1
d) El concepto de involución y el teorema de linear de tipo SISO caracterizado por una
Frobenius respecto a la integrabilidad de entrada una salida y una única señal de control.
distribuciones. La herramienta matemática que emplean los
e) La linealización exacta entrad-estado para sistemas de control no lineales basados en
sistemas SISO y la linealización de linealización geometría diferencial el concepto de álgebra de
exacta entrad-salida para sistemas MIMO. Aquí Lie [4], [5], [6]. Un caso particular de álgebra
es importante incidir entre la diferencia de de Lie son los corchetes de Lie formados por
linealizar un sistema no lineal a través de la todos los vectores campo diferenciables en Rn, o
matriz jacobiana y el significado de la sea para cualesquiera dos vectores campo f, g ∈
linealización exacta a través de una Rn, que son funciones de las variables de estado
realimentación no lineal de estado junto con un x ∈ Rn se define:
cambio de coordenadas.
f) Desarrollar a lo largo del curso y de forma ∂g ∂f
progresiva un programa de computador con [ f , g] = f − g (3)
Matlab [1] para que el estudiante reconozca que ∂x ∂x
el análisis y diseño de sistemas de control no
lineales basados en geometría diferencial no es donde ∂g/∂x and ∂f/∂x son matrices jacobianas
más difícil que un curso usual de control. definidas de la forma:
Las funciones h1, h2,….,hp, que caracterizan las No es difícil generalizar el programa anterior
salidas del sistema son funciones reales de las para calcular corchetes de ie de orden n. Es
variables de estado xi, y pueden ser elegidas por posible extender el concepto de corchete de Lie
el diseñador teniendo en cuenta las a varios vectores campo, para lo cual se
posibilidades de accesibilidad y medida. introduce una notación más compacta:
Cuando m= 1, p = 1 tenemos un sistema no
2
ad f = [ f , • ] ⇒ ad f g = [ f , g ]⎫
⎪
⎬ (6) O = ⎡⎣C CA CA ...... CA ⎤⎦ ⇒ rank (O ) = n
2 n −1 T
[ f , ......[ f , g ] ......] = ad f g
n
⎪⎭
(11)
en donde [.]T indica matriz transpuesta. Un
en donde el símbolo adf significa operador
sistema no lineal como (1) no tiene matrices A,
adjunto. De esta forma es posible generar
C, por lo que el criterio de observabilidad hay
corchetes de Lie de forma escalonada.
que introducirlo a través del álgebra de Lie.
b) Para sistemas no lineales se puede
Para ello se introduce el concepto de derivada
definir un test de controlabilidad y
de Lie, el cual se puede considerara como la
observabilidad. Para ello, a partir de un sistema
en forma afín (ecuación (1)) se forma un derivada direccional para un campo escalar λ(x),
conjunto de vectores campo L que forma un con x ∈ Rn a lo largo de la dirección de un
álgebra de Lie, y que esta formada por todos los vector campo n-dimensional f(x):
corchetes de Lie hasta de orden (n-1) entre los ∂λ ( x )
f ( x) = L f λ ( x) (12)
vectores campo f(x) y gi(x) con 1 ≤ i ≤ m, o sea: ∂x
en donde Lfλ(x) es una notación abreviada para
{ n −1 n −1
L = g1 ,.., g m , ad f g1 ,.., ad f g m , .., ad f g1 ,.., ad f g m } indicar que se está calculando un vector
(7) gradiente (1xn) de el escalar λ(x) a lo largo de la
dirección del vector f(x), o sea la derivada
Entonces el sistema (1) es controlable si y solo direccional de λ(x) a lo largo de f(x). Ahora si se
si se verifica: considera el vector campo de salida h(x) ∈ Rn
dim( L ) = n (8) h ( x ) = [ h ( x ), h ( x ), ...., h ( x ) ]
T
1 2 m
y la correspondiente
derivada de Lie calculada de la forma:
Obsérvese que los conceptos de controlabilidad
y observabilidad tienen el mismo significado en ⎡ L f h1 ( x ) ⎤
sistemas lineales y no lineales. La única ⎢
L f h( x ) = .........
⎥ (13)
diferencia es la forma algebraica de expresar ⎢ ⎥
estos conceptos en sistemas lineales y no ⎢⎣ L f hm ( x ) ⎥⎦
lineales. Puesto que cada elemento de L es
función de estado x, en general la dimensión de A partir de (14) se puede construir el espacio de
L varía para cada punto del espacio de estados. observación Θ definido de la forma:
Para verificar la condición (8) es necesario
diseñar un programa de computador que calcule
la matriz L para cualquier tipo de sistema. El { 2 n −1
Θ = span h ( x ), L f h ( x ), L f h ( x ), ......, L f h ( x ) }
programa debe usar solo expresiones (14)
simbólicas, las cuales pueden pasarse a
expresiones numéricas [1]. Puesto que una Nótese que este espacio esta generado por todas
matriz simbólica en Matlab se maneja de forma las derivadas de Lie hasta de orden (n-1). A
similar a una numérica, no es difícil obtener partir de estas derivadas de la función h(x). se
cada columna de L usando un bucle for. define la distribución dΘ como:
Entonces la sentencia rank = size(null(L),2)
determina la dimensión de L. Este es el primer
paso en el análisis y diseño de una ley de
control no lineal. Un ejercicio interesante es
d Θ = span { } ∂θ
∂x
with θ ∈ Θ (15)
3
polos y ceros coincide con el número de veces donde:
que habría que derivar la función de salida para
obtener la entrada; o sea desde este punto de ⎡0 1 0 . 0⎤ ⎡0⎤ ⎡ z1 (t ) ⎤
vista, estamos considerando el problema ⎢0 0 1 . 0 ⎥ ⎢ 0 ⎥ ⎢ z (t ) ⎥
inverso, o sea de como obtener la entrada a ⎢ ⎥ ⎢ ⎥ ⎢ 2 ⎥
partir de la señal de salida. Por consiguiente, A = ⎢. . . . . ⎥ ; B = ⎢ . ⎥ ; z (t ) = ⎢ . ⎥
para resolver este problema hay que añadir ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
ceros en el origen a la función transferencia ⎢0 0 0 . 1
⎥ ⎢.⎥ ⎢ . ⎥
⎣⎢ 0 0 ⎦⎥ ⎣⎢1 ⎦⎥ ⎣⎢ z n (t ) ⎦⎥
original antes de poder resolverlo. Para sistemas
0 0 .
SISO es sencillo diferenciar la ecuación de
salida para obtener la señal de entrada u(t).De (18)
esta forma el grado relativo es el número de
veces que hay que derivar la señal de salida para La función φ(x) de las ecuaciones (16) debe
obtener la entrada. [2], [3], [4], [5], [6] que es verificar las condiciones:
completamente análogo a añadir integradores en
sistemas lineales. Siguiendo el mismo ∂φ ( x ) ∂φ ( x ) ∂φ ( x ) n−2
procedimiento, se puede definir la matriz de g ( x) = ad f g ( x ) = ... = ad f g ( x )
∂x ∂x ∂x
desacoplamiento D(x) para sistemas MIMO, a
partir de la cual se define el grado relativo para (19)
cada salida del sistema. Detalles se pueden
encontrar en [2], [4], [5], [6]. Obsérvese que El cálculo de φ(x) a partir de (19) es general
desde el punto de vista del cálculo simbólico, difícil, sin embargo para muchos sitemas de
solo es necesario considerar el vector campo ingeniería (mecánicos, electromecánicos, robots
h(x) para determinar el grado relativo en industriales, etc.) la función φ(x) puede elegirse
sistemas SISO y MIMO. como una variable de salida medible, y por
d) Analicemos a continuación la tanto esta función debe ser un dato de entrada
linealización exacta estado-entrada para en el programa de computador. Por ejemplo si
sistemas SISO. La linealización exacta significa se elige:
y = h( x ) = φ ( x ) = x1
2
que por medio de una realimentación no lineal (20)
del estado, y un cambio de coordenadas, el
sistema no lineal se convierta en uno lineal, las siguiente sentencias determinan
Entonces todos los métodos para controlar simbólicamente la matriz T(x) [1]:
sistemas lineales se podrían aplicar a los no
lineales., siempre que pudiera deshacerse el T = sym(zeros(n,1));
cambio de coordenadas. Para ello se introduce h1 = h; T(1,1) = h;
el concepto de distribución, distribución for i = 2:n+1
involutiva e integrabilidad completa de una dh = jacobian(h,x);
distribución a partir del teorema de Frobenius. Lfh = dh*f;
[4], [5], [6]. Con los conceptos anteriores es if i <= n
posible obtener las condiciones para que un T(i,1) = subs(Lfh);
sistema no lineal SISO sea linealizable end
exactamente. Obsérvese que si un sistema es h1 = Lfh;
linealizable exactamente es porque es end
controlable, o sea se verifica la condición (8). Y
además es integrable. Si elsistema es Nótese que en la última fila de T tenemos
linealizable, hay que obtener el cambio de
L f φ ( x ) y por tanto es posible obtener el valor
n −1
coordenadas y la ley de realimentación no lineal
de la siguiente forma: de u(t) a partir de (16), a través del siguiente
programa
⎡ φ ( x) ⎤
⎢ L φ ( x) ⎥ Ti = T(n,1);
⎥ ; u (t ) = − L f φ ( x) + ν (t )
n
z = T ( x) = ⎢
f
LgLfh = jacobian(Ti,x);
⎢ ......... ⎥ Lg L f φ ( x ) Lg Lnf−1φ ( x )
n −1
LgLfhg = LgLfh*g;
⎢ n −1 ⎥
⎣ L f φ ( x) ⎦ if LgLfhg == 0
disp('There is not feddback');
(16) break
Con los cambios anteriores el sistema no lineal end
se transforma en uno lineal de la forma: ax = hi/LgLfhg; bx = 1/LgLfhg;
v1 = sym('v');
z (t ) = Az (t ) + Bν (t ) 17)
4
u = bx + v1*ax; % Symbolic value of • Usando la técnica de colocación de polos es
u(t) from Eq. (16) posible obtener la solución del problema de
control.
e). La linealización exacta para v = − Kz (t ) ⇒ z (t ) = ( A − BK ) z (t ) (27)
sistemas MIMO se realiza normalmente a partir
de la linealización exacta entrad-salida, la cual
aunque no es tan precisa como la linealización El procedimiento de diseño anterior se puede
estado-entrada, es la más utilizada en las aplicar cuando la matriz de desacoplamiento es
aplicaciones de ingeniería. Los pasos a realizar tiene inversa, lo cual se verifica cuando la suma
en el programa son los siguientes: de los grados relativos coincide con el número
• Introducir el vector de grados relativos de variables de estado del sistema.
[ ]
r1 , r2 ,...., rm , siendo ri el grado relativo 3 LINEALIZACIÓN EXACTA
de la salida i. A partir de dicho vector y ESTADO-ENTRADA PARA UN
las ecuaciones (1) se calcula la matriz de
desacoplamiento D(x): TRANSDUCTOR DE POSICION
En esta sección se estudia el modelo de un
⎡ Lg Lrf−1 h1 ( x) ......... Lg Lrf −1h1 ( x) ⎤
1 1
1
g f m 1
∑ r = n ; rank ( D( x) = n
m
(22)
i
x1′ (t ) = x1 (t ) − x0 ; x2′ (t ) = x2 (t ) ;
i =1 (28)
• Determinar la derivada hasta orden ri de la x3′ (t ) = x3 (t ) − i0
salida y1 y a partir de la ecuación de salida
(1) y de la matriz (21) se obtiene y suponiendo que las señales de control
verifican la siguiente condición:
⎡ y1r ⎤ ⎡ Lrf h1 ⎤ ⎡ Lg L f h1 ( x ) .. Lg L f h1 ( x ) ⎤ ⎡ u1 ⎤
r −1 r −1
1 1
1 1
v (t ) = v0 + v1 (t )
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
1 m
(29)
⎢ ... ⎥ = ⎢ .... ⎥ + ⎢ ................. .. ................... ⎥ ⋅ ⎢ ... ⎥ F (t ) = f 0
⎢⎣ ymr ⎥⎦ ⎢⎣ Lrf hm ⎥⎦ ⎢ Lg Lrf −1hm ( x ) .. Lg Lrf −1hm ( x ) ⎥ ⎣⎢um ⎦⎥
⎣ ⎦
m m m m
1 1
5
⎡ ⎤ z3′ = −
B
−
K
( x1′ + x0 − b ) −
cK
( x1′ + x0 − b )
3
⎢ 0 ⎥ M M M
⎢ ⎥
g ( x′) = ⎢ 0 ⎥ (31) a ( x3′ + i0 )
f
2
− + 0
⎢ d + x0 + x1′ ⎥ ′
M ( d + x0 + x1 )
2
M
⎢ ⎥
⎣ 2a ⎦ (36)
Las variables z’ se determinan a través del
que es un sistema monovariable en forma afín: sistema lineal y controlable definido por:
[
rango g , ad f g = ] z ′(t ) = Az ′(t ) + Bv(t ) ; w(t ) = − Kz ′(t )
•
[ [
rango g , ad f g , g , ad f g ]] z ′(t ) = ( A − BK ) z ′(t )
(38)
siendo adfg la notación usual para los corchetes Para unas condiciones iniciales dadas pueden
de Lie Los cálculos realizados muestran que se obtenerse las variables z’(t) y a partir de la
verifican las condiciones anteriores y por tanto transformación inversa:
el sistema se puede linealizar exactamente
estado- entrada. La transformación de x′ = T −1 ( z ′)
(39)
coordenadas que hace al sistema lineal será de Utilizando las ecuaciones (28) se obtienen sin
la forma: dificultad las variables de estado del sistema
⎡ z1′ ⎤ ⎡ φ ( x′) ⎤ original. Obsérvese que las condiciones de
⎢
z ′ = ⎢ z 2′ ⎥ = L f φ ( x′)
⎥ (33)
linealización exacta estado entrada, son
⎢ ⎥ ⎢ 2 ⎥ necesarias y suficientes para que la
⎣⎢ z3′ ⎦⎥ ⎢⎣ L f φ ( x′) ⎥⎦ transformación inversa (39) exista. Es más,
dichas condiciones aseguran que la
transformación directa e inversa son
siendo φ(x’) una función escalar, que de
difeomorfismos en el espacio de estados del
acuerdo con el teorema de Frobenius [4] debe
problema dado. Las condiciones anteriores
de cumplir las condiciones:
ponen de manifiesto que al no tener problemas
numéricos la simulación del sistema dado por
∂φ ( x ′) ∂φ ( x ′)
, g ( x ′) = 0 ; , ad f g = 0 las ecuaciones (30) y (31) será mucho más fácil
∂x ′ ∂x ′ obtener las variables de estado del sistema
(34) original a partir de la transformación inversa
(39). Esto puede ser una gran ventaja en
La aplicación de las condiciones anteriores sistemas fuertemente no lineales, para los que
muestran que la función φ(x’) no puede el intervalo de simulación con los métodos
depender de x’1 y x’2. Por consiguiente la numéricos usuales puede ser muy pequeño.
Una vez calculadas las variables de estado x’(t),
elección más simple para φ(x’) es hacerla
la señal de control viene dada por:
coincidir con la variable de estado x’1.
Aplicando la transformación (32) se obtiene:
{− L φ ( x′) + v}
1
u ( x ′) = ; v = − Kz ′
3
∂φ ( x ′) Lg L f φ ( x ′ )
2 f
6
Rg
S = Sección transversal
I(t)
d x
N , Rs
K
+
V(t) Pieza M
móvil
Bl , Beh B
Pieza de latón
Estator no
F(t)
ferromagnética
Figura 1. Transductor electromecánico de posicionamiento lineal. Masa pieza móvil M = 1.5 kg, coeficiente de
fricción viscosa B = 0.02 N/m.s, constante elástica del muelle K = 1 N/m, coeficiente no lineal del muelle c = 10000
m-2, longitud del muelle sin deformar b = 0.005 m, longitud pieza latón d = 0.02 m, número de espiras N = 100000,
sección transversal S = 0.002 m2, resistencia del generador Rg = 10 Ω, resistencia de la bobina Rs = 1200 Ω.
Figura 2. Señales de control del sistema no lineal cuando se linealiza exactamente por métodos de geometría
diferencial y del sistema linealizado en el punto de equilibrio a través de la matriz jacobiana.
Como ejemplo del tipo de resultados que los tipos de señales de control que se han
pueden esperarse utilizando los métodos de obtenido. Obsérvese el mayor esfuerzo de control
control no lineal basadas en la linealización del método usual de linealización frente al del control
exacta estado-entrad, en la figura 2 se muestran no lineal
7
4 LINEALIZACIÓN EXACTA A partir de las ecuaciones (43) y (44) se obtiene
ENTRADA-SALIDA MIMO PARA el modelo de espacios estados a partir de la
definición de las variables de estado:
UN DISPOSITIVO MICRO ⎡ ⎤ ⎡ ⎫
x2 (t ) ⎤
ELECTROMECANICO (MEMS) DE ⎡ x (t ) ⎤ ⎢ ⎥ ⎢ 0 ⎥ ⎡ 0 ⎤
⎪
⎢ ⎥ ⎪
⎢ 1 ⎥ K K B ⎢ 1 ⎥ ⎢ ⎥ ⎪
ALMACENAMIENTO MASIVO ⎢
x (t ) ⎥ ⎢
⎢
x3(t ) + as x33(t ) + x4 (t ) ⎥⎥ ⎢ m ⎥ ⎢ 0 ⎥ ⎪
⎢ 2 ⎥ m1 m1 m1 ⎢ 1 ⎥ ⎢ ⎥
⎥=⎢ ⎥+⎢ ⎥ u1(t ) + ⎢ 0 ⎥ u1(t )⎪
⎪
⎢
⎢ x3 (t ) ⎥ ⎢ x ( t ) ⎥ ⎢ 0 ⎥ ⎢ ⎥ ⎪
En la figura 3 se muestran dos masas ⎢ ⎥ ⎢ 4 ⎥ ⎢ ⎥ ⎢ 1 ⎥
⎢− m ⎥
1⎥ ⎪
⎢ x (t ) ⎥ ⎢ K K ⎥
3 (t ) + B x (t ) ⎥ ⎢⎢ − ⎬
interconectadas con un muelle no lineal (muelle ⎣ 4 ⎦ ⎢ − x (t ) − as x m ⎥ ⎢
⎣ e ⎥
⎦ ⎪
⎢ me 3 m 3 m 4 ⎥ ⎣⎢ 1 ⎥
⎦ ⎪
duro) y un amortiguamiento viscoso que se ⎣ e e ⎦
⎪
⎡ ⎡ ⎤⎤ ⎪
utiliza para modelar memorias micro ⎢ h1 ⎢ x(t )⎥ ⎥ ⎡ x (t ) ⎤ ⎪
⎣ ⎦⎥ ⎢ 1 ⎥
electromecánicas de almacenamiento masivo y ⎢ x(t )⎥ = h ⎢ x(t )⎥ = ⎢
⎡ ⎤ ⎡ ⎤ ⎢ =⎢ ⎪
⎣ ⎦ ⎣ ⎦ ⎡ ⎤⎥ x (t )⎥⎥
⎢ h2 ⎢ x(t )⎥ ⎥ ⎢⎣ 3
⎪
[16]. Para ejemplos de sistemas MIMO véase ⎦ ⎪
⎣ ⎣ ⎦⎦
⎭
[7], [8], [9], [10], [11], [12], [13], [14], [15]. Las (45)
fuerzas de control sobre las masas son F1(t) y
F2(t) respectivamente, L es la longitud del Para estudiar la linealización exacta entrada-
muelle sin deformar, y la fuerza restauradora del salida se deriva la ecuación de salida y[x(t)]
muelle viene dada por para dar:
⎧ f [ x (t ) ] + ⎫
Fs = K ⎡⎣ ( r2 − r1 − L ) + as ( r2 − r1 − L ) ⎤⎦ ∂y dx (t ) ∂h ( x ) ⎪ ⎪
⎨ g1 [ x (t ) ] u1 (t ) + ⎬
3
(41) y (t ) = =
∂x dt ∂x ⎪ ⎪ (46)
siendo K la constante elástica del muelle y as es ⎩ g 2 [ x ( t ) ] u 2 (t ) ⎭
una constante que define la mayor o menor = L f h( x ) + Lg h ( x )u1 (t ) + Lg h( x )u2 (t )
“dureza” del muelle. Introduciendo las 1 2
(43) Lg 2 L f h1 ( x) = g 2 ( x) = 0
∂x
siendo me = m1m2/(m1 + m2). Para simplificar
Teniendo en cuenta que hay que realizar
los cálculos, las fuerzas de control se modifican
cálculos compl,etamente análogos para la otra
de la forma:
salida y2(t), se obtiene la siguiente ecuación
m u (t ) ⎫ matricial:
F1 (t ) = u1 (t ) + 1 2
m1 − me ⎪⎪
⎬ (44)
⎡ y1 (t ) ⎤ ⎡ L f h1 ( x ) ⎤ ⎡ 1 m1
2
0 ⎤ ⎡ u1 (t ) ⎤
F2 (t ) =
m1u 2 (t ) ⎪ ⎢ y (t ) ⎥ = ⎢ L2 h ( x ) ⎥ + ⎢ −1 m 1 m ⎥ ⎢u (t ) ⎥
m1 − me ⎪⎭ ⎣ 2 ⎦ ⎣ f 2 ⎦ ⎣ 1 e⎦ ⎣ 2 ⎦
(50)
8
en donde el valor de las derivadas de Lie se teorái de sistemas lineales se sabe que es
deduce de forma completamente similar a los siempre posible elegir K de froma que la matriz
casos anteriores. De las ecuaciones (50) se M definida de la forma
obtienen las señales de control buscadas:
M = ⎡⎣ B # AB # A B # A B ⎤⎦
2 3
(57)
u1 (t ) = m1 y1 (t ) − ⎡⎣ Kx3 (t ) + as Kx3 (t ) + Bx4 (t ) ⎤⎦ ⎫
3
K14 ⎤ ⎢ z 2 (t ) ⎥
obtenidos para las sweñales de control y
⎡ y1 (t ) ⎤ ⎡ K11 K12 K13
⎢ ⎥ aceleraciones que han adquirido las masas. Se
⎢ y (t ) ⎥ = − ⎢ K K 24 ⎦⎥ ⎢ z3 (t ) ⎥ observa que el comportamiento es bastante
⎣ 2 ⎦ ⎣ 21 K 22 K 23
⎢ ⎥ aceptable, teniendo en cuenta los valores tan
⎣ z 4 (t ) ⎦ pequeños de las masas.
(55)
CONCLUSIONES
Sustituyendo (55) en (53) se obtiene el sistema:
El control no lineal basado en métodos
geométricos es superior en muchos casos al
⎡ z1 (t ) ⎤ ⎡ 0 1 0 0 ⎤ ⎡ z1 (t ) ⎤ control convencional PID, dando lugar a
⎢ z (t ) ⎥ ⎢ − K − K12 − K13 − K14 ⎥ ⎢ z 2 (t ) ⎥ menores esfuerzos de control y a transitorios
⎢ 2 ⎥ = ⎢ 11 ⎥⎢ ⎥ menos oscilantes. Tiene la ventaja añadida de
⎢ z3 (t ) ⎥ ⎢ 0 0 0 1 ⎥ ⎢ z 3 (t ) ⎥
familiarizarse con la dinámica interna del
⎢ ⎥ ⎢ ⎥⎢ ⎥
⎣ z 4 (t ) ⎦ ⎣ − K 21 − K 22 − K 23 − K 24 ⎦ ⎣ z 4 (t ) ⎦ sistema. El inconveniente radica en superar la
(56) barrera de las nuevas nociones asociadas a la
geometría diferencial. En este trabajo se ha
Los coeficientes Kij se pueden elegir para que la pretendido poner de manifiesto todas las
matriz de (56) sea de Hurwitz. A partir de la características del control no lineal.
9
Y
θ(t) = Aθ.cos(ωθt)
O x1(t) x2(t) – x1(t) X
x2(t) = r2 .cos(ωθt)
Figura 3. Modelo de masas acopladas para simular dispositivos electromecánicos de almacenamiento masivo.: m1 =
50.10-4 kg, m2 = 1.10-4 kg, K = 2156 N/m, as = 4.5.107 m-1, B = 0.5 kg/s, L = 10.10-6 m.
Figura 4. Valores característicos de las señales de control y aceleraciones de las masas obtenidas a traves de una ley
de control no lineal por linealización exacta entrada-salida.
10
Creemos que la exposición de los métodos Reactor. Computers & Chemical Eng.
anteriores, junto con el desarrollo gradual del Vol.. 26, Nº 6, 889-90.
software para aplicar estas técnicas, puede ser [8] Pérez M., Albertos P. (2004). Self-
un aliciente para el profesor, a la hora de diseñar oscillating and chaotic behaviour of a PI-
un curso de control no lineal y para el alumno controlled CSTR with control valve
que se sienta atraído por el control y/o la saturation. Journal of Process Control, Vol
programación. A pesar de que solo se han 14, 51-59.
esbozado brevemente las contenidos de un curso [9] Pérez Polo M.F., Berná Galiano J.A. Gil
de control no lineal, es claro que las ventajas Chica J., Montava M.A. (2005).
desde el punto de vista de la enseñanza parecen Fenómenos no Lineales en el Control de
obvias. Como resumen, se pueden citar las Reactores Continuos Tipo Tanque
siguientes conclusiones de carácter general, que Agitados. XVI Jornadas de Automática.
podrían servir de guía a la hora de confeccionar Alicante.
un programa docente a nivel de postgrado, [10] Pérez Polo M.F., Albertos P.
master o curso de doctorado Nonisothermal Stirred Tank Reactor with
Irreversible Exothermic Reaction A → B.
• El curso debería diseñarse de forma que la 2. Nonlinear Phenomena, pp 243-279
teoría expuesta se fuera implementando en Topics in Dynamics of Chemical and
computador de forma progresiva. Biological Processes. Lecture Notes in
• Si se observa detenidamente, los métodos Control and Information Sciences LNCIS
considerados son sencillos de aplicar, una 361 Springer Verlag 2007.
vez que se ha superado la barrera de la [11] Pérez Polo M.F., Berná Galiano J.A. Gil
nomenclatura. Chica J., Montava M.A. (2006). Control
• Repasar los conceptos básicos de sistemas no lineal MIMO de un giroscopio en
lineales. El concepto de grado relativo suspensión Cardan. XXVII Jornadas de
puede ser muy útil como nexo de unión Automática. Almería.
entre sistemas lineales y no lineales. [12] Pérez Polo., M:F.. Pérez Molina (2004).
• Diferenciar entre linealización exacta Regular self-oscillating and chaotic
estado-entrada para sistemas SISO y behaviour of a PID controlled gimbal
linealización exacta entrada-salida para suspensiom gyro. Chaos Solitons &
sistemas MIMO y porqué se utilizan. Fractals, 21, 1057-1074.
• Sería deseable que el alumno viera [13] Pérez Polo M.F., Pérez Molina M. (2007).
ejemplos de modelado y control de Chaotic and steady state behaviour of a
procesos muy distintos y como se manejan nonlinear controlled gyro subjected to
de la misma forma en el programa harmonic disturbances. Chaos Solitons &
numérico-simbólico diseñado. Fractals 33, 623-641.
[14] Pérez Polo M.F., Pérez Molina M. (2007).
A generalized mathematical model to
REFERENCIAS analyze the nonlinear behavior of a
controlled gyroscope in gimbals.
Nonlinear Dynamics 48, 129-152 .
[1] Cleve, M., Costa, P.J., (1997) Symbolic
[15] Pérez Polo M.F. Albertos P.,Berná Galiano
Math Toolbox. The MathWorks Inc.
J.A. (2008). Tuning of a PID controlled
[2] Costas, K., Masoud, S. (1990) “Synthesis
gyro by using bifurcation theory. Systems
of Multivariable Nonlinear Controllers by
& Control Letters 57, 10-17.
Input/Ouput Linearization “, AIChE
[16] Pérez Polo M.F., Pérez Molina M., Gil
Journa,l, pp.249-264.
Chica J. (2008). Chaotic dynamic and
[3] Daoutidis, P., Kumar, A., (1994)
control for Micro-Electro-Mechanical-
“Structural Analysis and Output Feedback
Systems of massive storage with harmonic
Control of Nonlinear Multivariable
base excitation. Chaos Solitons & Fractals
Processes”. AIChE J. Vol. 40, No 4
(En prensa).
[4] Isidori, A., (1994) Nonlinerar Control
[17] Prodromos, D., Costas, K.,. (1991)
Systems. Springer Verlag, Berlín.
Inversion and Zero Dynamics in Nonlinear
[5] Marino, R., Tomei, P., (1995) Nonlinear
Multivariable Control, AIChE Journa,l,
Control Design. Prentice Hall.
pp.527-538.
[6] Nijmeijer, H., Van der Schaft, A.J., (1990).
[18] Vidyasagar, M., (1993). Nonlinear
Nonlinear Dynamical Control Systems.
Systems Analysis. Prentice Hall.
Springer Verlag, Berlin.
[7] Pérez M., Font R., Montava (2002).
Regular Self-oscillating and Chaotic
Dynamics of a Continuous Stirred Tank
11