PR Icticas Sobre Control Del Integrador Doble

SISTEMAS CONTROLADOS POR COMPUTADORA
PRCTICA SOBRE CONTROL DEL:

INTEGRADOR DOBLE

Gerardo Daro MOLLO
Rubn MILOCCO

Ao 2002

INDICE

EL INTEGRADOR DOBLE...........................................................................................................1
1. Introduccin...........................................................................................................................1
2. Obtencin del Modelo Discreto.............................................................................................1
3. Observabilidad Alcanzabilidad y Controlabilidad ................................................................2
3.1. Observabilidad................................................................................................................2
3.2. Alcanzabilidad y Controlabilidad...................................................................................2
4. Estabilidad .............................................................................................................................3
5. Realimentacin ......................................................................................................................3
5.1. Realimentacin Proporcional .........................................................................................3
5.2. Realimentacin Proporcional Derivativa .......................................................................4
6. Diseo Basado en la Asignacin de Polos por Realimentacin del vector de Estados .........7
7. Observador.............................................................................................................................9
8. Control por Realimentacin de la Salida.............................................................................10
9. Diseo Basado en la Asignacin de Polos en el Modelo Entrada Salida.........................11
10. Control Lineal Cuadrtico ...................................................................................................15
11. Filtro de Kalman..................................................................................................................16
11.1. Sistema con Ruido en el Proceso .................................................................................16
Filtro de Kalman Versin Predictor................................................................................17
Filtro de Kalman Versin Filtro .....................................................................................18
11.2. Sistema con Ruido en el Proceso y en la Medicin .....................................................19
Filtro de Kalman Versin Predictor................................................................................19
Filtro de Kalman Versin Filtro .....................................................................................20
12. Control ptimo LQG (Lineal Cuadrtico Gaussiano) ........................................................21

Apndice A: Estabilidad del Sistema Cuando se Utiliza un Controlador LQ............................. I
Apndice B: Sistema con Ruido en el Proceso. Filtro de Kalman Versin Predictor............ III
Apndice C: Sistema con Ruido en el Proceso. Filtro de Kalman Versin Filtro...................V
Apndice D: Sistema con Ruido en el Proceso y en la Medicin Correlacionados. Filtro de
Kalman Versin Predictor .................................................................................................... VII
Apndice E: Sistema con Ruido en el Proceso y en la Medicin Correlacionados. Filtro de
Kalman Versin Filtro........................................................................................................... IX
Apndice F: Demostracin de las Ecuaciones del Filtro de Kalman Versin Filtro. ............ XI

UNIVERSIDAD NACIONAL DEL COMAHUE
FACULTAD DE INGENIERA
CTEDRA: SISTEMAS CONTROLADOS POR COMPUTADORA

Gerardo Daro Mollo Pgina 1
Ao 2002
EL INTEGRADOR DOBLE
1. Introduccin
Este apunte constituye un anlisis de un sistema sencillo desde los enfoques vistos en
el cursado de Sistemas Controlados por Computadoras en el ao 2002.
El sistema con el cual se trabajar es el integrador doble, primero bajo el enfoque
determinstico y luego con un enfoque estocstico al introducir perturbaciones estocsticas.
2. Obtencin del Modelo Discreto
El proceso en tiempo continuo est descrito por la ecuacin diferencial

( )
2
2
d y
u t
dt
(2.1)

Definiendo los estados como:

1
2
x y
x y

La representacin en variables de estado es:

( ) ( ) ( )
( ) [ ] ( )
0 1 0
0 0 1
1 0
x t x t u t
y t x t
, ] , ]
+
, ] , ]
] ]
(2.2)

El muestreo del sistema con un zero order hold da las siguientes matrices para el
sistema discreto:

2 2
2
0 0
/ 2
1 0 0 1
0
0 1 0 0 0 1
/ 2
1
Ah
h h
As
e I Ah A h
h h
s h
e ds B ds
h
+ + +
, ] , ] , ]
+ +
, ] , ] , ]
] ] ]
, ] , ]

, ] , ]
] ]

"

Finalmente el sistema discreto es:

( ) ( ) ( )
( ) [ ] ( )
2
1 / 2
0 1
1 0
h h
x kh h x kh u kh
h
y kh x kh
, ] , ]
+ +
, ] , ]
] ]
(2.3)

En lo sucesivo, salvo que se indique lo contrario, se utilizar como perodo de
muestreo 1 h , con lo que el sistema (2.3) se expresa como:


Ao 2002

( ) ( ) ( )
( ) [ ] ( )
1 1 0.5
1
0 1 1
1 0
x k x k u k
y k x k
, ] , ]
+ +
, ] , ]
] ]
(2.4)

Otro modo de representar el sistema se logra haciendo uso del operador de
desplazamiento hacia delante, mediante el operador de transferencia discreta
( ) ( )
1
H q C qI D
+
( ) [ ]
[ ]
( )
( )
( )
1
2
2
1 1 0.5
1 0
0 1 1
1 1 0.5
1
1 0
0 1 1
1
0.5 1 1
1
q
H q
q
q
q
q
q
q
, ] , ]
, ] , ]
] ]
, ] , ]
, ] , ]
] ]
+

( )
( )
( )
2
0.5 1
1
q
H q
q
+
(2.5)

Utilizando el operador desplazamiento hacia atrs se tiene:

( )
( )
( )
1 2
1
2
1
0.5
1
q q
H q
q

(2.6)
3. Observabilidad Alcanzabilidad y Controlabilidad
La observabilidad y la controlabilidad son dos propiedades importantes de los
sistemas. Muchos de los mtodos que se usarn aqu requieren que estas propiedades sean
satisfechas. Se hace a continuacin un anlisis de las mismas para el sistema.
3.1. Observabilidad
La matriz de observabilidad del sistema es:

1 0
1
o
C
W
C h
, ] , ]

, ] , ]
] ]
(3.1)

Puesto que ( ) det 0
o
W h , el rango de ella es dos, por lo que el sistema es
observable.
3.2. Alcanzabilidad y Controlabilidad
La matriz de controlabilidad para el sistema es:

[ ]
2 2
/ 2 3 / 2
c
h h
W
h h
, ]

, ]
]
(3.2)


Ao 2002
Como ( )
3 3
det / 2 3 / 2 0
c
W h h , el rango de la matriz de controlabilidad es dos,
condicin suficiente para la controlabilidad del sistema. Adems, los conceptos de
controlabilidad y alcanzabilidad son equivalentes si ( ) det 0 . Puesto que ( ) det 1 0 ,
el sistema es tambin alcanzable, esto significa que se puede alcanzar cualquier estado
deseado desde cualquier estado inicial en un tiempo finito.
4. Estabilidad
Del operador de transferencia discreto (2.5) del sistema, se sabe que sus dos polos
estn en 1 q , sobre la circunferencia unitaria, por lo que l se encuentra en el lmite de
estabilidad. Ntese que no se trata de un sistema BIBO debido a la accin integradora pura.
5. Realimentacin
Anlogamente a lo que ocurre en los sistemas continuos, la realimentacin es usada
tambin en los sistemas discretos con el fin de lograr ciertas caractersticas del sistema a lazo
cerrado. Ello lo logra cambiando los polos del sistema. Algunas de las ventajas de la
realimentacin son la mejora en el comportamiento transitorio del sistema y la disminucin de
la sensibilidad a la variacin de los parmetros, entre otras.
5.1. Realimentacin Proporcional
Se comenzar analizando al sistema con realimentacin proporcional. Se supondr que
es deseable que la salida del sistema a lazo cerrado siga una seal de referencia ( )
c
u t . El
controlador proporcional tiene la forma.

( ) ( ) ( ) ( )
c
u k K u k y k (5.1)

Esquemticamente:

Figura 1. Integrador doble con controlador proporcional

Haciendo uso de las expresiones (2.5) y (5.1) se puede calcular al funcin de
transferencia a lazo cerrado:

( )
( ) ( )
( ) ( ) 1
c
lc
c
H q H q
H q
H q H q
+

( )
( )
( )
( )
( )
( )
( ) ( )
2
2
2
0.5 1
1 0.5 1
0.5 1
1 0.5 1
1
1
lc
q
K
q K q
H q
q
q K q
K
q
+
+

+
+ +
+


Ao 2002
La ecuacin caracterstica del sistema a lazo cerrado es:

( )
2
2 0.5 1 0.5 0 q K q K + + + +

Con ella es posible hacer una representacin del lugar geomtrico de las races, como
se esquematiza en la Figura 2 a continuacin:
Re z
Im z

Figura 2. Lugar geomtrico de las races para el integrador doble con realimentacin proporcional

En el archivo proporcional.mdl de Simulink se encuentra el sistema a lazo abierto
y con realimentacin proporcional. All, cambiando los valores de la ganancia K se
puede ver cmo el sistema a lazo cerrado es siempre inestable.

Notas: El sistema a lazo cerrado es inestable para todo valor de K, puesto que las races
siempre se encuentran fuera de la circunferencia unitaria.
5.2. Realimentacin Proporcional Derivativa
Una forma de lograr estabilidad a lazo cerrado consiste en agregar la accin derivativa
al controlador proporcional. As, manteniendo la suposicin de que es deseable que el sistema
a lazo cerrado siga una seal de referencia ( )
c
u t , el controlador proporcional derivativo toma
la forma:

( ) ( ) ( ) ( ) ( )
c D
u k K u k y k T y k , ]
]
(5.2)


Ao 2002
Ahora es necesario expresar la parte derivativa del controlador en una representacin
vlida para sistemas discretos. Utilizando el mtodo de Euler de diferencias finitas hacia
delante, para 1 h , se tiene que:

( ) ( ) 1
dy
y k y k
dt
+

Adems, teniendo en cuenta que:

dy
u
dt

Se tiene que:

( ) ( )
1
1
y k u k
q

Lo que conduce a que el controlador (5.2) tome la forma:

( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( )
( ) ( ) ( )
1
1
1
1
D
c
D
c
c
D
T
u k K u k y k u k
q
T
u k K u k K u k y k
q
K u k y k
u k
T
K
q
, ]

, ]
]
+

( )
( )
( )
( ) ( ) ( )
1
1
c
D
K q
u k u k y k
q KT

+
(5.3)

Esquemticamente:

Figura 3. Integrador doble con controlador proporcional derivativo

La funcin de transferencia de lazo cerrado se puede calcular a partir de las
expresiones (2.5) y (5.3):

( )
( ) ( )
( ) ( )
( )
( )
( )
( )
( )
( )
( )
( )
2
2
0.5 1 1
1
1
0.5 1 1 1
1
1
1
D
c
lc
c
D
q K q
q KT
H q H q q
H q
q K q H q H q
q KT
q
+
+

+ +
+
+


Ao 2002

( )
( )
( )( ) ( )
0.5 1
1 1 0.5 1
lc
D
K q
H q
q q KT K q
+
+ + +
(5.4)

La ecuacin caracterstica es:

( )
2
2 0.5 1 0.5 0
D D
q KT K q KT K + + + + + (5.5)

De esta expresin se obtiene el lugar de las races que se esquematiza en la Figura 4 a
continuacin:
Im z
Re z

Figura 4. Lugar geomtrico de las races para el integrador doble con controlador
proporcional derivativo para el parmetro K con T
D
= 1,5

En el archivo proporcional_derivativo.mdl de Simulink se encuentra el
sistema a lazo abierto y con un controlador PD. All, los parmetros K y T
D
provienen
del workspace de Matlab, por lo que deben cargarse antes de realizar la simulacin. Las
simulaciones para diferentes valores de K y T
D
permiten apreciar la respuesta del
sistema a la referencia escaln (sin error en estado estacionario) y a la rampa (con error
en estado estacionario). Tambin puede simularse el sistema para aquellos valores de K
y T
D
para los cuales el sistema se hace inestable.

Notas: Con el controlador PD se puede lograr que el sistema sea estable. Las condiciones
para la estabilidad del sistema a lazo cerrado se obtienen analizando los valores que
tienen que tomar los parmetros K y T
D
para que las races de la ecuacin

Ao 2002
caracterstica (5.5) sean de mdulo menor a la unidad. Este anlisis arroja las
siguientes condiciones para la estabilidad del sistema a lazo cerrado:
0 < K < 4/3 ,
D
1/2 < T < 3/2 y
D
KT < 2.

Cabe destacar que el controlador posee un cero en 1 z por lo que uno de los polos
del sistema es cancelado. Esto provoca que el sistema cuente con solo un integrador
en el camino del lazo directo, siendo capaz de seguir sin error en estado estacionario
seales de referencia, ( )
c
u k , del tipo escaln. Puede reemplazarse el cero del
controlador por un valor cercano a 1 y simular la respuesta del sistema a lazo cerrado
para una referencia del tipo rampa, en esta situacin la respuesta no debe tener error
en estado estacionario gracias a los dos integradores en el camino directo de la
transferencia.

Es posible calcular un controlador proporcional integral y derivativo PID para el
sistema. Este controlador es utilizado para eliminar el error en estado estacionario
incorporando la accin integral, pero como el sistema ya cuenta con accin integral no
se aplicar este controlador.
6. Diseo Basado en la Asignacin de Polos por Realimentacin
del vector de Estados
Aqu se plantea un mtodo de diseo basado en la representacin en variables de
estado (2.3). Se supone que todas las variables de estado se miden directamente. La frmula
de Ackermann establece que, como el sistema es alcanzable, los polos de lazo cerrado, dados
por la ecuacin caracterstica ( )
2
1 2
0 P z z p z p + + , se pueden elegir arbitrariamente
mediante una ley de realimentacin de las variables de estado de la forma:

( ) ( ) u kh Lx kh (6.1)

Esquemticamente:
Figura 5. Mtodo de realimentacin de las variables de estado

Donde la matriz L est dada por:

[ ] ( )
1
0 1
c
L W P
(6.2)

De (3.2) se tiene que
1
c
W

es:


Ao 2002
2 2
1
3 2 2
3 / 2 1/ 3/ 2 1
/ 2 / 2 1/ 1/ 2
c
h h h h
W
h h h h h
, ] , ]

, ] , ]

] ]

Evaluando ( ) P z con la matriz del sistema (2.3)

( )
1 2
1 2 1 1 0
0 1 0 1 0 1
h h
P p p
, ] , ] , ]
+ +
, ] , ] , ]
] ] ]

( )
1 2 1
1 2
1 2
0 1
p p h p h
P
p p
+ + + , ]

, ]
+ +
]
(6.3)

As, (6.2) queda:
[ ]
2
1 2 1
2
1 2
1 2 1 2
1 2
1 2 1/ 3/ 2
1 0
0 1 1/ 1/ 2
1 2
1/ 1/ 2
0 1
p p h p h h h
L
p p h h
p p h p h
L h h
p p
+ + + , ] , ]
, ] , ]
+ +
] ]
+ + + , ]
, ]
, ]
]
+ +
]

1 2 1 2
2 2
1 3
2
p p h p h p h
L
h h
+ + + , ]
, ]
]
(6.4)

En el archivo Ackermann.mdl de Simulink se encuentra el sistema a lazo abierto en
la representacin de variables de estado y el sistema con realimentacin de estados. Para
las simulaciones es necesario cargar previamente en el workspace de Matlab el valor del
perodo de muestreo h y los coeficientes
1
p y
2
p del polinomio caracterstico deseado.

Notas: Los controladores proporcional y proporcional derivativo propuestos anteriormente
pueden considerarse como casos particulares del mtodo de ubicacin de polos por
realimentacin de estados. La diferencia est en cuales son los parmetros de diseo
con que cuenta el diseador, en aquellos eran las constantes de proporcionalidad K y
de tiempo derivativo T
D
, mientras que en este son los polos de lazo cerrado deseados
(a travs de los coeficientes
1
p y
2
p del polinomio caracterstico deseado). Lo
importante es que ambos enfoques se encargan de reubicar los polos a lazo cerrado del
sistema para lograr la respuesta deseada.

Es recomendable verificar el comportamiento de los estados para un controlador
deadbeat, el cual se logra haciendo
1 2
0 p p . Para este caso, los estados llegan al
reposo desde cualquier condicin inicial en dos pasos (igual al orden del sistema).
Aqu debe prestarse gran atencin a la seal de control. Ntese cmo aumenta la
misma en magnitud a medida que se disminuye el tiempo de muestreo. Por ejemplo,
para 1 h el valor de seal de control es del orden de la condicin inicial, para
0.1 h la seal de control es del orden de 100 veces la condicin inicial.


Ao 2002
Ntese que el sistema a lazo abierto tiene una respuesta integral doble pura para
cualquier condicin inicial, haciendo que la salida crezca indefinidamente, excepto
para el estado inicial de reposo.
7. Observador
Cuando los estados del sistema no se pueden medir directamente, si el sistema es
completamente observable, es posible estimarlos mediante un observador a partir del modelo
del sistema, de la entrada y de la salida.
La reconstruccin de todos los estados se basa en un sistema dinmico el observador
de orden completo de la forma:

( ) ( ) ( ) ( ) ( )
1 1 1 x k k x k k u k K y k Cx k k , ] + + +
]
(7.1)

Esquemticamente:

q
-1
- C

K
(k)
x
^
(k+1|k)
- y
^
(k|k-1)
OBSERVADOR
u(k) x
^
(k|k-1)
y(k)
x
^
(k|k-1)

Figura 6. Observador de Orden Completo

El error de estimacin se obtiene restando (2.3) y (7.1), lo que conduce a la dinmica
del error de reconstruccin:

( ) [ ] ( )
1 1 x k k KC x k k + (7.2)

La matriz K se elige para que esta dinmica del error sea asintticamente estable, esto
es, para que el error converja a cero con la dinmica de (7.2). Este es un problema de
ubicacin de polos a lazo cerrado, por lo que se puede utilizarse el mtodo de asignacin de
polos por realimentacin del estado (Ackermann). As, haciendo:

( )
1
0
1
o
K P W

, ]

, ]
]
(7.3)
De (3.1) se tiene que
1
o
W

es:

1
0 1 0
1
1 1 1/ 1/
o
h
W
h h h
, ] , ]

, ] , ]

] ]

Haciendo uso de (6.3) y de esta ltima, la matriz K es:


Ao 2002
1 2 1
1 2
1 2 1
1 2
1 2 1 0 0
0 1 1/ 1/ 1
1 2 0
0 1 1/
p p h p h
K
p p h h
p p h p h
K
p p h
+ + + , ] , ] , ]
, ] , ] , ]
+ +
] ] ]
+ + + , ] , ]
, ] , ]
+ +
] ]

1
1 2
2
1
h p h
h
K
p p
h
+ , ]
, ]
, ]
+ +
, ]
, ]
]
(7.4)

Puesto que:

[ ]
1 1 1
1 2 1 2 1 2
2 2
0
1 1
1 0
0 1 1 0 1 1 1
0 1
h p h h p h h p h
h
h h
h h h
KC
p p p p p p
h h h
+ + , ] , ] , ]
, ] , ] , ]
, ] , ]
, ] , ] , ]
, ] , ]
+ + + + + +
] ] , ] , ] , ]
, ] , ] , ]
] ] ]

El observador es:

( ) [ ] ( ) ( ) ( )
1 1 x k k KC x k k u k Ky k + + +

( ) ( ) ( ) ( )
1 1
2
1 2 1 2
2
/ 2
1 1
1 1
1
h p h h p h
h
h
h h
x k k x k k u k y k
p p p p h
h h
+ , ] , ]
, ] , ]
, ]
+ + + , ] , ]
, ]
+ + + +
, ] , ] ]
, ] , ]
] ]
(7.5)

En el archivo Observador.mdl de Simulink se encuentra el observador del sistema.
Para simularlo es necesario cargar en el workspace de Matlab el valor del perodo de
muestreo h y los coeficientes
1
p y
2
p del polinomio caracterstico deseado para la
dinmica del observador. El modelo presentado responde a la forma (7.5) por lo que
difiere de la Figura 6 presentada anteriormente, sin embargo se trata del mismo sistema.
Se han cargado diferentes condiciones iniciales para el sistema y el observador
1
con el
fin de ver cmo el estimador converge a los estados reales con la dinmica elegida, ya
que si fueran coincidentes el observador convergera al sistema desde el comienzo.

Notas: Es recomendable verificar el comportamiento del observador para el caso deadbeat
(
1 2
0 p p ). Para este caso, los estados estimados convergen exactamente al valor
real en dos pasos, desde cualquier condicin inicial. Eligiendo los polos del
observador a lazo cerrado de modo que sea estable se puede apreciar que siempre los
estados estimados convergen a los reales en un tiempo finito.
8. Control por Realimentacin de la Salida
Como en general solo se cuenta con la salida del sistema y con el modelo del mismo,
es posible hacer un diseo basado en la asignacin de polos por realimentacin del estado

1
La condicin inicial para la simulacin se carga en el bloque Unit Delay

Ao 2002
suponiendo que los estados se pueden medir, obtener la matriz L de realimentacin dada por
(6.4) y luego utilizar las estimaciones de los estados provistas por el observador del sistema
dado en (7.5).

Esquemticamente:

PROCESO
q
-1
C

y(k) u(k)
OBSERVADOR
q
-1
C

u(k)
K
(k)
x
^
(k)
x(k)
y
^
(k)
- L
REALIMENTACIN
DE ESTADOS
x
^
(k) u(k)

Figura 7. Realimentacin de las variables de estado dadas por el observador de orden completo

En el archivo Ackermann_Observador.mdl de Simulink se encuentra el esquema
de control propuesto. All se han cambiado los coeficientes del polinomio deseado del
observador por
1
p o y
2
p o, para evitar conflictos con aquellos
1
p y
2
p del polinomio
caracterstico deseado para el sistema. Para simular es necesario cargarlos a todos en el
workspace de Matlab, adems del valor correspondiente al perodo de muestreo h .
Tambin aqu se han cargado diferentes condiciones iniciales para el sistema y el
observador (vase nota al pie en la pgina 10).

Notas: Es recomendable verificar el comportamiento del sistema y del observador para el
caso deadbeat (
1 2 1 2
0 p p p o p o ). Para este caso, la salida del sistema
converge a cero luego de cuatro pasos: dos necesarios para que el observador converja
a los estados reales del sistema y dos ms para que la dinmica del sistema a lazo
cerrado converja a cero, desde condiciones iniciales diferentes.
9. Diseo Basado en la Asignacin de Polos en el Modelo
Entrada Salida
A partir del sistema modelado en la forma entrada salida como en (2.5):

Ao 2002

( )
( )
( )
( )
( )
2
0.5 1
1
B q q
H q
A q
q
+

(9.1)

Se factoriza el polinomio numerador ( ) B q :

( ) ( ) ( )
( )
( )
1
0.5 0.5
B q
B q B q B q
B q q
+
+
(9.2)

Realimentando la salida, se supone que el sistema a lazo cerrado deseado es de la
forma:

( )
( )
( )
( )
2
1 2
0.5 1
d
d
d
B q K q
H q
A q q p q p
+

+ +
(9.3)

Ntese que para el polinomio caracterstico deseado se han elegido los mismos
coeficientes
1
p y
2
p con el fin de poder comparar resultados posteriormente. Tambin se
supone que no se desea eliminar el cero del sistema. Adems, se agrega una ganancia K al
sistema de lazo cerrado.

La ley de control propuesta es:

( )
( )
( )
( )
( )
( )
( )
c
T q S q
u k u k y k
R q R q
(9.4)
Esquemticamente:

T(q)
S(q)
B(q)
A(q)
1
R(q)
u
c
(k) u(k)
y(k)

Figura 8. Controlador del enfoque polinomial

Las condiciones para la causalidad son:

( ) ( ) ( ) ( ) 2 1 2 1 1 1
d d
gr A gr B gr A gr B

( ) ( ) ( ) ( ) ( ) ( ) 2 1 22 2 0 1 1
o d o o
gr A gr A gr A gr B gr A gr A
+

Los mnimos grados para ( ) R q y ( ) S q son:

( ) ( ) ( ) ( ) ( ) ( ) 1 2 0 2 1
o d
gr R gr A gr A gr B gr A gr R
+
+ + + +


Ao 2002
( ) ( ) ( ) 1 2 1 1 gr S gr A gr S

Teniendo en cuenta la segunda condicin de causalidad y los mnimos grados para
( ) R q y ( ) S q se eligen los polinomios:

( ) 1
o
A q q + (9.5)

( )
0
R q q r + (9.6)

( )
1 0
S q s q s + (9.7)

Forzando la transferencia del sistema a lazo cerrado para que sea igual a la funcin de
transferencia deseada (9.3):

( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
1 1
lc
T q T q B q
H q
R q R q A q
H q
S q S q B q
H q
R q R q A q

+ +

( )
( ) ( )
( ) ( ) ( ) ( )
( )
( )
d
lc
d
T q B q B q
H q
R q A q S q B q A q

+
(9.8)

Haciendo que ( ) B q
+
sea factor de ( ) ( ) ( ) ( ) R q A q S q B q + se debe cumplir:

( ) ( ) ( ) ( ) ( ) R q B q R q R q R q
+
(9.9)

Puesto que los ceros de mnima fase no pueden eliminarse de la transferencia a lazo
cerrado, ( ) B q
es factor de ( )
d
B q . Por lo tanto:

( ) ( ) ( ) ( )
d d d
B q B q B q B q K

(9.10)

De (9.2), (9.9), (9.10) e incorporando el polinomio del observador dado por (9.5), la
transferencia a lazo cerrado (9.8) queda:

( )
( )
( ) ( ) ( ) ( )
( )
( )
( )
( )
d o
lc
d o
T q B q A q
H q
R q A q S q B q A q A q

+
(9.11)

Igualando numerador y denominador de (9.11) se tiene:

( ) ( ) ( ) ( ) ( ) 1
d o
T q B q A q T q K q
+ (9.12)


Ao 2002
( ) ( ) ( ) ( ) ( ) ( )
( )( ) ( )( ) ( )( )
2
2
0 1 0 1 2
1 0.5 0.5 1
d o
R q A q S q B q A q A q
q r q s q s q q p q p q
+
+ + + + + + +

Esta ltima igualdad conduce a un sistema de tres ecuaciones con tres incgnitas cuya
solucin es:

0
0 2
1 1
1
2 2
2 4
r
s p
s p

As (9.6) y (9.7) quedan:

( ) 1 R q q + (9.13)

( ) ( ) ( )
1 2
2 4 2 2 S q p q p + + (9.14)

Finalmente, el controlador propuesto (9.4) es:

( )
( )
( )
( )
( ) ( )
( )
( )
1 2
1 2 4 2 2
1 1
c
K q p q p
u k u k y k
q q
+ + +

+ +

( ) ( )
( ) ( )
( )
( )
1 2
2 4 2 2
1
c
p q p
u k K u k y k
q
+ +

+
(9.15)

En el archivo Polinomial.mdl de Simulink se encuentra el sistema con el
controlador hallado. Para las simulaciones es necesario cargar en el workspace de
Matlab los coeficientes
1
p y
2
p del polinomio caracterstico deseado para la dinmica
del sistema a lazo cerrado. El modelo presentado responde a la forma (9.15) por lo que
difiere del presentado en la Figura 8 presentada anteriormente, sin embargo se trata del
mismo sistema.

Notas: Es recomendable verificar el comportamiento del sistema para el controlador deadbeat
(
1 2
0 p p ). Para este caso, la salida del sistema llega al reposo en dos pasos, desde
cualquier condicin inicial y con entrada de referencia ( )
c
u k nula.
Puede comprobarse que el controlador hallado (9.15) junto con el sistema (9.1)
satisfacen, a lazo cerrado, la funcin de transferencia deseada (9.3).
Ntese que, debido a la funcin de transferencia deseada elegida, el sistema tendr
error en estado estacionario. Para lograr error en estado estacionario nulo con entrada
escaln es necesario incorporar en el polinomio ( ) R q polos de la forma ( ) 1 q .

Ao 2002
10. Control Lineal Cuadrtico
Se considera ahora el caso determinstico para el modelo discreto (2.4), es decir, sin
perturbaciones. Ello supone que se conocen exactamente los estados. La ley de realimentacin
de la forma:

( ) ( ) ( ) u k L k x k (10.1)

minimiza la funcin de costo:

( ) ( ) ( ) ( ) ( ) ( )
1
1 2 0
0
N
T T T
N
k
J x k Q x k u k Q u k x N Q x N
, ] + +
]
(10.2)

si la matriz L satisface:

( ) ( ) ( ) ( )
1
2
1 1
T T
L k Q S k S k
+ + + (10.3)

donde ( ) S k est dado por la ecuacin de Riccati en tiempo discreto:

( ) ( ) ( ) ( ) ( ) ( )
1
1 2
1 1 1 1
T T T T
S k S k Q S k Q S k S k
+ + + + + + (10.4)

con la condicin final
0 N
S Q .

El problema no se resuelve aqu de manera analtica por la complejidad de las
ecuaciones (10.3) y (10.4). El programa para entorno Matlab control_LQ resuelve las
mencionadas ecuaciones para el doble integrador con el horizonte definido por el usuario. En
l se definen las matrices , y C del sistema y las matrices de peso Q
1
, Q
2
y Q
0
de la
funcin de costo (10.2), las cuales pueden ser cambiadas con el fin de probar diferentes
controladores ptimos.

En el archivo ControlLQ.mdl de Simulink se encuentra el sistema con el controlador
ptimo.

Para las simulaciones debe generarse una matriz que contenga los valores de ganancia
bajo la variable gain. Esta matriz de ganancia es devuelta por el programa
control_LQ mediante las siguientes instrucciones:

[gain] = control_LQ;
Ingrese la matriz de orden 2x2 de peso del estado final Q0=
Ingrese la matriz de orden 2x2 de peso de los estados Q1=
Ingrese la matriz de orden 1x1 de peso de la entrada Q2=
Indique el horizonte N =

El programa asignar a la variable gain una matriz de orden Nx3, donde la primer
columna es el ndice temporal que requiere el bloque from workspace para la
simulacin y la segunda y tercer columnas constituyen la ganancia del controlador LQ
en cada instante de muestreo.


Ao 2002
Notas: Es importante observar que el controlador LQ es variante en el tiempo y que las
ganancias variables en el tiempo pueden precalcularse en funcin del modelo del
sistema y de la funcin de costo, almacenarse y utilizarse posteriormente.
El controlador LQ para estado estacionario, que se obtiene haciendo en (10.4)
( ) ( ) 1 S k S k + , hace que ( ) S k tienda a ser constante cuanto ms grande es el
horizonte, por lo que este control es anlogo al que se obtuvo por Ackermann, con la
diferencia que el LQ siempre es estable y garantiza ser ptimo en el sentido de
minimizar la funcin de costo (10.2). En el Apndice A se hace un anlisis de la
estabilidad del sistema cuando se utiliza el controlador LQ.
Es interesante verificar el comportamiento de la seal de control cuando se vara la
matriz de peso Q
2
. Cuanto ms grande es el peso que se le da a la seal de control
menor es la magnitud de la seal que utilizar el controlador LQ.
Un caso particular que es interesante para comprender el funcionamiento de la funcin
de costo es hacer
0 1
0 Q Q , es decir , no darle peso a los estados y
2
100 Q , esto
es, darle gran peso a la seal de control. Para este caso, la seal de control ser nula y
los estado es comportarn como en el sistema a lazo abierto. Sin embargo se trata de
un control ptimo que garantiza mnima energa en la seal de control.
11. Filtro de Kalman
11.1. Sistema con Ruido en el Proceso
El uso del controlador LQ requiere del conocimiento de los estados. Cuando no se
cuenta con ellos, se los puede estimar mediante un filtro de Kalman; el cual, a diferencia del
observador hallado en la seccin 7, permite la existencia de perturbaciones estocsticas
gaussianas en los estados y/o en la medicin, siendo ahora el criterio de diseo minimizar la
varianza del error de estimacin. El filtro de Kalman hace uso del modelo del sistema, y de la
medicin de la entrada y la salida. La versin predictor estima los estados en el instante de
muestreo 1 k + con mediciones hasta el instante k, mientras que la versin filtro estima los
estados en el instante de muestreo k con mediciones hasta el instante k.
Se considera ahora el caso en que solo existe perturbacin en los estados. As, el
integrador doble con ruido en el proceso se describe mediante:

( ) ( ) ( ) ( )
( ) [ ] ( )
1 1 0.5 0
1
0 1 1 1
1 0
x k x k u k v k
y k x k
, ] , ] , ]
+ + +
, ] , ] , ]
] ] ]
(11.1)

donde ( ) v k es una secuencia de variables aleatorias independientes de media cero y matriz de
covarianza
1
R . Las matrices de covarianza para las perturbaciones son:

( ) ( ) ( )
( )
( )
( )
( ) ( ) ( )
( ) ( ) ( )
1 2 2
2
12
0 0 0 0 0
0
0 0
0
0
T
T
T
R E v k v k E v k E
v k v k
R E e k e k
R E v k e k
j \ j \ , ] , ] , ]
, ]
, ( , (
, ] , ] , ] ]
, ( , (
] ] ] ( , ( ,

(11.2)


Ao 2002
Filtro de Kalman Versin Predictor
El filtro de Kalman versin predictor:

( ) ( ) ( ) ( ) ( ) ( )
1| | 1 | 1 x k k x k k u k K k y k C x k k + + + , ]
]
(11.3)

donde la ganancia de Kalman est dada por:

( ) ( ) ( ) ( )
1
2

T T
K k P k C R C P k C

+ (11.4)

minimiza la varianza del error ( ) ( ) ( )
x k x k x k :

( ) ( ) ( ) ( ) ( ) ( )
1
1 2
1
T T T T
P k P k R P k C R C P k C C P k
+ + + (11.5)

En el Apndice B se encuentra el clculo analtico del filtro de Kalman en la versin
predictor. El mismo problema tambin se ha resuelto mediante un programa para entorno
Matlab como se detalla a continuacin:

La matriz de ganancia de Kalman se puede calcular en el workspace de Matlab
mediante el programa Kalman_pre
*
mediante las siguientes instrucciones:

[Kpre Ppre]=Kalman_pre
Indique la covarianza del ruido de proceso R1=[0 0;0 1]
Indique la covarianza del ruido de medicin R2=0
Indique la covarianza entre los ruidos de medicin y de proceso R12=0
Indique la cantidad de pasos N = 20

La ejecucin del programa asignar a la variable Kpre una matriz de orden Nx3,
donde la primer columna es el ndice temporal, necesario para el bloque from
workspace de Simulink, mientras que la segunda y tercer columnas constituyen la
ganancia de Kalman en cada instante de muestreo. Tambin generar una matriz
Ppre de orden Nx5, donde la primer columna tambin es el ndice temporal y de la
columna 2 a la 5 son las componentes de la matriz de covarianza.

En el archivo Kalman_predictor.mdl de Simulink se encuentra el filtro de
Kalman para el sistema en la versin predictor.
Antes de realizar las simulaciones es necesario generar las matrices de ganancia de
Kalman y de la covarianza del error como se explica arriba. Adems, debe prestarse
especial atencin al bloque de ganancia del ruido de medicin, el cual debe setearse a
cero para que responda al modelo propuesto por (11.1) y (11.2).

Notas: Es importante notar que la dinmica del filtro de Kalman es variante en el tiempo y
que la ganancia de Kalman puede precalcularse en funcin del modelo del sistema y
de las mediciones de la entrada y salida del sistema. Esta ganancia puede almacenarse
para utilizarla posteriormente. Debe recordarse que el modelo propuesto por Kalman

*
El programa Kalman_pre.m cuenta con el script help_kalman_pre.m, el cual contiene la definicin del
problema para el entorno Matlab. Este debe colocarse en la misma carpeta en la que est el programa para el
correcto funcionamiento del mismo.

Ao 2002
se basa en la hiptesis de que las perturbaciones son del tipo estocstico, distribuidos
normalmente y sin correlacin.
Al realizar las simulaciones es recomendable verificar la velocidad de convergencia,
tanto de la matriz de Kalman como de la matriz de covarianza del error. En ambos
casos las matrices convergen a sus valores estacionarios en dos perodos de muestreo,
lo cual se debe a que la medicin de la salida es exacta.
Obsrvense los valores estacionarios de la matriz de covarianza ( ) P k , esto ser til
para realizar comparaciones con el filtro de Kalman en la versin filtro y para cuando
en el sistema exista ruido en la medicin.

Filtro de Kalman Versin Filtro
Para el filtro de Kalman versin filtro:

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
1| 1 | 1 1 | x k k x k k u k K k y k C x k k u k , ] + + + + + + +
]
(11.6)

el error de estimacin ( ) ( ) ( )
x k x k x k tendr una matriz de covarianza:

( ) ( )
( ) ( ) ( ) ( ) ( )
1
0
| 1 1| 1
| | 1 | 1 0| 0
T
P k k P k k R
P k k P k k K k C P k k P R
+
(11.7)

la cual es mnima para la ganancia de Kalman:

( ) ( ) ( ) ( )
1
2
| 1 | 1
T T
K k P k k C R C P k k C

+ (11.8)

En el Apndice C se encuentra el clculo analtico del filtro de Kalman en la versin
filtro. El mismo problema se ha resuelto mediante un programa para entorno Matlab como se
detalla a continuacin:

mediante el programa Kalman_fil mediante las siguientes instrucciones:

[Kfil Pfil] = Kalman_fil;
Indique la covarianza del ruido de medicin R2=[0]
Indique la covarianza entre los ruidos de medicin y de proceso R12=[0]

La ejecucin del programa asignar a la variable Kfil una matriz de orden Nx3,
Pfil de orden Nx5, donde la primer columna tambin es el ndice temporal y de la
columna 2 a la 5 son las componentes de la matriz de covarianza .

En el archivo Kalman_filtro.mdl de Simulink se encuentra implementado el filtro
de Kalman para el sistema en la versin filtro. Antes de realizar las simulaciones es

Ao 2002
necesario anular la ganancia para el ruido de medicin y generar las matrices de
ganancia de Kalman y de la covarianza del error como se explica arriba.

Notas: Debe notarse la mejora de la versin filtro con respecto a la versin predictor. Ello se
debe a que la versin filtro realiza la correccin de la prediccin al utilizar la muestra
actual. En la prctica esto implica un retardo de clculo.
Adems, los valores de ganancia y de covarianza del error son menores, lo que
implica una mejora con respecto al predictor.

11.2. Sistema con Ruido en el Proceso y en la Medicin
Se considera ahora el caso en que tanto en los estados como en la medicin de la salida
del sistema existen perturbaciones. La existencia de ruido en la medicin fsicamente se puede
atribuir, por ejemplo, al ruido trmico que se introduce en el dispositivo de medida.
El integrador doble con ruido en el proceso y en la medicin se puede modelar como:

( ) ( ) ( ) ( )
( ) [ ] ( ) ( )
1 1 0.5 0
1
0 1 1 1
1 0
x k x k u k v k
y k x k e k
, ] , ] , ]
+ + +
, ] , ] , ]
] ] ]
+
(11.9)

donde ( ) e k y ( ) v k son secuencias de ruido blanco de media nula y matrices de covarianza:

( ) ( ) ( )
( )
( )
( )
( ) ( ) ( )
( ) ( ) ( )
( )
( )
( ) ( )
1 2 2
2
2
12 2
0 0 0 0 0
0
0 0
0 0 0
T
v
T
e
T
ve
R E v k v k E v k E
v k v k
R E e k e k
R E v k e k E e k E
v k v k e k
j \ j \ , ] , ] , ]
, ]
, ( , (
, ] , ] , ] ]
, ( , (
] ] ] ( , ( ,

j \ j \ , ] , ] , ]

, ( , (
, ] , ] , ]
, ( , (
] ] ] ( , ( ,
(11.10)

Filtro de Kalman Versin Predictor
Las ecuaciones (11.3), (11.4) y (11.5) siguen siendo vlidas para el caso particular de
que no exista correlacin entre el ruido del proceso y el ruido de medicin, esto es,
12
0 R .
Ahora se considerar el caso ms general en el cual existe correlacin entre ambos ruidos,
como lo indica la ltima expresin de (11.10).
El filtro de Kalman versin predictor est dado por (11.3), donde la ganancia de
Kalman:

( ) ( ) ( ) ( ) ( )
1
12 2

T T
K k P k C R R C P k C

+ + (11.11)

minimiza la varianza del error de estimacin ( ) ( ) ( )
x k x k x k :

( ) ( ) ( ) ( ) ( ) ( )
1 2
1
T T T
P k P k R K k R C P k C K k + + + (11.12)


Ao 2002
En el Apndice D se encuentra el clculo analtico del filtro de Kalman en la versin
predictor. El mismo problema tambin se ha resuelto mediante un programa para entorno
Matlab como se detalla a continuacin:

mediante el programa Kalman_pre mediante las siguientes instrucciones:

[Kpre Ppre]=Kalman_pre
Indique la covarianza del ruido de medicin R2=1
Indique la covarianza entre los ruidos de medicin y de proceso R12=[0;1]

La ejecucin del programa asignar a la variable Kpre una matriz de orden Nx3,
Ppre de orden Nx5, donde la primer columna tambin es el ndice temporal y de la
columna 2 a la 5 son las componentes de la matriz de covarianza .

En el archivo Kalman_predictor.mdl de Simulink se encuentra el filtro de
Kalman para el sistema en la versin predictor.
Antes de realizar las simulaciones es necesario generar las matrices Kpre y Ppre
como se explica arriba. Adems, puesto que el modelo dado por (11.9) y (11.10)
impone una correlacin entre las perturbaciones, las mismas pueden simularse dndole
al bloque de ganancia del ruido de medicin un valor no nulo (por ejemplo 1) de modo
que los ruidos se obtengan por combinacin lineal.

Notas: Es importante notar que la dinmica del filtro de Kalman no cambia, pero si lo hacen
los valores de la ganancia de Kalman como de la matriz de covarianza del error.
Al realizar las simulaciones es recomendable verificar cmo la existencia de ruido en
la medicin hace que la velocidad de convergencia, tanto de la ganancia de Kalman
como de la matriz de covarianza del error, sean ms lentas. En ambos casos las
matrices convergen a sus valores estacionarios en ms de 15 perodos de muestreo.
Obsrvense que los valores estacionarios de la matriz de covarianza ( ) P k son
mayores que cuando no existe ruido en la medicin.

Filtro de Kalman Versin Filtro
El filtro de Kalman versin filtro, para el caso en el que existan ruidos de medicin y
de proceso correlacionados tambin est dado por la ecuacin (11.6), donde la matriz de
covarianza del error y la ganancia de Kalman estn dadas respectivamente por las ecuaciones
(11.7) y (11.8). Puede verse el Apndice F para una demostracin de las ecuaciones del filtro.

En el Apndice E se encuentra el clculo analtico del filtro de Kalman en la versin
filtro.
Las matrices de ganancia de Kalman y de covarianza del error pueden calcularse en el
entorno Matlab para una cantidad de periodos de muestreo especificada, como se detalla a
continuacin:


Ao 2002
mediante el programa Kalman_fil mediante las siguientes instrucciones:

[Kfil Pfil] = Kalman_fil;
Indique la covarianza del ruido de medicin R2=[1]
Indique la covarianza entre los ruidos de medicin y de proceso R12=[0;1]

La ejecucin del programa asignar a la variable Kfil una matriz de orden Nx3, con
el ndice temporal (necesario para el bloque from workspace de Simulink) y las
ganancias de Kalman. Tambin generar una matriz Pfil de orden Nx5, con el
ndice temporal y las componentes de la matriz de covarianza.

En el archivo Kalman_filtro.mdl de Simulink se encuentra implementado el filtro
de Kalman para el sistema en la versin filtro. Antes de realizar las simulaciones es
necesario configurar la ganancia del ruido de medicin con un valor no nulo (por
ejemplo 1) para que los ruidos de medicin y proceso estn correlacionados y adems
generar las matrices de ganancia de Kalman y de la covarianza del error como se
explica arriba.

Notas: Debe notarse la mejora de la versin filtro con respecto a la versin predictor. Ello se
debe a que la versin filtro realiza la correccin de la prediccin al utilizar la muestra
actual. En la prctica esto implica un retardo de clculo.
Es interesante destacar que la covarianza de los ruidos de medicin y proceso no
aparecen en las ecuaciones. Ello se debe a la estructura del filtro como puede
apreciarse en el Apndice F.
Adems, los valores de ganancia y de covarianza del error son menores, lo que
implica una mejora con respecto al predictor.

12. Control ptimo LQG (Lineal Cuadrtico Gaussiano)
El control LQG combina el control LQ con el Filtro de Kalman. Se trata de un control
por realimentacin de estados que minimiza la funcin de costo (10.2) utilizando los estados
estimados por el filtro de Kalman (11.3). As. la ley de control es:

( ) ( ) ( )
| 1 u k L k x k k (12.1)


Ao 2002
Esquemticamente:
PROCESO
q
-1
C
e(k)

v(k)

y(k) u(k)
ESTIMADOR
q
-1
C

u(k)
K(k)
(k)
x
^
(k)
x(k)
y
^
(k)
- L(k)
REALIMENTACIN
DE ESTADOS
x
^
(k) u(k)

Figura 9. Control ptimo LQG

En el archivo ControlLQG.mdl de Simulink se encuentra implementado el control por
realimentacin del estado estimado por el predictor de Kalman.
Antes de realizar las simulaciones es necesario configurar la ganancia del ruido de
medicin en correspondencia con lo que se desea simular: Adems deben generarse las
matrices de covarianza del error Ppre, de ganancia de realimentacin gain y de
ganancia de Kalman Kpre haciendo uso de los programas que se explicaron
anteriormente.

Notas: Debe notarse que la implementacin del controlador LQG, como indica el teorema de
separacin, hace uso de la versin predictor del filtro de Kalman y no de la versin
filtro.


Gerardo Daro Mollo Pgina I
Ao 2002
Apndice A: Estabilidad del Sistema Cuando se Utiliza un
Controlador LQ

Haciendo uso del Teorema 11.4; el sistema a lazo cerrado, cuando se utiliza un
controlador LQ, tiene sus polos dados por los ceros estables de la ecuacin:

( ) ( )
1
0 H z H z

+ (A.1)

Donde se satisface que
1
T
Q C C y
2
Q de la funcin de costo (10.2).

Para encontrar la representacin grfica del lugar geomtrico de las races se hace uso
de la herramienta de Matlab RLTOOL. Esta herramienta permite obtener el lugar geomtrico
de las races de la ecuacin caracterstica de la forma ( ) 1 0 kK s + , al introducir unitarios el
filtro de entrada (bloque F), el modelo de la planta (bloque P) y el sensor (bloque H) y en el
compensador (bloque K) los ceros y polos y donde k es la ganancia, usando adems
realimentacin negativa. As, llevando la expresin (A.1) a esta forma:

( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
1
2 2
1
2 1
2 2
2 1
2 2
2
4
1
1
0.5 0.5 0
1
1
1
1
0.25
1 0 0
1
1
1 1 0.25
1 0
1 1
1
1 0
1
z
z
z
z
z z
z
z
z z
z z z
k k
z z
z z
k
z
+
+
+
+
+
+
+ +
+

+
+

Al introducir esta expresin en la herramienta RLTOOL se obtiene el siguiente lugar
geomtrico de las races:

Gerardo Daro Mollo Pgina II
Ao 2002

Ahora, considerando aquellos ceros estables de la ecuacin (A.1) como lo establece el
teorema:
0

0

Notas: Con el fin de aclarar an ms las conclusiones expuestas al final del inciso 10
obsrvense que los polos de lazo cerrado, cuando
2
Q , son los de lazo
abierto. Esto se debe a que el peso que se le ha dado a la seal de control en la funcin
de costo es tan alto que el controlador LQ anula directamente la seal de control con
el fin de minimizar la funcin de costo, quedando el sistema funcionando como a lazo
abierto.

Gerardo Daro Mollo Pgina III
Ao 2002
Apndice B: Sistema con Ruido en el Proceso. Filtro de Kalman
Versin Predictor

Para el filtro de Kalman versin predictor
c
:

( ) ( ) ( ) ( ) ( ) ( )
]
(B.1)


( ) ( ) ( ) ( ) ( ) ( )
1
1 2
1
T T T T
P k P k R P k C R C P k C C P k
+ + + (B.2)


( ) ( ) ( ) ( )
1
2

T T
K k P k C R C P k C

+ (B.3)

Ahora, para el caso propuesto:

( ) ( ) ( )
( )
( )
( )
( ) ( ) ( )
( ) ( ) ( )
1 2 2
2
12
0 0 0 0 0
0
0 0
0
0
T
T
T
R E v k v k E v k E
v k v k
R E e k e k
R E v k e k
j \ j \ , ] , ] , ]
, ]
, ( , (
, ] , ] , ] ]
, ( , (
] ] ] ( , ( ,

(B.4)

Tomando, en general:

( )
1
4
p p
P k
p p
, ]
, ]
]

d
(B.5)

y fijando la condicin inicial para el vector de estados:

( )
( )
1
0
1
1 0
0
0 1
Ex
P
, ]
, ]
]
, ]
, ]
]
(B.6)

c
Las ecuaciones utilizadas en este Apndice fueron extradas del libro Computer Controlled System. Theory
and Design.

d
Con el fin de simplificar la notacin, en los coeficientes de la matriz (B.5) no se indica el subndice temporal,
pero no debe olvidarse que estos coeficientes son variables en el tiempo. Estrictamente
( )
( ) ( )
( ) ( )
1
4
p k p k
P k
p k p k
, ]
, ]
]


Gerardo Daro Mollo Pgina IV
Ao 2002
se puede resolver la ecuacin (B.3) para la ganancia de Kalman:

( ) [ ]
( ) [ ]
( )
1
1 1
4 4
1
1 4
1
4
1
1
1 1 1 1
1 0
0 1 0 0
1 1
0 0
1
p p p p
K k
p p p p
p p p p
K k p p
p p
p p
K k
p p
j \ , ] , ] , ] , ] , ]
, (
, ] , ] , ] , ] , ]
] ] ] ] ] ( ,
+ + j \ , ] , ] , ]
, (
, ] , ] , ]
] ] ] ( ,
+ , ]
, ]
]

( )
1
1
1
p p
p
K k
p
p
+ , ]
, ]
, ]
, ]
, ]
]
(B.7)

Ahora, ntese que haciendo uso de (B.3), la expresin para la covarianza del error
(B.2) se puede escribir como:

( ) ( ) ( ) ( )
( ) [ ]
( )
( ) ( )
( )
1
1 1 1
2
4 4 1
2
1 4 4
1 1
2 2
4 4 1 1
1
1 1 1 0 0 0 1 0
1
1 1 0
0 1 1 1 0 1 1
2 0 0
1
1
0
T T
P k P k R K k C P k
p p p p p p
P k
p p p p p p
p p p p p
p p p p p
P k
p p p p p p p p
+ +
+ , ] , ] , ] , ] , ] , ] , ]
+ +
, ] , ] , ] , ] , ] , ] , ]
] ] ] ] ] ] ]
, ]
+ + + , ] , ] + +
+ +
, ]
, ] , ]
+
+
] ] , ]
]

( )
( ) ( )
( )
2
1 1
1 4 4
1 1
2
1 2
4 4
1 1
2
1
p p p p p
p p p p p
p p
P k
p p p
p
p p p
p p
, ]
+ +
+ + + , ]
, ]
+
, ]
+
, ]
+ +
, ]
]
(B.8)

En el archivo kalman_ruido en el proceso.xls de Excel se encuentran
cargadas las ecuaciones halladas. En este archivo se encuentran tambin graficadas las
componentes de la matriz de ganancia de Kalman (B.7) y de la matriz de covarianza del
error (B.8), lo que permite apreciar los valores estacionarios y la velocidad de
convergencia de las matrices. Es recomendable verificar el comportamiento de estas
matrices para diferentes valores de varianza de ruido en el proceso.


Gerardo Daro Mollo Pgina V
Ao 2002
Apndice C: Sistema con Ruido en el Proceso. Filtro de Kalman
Versin Filtro

Para el filtro de Kalman versin filtro
e
:

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
]
(C.1)


( ) ( )
( ) ( ) ( ) ( ) ( )
1
0
| 1 1| 1
| | 1 | 1 0| 0
T
P k k P k k R
P k k P k k K k C P k k P R
+
(C.2)


( ) ( ) ( ) ( )
1
2
| 1 | 1
T T
K k P k k C R C P k k C

+ (C.3)

Ahora suponiendo:

( )
1
4
1| 1
p p
P k k
p p
, ]

, ]
]
f
(C.4)

y considerando que las (B.4) todava son vlidas, se puede resolver la primera expresin de
(C.2):

( )
1
2
4
1 1 1 0 0 0
| 1
0 1 1 1 0
p p
P k k
p p
, ] , ] , ] , ]
+
, ] , ] , ] , ]
] ] ] ]

( )
1 4 4
2
4 4
2
| 1
p p p p p
P k k
p p p
+ + + , ]

, ]
+ +
]
(C.5)

Haciendo uso de (C.5), la ganancia de Kalman (C.3) es:

e
Las ecuaciones utilizadas en este Apndice fueron extradas del libro: Computer Controlled System. Theory
and Design.

f
Con el fin de simplificar la notacin, en los coeficientes de la matriz (C.4) no se indica el subndice temporal,
pero no debe olvidarse que estos coeficientes son variables en el tiempo.
Estrictamente
( )
( ) ( )
( ) ( )
1
4
1| 1 1| 1
1| 1
1| 1 1| 1
p k k p k k
P k k
p k k p k k
, ]

, ]

]


Gerardo Daro Mollo Pgina VI
Ao 2002
( ) [ ]
( )
1
1 4 4 1 4 4
2 2
4 4 4 4
1 4
4 1 4
2 2 1 1
1 0
0 0
2
1
2
p p p p p p p p p p
K k
p p p p p p
p p p
K k
p p p p p

j \ + + + + + + , ] , ] , ] , ]
, (
, ] , ] , ] , ]
+ + + +
] ] ] ] ( ,
+ + , ]
, ]
+ + +
]

( )
4
1 4
1
2
K k p p
p p p
, ]
, ]
+
, ]
+ + , ]
]
(C.6)

Finalmente, de (C.5), (C.6) y de la segunda expresin de (C.2), la matriz de covarianza
es:

( )
[ ]
( )
( ) ( )
1 4 4
2
4 4
1 4 1 4 4
2
4 4 4 1 4
1 4 4
1 4 4
2 2
4 4
4 4 1 4
2
|
2 2
1
1 0
2
2
2
|
/ 2
p p p p p
P k k
p p p
p p p p p p p p
p p p p p p p p
p p p p p
p p p p p
P k k
p p p
p p p p p p p
+ + + , ]
, ]
+ +
]
+ + + + + , ] , ]
, ] , ]
+ + + + +
] ]
+ + + , ]
+ + + , ]

, ]
, ]
+ +
+ + + +
] , ]
]

( )
( )
( )
2
4 2
4
1 4
0 0
|
0
2
P k k
p p
p
p p p
, ]
, ]
+
, ]
+
, ]
+ +
]
(C.7)

En el archivo kalman_ruido en el proceso.xls de Excel se encuentran
cargadas las ecuaciones halladas. En este archivo se encuentran tambin graficadas las
componentes de la matriz de ganancia de Kalman (C.6) y de la matriz de covarianza del
error (C.7), lo que permite apreciar los valores estacionarios y la velocidad de
convergencia de las matrices.

Notas: Ntese la mejora del Filtro de Kalman en la versin filtro con respecto a la versin
predictor. Los valores estacionarios son alcanzados antes y, tanto la matriz de
ganancia, como la matriz de covarianza del error, tienen valores ms pequeos. Ello se
debe a la estructura ms compleja del filtro.


Gerardo Daro Mollo Pgina VII
Ao 2002
Apndice D: Sistema con Ruido en el Proceso y en la Medicin
Correlacionados. Filtro de Kalman Versin Predictor

Para el filtro de Kalman versin predictor
g
:

( ) ( ) ( ) ( ) ( ) ( )
]
(D.1)


( ) ( ) ( ) ( ) ( ) ( )
1 2
1
T T T
P k P k R K k R C P k C K k + + + (D.2)


( ) ( ) ( ) ( ) ( )
1
12 2

T T
K k P k C R C P k C R

+ + (D.3)

Ahora, para el caso propuesto, las matrices de covarianza de las perturbaciones son:

( ) ( ) ( )
( )
( )
( )
( ) ( ) ( )
( ) ( ) ( )
( )
( )
( ) ( )
1 2 2
2
2
12 2
0 0 0 0 0
0
0 0
0 0 0
T
v
T
e
T
ve
R E v k v k E v k E
v k v k
R E e k e k
R E v k e k E e k E
v k v k e k
j \ j \ , ] , ] , ]
, ]
, ( , (
, ] , ] , ] ]
, ( , (
] ] ] ( , ( ,

j \ j \ , ] , ] , ]

, ( , (
, ] , ] , ]
, ( , (
] ] ] ( , ( ,
(D.4)

Tomando, en general:

( )
1
4
p p
P k
p p
, ]
, ]
]
h
(D.5)

y fijando la condicin inicial para el vector de estados:

( )
( )
1
0
1
1 0
0
0 1
Ex
P
, ]
, ]
]
, ]
, ]
]
(D.6)

g
Las ecuaciones utilizadas en este Apndice fueron extradas del libro Computer Controlled System. Theory
and Design.

h
Con el fin de simplificar la notacin, en los coeficientes de la matriz (D.5) no se indica el subndice temporal,
pero no debe olvidarse que estos coeficientes son variables en el tiempo. Estrictamente
( )
( ) ( )
( ) ( )
1
4
p k p k
P k
p k p k
, ]
, ]
]


Gerardo Daro Mollo Pgina VIII
Ao 2002

se puede resolver la ecuacin (D.3) para la ganancia de Kalman:

( ) [ ]
( ) [ ]
1
1 1 2
2
4 4
1
1 2
1 2
0 1 1 1 1
1 0
0 1 0 0
0 1
0
e
ve
e
ve
p p p p
K k
p p p p
p p
K k p p
p
j \j \ , ] , ] , ] , ] , ] , ]
+ +
, (, (
, ] , ] , ] , ] , ] , ]
] ] ] ] ] ] ( , ( ,
j \ + j \ , ] , ] , ]
+ +
, (, (
, ] , ] , ]
] ] ] ( , ( ,

( )
1
2
1
2
2
1
e
ve
e
p p
p
K k
p
p
+ , ]
, ]
+
, ]
, ]
+
, ]
+
, ]
]
(D.7)

Haciendo uso de esta ltima, la covarianza del error (D.2) es:

( ) ( ) ( ) ( ) ( ) ( )
( )
[ ]
( )
1 2
1
2
4
1 1 2 2
1 2 2 2
4 1 1
1
1 4 4
2 2
4 4 1
1
0 0 1 1 1 0
1
0 0 1 1 1
1
1 1
1 0
0
2
1
1
T T T
v
e ve
ve e e
v e
P k P k R K k C P k C R K k
p p
P k
p p
p p p p
p p p
p p p p p
p
p p p p p
P k
p p p p

+ + +
, ] , ] , ] , ]
+ +
, ] , ] , ] , ]
] ] ] ]
+ j \ , ] , ] , ]
, ] + + +
, (
, ] , ] , ] ]
+ + +
] ] ] ( ,
+
+ + + , ]
+
, ]
+ + +
]
( ) ( )( )
( )( ) ( )
2
2
1
2
2 2
1
ve
ve ve
p p p p
p p p p

, ]
+ +
, ]
, ]
+ + +
]

( )
( )
( )( )
( )( ) ( )
2 2
1
1
1 4 4 2 2
1 1
2
2 2
1
2
4 4 2 2
1 1
2
1
ve
e e
ve ve
v
e e
p p p
p p
p p p p p
p p
P k
p p p p
p p p
p p

, ]
+ +
+
, ] + + +
+ +
, ]
+
, ]
+ + +
, ]
+ +
, ]
+ +
]
(D.8)

En el archivo kalman_ruido en el proceso y medicin.xls de Excel se
encuentran cargadas las ecuaciones halladas. En este archivo se encuentran tambin
graficadas las componentes de la matriz de ganancia de Kalman (D.7) y de la matriz de
covarianza del error (D.8), lo que permite apreciar los valores estacionarios y la
velocidad de convergencia de las matrices. Es recomendable verificar el
comportamiento de estas matrices para diferentes valores de covarianza.

Gerardo Daro Mollo Pgina IX
Ao 2002
Apndice E: Sistema con Ruido en el Proceso y en la Medicin
Correlacionados. Filtro de Kalman Versin Filtro

Las ecuaciones: (C.1) para el filtro de Kalman, (C.2) para la matriz de covarianza del
error y (C.3) para la ganancia de Kalman siguen siendo vlidas. Adems, considerando (D.4)
y (D.5), se puede resolver la primera expresin de (C.2):

( )
1
2
4
0 0 1 1 1 0
| 1
0 0 1 1 1
v
p p
P k k
p p
, ] , ] , ] , ]
+
, ] , ] , ] , ]
] ] ] ]

( )
1 4 4
2
4 4
2
| 1
v
p p p p p
P k k
p p p
+ + + , ]

, ]
+ +
]
(E.1)

Haciendo uso de esta ltima, la ganancia de Kalman (C.3) es:

( ) [ ]
( )
1
1 4 4 1 4 4 2
2 2
4 4 4 4
1 4
2
4 1 4
2 2 1 1
1 0
0 0
2
1
2
e
v v
e
p p p p p p p p p p
K k
p p p p p p
p p p
K k
p p p p p
+ + + j + + + \ , ] , ] , ] , ]
+
, (
, ] , ] , ] , ]
+ + + +
] ] ] ] ( ,
+ + , ]
, ]
+ + + +
]

( )
1 4
2
1 4
4
2
1 4
2
2
2
e
e
p p p
p p p
K k
p p
p p p
+ + , ]
, ]
+ + +
, ]
+ , ]
, ]
+ + +
]
(E.2)

Finalmente, la matriz de covarianza de la segunda expresin de (C.2) es:

( )
[ ]
( )
( ) ( )( )
( )( ) ( )
1 4 4
2
4 4
1 4 4 1 4
2 2
4 4 4 1 4
2
1 4 1 4 4 1 4 4
2 2 2
4 4 1 4
1 4 4 4
2
|
2 2
1
1 0
2
|
2 2 2
1
2
2
v
v e
v e
p p p p p
P k k
p p p
p p p p p p p p
p p p p p p p p
P k k
p p p p p p p p p p p p p
p p p p p p
p p p p p p p

+ + + , ]
, ]
+ +
]
+ + + + + , ] , ]
, ] , ]
+ + + + + +
] ]
, ]
+ + + + + + + + , ]
, ]
, ]
+ + + + +
, ] + + + + ]
]


Gerardo Daro Mollo Pgina X
Ao 2002
( )
( )
( )
( )( )
( )
( )( )
( )
( )
2
1 4 1 4 4
1 4 4 2 2
1 4 1 4
2
1 4 4 4 2
4 4 2 2
1 4 1 4
2 2
2
2 2
|
2
2 2
e e
v
e e
p p p p p p p p
p p p p p
p p p p p p
P k k
p p p p p p p
p p p
p p p p p p

, ]
+ + + + +
+ + + , ]
+ + + + + +
, ]
, ]
+ + + +
, ]
+ +
, ]
+ + + + + +
]
(E.3)

En el archivo kalman_ruido en el proceso y medicin.xls de Excel se
encuentran cargadas las ecuaciones halladas. En este archivo se encuentran tambin
graficadas las componentes de la matriz de ganancia de Kalman (C.6) y de la matriz de
covarianza del error (C.7), lo que permite apreciar los valores estacionarios y la
velocidad de convergencia de las matrices.

Notas: Ntese que la estructura del filtro de Kalman versin filtro es la que produce una
menor covarianza del error que la versin predictor bajo las mismas condiciones de
perturbaciones.
En este caso, tambin existe una mejora del Filtro de Kalman en la versin filtro, con
respecto a la versin predictor. Los valores estacionarios son alcanzados antes y, tanto
la matriz de ganancia, como la matriz de covarianza del error, tienen valores ms
pequeos. Ello se debe a la estructura ms compleja del filtro.

Gerardo Daro Mollo Pgina XI
Ao 2002
Apndice F: Demostracin de las Ecuaciones del Filtro de Kalman
Versin Filtro.

Sea el proceso:

( ) ( ) ( ) ( )
( ) [ ] ( ) ( )
1 1 0.5 0
1
0 1 1 1
1 0
x k x k u k v k
y k x k e k
, ] , ] , ]
+ + +
, ] , ] , ]
] ] ]
+
(F.1)

donde el estado inicial ( ) 0 x tiene una distribucin gaussiana con ( )
0
0 Ex m y
( ) ( )
0
cov 0 x R . Adems, ( ) e k y ( ) v k son secuencias de ruido blanco discretos gaussianos
de media nula y matrices de covarianza:

( ) ( ) ( )
( )
( )
( )
( ) ( ) ( )
( ) ( ) ( )
( )
( )
( ) ( )
1 2 2
2
2
12 2
0 0 0 0 0
0
0 0
0 0 0
T
v
T
e
T
ve
R E v k v k E v k E
v k v k
R E e k e k
R E v k e k E e k E
v k v k e k
j \ j \ , ] , ] , ]
, ]
, ( , (
, ] , ] , ] ]
, ( , (
] ] ] ( , ( ,

j \ j \ , ] , ] , ]

, ( , (
, ] , ] , ]
, ( , (
] ] ] ( , ( ,
(F.2)

El filtro de Kalman Versin Filtro, estima los estados a partir de la medicin de la
entrada y salida del sistema mediante la dinmica dada por:

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
]
(F.3)

El error de estimacin ( ) ( ) ( )
| x k x k x k k satisface la dinmica:

( )
( ) ( )
( ) ( )
1 1 1/ 1
1 / 1 1 /
1 / 1 1 1 /
1 1 1 1 /
1 1
k k k k
k k k k k k k k k k k k
k k k k k k k k k k k k k
k k k k k k k k k k k k
k k k k k
x x x
x x u v x u K y C x u
x x x u u v K y K C x u
x x v K C x u v e K C x u
x x v K C x
+ + + +
+ + +
+ + + +
+ + + +
+ +

+ + + , ]
]
+ + + +
+ + + + + + , ]
]
+

( )
1 1 1 1 1 / 1
1 1 / 1 1 1 1 1
k k k k k k k k k k k
k k k k k k k k k k k k k k k
K C u K Cv K e K C x K C u
x x K C x x v K Cv K e K C u K C u
+ + + + + +
+ + + + + + +
+ +
+ +


Gerardo Daro Mollo Pgina XII
Ao 2002
( ) ( )
1 1 1 1 1 k k k k k k k
x K C x I K C v K e
+ + + + +
+

Con el fin de simplificar la nomenclatura, esta ltima ecuacin se escribe como:

1
1 1 1
1
k
k k k k k
k
X K C
x Xx Yv Ze Y I K C
Z K
+
+ + +
+

+ +

(F.4)

El filtro de Kalman minimiza la varianza del error de estimacin:

( ) ( ) ( ) ( ) ( ) ( ) ( )
|
T
P k k E x k Ex k x k Ex k (F.5)

Ahora, si
0/ 0 0
Ex m , entonces el error de estimacin tendr un valor esperado nulo,
esto es, 0, 0
k
Ex k sin importar K
k
, por lo que de (F.5) y (F.4) se tiene:

( )( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
1/ 1 1 1 1 1
1/ 1 1
1
1 1 1 1
T T T T T T T
k k k k k k k k k k
T T T T T T
k k k k k k k k
T T T T T T
k k k k k k
T T T T T T
k k k k k k
P Ex x E Xx Yv Ze x X v Y e Z
P E Xx x X E Xx v Y E Xx e Z
E Yv x X E Yv v Y E Yv e Z
E Ze x X E Ze v Y E Ze e Z
+ + + + + +
+ + +
+
+ + + +
+ + + +
+ +
+ + +
+ + +

Dadas las propiedades de los ruidos y la dinmica del proceso (F.1), ( ) v k no est
correlacionado con ( ) x k ni con ( ) 1 e k + , por lo que se anulan el segundo, cuarto, sexto y
octavo trminos. Tampoco se correlacionan ( ) 1 e k + con ( ) x k anulndose los trminos
tercero y sptimo. As la ltima expresin se reduce a:

1/ 1 / 1 2
T T T
k k k k
P XP X YRY ZR Z
+ +
+ +

Sustituyendo las (F.4) y distribuyendo:

( ) ( ) ( ) ( )
1/ 1 1 / 1 1 1 1 1 2 1
1/ 1 / / 1 1 / 1 / 1
1 1 1 1 1 1 1 1 1 2 1
T T
T
k k k k k k k k k k
T T T T T T T T
k k k k k k k k k k k k k k
T T T T T
k k k k k k
P K C P K C I K C R I K C K R K
P P P C K K C P K C P C K
R RC K K CR K CRC K K R K
+ + + + + + + +
+ + + + + +
+ + + + + +
+ +
+
+ + +

( ) ( )
( )
1/ 1 / 1 1 / 1 / 1 1
1 / 1 2 1
T T T T T T
k k k k k k k k k k
T T T T
k k k k
P P R K C P CR P C RC K
K C P C CRC R K
+ + + +
+ +
+ + +
+ + +
(F.6)


Gerardo Daro Mollo Pgina XIII
Ao 2002
Ahora debe hallarse la matriz ( ) 1 K k + que minimiza esta ltima expresin. Para
evitar la derivada con respecto a la matriz ( ) 1 K k + , se propone:

( ) ( )
0
1 1 K k K k + + +

donde ( )
0
1 K k + es la matriz ptima buscada (que minimiza (F.6)), es un escalar y es
una matriz arbitraria. Luego, se evala:

1/ 1
0
0
k k
P
+ +

para hallar la matriz ( ) 1 K k + que minimiza la covarianza del error dada por (F.6).

As:

( ) ( )
( ) ( )
( ) ( )
( ) ( )
1/ 1
/ 1 / 1
0
/ 1 2 1 1 / 1 2
1/ 1
/ 1 / 1 2 1
0
/ 1 1 / 1 2
0
T T T T T k k
k k k k
T T T T T T T T
k k k k k k
T T T T T k k
k k k k k
T T T T T T
k k k k k
P
C P CR P C RC
C P C CRC R K K C P C CRC R
P
C P CR C P C CRC R K
P C RC K C P C CRC R
+ +
+ +
+ +
+
+ +
+ + + + + +
, ]
+ + + +
]
,
+ + + + +
0
T
]

]

La ltima expresin se ha agrupado en dos trminos. Obsrvese que uno es el transpuesto del
otro, por lo que igualando a cero uno de ellos, el otro tambin se anular. As, igualando a
cero el ltimo trmino:

( ) ( )
/ 1 1 / 1 2
0
T T T T T T T
k k k k k
P C RC K C P C CRC R
+
, ]
+ + + +
]

( )( )
1
1 / 1 / 1 2
T T T T T T
k k k k k
K P C RC C P C CRC R

+
+ + + (F.7)

Al sustituir (F.7) en el ltimo trmino de (F.6) se ve claramente que los dos ltimos
trminos se cancelan, quedando la matriz de covarianza mnima:

( )
1/ 1 / 1 1 / 1
T T
k k k k k k k
P P R K C P CR
+ + +
+ + (F.8)

Ntese que las ecuaciones (F.7) y (F.8) son coincidentes con las (11.7) y (11.8) cuando
se sustituye la primera expresin de (11.7) en las restantes.

PR Icticas Sobre Control Del Integrador Doble

Загружено:

Сведения о документе

Исходное описание:

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

PR Icticas Sobre Control Del Integrador Doble

Загружено:

Авторское право:

Доступные форматы

SISTEMAS CONTROLADOS POR COMPUTADORA

PRCTICA SOBRE CONTROL DEL:

Вам также может понравиться