Anda di halaman 1dari 5

PROGRAMA DE CURSO

Código Nombre
EL7016 Optimización en Control, Identificación y Estimación
Nombre en Inglés
Optimization in Control, Identification and Estimation
Unidades Horas de Horas Docencia Horas de Trabajo
SCT
Docentes Cátedra Auxiliar Personal
6 10 3:00/semana 1:00/semana 5:00/semana

Requisitos Carácter del Curso


EL 4004 Electivo

Resultados de Aprendizaje

El alumno podrá enfocar problemas de modelación, identificación, estimación y control


óptimo desde un punto de vista unificado general mediante los espacios de Hilbert, de
producto interno y normados, con la ventaja adicional de visualizar estos problemas desde
un punto de vista geométrico
Podrá manejar herramientas matemáticas para resolver los problemas que se presentan en
control óptimo, estimación y predicción óptima de señales, identificación y estimación
parámetros desde un punto de vista tanto general como específico para cada caso. Podrá
utilizar software para la solución de los casos prácticos y complicados que se presentan en
aplicaciones industriales.
Habrá apreciado problemas que se presentan en la práctica mediante la realización de
experiencias de laboratorio.

Metodología Docente Evaluación General


La evaluación se hará mediante controles,
Habrá clases expositivas y trabajos de tareas, informes de laboratorio y de trabajos
seminario, trabajo experimental de de seminario.
laboratorio.
Los controles tendrán una ponderación de
Los aspectos teóricos se ilustrarán mediante 60% y el conjunto de tareas, informes de
ejemplos simples para ilustrar y reforzar los seminario y de laboratorio, un 40%.
aspectos teóricos. Por otra parte, se empleará
la simulación apoyada por herramientas de
software (MATLAB) para los casos de mayor
complejidad. Los trabajos de laboratorio
permitirán incorporar aspectos de la realidad
física e industrial.
Unidades Temáticas

Número Nombre de la Unidad Duración en Semanas


1 Espacios de Hilbert en Modelación e Identificación 3
Resultado de Aprendizaje de la Referencias a
Contenidos
Unidad la Bibliografía
1.1.- Espacios métricos, Espacios El principal logro será la [2]
Lineales, Espacios normados y de adquisición de un punto de vista [3]
Banach, Espacios de producto interno general para abordar diversos [4]
y de Hilbert. problemas de modelación, [6]
1.2.- Espacios de Hilbert. Norma identificación, estimación, [13]
inducida; Teorema de Pitágoras predicción y control óptimo.
generalizado; Teorema de la Serie de
Fourier generalizado; Teorema de la
proyección; Aproximaciones con
norma de error mínima; Bases
ortogonales y ortonormales.
1.3.- Aplicación a Variables
aleatorias, procesos estocásticos,
modelación, estimación y predicción,
control óptimo.

Número Nombre de la Unidad Duración en Semanas


2 Procesos Estocásticos en Modelación e Identificación 3
Resultado de Aprendizaje de la Referencias a
Contenidos
Unidad la Bibliografía
2.1.- Espacio de probabilidades, El principal logro consistirá en un [3]
variables aleatorias y procesos dominio de los procesos [7]
estocásticos. Enfoque desde el punto estocásticos desde el punto de
de vista de los espacios de Hilbert. vista de los espacios de producto
2.2.- Valor esperado. Estimación y interno o de Hilbert.
predicción de variables aleatorias y
de procesos estocásticos.
2.3.- Estacionaridad. Procesos
estocásticos ergódicos. Implicaciones
en la práctica de la ingeniería.
2.4.- Sistemas dinámicos excitados
por procesos estocásticos. Relaciones
entre funciones de correlación.
2.5.- Experiencias de laboratorio en
tratamiento de señales medidas en
una planta del Laboratorio de
Automática.
Número Nombre de la Unidad Duración en Semanas
3 Identificación de Sistemas y Estimación de Parámetros 4
Resultado de Aprendizaje de la Referencias a
Contenidos
Unidad la Bibliografía
3.1.- El problema de la identificación y Visión unificada de los problemas [2]
los espacios de Hilbert. Diferentes de identificación de modelos no [3]
tipos de modelos. Estructura de los lineales, pero lineales en los [5]
modelos y estimación de sus parámetros, gracias al punto de [6]
parámetros. Estimación de señales y vista aportado por los espacios de [11]
modelación como proyección en producto interno y de Hilbert-
espacios de Hilbert. Enfoque global de
la modelación por medio de modelos Dominio de las herramientas de
lineales y no lineales que son lineales software dedicadas a la
en los parámetros identificación.
3.2.- Identificación de modelos tipo
ARMAX y similares. Casos de Capacidad para diseñar y luego
perturbación de ruido blanco y de probar y afinar sensores virtuales
ruido coloreado. mediante trabajo de laboratorio.
3.3.- Métodos y software para
determinación de estructuras de
modelos y de estimación de
parámetros. Estimación recursiva y no
recursiva (batch).
3.4.- Identificación y control.
Aplicación de identificación en control
adaptable indirecto.
3.5.- Identificación y estimación de
señales (inferencia, sensores
virtuales)
3.6.- Identificación mediante conjuntos
difusos del tipo Takagi-Sugeno
3.7.- Modelación en el espacio de las
componentes principales (PCA, PLS).
3.8.- Ejemplos simples y en plantas
industriales
3.9.- Experiencias de laboratorio en
identificación y sensores virtuales en
planta del Laboratorio de Automática.
Número Nombre de la Unidad Duración en Semanas
4 Fundamentos del Control Óptimo de Sistemas 5
Resultado de Aprendizaje de la Referencias a
Contenidos
Unidad la Bibliografía
4.1.-El control óptimo frente a otras Visión global de los problemas de [1]
formas de control control óptimo, tanto estático como [3]
4.2.- Enfoque del control óptimo dinámico, tanto en ambiente [8]
desde el punto de vista de los determinístico como estocástico. [9]
espacios de Hilbert y de Banach. [10]
4.3.-Problemas de norma mínima. Capacidad para la solución de [12]
Control optimo de sistemas en problemas complejo mediante
equilibrio. Casos determinístico y herramientas de software
estocástico (MATLAB)
4.4.-Control optimo dinámico en el
caso determinístico. El Principio del Capacidad para diseñar
Máximo. Problemas básicos. controladores óptimos y probarlo
Transformación de problemas mediante simulación y
complejos problemas básicos. Control experimentalmente en el
optimo para estado final fijo y llegada laboratorio, particularmente en los
a superficie terminal. Control de casos LQR y LQRG.
tiempo mínimo.
4.5.- Control óptimo de sistemas
lineales con función de costo
cuadrática en casos
determinístico y estocástico (LQR,
LQG). Certeza equivalente. Dualidad
entre estimación óptima y control
óptimo.
4.6.- Observadores para el control
óptimo de sistemas. Observador de
Luenberger, filtro de Kalman,
4.8.- Algoritmos y software para
optimización con y sin restricciones,
en ambientes determinístico y
estocástico, para casos estáticos y
dinámicos.
4.9.- Experiencias de laboratorio en
control óptimo en planta del
Laboratorio de Automática
Bibliografía General

Bibliografía Básica

[1] Bryson, A. E., Dynamic Optimization. Addison Wesley, 1999.


[2] Gonzalez, G.D., “Soft Sensing”, Chapter 4 in Advanced Control and Supervision of Mineral
Processing Plants, Editors: D. Sbarbaro, R. del Villar, Springer-Verlag, London, Ltd.,
2010.
[3] González, G. D. Optimización en Control, Identificación y Estimación. Apuntes del curso EL
7016 en https://www.u-cursos.cl/ingenieria/
[4] Frazier, M. W. An Introduction to Wavelets through Linear Algebra. Springer Verlag, 1999.
[5] Ljung, L., System Identification. Theory for the User. P T R Prentice Hall, 1987.
[6] Moon, T.K., Stirling, W.C. Mathematical methods and algorithms for signal processing.
Prentice Hall, 2000.
[7] Papoulis A., S.U. Pillai, Probability, Random Variables, and Stochastic Processes, McGraw-
Hill., Fourth Edition, 2002.

Bibliografía Complementaria

[8] Bryson, A. E. and Ho. Applied Optimal Control. Blaisdell Pub. Co., Mass., USA, 1969.
[9] Grace, A. Optimization Toolbox , The MathWorks Inc., Natick Mass., USA, 2001.
[10] Grace, A., Laub, A.J., Little, J.N., Thompson, C.M. Control System Toolbox, The
MathWorks Inc., Natick Mass., USA, 2001
[11] Ljung, L. System Identification Toolbox. The MathWorks Inc., Natick Mass., USA, 2002.
[12] Luenberger, D. G. Optimization by Vector Space Methods, J. Wiley & Sons, 1969.
[13]Naylor A.W., G.R. Sell, Linear Operator Theory in Engineering and Science. Springer:
Applied Mathematical Sciences, Vol. 40, 2000.

Vigencia desde: 01 de marzo de 2011


Elaborado por: Guillermo D. González Rees