. 957-962, Junio 20-23 2005, Dubrovnik,
Croacia.

Paz-Ramos M.A., Quintero-Mármol-Márquez E., Fernandez del Busto R., Olguin E., Santos O. J.,
Ponce P., “Improving Stability and Performance in a Generalized Minimum Variance Controller
using Dynamic Pole Assignment”, 2nd International Conference on Electrical and Electronics En-
gineering and XI Conference on Electrical Engineering, pp. 370-373, México City, September 7-9
2005.

Paz Ramos M. A., Fernández del Busto R., Quintero Mármol E., “Generalized Minimum Variance
with Pole Assigment Controller”, Memorias del congreso nacional de Control Automático 2005 de la
Asociación de México de Control Automático (AMCA), artı́culo 77. Cuernavaca Morelos, México,
19-21 de Octubre del 2005.

6.2. Trabajos futuros


Durante el desarrollo de tesis se encontraron algunas vertientes de investigación, que por diversas razones
no pudieron ser exploradas ó explotadas. Algunas de estas vertientes pueden presentar un interés suficiente
como para permitir trabajos futuros relacionados. Dichos trabajos pueden asociarse principalmente a los
siguientes tópicos:

Estabilidad: En este trabajo se exploraron algunos aspectos relacionados a la estabilidad del algoritmo
propuesto (GMVDPAC), y se mostraron las capacidades del algoritmo para sobreponerse a pertur-
baciones paramétricas durante su operación. Los casos revisados en el documento no contemplan

124
6.2 Trabajos futuros

retardo en el transporte. En algún momento del desarrollo de la tesis, se revisaron algunos casos
con retardo con la ayuda del método D particiones [36], sin embargo no se pudo generalizar un
resultado, a pesar de lo cual se observaron situaciones sumamente interesantes, las cuales requieren
mayor trabajo en la búsqueda de una interpretación acertada.

Supervisión: Un aspecto que requiere la mayor atención en el control de procesos es el manejo de las
oscilaciones, pues la existencia de estas en un lazo, representa un riesgo de consideración, para
la operación del proceso. En particular las estructuras de control adaptable son más susceptibles
a la disfunción a causa de las oscilaciones [72] y de hecho en la práctica, cuando las oscilaciones
se presentan se recomienda detener el proceso de adaptación [29]. Un trabajo de interés podrı́a
ser el desarrollo de una herramienta que trabaje de forma coordinada con el control adaptable y
que permita la detección oportuna de dichas oscilaciones para tener otras alternativas diferentes
a detener la adaptación. El estudio de la interacción entre la herramienta y el control adaptable
ameritarı́an especial cuidado.

Implementación: Durante el desarrollo del trabajo, siempre se mantuvo el objetivo de que el trabajo
pudiera implementarse en la práctica, por lo cual fueron llevados a cabo varios experimentos con
el fin de evaluar el desempeño del sistema en su conjunto. Por otro lado siempre se tuvieron como
referencia algunos controladores comerciales de campo, por lo que un paso lógico podrı́a ser la
implementación del sistema en un sistema mı́nimo, bajo una estructura embebida ó aprovechando
las posibilidades que brindan los controladores de automatización programables [79].

125
6. Conclusiones

126
ANEXO A

127
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
Referencias Bibliográficas

[1] Allidina A.Y., Hughes F.M., “Generalized self-tuning controller with pole assigment”, IEE Proc.
Control Theory Appl., Vol. 127, No.127 . 13—18. 1980.

[2] Åström K.J., Adaptive Control, Filtering and Signal Processing . Springer-Verlag, 1995.

[3] Åström K.J., “Adaptive Control Around 1960”, IEEE Control Systems Magazine , 44—49, June
1996.

[4] Åström K.J., Hägglund T. PID controllers: theory, design and tuning (Second Edition). Research
Triangle Park, 1995.

[5] Åström K.J., Hägglund T., “The future of PID Control”, Control Engineering Practice No. 9 ,
1163—1175, 2001.

[6] Åström K.J., Wittenmark B., “On Self Tuning Regulators”, Automatica Vol. 9 , 185—199, 1973.

[7] Åström K.J., Wittenmark B., “Self-Tuning Controllers Based on Pole-Zero Placement”, IEE Proc.
Control Theory Appl., Vol. 127, No.3 , 120—130, 1980.

[8] Åström K.J., Wittenmark B., Adaptive Control (Second Edition). Addison Wesley, 1995.

[9] Åstrom K.J., Wittermark B., Computer Control led Systems; Theory And Design . Prentice Hall,
1997.

[10] Bartos F.J., “Artificial Intelligence ...Within”, Control Engineering , 26—33, September 2003.

[11] Bennett S., “Development of the PID Controller”, IEEE Control Systems Magazine , 58—64, Decem-
ber 1993.

[12] Bennett S., “A Brief History of Automatic Control”, IEEE Control Systems Magazine, Vol. 16, No.
3, 17—25, June 1996.

[13] Bernaerts K., Van Impe J.F., “Data-driven approaches to the modelling of bioprocesses” Transac-
tions of the Intitute of Measurement and Control No. 16 , 349—372, 2004.

[14] Bernstein D. S., “Feedback Control: An Invisible Thread in the History of Technology”, IEEE
Control Systems Magazine, Vol.22 , 53—68, April 2002.

[15] Butman S., Sivan R., “On Cancellations, Controllability and Observability”, IEEE Transactions on
Automatic Control , 317—318, 1964.

[16] Chang W.A., Ramakrishna R.S., “Elitism-Based Compact Genetic Algorithms”, IEEE Transactions
on Evolutionary Computation , Vol. 7, No. 4, 367 — 385, Aug. 2003.

[17] Chen Ch-T., Linear System Theory and Design (3rd Edition). Oxford University Press, 1998.

145
REFERENCIAS BIBLIOGRÁFICAS

[18] Chiu S., “Developing Commercial Applications of Intelligent Control”, IEEE Control Systems Ma-
gazine , 94—100, April 1997.

[19] Clarke D.W., Gawthrop B.A., “Self-tuning controller”, IEE Proc. Control Theory Appl., Vol. 122,
No.9 122 , 929—934, September 1975.

[20] Clarke D.W., Gawthrop B.A., “Self-tuning control”, IEE Proc. Control Theory Appl., Vol 126 ,
633—640, 1979.

[21] Clarke D.W., Mohtadi C., “Properties of Generalized Predictive Control”, Automatica Vol. 25, No.
6, 859-875, 1989.

[22] Clarke D.W., Mohtadi C., Tuffs P. S., “Generalized Predictive Control - Part I. The Basic Algorithm”,
Automatica Vol. 23 , No. 2, 137—148, 1987.

[23] Clarke D.W., Mohtadi C., Tuffs P. S., “Generalized Predictive Control - Part II. Extensions and
Interpretations”, Automatica Vol. 23, No. 2, 149—160, 1987.

[24] Ender D.B., “Process Control Performance Not as Good as You Think”, Control Engineering ,
180—190, September 1993.

[25] Estévez-Reyes L., “Process Control Reliability: The Key to Investing in Your Infrastructure”, ISA
Transactions, Vol. 39, No. 1 , 115—121, 2000.

[26] Franklin G.F., Powel J.D., Workman M.L., Digital Control of Dynamic Systems (Second Edition).
Addison Wesley, 1990.

[27] Goldberg David, Genetic Algorithms in search, optimization and machine learning . Addison Wesley,
1989.

[28] Grimble M.J., “Non-Linear Generalized Minimum Variance Feedback, Feedforward and Tracking
Control”, Automatica No. 4, 957—969, 2005.

[29] Hägglund T., “Industrial Implementation of on-Line Performance Monitoring Tools”, Control En-
gineering Practice , Vol. 13 , 1383—1390, 2005.

[30] Hägglund T., Åström K.J., “Industrial Adaptive Controllers Based on Frequency Response Tech-
niques”, Automatica Vol. 27 , 599—609, 1991.

[31] Hägglund T., Åström K.J., “Supervision of adaptive control algorithms”, Automatica Vol. 36 , 1171—
1180, 2000.

[32] Hägglund T., Åström K.J., “Method and on apparatus in tuning a PID-Regulator”, U.S. Patent No.
4,549,123, Oct. 22 1985.

[33] Hang C.C., “The Choice of Controller Zeros”, IEEE Control Systems Magazine, January 1989.

[34] Holmberg U., Relay Feedback of Simple Systems . PhD dissertation, Department of automatic control,
Lund Institute of Technology, August 1991.

[35] Http://www.Honeywell.Com.Pl/, “DC1000.Pdf.”

[36] Hwang C., Hwang J.H., “Stabilisation of First-Order Plus Dead-Time Unstable Processes Using PID
Controllers”, IEE Proc.-Control Theory Appl., Vol. 151, No. 1, 89—94, January 2004.

146
REFERENCIAS BIBLIOGRÁFICAS

[37] Inoue A., Yanou A., Sato T. Hirashima Y., “An Extension of Generalized Minimum Variance Control
for Multi-input Multi-output systems Using Coprime Factorization Approach”, 4184—4188, 2000.

[38] Ioannou P.A., Sun J., Robust Adaptive Control . Prentice Hall, 1996.

[39] Isermann R., Lachmann K.H., “Parameter-adaptive Control with Configuration Aids and Supervision
Functions ”, Automatica Vol. 21, No.6 , 625—638, 1985.

[40] Jury E.I., “On the History and Progress of Sampled-Data Systems”, IEEE Control Systems Maga-
zine , 16—21, 1987.

[41] Kim Y.-S., (Samsung Electronics). “Unit Method for Determining Gains a of PID Controller Using
a Genetic Algorithm” U.S. Patent , No. 5,971,579, Oct. 26 1999.

[42] Lawrence D.A., Sethares W. A., Ren W., “Parameter Drift Instability in Adaptive Systems”, Pro-
ceedings of the IEEE Conference on Decision and Control , 3230—3235, December 1990.

[43] Li Z., Evans R.J., “Generalised minimum variance control of linear time-varying systems”, IEE Proc.
Control Theory Appl., Vol. 149 . 111—116, 2002.

[44] Ljung L., System Identification, Theory for the User . Second edition Prentice Hall PTR, 1999.

[45] Ljung L., Glad T., Anderson T., “Identidicability Implies Robust Identificability”, Proceeding of the
32nd Conference on Decision and Control , 567—569, 1993.

[46] Lundh M., Åström K.J., “Automatic Initialization of Robust Self-tuning Controllers”, Automatica
Vol. 30 , No. 11, 1649—1662, 1994.

[47] Luyben W.L., Process Model ling, Simulation and Control for Chemical Engineers . Mc Graw Hill,
1990.

[48] Luyben W.L., Luyben M.L., Essentials of process control . Mc Graw Hill International Editions,
1997.

[49] Masayoshi D., Yasuchika M., “Generalized Minimum Variance Control for Time Varying Systems
without Diophantine equation”, Proceedings of American Control Conference , 3230—3235, 2002.

[50] Masayoshi D., Yasuchika M., “A Study on Robust Asymptotic Tracking Property for Generalized
Minimum Variance Control”, Proceedings of American Control Conference , 1472—1477, 2002.

[51] Mendes R.S., Amaral W.C., Latre L.G., “Determination of weighting polynomials in generalized
minimum variance controllers”, IEE Proc. Control Theory Appl., Vol. 135 , 21—27, 1988.

[52] Mitsukura Y., Yamamoto T., Kaneda M., “A Design of Self-Tuning PID Controllers Using a Genetic
Algorithm”, Proceedings of American Control Conference , 1361—1365, 1999.

[53] Montmain J., Gentil S., “Dynamic causal model diagnostic reasoning for online technical process
supervision”, Automatica Vol. 36 , 1137—1152, 2000.

[54] Narendra K.S., “Parameter Adaptive Control - The End... or the Beginning?”, Proceedings of the
33rd Conference on Decision and Control , 2117—2125, 1994.

[55] National Instruments, “User Manual, LabVIEW / Express”, 2003.

[56] Niu S., Fisher D.G., “Monitoring Parameter Identificability During on Line Identification”, Procce-
dings of IEEE Conference on Control Applications , 1717—1722, 1994.

147
REFERENCIAS BIBLIOGRÁFICAS

[57] Ogata K., Sistemas de Control en Tiempo Discreto . Segunda Edición, Pearson Educación, 1996.

[58] Oki T., Yamamoto T., Kaneda M., “A Comparison of Self-Tuning Control Schemes in Applications”,
SICE , 1593—1598, 1995.

[59] Paz Ramos M.A., Quintero-Mármol-Márquez E., Fernández Del Busto R., “Generalized Minimum
Variance with Pole Assigment Controller Modified for Practical Applications”, Proceedings of the
2004 IEEE International Conference on Control Applications , 1347—1352, 2004.

[60] Paz Ramos M.A., Quintero-Mármol E., Fernández Del Busto R. Olguı́n E. Santos O.J. Ponce P.,
“Improving Stability and Performance in a Generalized Minimum Variance Controller Using Dy-
namic Pole Assignment”, 2nd International Conference on Electrical and Electronics Engineering
and XI Conference on Electrical Engineering, Mexico City , 370—373, September 2005.

[61] Paz Ramos M.A., Fernandez Del Busto R., Quintero-Mármol E., “Generalized Minimum Variance
with Dynamic Pole Assignment Controller", Memorias del Congreso Nacional de Control Automático
2005 de la Asociación de México de Control Automático (AMCA), Cuernavaca Morelos, México,
articulo 77, Octubre 2005.

[62] Paz Ramos M.A., Torres-Jiménez J., Quintero-Mármol-Márquez E., “PID Controller Tuning for
Stable and Unstable Processes”, GECCO 2004, Lecture Notes in Computer Science 3103 Springer
Verlag , 1—10, 2004.

[63] Paz Ramos M.A., Torres-Jiménez J., Quintero-Mármol-Márquez E., “Proportional-Integral-


Derivative Controllers Tuning for Unstable and Integral Processes Using Genetic Algorithms”, ICCS
2004, Lecture Notes in Computer Science 3037 Springer Verlag , 1—10, 2004.

[64] Paz Ramos M.A., Quintero-Mármol-Márquez E., Torres-Jiménez J., “Automatic Intelligent Initializa-
tion for a Modified Generalized Minimum Variance Controller”, Procceding of the 5th Asian Control
Conference , 1231—1238, 2004.

[65] Pereira J.M. Dias., “A Fieldbus Prototype for Educational Purposes”, IEEE Instrumentation Mea-
surement Magazine , 24—31, 2004.

[66] Piedrafita R., Ingenierı́a de la Automatización Industrial . Alfaomega/Rama, 2004.

[67] Ponce Cruz P., Paz Ramos M.A., Fernandez Del Busto R. Quintero-Mármol E., “DTC Scheme for an
Induction Motor Using Generalized Minimum Variance Controller with Dynamic Pole Assignment”,
Proc. IEEE International Symposium on Industrial Electronics. Dubrovnik, Croatia , 957—962, June
2005.

[68] Poulin E., Pormeleau A., “PI Setting for Integrating Processes Based on Ultimate Cycle Information”,
IEEE Transactions on Control Systems Technology, Vol. 7, No. 4 , 509—511, July 1999.

[69] Reeve A., “Auto-Tuning and Self-Tuning Controllers”, C&I , 67—69, October 1991.

[70] Reyes A., “Producción Inteligente”, Manufactura, Año 10, Número 106 , 73—81, Abril 2004.

[71] Rhinehart R.R., “The century’s greatest contributions to control practice”, ISA Transactions ,
Vol. 39, 3—13, 2000.

[72] Rohrs C. E., Valvani L., Athans M. Stein G., “Robustness of Continuous-Time Adaptive Control
Algorithms in the Presence of Unmodeled Dynamics”, IEEE Transactions on Automatic Control ,
AC-30, No. 9 , 881—889, September 1985.

148
REFERENCIAS BIBLIOGRÁFICAS

[73] Sazali Y., Faisal A.M., Mohamed F.A., “On-line self-tuning controller for induction motor based on
generalized minimum variance method”, SICE , 875—878, 1998.

[74] Shoureshi R., “Active Noise Control: A Marriage of Acoustics and Control”, Proceedings of the
American Control Conference , 3444—3448, June 1994.

[75] Smith C. A., Corripio A. B., Control Automático de Procesos. Teorı́a Y Práctica . Editorial Noriega
Limusa, 2002.

[76] Strothman J., “Leaders of the pack”, InTech 50 , 22—27, August 2003.

[77] Takatsu H., Itoh T., “Future Needs for Control Theory in Industry - Report of Control Technology
Survey in Japanese Industry”, IEEE Transactions on Control Systems technology, Vol. 7, No.3 ,
298—305, May 1999.

[78] Thornhill N. F., Cox J. W., Paulonis M. A., “Diagnosis of Plant-Wide Oscillation Through Data-
Driven Analysis and Process Understanding”, Control Engineering Practice ,Vol. 11 ,1481—1490, 2003.

[79] Vázquez C.M., “La Nueva Generación de PLC’s, PAC’s Controladores Automáticos Programables”,
InTech México Automatización, año 3, No. 2 , 16—21, Abril-Junio 2004.

[80] Visioli A., “Optimal Tuning of PID Controllers for Integral and Unstable Processes”, IEE Proc.-
Control Theory Appl., Vol. 148, No. 2 , 181—184, March 2001.

[81] Wellstead P.E., Prager F., Zanker P., “Pole Assigment self-tuning regulators”, IEE Proc. Control
Theory Appl., No. 126 , 781—787, 1979.

[82] Wellstead P.E., Zarrop M.B., Self-Tuning Systems, Control and Signal Processing . John Wiley &
Sons, 1991.

[83] Wilbanks W.S., “50 Years of Progress in Measuring and Controlling Industrial Processes”, IEEE
Control Systems Magazine Vol. 16, No.1 , 62—66, 1996.

[84] Wittenmark B., Åström K.J., “Practical Issues in the Implementation of Self-Tuning Control”,
Automatica Vol. 20 , 595—605, 1984.

[85] Xia L., Moore J.B., Gevers M., “On adaptive estimation and pole assigment of overparametrized
systems”, International Journal of Adaptive Control and Signal Processing No.1 , 143—160, 1987.

[86] Xia L., Moore J.B., “Recursive Identification of Overparametrized Systems”, IEEE Transactions on
automatic control, Vol. 34, No. 3 , 327—331, 1989.

[87] Y.-Ang K. H., Chong G. C. Y., “Patents, Software, and Hardware for PID Control”, IEEE Control
Systems Magazine , February 2006.

[88] Yamamoto T., Fujii K., Kaneda M., “Self-Tuning Temperature Control of a Polymerizing Reactor”,
1110—1114, 1998.

[89] Yamamoto T., Inoue A., Shah S.L., “Generalized Minimum Variance Self-Tuning Pole-Assigment
Controller with PID Structure”, Proceedings of IEEE International Conference on Control Applica-
tions , 125—130, 1999.

[90] Ziegler J.G., Nichols N. B., “Optimum Settings for Automatic Controllers”, Trans. ASME, No. 64 ,
759—7687, November 1942.

149