CLASEPC3

Control Digital MT228
1 Modelado de Procesos
Identificación Paramétrica
M.Sc. Ricardo Rodríguez Bustinza

robust@uni.edu.pe
2
Introducción Modelado de Procesos
o Algunas técnicas de diseño de sistemas de control LIT,

incluyendo el método del lugar geométrico de las raíces y
el de asignación de polos, requieren de un modelo
paramétrico del sistema.
o Este tipo de modelo es particularmente importante en
sistemas de control adaptativo, en los cuales, los
parámetros de la planta deben ser estimados en línea
para calcular el controlador correspondiente. Para dar una
idea de la identificación paramétrica se consideran a
continuación los métodos de los mínimos cuadrados no
recursivo y recursivos.
Prof. Ricardo Rodríguez Bustinza 1

3
Secuencia de Lecturas
Modelado de Procesos
Motivación
Identificación Mínimos Cuadrados No
Recursivo
o Ejemplo # 1
Identificación Mínimos Cuadrados Recursivo
o Consideraciones y Algoritmo Descriptivo
o Ejemplo # 2
4 Motivación Modelado de Procesos
Suponga que en un
experimento de un sistema
de control SISO se
tomaron la medidas de la
entrada y la salida, a su
vez, los registros de los
datos han sido
almacenados en un
archivo de datos que
contienen un numero de
20000 muestras.

5 Sistema de Identificación
Los datos del sistema provienen de una CAJA NEGRA donde

solo se conoce la entrada y la salida. El objetivo es identificar
el modelo.
6 Respuesta al Escalón en LazoModelado

Abierto de Procesos

7 Parámetros Identificados
8 Respuesta al Escalón en LazoModelado

Abierto de Procesos

9 Esquema de Identificación
10
Motivación
Recursivo
o Ejemplo
o Ejemplo
10

Mínimos Cuadrados no Recursivo

11 Modelado(1/7)
de Procesos
Se asume que la función de transferencia de pulso

del modelo es de la forma :
En donde ( ) es la entrada e Y( ) es la salida.

El sistema ( ) queda descrito por la ecuación en
diferencias:
11

12 Modelado(2/7)
de Procesos
Este modelo se conoce como “MODELO ARMAX”

(Autoregressive–moving-average model with exogenous
inputs) y en él se debe estimar el vector de parámetros dado
por:
A partir de un conjunto de pares de mediciones de entrada–

salida del sistema:
Debido al error que se puede introducir en la medición, la

ecuación general se puede escribir en la forma:
12


13 Modelado(3/7)
de Procesos
El primer error es función solamente de las mediciones

conocidas. Entonces, para periodos de muestreo , ,
+ 1, ⋯ , se tendrá las ecuaciones siguientes:
En donde es el vector de parámetros y el vector de

medidas es:
13

14 Modelado(4/7)
de Procesos
Para facilitar el tratamiento matemático, se definen las

siguientes ecuaciones:
14


15 Modelado(5/7)
de Procesos
Así, las ecuaciones dadas analizadas se pueden escribir

en forma matricial cómo:
En donde:
Al utilizar el método de mínimos cuadrados para estimar

( ), el vector debe ser tal que minimice la suma de los
cuadrados del error.
15

16 Modelado(6/7)
de Procesos
Es decir, que minimice la función:
Si se despeja ( ) de la ecuación anterior y se reemplaza

en la ecuación ( ) se obtiene:
16


17 Modelado(7/7)
de Procesos
El valor de que minimiza a ( ) debe cumplir con la

ecuación:
Por lo tanto, el valor estimado

de es:
= ( ) ( )
17
18
Motivación
Recursivo
o Ejemplo # 1
o Ejemplo # 2
18

19
Ejemplo # 1 (1/5) Modelado de Procesos
Los datos que se dan a continuación corresponden a la
respuesta de un sistema de control ante una entrada en
escalón unitario. Obtener, a partir de ellos, un modelo de
segundo orden que describa la dinámica del sistema.
El modelo tiene la forma:
19
20
20

21
Con los resultados anteriores se obtiene:
21
22
Con los resultados anteriores se obtiene:
22

23
En la tabla adjunta se comparan los valores de la salida
real del sistema y los correspondientes a la salida
estimada para diferentes instantes de muestreo.
23
24
Motivación
Recursivo
o Ejemplo # 1
Identificación Mínimos Cuadrados
Recursivo
o Ejemplo # 2
24

25 Mínimos Cuadrados Recursivo (1/8)

o En el método no recursivo, el vector de parámetros

se calcula utilizando toda la información disponible,
siendo esta pequeña en los primeros instantes, pero
aumenta a medida que transcurre el tiempo, lo que
genera un alto costo computacional al procesar la
información.
o En el método recursivo el vector de parámetros se
calcula a partir de los resultados obtenidos en el
instante anterior − 1 y de los datos de entrada y
salida actuales (instante ). Este método es muy
robusto en aplicaciones on-line.
25

Si la función de costo ( ) se asume de modo que los

datos más recientes tengan mayor peso, se hace:
En donde ( ) es una matriz diagonal, La ecuación del

vector de parámetros se transforma en:
El factor de peso ( ) puede tomar la forma:
26


Si se selecciona de modo que = 1 − , el factor de

peso se denomina “exponencial”. Para pequeño
comparado con la unidad, predominan los datos más
recientes en la estimación, a medida que se aproxima
a la unidad, los datos más antiguos empiezan a tener
mayor influencia en la estimación.
Si = = 1 , se obtiene el algoritmo de mínimos
cuadrados no recursivo dado en la ecuación.
27

La salida como ecuación en diferencias podemos

expresarla como:
Además:
Se asume que el factor de peso es de la forma:
28


El primer factor de la ecuación del vector de parámetros se puede

escribir como:
Si se define ahora una matriz cuadrada ( ) de orden como:
29

La ecuación anterior se transforma en:
En la inversión de matrices se cumple que:
Haciendo las siguientes asignaciones:
30


Luego obtenemos la matriz de covarianza:
Teniendo en cuenta que es una matriz diagonal, el

segundo factor de la ecuación:
Se puede reescribir en la siguiente forma:
31

Después de simplificar obtenemos las ecuaciones del

algoritmo:
Las ecuaciones descritas se aplican para ≥ . Al

reemplazar por se obtienen las ecuaciones en
diferencias recursivas que dan la solución al problema de
identificación con mínimos cuadrados recursivos.
32

33
Motivación
Recursivo
o Ejemplo # 1
o Ejemplo # 2
33
34 Consideraciones Modelado de Procesos
La identificación debe comenzar asignando ciertas

condiciones iniciales a ( ) y ( ). Para este propósito
se tienen dos posibilidades:
a. Tomar una serie de datos con ≥ 2 datos, obtener
los valores de ( ), ( ) y "( + 1) y utilizar a
continuación estos valores para calcular ( + 1) y
+1
b. Hacer =0 y = $%. En donde $ es un
escalar de valor elevado (1000 ≤ $ ≤ 10000) , luego
obtener los valores estimados para ( + 1) y
+1
34

35 Algoritmo Descriptivo 2da Opción

35
36
Motivación
Recursivo
o Ejemplo # 1
o Ejemplo # 2
36

37
Los datos que se dan a continuación corresponden a la
respuesta de un sistema de control a un escalón unitario.
Obtener a partir de ellos, un modelo de segundo orden
que describa la dinámica del sistema. Asumir y utilizar
mínimos cuadrados recursivos.
El modelo pedido es:
37
38
38

39
39
40
40

41
Así sucesivamente hasta encontrar el vector de
parámetros:
El modelo del sistema es:
A continuación se presenta una comparación entre los

valores de la salida real del sistema y los de la salida
estimada para diferentes instantes de muestreo.
41
42
Tabla comparativa del sistema identificado versus el real.
La figura corresponde a una representación gráfica de los

datos reales y de los estimados, éstos últimos se
presentan como una función en línea continua.
42

43
Código Matlab EjemploModelado
# 2 de Procesos
u=[0 1 1 1 1 1 1]; u1=[1 1 1 1 1 1 1];
y=[0 0.73 1.26 1.55 1.73 1.84 n=[th(3) th(4)];
1.91]; d=[1 th(1) th(2)];
t=[0 1 2 3 4 5 6]; printsys(n,d,'z')
r=[t',y']; y1=dlsim(n,d,u1);
n=2; lamda=1; p=1000*eye(2*n); subplot(211)
th=[zeros(1,2*n)]'; plot(t,y1,'LineWidth',2)
phit=[-y(n) -y(n-1) u(n) u(n-1)]; hold
for k=n+1:length(y) plot(t,y,'r*','LineWidth',2)
l=(p*phit')/(lamda+phit*p*phit'); Grid
e=y(k)-phit*th;
th=th+l*e;
p=(1/lamda)*(eye(2*n)-l*phit)*p;
phit=[-y(k) -y(k-1) u(k) u(k-1)];
end
43
44
Propuestos (1/2) Modelado de Procesos
Problema 1: Los datos que se dan a continuación

corresponden a la respuesta en grados centígrados de la
temperatura del agua de un intercambiador de calor al
variar la apertura de la válvula (AV) de control del flujo de
vapor del 30% al 40%. La temperatura (T) se midió con un
termómetro calibrado de 0°C a 100°C. Utilice el método de
los mínimos cuadrados no recursivo y obtenga el modelo
matemático del intercambiador. Aproxime el modelo a un
sistema de segundo orden.
t=[0 30 60 90 120 150 180];
AV=[30 40 40 40 40 40 40];
T=[20 45.9 56.9 61.5 63.5 64.4 64.6];
44

45
Propuestos (2/2) Modelado de Procesos
Problema 2: Cierta planta se puede modelar como un

sistema de primer orden con función de transferencia de
pulso dado por:
.(-) 0. 2345
, - = = 9 = 0. 7:
/(-) - − 0. 6768
(a) Obtenga la salida y(kT) del sistema cuando u t = 1.

(b) Con los datos obtenidos en la parte (a) y utilizando el
método de los mínimos cuadrados recursivos.
Aproxime el sistema a un modelo de segundo orden.
(c) Obtenga la salida y(kT) del modelo obtenido con
u t = 1 y compárela con el modelo original. ¿Qué
conclusiones puede sacar al respecto?
45

Identificación ISCA & Electronics
Identificación de Sistemas en
Tiempo Discreto
Ricardo Rodríguez Bustinza
robust@uni.edu.pe
2016
En esta presentación vamos a explorar,...
Adquisición de Datos
Generalidades Identificación de Sistemas
Obteniendo Modelos Paramétricos
Ing. Ricardo Rodríguez Bustinza 1

Adquisición de Datos
Señales en la adquisición de datos,...

Tipo de señal que necesito medir o generar,...

Señal Analógica
Cambia continuamente en el tiempo

Generalmente se mide en voltaje (o corriente) desde los canales de
entrada análoga AI
Eventualmente una señal se
genera en forma virtual por el
canal de salida análogo AO
Señal Digital
Señales eléctricas que trasmiten

datos digitales (on/off, high/low)
Se usan para medir o controlar
dispositivos de estado finito
como son los DIOs (interruptores
o LEDs)
Contador
Dispositivos digitales usados para contar eventos,
mediciones de frecuencia o periodo, posición y generación
de pulsos
Se requiere de un acondicionador de señal,...
Algunos dispositivos generan señales muy difíciles para

medir directamente desde un dispositivo DAQ
Tipos de acondicionamiento mas usuales
Amplificación
Filtro
Linealización,...
Termistor NTC
Sensor de Luz
Sensor de Temperatura
Sensor de Presión, etc

Que tan rápido requiero medir o generar,...

Una señal analógica es continua
en el tiempo.
Una señal muestreada es una

serie de datos discretos
adquiridas a una tasa especifica.
Mientas mas alta sea la

velocidad, de muestreo mas se
parecerá a la señal original.
Si no se adquiere a suficiente
velocidad, se produce un
fenómeno conocido como
Aliasing, fenómeno no deseable
en la adquisición.
Cambio mas pequeño que deseo detectar,...

El cambio mas pequeño a detectar depende del número de
bits que maneje el Convertidor A/D. A esto se le conoce
como la resolución del dispositivo físico.
ΔV
Vanalogo = (Dato Digital) * − desfase
2n
Proyección del error en

la cuantización.

Escoger el tipo de bus,...

USB para interconectar fácilmente a cualquier PC o
Laptop
Canales físicos AI en DAQ Assistant,...

Configurando DAQ Assistant,...
Performance de la Adquisición,...

Generalidades Identificación de Sistemas
Que es identificar modelos,...

Por identificación se entiende la obtención Esquema del algoritmo recursivo
de un modelo dinámico en forma
experimental tal que permita representar al
sistema real.
Requerimientos para identificar modelos
Toma de datos experimentales

Análisis y tratamiento de datos
Selección del tipo de modelo
Estimación de parámetros
Validación del modelo

Vector de datos y parámetros,…
Ecuación en diferencias del proceso.
⋯ ⋯
Vector de Datos (Ψ).
… …
Vector de Parámetros (Θ).
… …
Algoritmo Recursivo de Mínimos Cuadrados,...
El método RLS minimiza: Es el vector

estimado de
Algoritmo unificado.

Ganancia del
Estimador
Predicción de
error
Matriz de
covarianza Factor de
olvido

Que son los modelos paramétricos,...
"
! #
ARX (AutoRegresive model with eXternal input), donde AR

refiere a la parte autoregresiva A q y t y X a la entrada
extra B q u t n+ (llamada variable exógena).
El término de ruido blanco, e t acá ingresa como un

error directo en la ecuación en diferencias dada, a
menudo es llamada ecuación del modelo de error.
Un modelo ARX,...
Considere una función de transferencia de un sistema de primer orden en donde no
hay retardo. Se desea determinar de forma automática el conjunto de órdenes del
modelo ARX, n- , n. y n+ que minimizan el error cuadrático.
0 2
/ 2/
1 0 2
1/ 2
De lo descrito en la ecuación anterior, la función de transferencia es:
0
= =6 >?
=6 1 1
Según el modelo ARX: A q 1 a5 q65 B q b5 b8 q65
T KT
a a5 1 b b8 b5 0
τ τ
Para el retardo:
A = =6 n+ 1 θ Si el retardo es cero, entonces nk 1

=6

VI para identificar modelos,...
Obteniendo Modelos Paramétricos

Un modelo ARMAX (planta perturbación),...

Este es el modelo utilizado para representar el efecto de ambos y los desórdenes
de la producción de la planta. ARMAX significa proceso ARMA de entrada con
exógenos (externos), que en nuestro caso es u (t). La generación del proceso se
ilustra en la ARMAX.
en la que el primer término representa el

efecto del control y el segundo término el
efecto de la perturbación. Multiplicando
ambos lados por A(q-1) Se obtiene
Un modelo ARMAX (ecuación general),...

en la que el primer término representa el
efecto del control y el segundo término el
efecto de la perturbación. Multiplicando
ambos lados por A(q-1) Se obtiene
La pregunta que pueda surgir preocupaciones la presencia del denominador A(q-1),

ambos en la función de transferencia de la planta y en la función de transferencia
del generador Filtro de la perturbación. ¿Es esta una pérdida de generalidad como
en comparación con el caso en que los dos denominadores diferentes, como se
muestra en la figura. En este caso, salida y(t) viene dada por

Un modelo ARMAX (dos polos diferentes),...
La pregunta que pueda surgir

preocupaciones la presencia del
denominador A(q-1), ambos en la
función de transferencia de la planta y
en la función de transferencia del
generador Filtro de la perturbación. ¿Es
esta una pérdida de generalidad como
en comparación con el caso en que los
dos denominadores diferentes, como se
muestra en la figura. En este caso, salida
y(t) viene dada por
Diagramas de estimación,...

Modelos desde los experimentos (black box),...
u K y
P5 s
s+p
u y
F5 s + F8
P8 s =
G 8 + H5 s + H8

Tema 3
Métodos de estimación paramétricos y selección del
modelo
3.1 Introducción
En este tema nos dedicaremos al estudio de los métodos de estimación de parámetros en el
dominio temporal y frecuencial. Estos se basan en el supuesto de que el sistema pueda
representarse por una parte determinista o causal y una parte estocástica que engloba las
dinámicas no modelizables del sistema. En general se asume que la parte estocástica puede ser
representada por una variable Gausiana.
Los métodos de estimación en el dominio temporal que se estudian, tienen la particularidad de

que a partir de ellos se estiman modelos discretos (dominio-Z). Consecuentemente, en el caso
de desearse un modelo continuo (dominio-S o ecuación diferencial) del sistema será necesario
convertir el modelo discreto a continuo. Ello no presenta problemas cuando el sistema
presenta un mantenedor de orden cero. Contrariamente, utilizando técnicas frecuanciales
podremos estimar modelos tanto continuos como discretos. La comparación entre ambos
modelos se muestra en la siguiente tabla.
Tabla 3.1. Comparación de modelos de sistemas

Métodos frecuenciales Métodos temporales
Función de transferencia en el dominio s y z Función de transferencia en el dominio z
Ruido aditivo en la entrada y en la salida Ruido aditivo al modelo
Modelo no paramétrico del ruido Modelo paramétrico del ruido
Retardo fraccional Retardo es un múltiplo entero de Ts
Sistemas SISO Sistemas MISO
Los métodos de estimación frecuenciales tienen diferentes ventajas y desventajas con respeto
a los métodos temporales. Los ingenieros muchas veces prefieren la descripción en el dominio
frecuencial por las siguientes razones [Kollár94]:
• Mientras que la solución de una ecuación diferencial necesita la convolución en el
dominio del tiempo, esta convolución se sustituye por una simple multiplicación en el
dominio de la frecuencia.
• A menudo es posible descomponer la señal / ruido en diferentes bandas frecuenciales.
• Con la selección adecuada de los coeficientes de Fourier en una banda de frecuencias
adecuada, es posible reducir el número de datos.
• Es posible obtener un modelo continuo a partir de los datos.
• Pequeñas no linealidades pueden ser fácilmente mensurables y detectables en el dominio
de la frecuencia.
Por otro lado, trabajar en el dominio del tiempo tiene ventajas [Ljung91]:
• Es más natural trabajar con señales en el dominio temporal.
• Son métodos menos sensibles al tipo de señal de excitación, los técnicas frecuenciales
presentan problemas cuando estas no son periódicas.
3-1
• Ciertas no linealidades son más fáciles de detectar, como es el caso de las saturaciones.
• Pueden ser utilizados de forma recursiva.
• Permiten medir directamente los transitorios del sistema.
En general, la base de todos los métodos de estimación consiste en minimizar unos residuos
ε(t), definiendo ε(t) como la diferencia entre el valor deseado de la salida, y(t), y el valor de
predicción, y$ (t ) , que es función del modelo estimado. La minimización se realiza
generalmente utilizando un criterio cuadrático. La metodología de cálculo a utilizar dependerá
de la relación entre ε(t) y los parámetros que se quieren estimar. Cuando la relación sea lineal
se podrá utilizar un método de cálculo analítico, mientras que en el caso de una relación no
lineal, el método de cálculo a utilizar será iterativo.
Se debe decir que los modelos estimados, tanto en el dominio temporal como frecuencial,
serán modelos con dinámicas lineales. En la tabla 3.1 se muestran más claramente estos
conceptos.
Tabla 3.2. Clarificación del término linealidad.
ERROR
DINÁMICA PROCESO
lineal… no-lineal …
… respecto al coeficiente a$
ε = y−w
Lineal y '+ ay = u ε = y '+ ay
$ −u
w' +aw
$ =u
ε = y− w
No-lineal y'+ay 3 = u ε = y '+ay
$ 3 −u
w'+aw
$ 3=u
3.2 Los modelos y los métodos de estimación paramétricos

discretos
3.2.1 Estructura de los modelos lineales discretos

Los métodos de estimación paramétricos están muy relacionados con el modelo utilizado. La
forma general de representar la estructura de un modelo discreto es, según [Ljung87]:
y (t ) = G ( q − 1 )u ( t ) + H ( q −1 ) e( t ) (3.1)
Los errores de modelización se incluyen, a diferencia de otros métodos de estimación, en el

término e(t). A este término se le asocia una serie de variables Random independientes
uniformemente distribuida de media nula (ruido blanco). G(q-1 ) i H(q-1 ) son filtros de orden
finito que modelizan la parte determinista y la parte estocástica respectivamente.
Una característica diferencial de las distintas estructuras derivadas de la ecuación general

(3.1), es la forma de modelizar la parte estocástica o ruido. Por este motivo los modelos se
han agrupado en dos bloques:
3-2
- Modelos en que H(q-1 )=0
a) Modelos de media ajustada, MA:
y( t ) = B (q −1 ) u( t − nk ) + e( t ) (3.2)
−1 −1
donde: G ( q ) = B( q ) , nk representa el retardo puro del proceso y B(q ) es un polinomio de
-1
grado nb que tiene la forma:
B ( q − 1 ) = b0 + b1 q − 1 + L+ bnb q − nb (3.3)
Se les denomina también modelos de respuesta impulso finito (FIR). Tienen el inconveniente
que, para representar el comportamiento de un proceso, es necesario gran número de
coeficientes.
b) Modelos de error de salida, OE:
B (q − 1 )
y( t ) = u( t − nk ) + e( t ) (3.4)
F ( q −1 )
B ( q −1 ) − nk
en este caso: G (q −1 ) = q , y F(q-1 ) es un polinomio autoregresivo de orden nf:
F (q −1 )
F ( q −1 ) = 1 + f 1q −1 +L+ f nf q − nf (3.5)
- Modelos en que H(q-1 )≠ 0
c) Modelos autoregresivos con variables exógenas, ARX:
A( q −1 ) y (t ) = B( q −1 )u (t − nk ) + e ( t ) (3.6)
en este modelo se considera que la parte determinista y la parte estocástica tienen el mismo
denominador:
B( q − 1 ) − nk
G( q − 1 ) = q
A(q −1 )
(3.7)
−1
1
H (q ) =
A( q −1 )
El polinomio A(q-1 ) es el polinomio autoregresivo de orden na:
A ( q −1 ) = 1 + a 1q − 1 +L + a n a q − na (3.8)
d) Modelos autoregresivos de media móvil y variables exógenas, ARMAX:
A( q −1 ) y (t ) = B( q −1 )u (t − nk ) + C ( q −1 ) e(t ) (3.9)
Al igual que en c), G( q −1 ) i H( q − 1 ) , tienen el mismo denominador:
3-3
B( q −1 ) − nk
−1
G (q ) = q
A(q −1 )
(3.10)
C( q −1 )
−1
H (q ) =
A( q −1 )
y C(q-1 ) es un polinomio parecido a (3.8) de orden nc.
e) Otros modelos del termino error son:
1
A( q −1 ) y ( t ) = q − nk B ( q −1 )u (t ) + e (t ) (3.11)
D (q −1 )
siendo D(q-1 ) un polinomio autoregresivo de orden nd. A este modelo se le denomina

ARARX.
Un modelo más general es la estructura ARARMAX:
C( q −1 )
A( q −1 ) y ( t ) = q − nk B ( q −1 )u (t ) + e (t ) (3.12)
D (q −1 )
f) Modelo Box-Jenkins, BJ:
B( q −1 ) C (q −1 )
y( t ) = q − nk u ( t ) + e (t ) (3.13)
F (q − 1 ) D( q −1 )
Una propiedad particular de esta estructura es que G(q-1 ) y H(q-1 ) no tienen parámetros
comunes.
- Resumen de los distintos tipos de modelos
Toda esta familia de modelos se puede representar por el modelo general (3.14)
esquematizado en la figura 3.1.
−1 − nk
B( q −1 ) C( q −1 )
A( q ) y ( t ) = q u (t ) + e (t ) (3.14)
F ( q −1 ) D (q −1 )
e(t)
C (q −1 )
D(q− 1 )
u(t) +
B ( q −1 ) 1 y(t)
q − nk
F ( q −1 ) + A(q −1 )
Figura 3.1. Esquema de bloques del modelo general (3.14)
3-4
Esta estructura es muy general, pero es útil para elaborar algoritmos ya que sus resultados
cubren todos los casos especiales. La relación entre modelos y los casos particulares se
exponen en la tabla 3.3.
Tabla 3.3. Relación entre el modelo general y los casos especiales.
Polinomios utilizados de (3.14) Nombre de la estructura del modelo

B FIR
AB ARX
ABC ARMAX
ABD ARARX
ABCD ARARMAX
BF OE
BFCD BJ
3.2.2 Objetivos de los métodos de estimación paramétricos

Los métodos de estimación paramétricos tienen por objetivo estimar los parámetros de los
polinomios: A, B, C, D y/o F según el modelo considerado, de forma que el error de
predicción sea mínimo.
En el caso de la ecuación general (3.14) el error de modelización o residuos se determina a

partir de la ecuación (3.15).
D( q −1 )  −1
−1
− nk B( q )

ε( t ) = y (t ) − y$ ( t ) = −1
 A ( q ) y ( t ) − q −1
u (t ) (3.15)
C( q )  F (q ) 
La ecuación de los residuos (3.15) se puede evaluar considerando dos términos:
• Modelización de la parte determinista. Se observa que hay una relación lineal entre el
error de predicción y los coeficientes de los polinomios A y B, mientras que respecto a los
coeficientes del polinomio F la relación es no lineal. Este hecho comporta que, para
estimar los parámetros del polinomio F, se debe utilizar un método de cálculo iterativo,
mientras que si solo es necesario estimar los parámetros de los polinomios A y B, los
métodos de cálculo a utilizar son analíticos y, por tanto, más sencillos.
• Modelización de la parte estocástica. Los errores de modelización ε(t) no son conocidos

y la relación que hay entre los coeficientes y los residuos no es lineal. Consecuentemente,
se deben estimar los valores de ε(t) al mismo tiempo que los valores de los parámetros de
los polinomios. En este caso, por lo tanto, los métodos de cálculo serán iterativos.
3.3 Método de estimación por mínimos cuadrados (LS)
3.3.1 Descripción del método de mínimos cuadrados

El método LS estima modelos de estructura ARX (3.6). Estos modelos se pueden representar
por la ecuación:
3-5
y ( t ) = ϕ T ( t )θ + v( t ) (3.16)
siendo: y(t) es el valor de la salida en el instante t, ϕ(t) es el vector regresor o información, y

θ es el vector de parámetros.
ϕ ( t ) = [ − y ( t − 1) L − y ( t − na ) u( t − nk − 1) L u( t − nb − nk )]
T
(3.17)
θ = [ a1 L a na b1 L bnb ]
El problema a resolver consiste en estimar el vector de parámetros, θ$ , partiendo de las N
observaciones realizadas: y(1), ϕ(1),...,y(N),ϕ(N).
De la ecuación (3.16) se deducen un conjunto de ecuaciones lineales:

y (1) = ϕ T (1)θ$
y ( 2 ) = ϕ T ( 2)θ$
(3.18)
M
y ( N ) = ϕ T ( N )θ$
que pueden ser escritas en forma matricial según:

Y = Φθ$ (3.19)
siendo: Y un vector de dimensión N, Y = [ y (1) y ( 2) L y ( N ) ] ; y Φ una matriz de dimensión

T
d/N, Φ = [ ϕ (1)ϕ ( 2) L ϕ ( N )] .
T
El error de modelización o residuo se define como:

ε = Y − Φ θ$ (3.20)
con ε=(ε(1)...ε(N))T.
La estimación por mínimos cuadrados (LS), consiste en minimizar la función residuo, V (θ$ ) ,
definida por la ecuación (3.21).
1 N 2 1 T 1
V (θ ) = ∑ ε (t ) = ε ε = ε
2
ˆ (3.21)
2 t =1 2 2
Sustituyendo la ecuación (3.20) en (3.21), se obtiene que la función a minimizar es:
θˆ
1
2
[
min V (θ ) = V (θˆ ) = Y T Y − Y T Φ θ − θ T Φ T Y + θ T Φ T Φθ ] (3.22)
La derivada de la función (3.22) respecto a los parámetros debe ser nula. Deduciéndose que el
valor de los parámetros que minimiza V (θ$ ) es:
( )
−1
θ$ = Φ T Φ Φ TY (3.23)
La ecuación anterior se puede escribir como un producto de sumas finitas:
3-6
−1
N  N 
θ$ =  ∑ ϕ ( t )ϕ( t )T  ∑ ϕ( t ) y( t ) (3.24)
 t =1   t =1 
de la cual, conocido el orden del modelo: na, nb y nk, es fácilmente calculable el valor de sus
parámetros.
• Se debe tener en cuenta que la ecuación planteada tiene solución si la matriz Φ T Φ es

definida positiva o, equivalentemente sí el rango Φ ≥ n. En caso contrario la ecuación tiene
infinitas soluciones. El requisito necesario para garantizar una solución única de la
ecuación (3.23) es que la señal de excitación sea persistentemente excitada de orden
mayor que d [Söderström89].
3.3.2 Propiedades del método LS

Las propiedades estadísticas de este método demuestran que dadas unos datos que satisfacen
la ecuación (3.25)
y( t ) = ϕ T ( t )θ 0 + e( t ) (3.25)
donde θ0 es el vector de parámetros verdadero y asumiendo que e(t) es un ruido blanco de

media cero y variancia λ2 :
(i) θ$ converge a θ 0 cuando N tiende a infinito

(ii) la variable Random N ( θ$ − θ 0 ) se comporta como una distribución normal de
media cero y covariancia PLS
PLS = λ$2 ( φ T φ )
−1
(3.26)
(iii) un estimador de λ es:
2
λ$2 =
2V θ$ () (3.27)
N−d
tal y como se demuestra en [Söderström89].
• Resaltar como principal ventaja de este método que la conversión a un mínimo global está
garantizada y no existen mínimos locales.
• Y como inconveniente resaltar que sí la perturbación v(t) no es un ruido blanco y la

relación señal útil/señal ruido es importante, la conversión al valor real de θ0 no está
garantizada. Este hecho limita su utilización como método general de estimación.
3.3.3 Solución de LS utilizando la ecuación normal

La estimación de los parámetros por el método LS se realiza a partir de la ecuación (3.24),
conocida con el nombre de ecuación normal.
( )
−1
θ$ = Φ T Φ Φ TY
3-7
• Resaltar como ventaja que la resolución directa de esta ecuación es sencilla y que los
cálculos algebraicos a realizar son sencillos.
• Presenta el inconveniente que la matriz Φ TΦ puede estar mal condicionada,

particularmente si es de gran dimensión, lo cual comporta errores numéricos importantes
en la resolución de la ecuación (3.23). Es por este motivo que diferentes investigadores han
presentado alternativas para resolver esta ecuación, una de ellas es por triangulación
ortonormal.
3.3.4 Solución de LS por triangulación ortonormal

La triangulación ortonormal o transformación QR es una de les alternativas numéricas
desarrolladas para resolver la ecuación lineal (3.19) y evitar los errores generados por el mal
acondicionamiento de la matriz Φ TΦ [Ljung87].
Consiste en multiplicar el sistema de ecuaciones original (4.19) por una matriz ortonormal Q:
QΦθ = QY (3.28)
En estas condiciones, la norma de la función error no de ve afectada por la transformación

aplicada, ya que si Q es ortonormal: QQT = I, por tanto:
QY − QΦθ = Q (Y − Φθ ) = (Y − Φθ ) Q T Q (Y − Φθ )
2 2 T
(3.29)
= (Y − Φθ ) (Y − Φθ ) = Y − Φθ
T 2
El objetivo es buscar una matriz ortonormal Q tal que:

R 
QΦ =   (3.30)
0
donde R es una matriz cuadrada de dimensión d/d triangular por encima. La ecuación (3.31)
se puede escribir como:
 R
Φ = QT   (3.32)
 0
A la ecuación (3.31) se la denomina factoritzación QR de Φ. Una posible forma de construir

la matriz Q es utilizando la transformación de Householder [Ljung87].
En estas condiciones, el segundo término de la ecuación (3.28), QY, se puede descomponer en

dos matrices:
L
QY =   (3.33)
M 
y consecuentemente calcular la función pérdida (3.21) como:
3-8
2
2 R  L 2
V (θ$) = QΦθ$ − QY =  θ$ −   = Rθ$ − L + M 2
(3.34)
 0  M
Es fácil ver que V (θ$ ) se minimiza por θ cuando:
Rθ$ = L (3.35)
y se obtiene que el mínimo de la función pérdida vale:
(θ ) = M = MTM
2
minV
$
(3.36)
θ
• Como ventajas de esta metodología de cálculo mencionar:
1- el sistema lineal (3.35) está mejor condicionado que la ecuación (3.23) y por tanto es
numéricamente superior
2- la función pérdida se calcula sin la necesidad de estimar el valor de sus parámetros.
• Como inconvenientes destacar que requiere el doble de cálculo que el método directo.
3.4 Método de mínimos cuadrados generalizado (GLS)

El método de mínimos cuadrados presenta como principal inconveniente la no-convergencia
del algoritmo cuando el ruido presente en el proceso no es blanco. Una posible forma de
solucionar el problema es utilizando el método de mínimos cuadrados generalizado el cual es
una extensión del método LS [Åström 71], [Zhu93].
Al considerar un modelo de tipo:
A( q −1 ) y (t ) = B( q − 1 )u (t − nk ) + H ( q −1 )e (t ) (3.37)
Sí la función de transferencia discreta del ruido, H(q-1 ), es conocida, el modelo puede

transformarse de la forma:
A( q −1 ) ~
y (t ) = B( q −1 )u~(t − nk ) + e( t ) (3.38)
donde:
~y (t ) = 1 y (t )
G( q −1 )
1
u~(t ) = u (t )
G (q −1 )
Con estas nuevas señales filtradas de la entrada y la salida, el problema podría ser resuelto
aplicando el método clásico de LS. Por lo tanto el método GLS puede interpretarse como un
problema de estimación de LS aplicando como criterio la generalización del error.
El problema que se plantea en la utilización de este método es que la función de transferencia

H(q-1 ) no es conocida. Para solucionar este problema se requiere un proceso iterativo en
cuatro etapas el cual consiste en:
3-9
(1) Con el método LS, hacer una primera estimación de los polinomios A(q-1 ) y B(q-1 ):
A( q −1 ) y (t ) = B( q −1 )u (t − nk ) + v (t ) (3.39)
(2) Analizar el residuo, ε(t), y determinar por ejemplo un modelo AR para aproximar H(q-1 ).
En este caso se tiene un modelo denominado ARARX (3.11).
1
G( q −1 ) =
D( q −1 ) (3.40)
D( q −1 )ε ( t ) = e (t )
La estimación de D(q-1 ) requiere otra vez la utilización del método LS
(3) Filtrar (blanquear) la entrada y la salida usando el modelo obtenido en la etapa (2):
~y (t ) = D (q −1 ) y( t )
(3.41)
u~(t ) = D( q −1 ) u( t )
(4) Hacer una nueva estimación por mínimos cuadrados utilizando los señales filtrados.
Este proceso debe repetirse, a partir de la etapa (2), tantas veces como sea necesario hasta
conseguir la convergencia.
La convergencia del método se evalúa comprobando que los residuos definidos obtenidos
sean blancos. Para ello puede utilizarse el test de auto correlación. Para utilizarse este método
deben definirse tanto el orden de la parte determinista como el orden de la parte estocástica.
Para simplificar el problema, la mayoría de las veces se considera que son del mismo orden.
3.5 Método de la variable instrumento
3.5.1 Descripción del método de la variable instrumento

El método de la variable instrumento (IV) tiene como objetivo aprovechar las ventajas del
método LS y superar sus limitaciones. Tiene el inconveniente que para su utilización es
necesario definir una nueva variable llamada instrumento.
El planteamiento de este método es muy sencillo. Consiste en multiplicar la ecuación (3.15)

por un vector instrumento z(t)
z ( t ) y (t ) = z ( t )ϕ T ( t )θ + z ( t ) v (t ) (3.42)
que se debe caracterizar por ser independiente del ruido v(t), pero dependiente de la entrada y
la salida del sistema. Esta propiedad permite plantear el siguiente sistema de ecuaciones
lineales:
[
z( t )ε ( t ) = z( t ) y (t ) − ϕ T ( t )θ$ ] (3.43)
3-10
El vector de parámetros que minimiza la función pérdida (3.22) vale, en este caso:
( )
−1
θ$ = Z T Φ ZTY (3.44)
donde Z es una matriz de la misma dimensión que Φ.
Para que θ$ converja a θ0 es necesario que la variable instrumento tenga como propiedades:
1 N
∑
N t=1
z ( t )ϕ T ( t ) sea singular
(3.45)
1 N
∑ z (t)v(t ) = 0
N t=1
En otras palabras, es necesario que la variable instrumento sea fuertemente dependiente del
vector regresión, ϕ(t), pero sea independiente del ruido.
Este método, al igual que LS, presenta el inconveniente de que la matriz ZTΦ puede estar mal
condicionada cuando su dimensión es grande. Por este motivo puede utilizarse la
triangulación ortonormal para calcular el valor de los parámetros.
Si se considera un modelo con una estructura ARMAX, una forma de garantizar las
condiciones (3.45) es considerando un vector instrumento definido por:
z( t ) = L( q −1 )[ − x ( t − 1) − x (t − 2) L - x( t - na ) u( t − 1) L u( t - nb) ]
T
(3.46)
donde L es un filtro lineal y x(t) se genera a partir del sistema lineal:
N ( q −1 ) x ( t ) = M ( q − 1 ) u( t ) (3.47)
El problema consiste en determinar el filtro, L, y el modelo lineal, N(q-1 ) y M(q-1 ). Una forma
sencilla seria:
(1) Aplicar LS
(2) Utilizar el modelo estimado como polinomios N y M, y determinar x(t) con (3.47)
(3) Considerando L=1, definir z(t) según (3.46) y estimar el vector de parámetros a partir de la
ecuación (3.44).
3.5.2 Método IV óptimo propuesto por Ljung

El método de la variable instrumento óptimo propuesto por Ljung [Ljung87], también
denominado variable instrumento en cuatro etapas, genera el instrumento, z(t), y el filtro, L,
estimando al mismo tiempo la función de transferencia de la parte determinista y estocástica.
Este cálculo se realiza en cuatro etapas:
(1). Considera la estructura del modelo como un modelo ARX:
y$ ( t / θ ) = ϕ T ( t)θ$ (3.48)
3-11
y se utiliza LS para estimar θ. A los parámetros estimados se les denomina θ$ (N1) . A partir
de los parámetros se obtiene la función de transferencia (3.49), donde los subíndices
indican las iteraciones realizadas.
B$ ( 1) ( q)
G$ N(1) ( q ) = $ N( 1) (3.49)
AN ( q )
(2) Con la función de transferencia estimada y considerando L=1, se genera el vector

instrumento, z(1)(t), según se ha descrito en (4.46);
x (1) ( t ) = G$ N(1) (q −1 ) u( t )
(3.50)
z (1) ( t ) = [ − x (1) ( t − 1) K − x (1) ( t − na ) u (t − 1) K u( t − nb)]
T
La ecuación (3.44) permite estimar un nuevo valor para los parámetros, y obtener la
correspondiente función de transferencia, G$ (N2 ) .
(3) Los nuevos polinomios, A$ N( 2) i B$ N( 2 ) , obtenidos de la función de transferencia G$ (N2 ) , sirven

para estimar la parte estocástica del proceso:
v$ N( 2) (t ) = A$ (N2) y (t ) − B$ N( 2) u( t ) (3.51)
Considerando que el ruido se comporta como un modelo auto regresivo (AR) de orden d,
se estima, con el método LS, el filtro L$ ( q −1 ) :
L$ ( q − 1 ) v$ (N2 ) ( t ) = e (t ) (3.52)
(4) De la misma forma que en (3.50), se calcula de nuevo x (2)(t) pero considerando la función
de transferencia G$ (N2 ) . El vector instrumento óptimo viene dado por (3.53).
z (2 ) (t ) = L$ N ( q −1 )[ − x ( 2) ( t − 1) K − x ( 2) ( t − na ) u( t − 1) K u( t − nb) ]
T
(3.53)
Este nuevo instrumento junto con los filtros sirven para estimar el valor final de los
parámetros:
−1 N
 N ( 2) 
θ N =  ∑ z ( t )ϕ FT 
$ ∑z ( 2)
( t ) y F (t )
 t= 1  t =1 (3.54)
ϕ F ( t ) = L$ N ( q −1 )ϕ (t ), y F ( t ) = L$ N ( q −1 ) y ( t )
Las propiedades estadísticas de este método demuestran que la variable Random N ( θ$ − θ 0 )

tiende a una distribución Normal de media cero y variancia PIV:
3-12
−1
1 $  N ( 2 )  N ( 2)  T 
P = λN  ∑ z ( t ) ∑ z (t )  
N IV  t =1 t =1 
(3.55)
λ$N = ∑ [ y F ( t ) − ϕ FT ( t )θ$N ]
1 N 2
N t =1
3.5.3 Solución de la estimación IV por triangulación ortogonal

Al igual que LS se genera una matriz ortogonal Q que se debe caracterizar porqué el producto
QZ sea triangular por encima. Con esta propiedad la ecuación (3.44) será:
Z T Y = ( QZ ) QΦθ$
T
(3.56)
Al descomponer la matriz Q en:
 Q1 
Q= 
 Q2 
donde Q1 es una matriz cuadrada N/N. Puede definirse una matriz cuadrada y triangular por
encima Z1 = Q1 Z. Si se define la matriz Φ 1 = Q1 Φ y ya que Q2 Z = 0, la ecuación (3.56) queda
transformada en:
Z T Y = Z1TΦ1θ$ (3.57)
En (4.58) se demuestra que Z1 es la raíz cuadrada de ZT Z
Z T Z = ( QZ ) QZ = Z1T Z1 + [ Q2 Z] Q2 Z = Z1T Z1
T T
(3.58)
y por tanto, la ecuación (4.56) se puede escribir como:

Q Y = Φ θ$
1 1 (3.59)
El error de modelización vendrá dado en este caso por el producto Q2 Y y la función pérdida
queda definida como:
minV
$ θ
(θ ) = Q2 Y
2
= ( Q2 Y ) T
Q2 Y (3.60)
• Cabe resaltar como ventaja de esta metodología de cálculo dos aspectos: que el sistema
lineal (3.59) está mejor condicionado que la ecuación (3.44) y por tanto es numéricamente
superior y que la función pérdida se calcula sin la necesidad de estimar el valor de sus
parámetros.
• Como inconvenientes debe destacase que requiere el doble de cálculo que el método
directo y complica mucho el método IV óptimo.
3.5.4 Método de la máxima probabilidad

El método de la máxima probabilidad (ML) es uno de los métodos más generales para la
estimación de parámetros. La idea básica consiste en construir una función, denominada
función de probabilidad, que relacione los datos con los parámetros no conocidos. La
estimación consiste en determinar el valor de los parámetros cuyo valor maximice la función.
La función de probabilidad consiste básicamente en la función de densidad de probabilidad de
3-13
las observaciones. La estimación de la máxima probabilidad significa que se selecciona el
valor de los parámetros que coinciden más probablemente con las observaciones.
Supongamos que las observaciones están representadas por un vector de variables Random
Y=[y1 , y2 , ..., yn ]T y indicamos la función de densidad de probabilidad como:
f(θ; y1 , y2 , ..., yn )=f y (θ; Y) (3.61)
La función de probabilidad de los valores observados puede expresarse como:
L(θ)=f y (θ;Y) (3.62)
La estimación sé obtiene como:
max L(θ ) = L(θˆ) (3.63)

θ
ˆ
El principio de máxima probabilidad es simple y se puede demostrar que converge

asintoticamente cuando N→∝ y la estimación es eficiente (variancia mínima)[Söderstrom89].
Si consideramos un modelo genérico dado por la ecuación (3.16) y considerando que v(t) es
una señal Gausiana, con una distribución normal y de N elementos, concretamente de media
E[v]=0 y covariancia E[vv T ]=Cv conocida. La función de probabilidad de esta señal viene dada
por la expresión:
[
f (v ) = (2π ) det (Cv )
N
]
−1 / 2  1 T −1 
exp  − v Cv v  (3.64)
 2 
En la cual al considerar el modelo (3.16) se obtiene:
[
f (v ) = (2π ) det (C v )
N
]
−1 / 2  1 T −1 
exp  − [Y − Φθ ] Cv [Y − Φ θ ] (3.65)
 2 
En la práctica la función evaluada es:
2
[
N
2
T
]
log L (θ ) = − log (2π ) det (Cv ) − [Y − Φθ ] Cv−1 [Y − Φ θ ]
1 1
(3.66)
Por lo tanto evaluando el máximo de esta función se estimará el valor de los parámetros θ. En
el caso en que el ruido corresponda a un ruido blanco con una matriz de covariancia Cv =σ2 I,
es fácil demostrar que la maximización de la función de máxima probabilidad (3.66) es
equivalente a minimizar la función pérdida:
V (θ ) =
1
[Y − Φθ ]T [Y − Φθ ] = −σ 2 log L(θ ) + constant (3.67)
2
Sí σ no es conocido, la maximización de la ecuación (3.66) con respecto a los parámetros y σ

debe realizarse separadamente. Para maximizar la ecuación (3.66) se debe recurrir a métodos
de cálculo numérico, como el método de Newton-Raphson.
3-14
Consideremos el caso de un sistema ARMAX (3.9) donde el ruido se supone que tiene una
distribución normal y una matriz de covariancia conocida. En este caso la función del
logaritmo de probabilidad será:
2
N
[
log L (θ ) = − log (2π ) det (Cv ) − ε T C v−1ε
1 1
2
] (3.68)
donde:
ε (t ) = y (t ) − ϕ T (t )θˆ ,
[
θ = a1 ,..., an , b1 ,...., bm , c1 ,..., c p ]
ϕ ( t) = [− y (t − 1),...,− y (t − n ), u (t − 1),...., u( t − m), v( t − 1),..., v (t − p) ] .
El problema en este caso es que v(t-1), ..., v(t-p) no son conocidos. Por lo tanto, en estas
circunstancias, la solución solo es posible haciendo soluciones aproximadas (método
iterativo) para conseguir a cada paso una mejor estimación de la matriz de covariancia y de
los parámetros. Para más detalles [Johansson93] y [Åström80].
3.6 Método de predicción de error
3.6.1 Formulación general del método de predicción de error

El método de predicción de error se basa de predecir el valor de la salida, y(t), en función de
los datos de entrada y salida al mismo y de un modelo estimado, de tal manera que se
minimice el error existente entre la variable predicha y su valor real.
Considerando la expresión lineal general de un sistema como en (3.16) y despreciando el

término ruido, la predicción de la salida en el instante t se obtiene:
yˆ (t ) = −a1 y( t − 1) − L − a n y( t − n) + b1u (t − 1) + L + bmu (t − m ) = ϕ T ( t )θˆ (3.69)
aquí la ecuación del residuo definida por la ecuación (3.15):
ε (t ) = y( t ) − yˆ (t t − 1;θ ) (3.70)
puede ser interpretada como un error de predicción donde la predicción a un paso yˆ (t t − 1; θ )

se basa en todas los datos disponibles hasta el instante t-1 y el vector de parámetros del
modelo θ.
Para la formalización del método se introduce la siguiente estructura general del modelo:
y (t ) = G( q −1 ; θ ) u( t ) + H ( q − 1; θ )v (t ) (3.71)
Asumiendo que G(0;θ)=0, equivale a decir que el modelo tiene como mínimo un retardo puro
de una muestra entre entrada y salida. La forma general de expresar un predictor consiste en:
yˆ (t | t − 1;θ ) = L1 ( q − 1; θ ) y (t ) + L2 ( q −1 ;θ )u (t ) (3.72)
3-15
la cual es una función de los datos anteriores, t-1, solo sí los filtros de predicción tienen como
restricción: L1 (0;θ)=0 y L2 (0;θ)=0.
Hay varias formas de escribir el modelo (3.71) y determinar el predictor. Una vez definido el
modelo y el predictor, se calculan los errores de predicción a partir de la ecuación (3.70). La
estimación de los parámetros, θˆ , se calcula de tal forma que los errores de predicción sean
pequeños. El principio básico de este método se ilustra en la figura 3.1.
v(t)
u(t) + y(t)
PROCESO
+
+ ε(t)
Predictor -
(parámetros θ)
Minimización
de ε(t)
Figura 3.1. Esquema del método de error de predicción
Para definir el método de predicción de error el usuario debe realizar las siguientes
elecciones:
(1) Elegir la estructura del modelo. Esto concierne a la parametrización de G(q;θ) y H(q;θ)
en (3.71) como una función de θ. Por razones algoritmicas, la función de transferencia se
factoriza en polinomios en el numerador y en el denominador. En el contexto de la
identificación, tal como se ha descrito en el apartado 3.2.1., hay distintos modelos de
parametrización: OEM, BJM, ...
(2) Elegir el predictor. Esto concierne a los filtros, L1 (q;θ) y L2 (q;θ) en la ecuación (3.72),
una vez el modelo ha sido especificado. Estos filtros pueden ser seleccionados de distintas
formas. La forma más utilizada es ‘optimal mean square predictor’. Esto significa que los
filtros son seleccionados de manera que bajo unas condiciones dadas del modelo los
errores de predicción tienen la menor variancia posible.
En el caso del modelo general considerado en (3.71), el predictor óptimo seria:
[ ]
)y (t θ ) = 1 − H −1 ( q −1 ;θ ) y (t ) + H −1 ( q −1 ;θ )G( q −1; θ )u (t ) (3.73)
El error de predicción se determina de forma similar:
[ ]
ε (t ) = y (t ) − )y (t θ ) = y (t ) − 1 − H −1 ( q −1 ; θ ) y (t ) + H −1 ( q −1 ; θ ) G( q −1 ; θ ) u( t ) (3.74)
(3) Elegir el criterio. Este se refiere a elegir una función que origine un valor escalar de todos
los errores de predicción ε(1,θ), ..., ε(N,θ). Este criterio será minimizado con respecto a θ
3-16
de manera que se realice la mejor predicción. En el caso de una salida el criterio (función
error) puede definirse como una suma de cuadrados del error de predicción, mientras que
en el caso de sistemas multi-variables como una proyección escalar de la matriz de
covariancia
1 N 
V (θ ) = h  ∑ ε (t ; θ )ε T (t ;θ )  (3.75)
 N t=1 
donde h() es una función de valor escalar y, generalmente, consiste en la traza de los pesos
de la matriz de covariaza o su determinante.
El análisis del método de predicción de error muestra que la función perdida converge a un
mínimo y la estimación es consistente cuando se satisfacen las siguientes condiciones:
• Los datos {u(t),y(t)} son del proceso en estado estacionario.

• La entrada es persistentemente excitada.
• La Hessiana V’’(θ) es no singular al menos alrededor del punto mínimo de V(θ).
• Los filtros G(q-1 ; θ) y H(q-1 ; θ) son funciones diferenciables del vector de parámetros θ.
En muchos casos el mínimo de V(θ) no puede ser hallado de forma analítica. En estos casos la
minimización debe realizarse utilizando una rutina de cálculo numérico. El método más
usualmente utilizado es el algoritmo de Newton-Raphson:
[ ( )] V ' (θˆ )
θˆ ( k +1) = θˆ ( k ) − α k V ' ' θˆ (k )
−1 (k) T
(3.76)
Aquí θˆ ( k ) indica la iteración k del cálculo numérico. La secuencia de escalares α k se utiliza

para controlar la longitud del paso. Estrictamente en el caso del algoritmo Newton-Rapson
α k =1, de todas formas en la práctica muchas veces es necesario utilizar un paso variable para
asegurar la convergencia del método.
3.7 Métodos recursivos para la estimación de parámetros

En los métodos de identificación recursivos, la estimación de los parámetros se calcula
recursivamente en tiempo. Esto significa que la estimación θˆ (t ) se calcula como una
modificación de la estimación θˆ (t − 1) utilizando las nuevas medidas de u(t) y y(t). Los
métodos recursivos para la estimación de parámetros han sido desarrollados para aplicaciones
de la identificación en tiempo real y su major campo de aplicación son sistema de control
adaptativos y diagnostico de fallos. Ello es debido a que estas aplicaciones requieren que las
acciones y evaluaciones utilizadas utilicen el modelo mas actualizado del sistema.
Los métodos de identificación recursivos tienen las siguientes características generales:
• Los modelos estimados con estos métodos se adaptan fácilmente a los sistemas variantes
en el tiempo. Ellos permiten que el modelo siga los cambios de parámetros del sistema o
cambios debidos a condiciones de operación en el caso de sistemas no lineales.
3-17
• Los requerimientos de memoria son reducidos y no aumentan en el tiempo, debido a que
no se almacenan todos los datos.
• Ellos se han derivado de una aproximación de los métodos no recursivos descritos
anteriormente.
3.7.1 Método de mínimos cuadrados recursivo
Para deducir el método de mínimos cuadrados recursivo (RLS) se parte de la ecuación (3.24)
−1
 t   t 
θˆ( t ) = ∑ ϕ (k )ϕ T ( k )  ∑ ϕ ( k ) y (k )  (3.77)
 k =1   k =1 
Para calcular esta expresión de forma recursiva se introduce como nueva notación:
−1
 t 
P(t ) = ∑ ϕ ( k )ϕ T ( k ) (3.78)
 k =1 
Esta suma puede descomponerse en el valor de P(t) y el valor de P(t-1):
P −1 (t ) = P −1 (t − 1) + ϕ ( k )ϕ T (k ) (3.79)
Con este cambio de variables, los parámetros pueden estimarse utilizando:
 t−1 
θ ( t ) = P( t ) ∑ ϕ (k ) y ( k ) + ϕ (t ) y (t ) 
ˆ
 k =1  (3.80)
[
= P( t ) P −1 (t )θˆ( t − 1) + ϕ (t ) y( t )]
Por lo tanto el método de mínimos cuadrados recursivos adopta la forma:
[
θˆ ( t ) = θˆ ( t − 1 ) + P( t )ϕ( k ) y( t ) − ϕ T ( k )θˆ ( t − 1 )] (3.81)
donde el último valor puede ser interpretado como el error de predicción, mientras que el
factor de corrección (P(t)ϕ(t)) puede ser considerado como un peso o factor de ganancia
determinado como el error de predicción modifica los elementos del vector de parámetros
estimado.
El hecho de calcular P(t) en la ecuación 3.79 requiere invertir una matriz a cada paso de
iteración. Utilizando el lema [A + BCD]−1 = A−1 − A −1 B[DA−1 B + C −1 ]−1 DA−1 y
−1
considerando A = P ( t − 1 ), B = D y C = 1 se obtiene una expresión más eficiente:
T
P( t ) = P( t − 1 ) + Kϕ T ( k ) P( t − 1 ) (3.82)
donde
[
K = P( t − 1 )ϕ( t ) / 1 + ϕ T ( k )P( t − 1 )ϕ ( t ) ] (3.83)
3-18
que da como resultado una ganancia. La expresión de mínimos cuadrados recursivos queda
por tanto:
[ ]
θˆ ( t ) = θˆ ( t − 1 ) + K ( t ) y( t ) − ϕ T ( k )θˆ ( t − 1 ) (3.84)
3.7.2 Valor inicial
Los algoritmos recursivos requieren aproximar el valor inicial del vector de parámetros y de
la matriz P(t). Si es posible realizar una primera estimación del vector de los parámetros (por
ejemplo utilizando LS norecursivo) los la matriz P(0) debe reflejar la confianza de los
parámetros estimados. En el caso en que P(0) sea pequeño K(t) será pequeño para los distintos
t y los parámetros estimados no variaran mucho del valor inicial. Mientras que, si P(0) es
grande la estimación de los parámetros variará rápidamente del valor inicial. En ausencia de
información previa para realizar una primera estimación de los parámetros, se acostumbra a
considerar: θˆ ( 0 ) = 0 y P( 0 ) = κI , donde κ es un número grande.
3.7.3 Factor de oblido
Muchas aplicaciones pueden considerarse como sistemas de parámetros variables. En ellos se

requiere que los parámetros de modelo estimado se vayan adaptando en función de los
cambios del sistema. Interesa en estos casos controlar el cómo las medidas antiguas o las
recientes afectan sobre la estimación de los parámetros o cómo de rápido son olvidadas las
medidas anteriores o antiguas.
Un método utilizado en estos casos es el factor de olvido λ que proporciona un decrecimiento

exponencial de los pesos. La función pérdida a minimizar adopta la expresión:
t
V ( θ ) = ∑ λt − k ε 2 ( k ) (3.85)
k =1
donde el valor recomendado de λ es un valor comprendido entre 0.90 y 0.995.
Por lo tanto el algoritmo de mínimos cuadrados recursivos con factor de olvido es:
[ ]
θˆ ( t ) = θˆ ( t − 1 ) + K ( t ) y( t ) − ϕ T ( k )θˆ ( t − 1 ) (3.86)
K = P( t − 1 )ϕ( t ) / [λ + ϕ ( k ) P( t − 1 )ϕ( t )]
T
(3.87)
P( t ) = [P( t − 1 ) + Kϕ ( k )P( t − 1 )] / λ
T
(4.88)
Para λ = 1 coincide con el método de mínimos cuadrados común.
3.7.4 Algoritmos de estimación de parámetros recursivos
En la bibliografía hay distintos algoritmos de estimación de parámetros recursivos, todos ellos

permiten estimar el valor de los parámetros del sistema en tiempo real. Una forma unificada
de representarlos es mediante las expresiones:
3-19
θˆ ( t ) = θˆ ( t − 1 ) + K ( t )ε ( t ) (3.89)
K = µ( t )P( t − 1 )ϕ ( t ) (3.90)
ε ( t ) = y( t ) − ψ T ( t )P( t − 1 )ϕ ( t ) (3.91)
En la siguiente tabla se observan los valores de los parámetros, vector de datos y vector de
corrección para el caso de los métodos: mínimos cuadrados (RLS), método de la variable
instrumento recurdivo (RIV) y el método de la máxima probabilidad recursivo (RML). En el
caso de incluirse el factor de olvido es necesario realizar las siguientes modificaciones:
(1) Reemplazar el 1 del denominador de µ(t) por λ.

(2) Dividir P(t) también por λ.
En Iserman (1991) se realiza una comparación entre estos tres métodos con respecto a las
características del estimador, su convergencia y el esfuerzo computacional. Las propiedades
de estos tres métodos se resumen a continuación:
RLS: Aplicable cuando la relación ruido/señal es pequeña. Esfuerzo computacional pequeño.
RIV: Tiene unas buenas prestaciones. Para acelerar la convergencia inicial se recomienda
empezar con RLS. Esfuerzo computacional mayor que RLS.
RML: Altas prestaciones del estimador. Lenta convergencia en la etapa inicial. Se estiman los
parámetros del ruido, pero la convergencia es lenta. El esfuerzo computacional es mayor que
en los otros dos.
Método RLS RIV RML

θ̂ [â L â b̂ L b̂ ] T
[â L â b̂ L b̂ ] T
[â L â b̂ L b̂
1 n 1 m
]
1 n 1 m 1 n 1 m
T
ĉ1 L ĉ p
ψ(t ) [− y( t − 1 )L − y( t − n ) [− y( t − 1 )L − y( t − n ) [− y( t − 1 )L − y( t − n )
u ( t − 1 ) L u ( t − m )] u ( t − 1 ) L u ( t − m )] u ( t − 1 )L u ( t − m )
T T
ε ( t − 1 )L ε ( t − p )]
T
µ( t ) 1 1 1
1 + ψ ( t )P( t − 1 )ψ ( t ) 1 + ψ ( t ) P( t − 1 )ϕ ( t ) 1 + ψ ( t ) P( t − 1 )ϕ ( t )
T T T
P(t) [ ] [ ] [
I − K ( t )ψ T ( t ) P ( t − 1 ) I − K ( t )ψ T ( t ) P ( t − 1 ) I − K ( t )ψ T ( t ) P ( t − 1 ) ]
ϕ(t) ψ(t ) [
[− η ( t − 1 )L − η ( t − n ) − y' ( t − 1 )L − y' ( t − n )
u ( t − 1 )L u( t − m )] u ' ( t − 1 )L u ' ( t − m )
T
ε ' ( t − 1 )L ε ' ( t − p ) ] T
3-20
3.8 Métodos de estimación paramétricos frecuenciales
El objetivo de los métodos de identificación en el dominio frecuencial es el mismo que en el
dominio temporal: identificar un sistema lineal a partir de los datos. La principal diferencia
entre ambos radica en el dominio de trabajo. De todas formas los dos métodos son
complementarios y, en algunos casos, ambos pueden utilizarse para solucionar el mismo
problema. Analizamos a continuación, en que condiciones ambos métodos identifican el
mismo sistema.
El modelo general utilizado en la identificación en el dominio de la frecuencia de un sistema

lineal se muestra en la figura 5.1. El sistema se representa por su función de transferencia
H(Ω), donde Ω = s = jω en el dominio de Laplace, o Ω = z-1 = exp(-jωTs) en el dominio z,
respectivamente, y H es una forma racional, eventualmente con un término retardo Td (3.92).
Ny
U H(Ω) +
Y Ym
Nu +
Um
Figura 3.2. Modelo general utilizado en la identificación de sistemas en el dominio

frecuencial.
− jω T d
b 0 Ω 0 + b 1 Ω 1 + L + b nn Ω nn
H (Ω) = e (3.92)
a 0 Ω 0 + a 1 Ω 1 + L + a nd Ω nd
La señal de excitación tiene una amplitud compleja Uk a la frecuencia angular ωk y la

respuesta del sistema es Yk = H(Ω k )Uk . L’amplitud compleja de las señales de entrada y salida
medidas estan contaminada con ruido Nu y Ny , respectivamente, hecho que incorporadar un
error en las variables del modelo. Para la solución propuesta, se asume que el ruido tiene
como características que:
• es Gausiano
• es independiente de las señales de entrada y salida
• no hay correlación entre las muestras de las diferentes frecuencias
Las medidas se realizan a distintas frecuencias ωk , k=1...F, las amplitudes de las entradas y
salidas son Umk y Ymk, respectivamente. Los parámetros no conocidos de la función de
transferencia se indican con el vector P. Con todo ello las ecuaciones básicas son:
Yk = H(Ω k ,P)Uk , k=1,2,...,F (3.93)
Ymk = H(Ω k ,P)(Umk-Nuk )+Nyk , k=1,2,...,F (3.94)
3-21
Asumiendo que el ruido en las amplitudes complejas es Gausiana y no correlacionado, y que
el ruido de la entrada y la salida no están tampoco correlacionados, su función de densidad
probabilística puede escribirse como:
1  N Ruk
2
+ N Iuk
2
 F 1  N Ryk2
+ N Iyk
2

p (N u , N y ) = Π exp 
 −  Π 
exp − 
k =1 2πσ uk 2σ uk2  
 k =1 2πσ yk 2σ yk2
2 2
  
(3.95)
1  Nuk N uk  F 1  N yk N yk 
=Π exp  −  Π exp − 
k =1 2πσ uk
 
 2σ uk πσ σ
2 2 2 2
 k =1 2 yk  2 yk 
donde NRuk , NIuk , NRyk y NIyk se corresponde con las partes real y imaginaria del ruido en las
señales de entrada y salida. N es el conjugado complejo de N, σuk y σyk son las
correspondientes desviaciones estándar, Nu y Ny indican los vectores formados por Nuk y Nyk
en las distintas frecuencias.
Substituyendo en (3.95) la variable ruido por Nuk =Umk-Uk y Nyk =Ymk-Yk , y haciendo el
logaritmo y asumiendo que σu y σy son conocidas, la función de máxima probabilidad es:
F
 (U − U k )(U mk − U k )  F  (Ymk − Yk )(Ymk − Yk ) 
ln( L(U , Y , P)) = cont − ∑  mk  − ∑   (3.96)
k =1  2σ uk2  k =1  2σ uk2 
La maximización de la ecuación (3.95) se consigue minimizando la ecuación (3.96) sujeto a la

restricción (3.93).
F
 (U mk − U k )(U mk − U k )  F  (Ymk − Yk )(Ymk − Yk ) 
C LS ( L(U , Y , P)) = ∑   + ∑   (3.97)
k =1  2σ uk2  k =1  2σ 2
uk 
La restricción (3.93) puede substituirse en (3.97) para eliminar Yk . Como resultado se obtiene
un problema de mínimos cuadrados con pesos no lineales. En general pero no se está
interesado en Uk , por lo tanto la mejor forma de minimizar la ecuación (3.96) con la
restricción (3.93) es utilizar la técnica de multiplicadores de Lagrange para eliminarlos a
ambos (Uk y Yk ). En este caso la expresión a minimizar consiste en:
− jω T 2
1 F e
k d
N (Ω k , P)U mk − D (Ω k , P)Ymk
C (P) = ∑ (3.98)
2 k =1 σ yk2 D (Ω k , P) 2 + σ uk2 N ( Ω k , P) 2
donde N(Ω,P) y D(Ω,P) son el numerador y el denominador de la función de transferencia,

respectivamente.
La chi-cuadrada acostumbra a ser la función de coste más utilizada en la resolución del

método de estimación de máxima probabilidad para datos Gausianos. Para conseguir que la
función de coste (3.98) tienda a una distribución chi-cuadrada se formulan distintas
alternativas, una de ellas es la expresada en la ecuación (3.99) donde los pesos, W, han de ser
iguales a las variaciones de los términos de los valores absolutos buscados.
3-22
1 F
∑ − jω T 2
CWLS ( P) = Wtfk e k d U mk N ( Ω k , P) − Ymk D ( Ω k , P) (3.99)
2 k =1
La minimización de está función se consigue de forma que:
e − jω k Td U mk N ( Ω k , P) − Ymk D ( Ω k , P) = 0 (3.100)
El término residuo será:

ε k = e − jω kTd U mk N (Ω k , P) − Ymk D (Ω k , P) = 0
La variancia de este residuo será igual a:
var {ε k } = 2σ uk2 N ( Ω k , P) + 2σ 2yk D ( Ω k , P)

2 2
sí Nuk y Nyk son independientes. Haciendo Wk =1/var{ε k }, se obtiene que la función de coste
(3.99) consiste en la estimación de un sistema lineal, denominado ELiS (Estimator for Linear
Systems).
Para minimizar la ecuación (3.98) respecto a los parámetros P, deben utilizarse técnicas no
lineales con restricciones y para ser utilizada, el usuario debe aportar el valor inicial del
retardo puro.
En el caso en que Nuk y Nyk no sean independientes por distintas razones:

- el sistema está en lazo cerrado.
- o hay ruido en la señal de entrada
la función coste a considerar es:
− jω T 2
1 F e k d N ( Ω k , P)U mk − D ( Ω k , P)Ymk
C (P) = ∑ (3.101)
2 k =1 σ 2yk D ( Ω k , P) 2 + σ uk2 N (Ω k , P) 2 − 2real {CNDk }
con:
CNDk = c uyk e − jω k Td N ( Ω k , P) D(Ω k , P)
y
c uyk = 0.5 cov{Nuk , N yk } = 0.5 E{N uk , N yk }
3.9 Selección y validación de la estructura del modelo

A demás de los métodos de estimación de los parámetros, otro aspecto muy importante es el
de buscar la estructura apropiada para el modelo (por ejemplo ver tabla 3.3). Para ello es
necesario entender los métodos de estimación o identificación y conocer el sistema que se
desea identificar. Cuando la estructura del modelo ha sido determinada, los métodos de
estimación proporcionan un modelo particular de dicha estructura. Una vez identificado el
modelo otra cuestión a plantearse es si el modelo identificado es suficientemente bueno, para
ello se recurre a las técnicas de validación. Obsérvese que no siempre será posible definir una
estructura del modelo, identificar los valores de los parámetros y validar de forma
independiente, sino al contrario las tres etapas están muy interrelacionadas.
3-23
3.9.1 Selección de la estructura del modelo. Aspectos generales
La selección de la estructura del modelo tiene un considerable efecto sobre la cualidad del
modelo resultante y el coste de computación. La cualidad del modelo puede, por ejemplo
evaluarse por el criterio del error cuadrático. La mejor estructura del modelo es un
compromiso entre flexibilidad y ahorro. Entendiendo por flexibilidad que la estructura del
modelo tiene capacidad para describir diferentes sistemas y una forma de obtenerlo es
utilizando muchos parámetros. Por otro lado, el ahorro requiere la utilización de pocos
parámetros.
Para empezar a solucionar un problema de identificación, cabe considerar tres aspectos

importantes:
* Tipos de conjuntos de modelos
* Dimensión del conjunto de modelos o selección del orden de los modelos
* Métodos de identificación
La selección del tipo dentro de un conjunto de modelos implica buscar entre diferentes clases
de modelos como entre modelos no lineares o lineares o entre modelos de entrada-salida, caja
negra o parametrizado físicamente, y otros. La búsqueda de que tipo de modelo utilizar es un
poco subjetivo y involucra muchos factores que son independientes del conjunto de datos. La
búsqueda es habitualmente un compromiso entre diferentes factores, como cualidad del
modelo y esfuerzo de modelado. Para obtener unos buenos resultados con pocos parámetros,
suele utilizarse el conocimiento previo del proceso y algo de intuición. La información previa
es muy útil en el caso de modelos en tiempo continuo. La forma de evaluar ε(t,θ) y su
minimización influye mucho en el esfuerzo de programación y el tiempo de cálculo. Modelos
sofisticados suelen utilizarse solo en el caso de que no puedan ser validados los modelos
sencillos. Las regresiones lineales son los modelos más simples y los que la minimización del
criterio es robusta. Cuando se realiza una transformación no lineal de los datos puede ser
también evaluado con el ajuste de un modelo lineal.
La selección del orden del modelo implica la selección del número de parámetros de una
determinada clase de modelos. Este paso requiere usualmente alguna evaluación del conjunto
de datos, de todas formas el conocimiento preliminar que se tiene del proceso muy a menudo
permite deducir un rango de ordenes del modelo a considerar.
La selección del método de identificación depende enormemente de la clase de modelo

seleccionado. Como se ha visto en apartados anteriores, un sistema lineal puede representarse
de diferentes formas, por su respuesta transitoria o frecuencial o modelo paramétrico.
Evidentemente podemos transformar unas en las otras, pero estas transformaciones están muy
mal condicionadas en el sentido de que pequeños errores en una representación pueden
originar mucho error en otra. La conclusión es clara, la búsqueda del método está íntimamente
relacionada con el objetivo de la identificación.
3.9.2 Análisis preeliminareis de los datos para la selección de la estructura

del modelo
Ciertos tests o evaluaciones de los datos permiten deducir una posible estructura del modelo,
algunos de ellos han sido descritos en el tema 2. Estas técnicas no conducen a la
3-24
determinación completa del modelo del sistema. En el caso de métodos paramétricos, el
problema se reduce a la selección del orden del modelo.
(1) La evaluación del análisis espectral estimado proporciona información sobre el rango de
frecuencias de interés del proceso y el nivel de ruido, por lo tanto no ayuda a diseñar
correctamente la señal de entrada y los filtros. La estimación no paramétrica de la función
de transferencia Gˆ ( jω ) proporciona información sobre los picos de resonancia y el
retardo de fase. Todo ello da una orientación sobre el orden requerido par una adecuada
descripción de las dinámicas del sistema (o la zona de interés).
(2) Evaluar el rango de la matriz de covarianza es un buen método para estimar el orden del
sistema. Supóngase que el sistema correcto se describe mediante:
y (t ) + a1 y( t − 1) + L + a n y( t − n) = b1u (t − 1) + L + bn u (t − n ) + v (t )
siendo n el verdadero orden del sistema. Si tomamos un modelo de orden s, el vector de
datos es:
ϕ ( t ) = [ y (t ) y( t − 1) L y( t − s )u (t − 1) Lu (t − s ) ]
T
Considerando primero el caso en que v(t) ≡ 0, tenemos que la matriz de covarianza
1 N
∑
Rϕϕ ( N ) =
N t =1
ϕ (t )ϕ (t )
T
será no singular para s ≤ n (en el caso que {u(t)} sea persistentemente excitada) y
singular para s≥n+1.
En el caso de ruido la matriz de convarianza puede ser utilizada siempre que la relación
señal-ruido no sea muy grande, sí es el caso puede utilizarse la fórmula:
Rˆ ϕϕ ( N ) = Rϕϕ ( N ) − σ 2 Rv
donde σ2 Rv es la estimación de la influencia del ruido del proceso en la matriz de

covarianza.
Una mejor alternativa, cuando la influencia de v(t) no es despreciable, es la de utilizar
otro vector de correlación, por ejemplo en el caso en que {v(t)} y {u(t)} no estén
correlados (sistema en lazo abierto) podemos utilizar
ζ ( t ) = [u (t − 1), u (t − 2),L , u (t − 2s ]
T
y por tanto la matriz de convarianza es
[
Rˆ ϕζ ( N ) = E ϕ ( t )ζ T (t ) ]
es no singular para s≤n y singular para s≥n+1.
(3) El método de correlación es otro método que permite obtener información acerca de que
variables incluir en la estructura del modelo. Esta variable podría ser y(t-n-1). La cuestión
que permite resolver es si una nueva variable contribuye de alguna forma en explicar la
variable de salida y(t). Ello puede realizarse mediante la correlación entre la nueva
variable y la salida. De todas formas para descartar las posibles relaciones entre ellas, y
para conseguir estructuras de poca complejidad, la correlación debería realizarse entra
3-25
ella y los residuos obtenidos como resultado de considerar un primer modelo
ε (t ,θˆ ) = y (t ) − yˆ (t | θˆ ) . Ello se conoce con el nombre de correlación parcial.
3.9.3 Criterios para la comparación de la estructura de los modelos
Una aproximación natural para determinar la estructura del modelo es simplemente testar
diferentes estructuras y comparar el resultado entre ellas. Los métodos de tests más
comúnmente utilizados son:
* Test de la función error o pérdida

* Test de cancelación de polos y ceros
* Test del residuo
3.9.3.1 Test de la función error o pérdida

El método más simple es mirar sencillamente la función pérdida V (θˆ ) directamente vinculada
con el orden del modelo. Cuando incrementa el orden la función pérdida decrece hasta que se
mantiene constante o cambia lentamente. Otros métodos se basan en test estadísticos de la
función pérdida o en la evaluación de diferentes criterios que tiene encuenta la complejidad
del modelo.
(1) Un método estadístico para evaluar si la función pérdida disminuye significativamente

cuando incrementa el orden del modelo es el F-test. Este test se basa en la independencia
estadística de V 1 (θ ) y V 1 (θ ) − V 2 (θ ) donde los subíndices indicap modelos con un núero
de parámetros p1 y p2 respectivamente. Para testar si la reducción de la función es
significativa cuando el número de parámetros aumenta de p1 a p2 se utiliza:
V 1 (θ ) − V 2 (θ ) N − p2
t=
V 2 (θ ) p1 − p 2
Esta cantidad tiene una distribución F[p1 - p2 , N - p2 ], entonces para un suficiente número
de muestras N, se cumple que: t > F α [p1 - p2 , N - p2 ] entonces se cumple la hipótesis que
la reducción de la función pérdida es significativa con el aumento del número de
parámetros y por tanto el nuevo parámetro es aceptado con un nivel de confianza de 1-α .
En la práctica, el nivel de confianza tiene un rango de 0.01 a 0.1.
(2) El criterio de análisis de complejidad puede realizarse simplemente adicionado a la

función pérdida un término extra que penalice la complejidad del modelo. En este caso se
selecciona el mejor modelo que minimice el criterio.
El criterio de información de Akaike (AIC) disminuye con la función pérdida y aumenta

con el número de parámetros, se define como:
AIC ( p ) = N log V (θ ) + 2 p
siendo:
1 N 2
V (θ ) = ∑ ε (t,θ )
N t =1
Se ha observado que este criterio puede sobre estimar el orden del modelo.
3-26
Otro criterio propuesto por Akaike es ‘final prediction error criterion (FPE)’:
N+ p
FPE( p) = V (θ )
N−p
Se ha observado que este criterio tiende a subestimar el modelo del sistema.
Una propiedad atractiva tanto del criterio de AIC como FPE es que el orden del modelo
se determina como resultado de valor mínimo del criterio y no es necesario evaluarlo en
función de unos niveles de confianza como es el caso del método estadístico.
3.9.3.2 Test de cancelación de polos-ceros

Si se considera que el orden del modelo es s y es superior al orden del proceso real n, originan
pares de polos-ceros muy próximos que pueden ser cancelados. Este fenómeno puede
utilizarse para testar el orden del modelo, calculando las raíces de los polinomios los cuales
A(q) y B(q) a partir de diferentes órdenes s.
3.9.3.3 Test de residuo

Resultado de comparar la salida con la predicción del modelo:
ε (t ,θˆ ) = y (t ) − yˆ (t ,θˆ )
representa una forma de representar las diferencias entre las variables observadas y el
comportamiento del modelo estimado. En general los residuos deben ser blancos o
aproximadamente blancos y no correlados con la entrada, si el modelo es una buena
representación del sistema. De lo contrario, indicaría que o bien el modelo a la identificación
no es completa.
La simple representación de los residuos respecto a los valores ajustados; tal que la
representación no revela ninguna dependencia clara. Otro diagrama útil es el histograma de
los residuos, amplitudes, el cual revela si la distribución difiere de una distribución normal.
Otros tests útiles son los estudiados en el tema 2, test estadístico de auto correlación de los
residuos ε(t), test de cross-correlación entre los residuos y las entradas, …
3.9.4 Validación del modelo
La pregunta crucial una vez identificado un modelo es sé este modelo es suficientemente

bueno para los objetivos considerados. La validación permite comprobar sí el modelo
identificado representa el comportamiento real, teniendo en cuenta las limitaciones de los
métodos de identificación y los objetivos finales. El problema planteado tiene distintos
aspectos:
1. El modelo, ¿satisface suficientemente bien los datos observados?

2. ¿Es el modelo suficientemente bueno para los requerimientos propuestos?
3. ¿Describe el modelo al sistema real?
3-27
El método para responder estas cuestiones es confrontar el modelo con más información –
como conocimientos a priori, datos experimentales y experiencia – sobre el sistema real.
Puesto que el uso más natural de la identificación consiste en confrontar el modelo con los
datos, las técnicas de identificación tienden a centrarse en la pregunta 1. Mientras que la
pregunta 3, prescindiendo de los problemas de test, es filosóficamente imposible de contestar,
la pregunta 2 es un requerimiento práctico importante. Evaluar si el problema que motivo la
tarea de modelización puede ser solucionado usando el modelo obtenido, puede considerarse
como la prueba más importante de validación del modelo. Por ejemplo, si un regulador
basado en el modelo satisface los requerimientos de control, entonces el modelo será valido,
independientemente de la forma que tenga. No obstante, a menudo es imposible, costoso o
peligros probar todos los posible modelos con el uso que se ha previsto. Por ello, la confianza
en el modelo debe verificarse de otras maneras. Los dos métodos principales son: la
verificación de las asunciones a priori y la verificación del comportamiento de la entrada-
salida.
3.9.4.1 Verification of a priori assumptions

Las pruebas de sí las asunciones a priori de los métodos de identificación son ciertos puede
realizarse como:
* Linealización: Comparación del modelo obtenido a partir de diferentes amplitudes

de la entrada. Comparación de modelos con funciones transitorias medidas en ambas
direcciones.
* Varianza temporal. Comparación del modelo con los diferentes conjuntos de datos.
* Residuos: ¿Son los residuos estadísticamente independientes (auto correlación), con
media cero?, ¿Son independientes de la señal de entrada (correlación cruzada con
respecto la señal de entrada?
* Medias, tendencias de la salida. Comparación del modelo con y sin eliminación de
las tendencias.
* Señal de entrada: ¿Puede ser medida sin ruido? ¿Es persistentemente excitada?.
* Matriz de covarianza de los parámetros estimados: ¿la varianza y covarianza
decrementa con el incremento de número de muestras?
3.9.4.2 Verificación del comportamiento de las entradas-salidas

Un juicio final del modelo identificado se obtiene comparando el comportamiento modelo
medido y predicho de la entrada-salida. Esto puede realizarse como:
* Comparación de la variable medida y(t) y la señal de salida calculada yˆ (t ,θˆ ) :
- con la entrada u(t) utilizada en la identificación,
- con otras señales de entrada como escalones o impulses.
* Comparación de la función de correlación cruzada basada en las señales medidas y
las del modelo.
Otra manera es validación cruzada, esto significa la verificación del modelo identificado con
otro conjunto de medidas. La comparación entre los datos observados y la salida modelo se
muestra generalmente mirando las anomalías del modelo no detectadas previamente. La
validación cruzada se considera la mejor manera de validar el modelo y la única prueba
verdadera para su aplicabilidad general.
3-28
Bibliografía adicional sobre el tema
[Åström 71] K. J. Astrom, P. Eykhoff. System Identification – A survey. Automatica,7, p.
123-162, 1971
[Åström80].K. J. Astrom, Maximum likelihood and prediction error methods. Automatica,16,

p. 551-574, 1980
[Bohlin94] Bohlin, T.: Interactive system identification: prospects and pitfalls, Springer
Verlag, 1991.
[Brdys94]Brdys, M. A. -Malinowski, K. : Computer aided control system design, World

Scientific, 1994.
[Evans92]Evans, D. C. -Rees, D. -Jones, D. L.: Design of test signals for identification of

linear systems with nonlinear distortion, IEEE Trans. on Instrumentation and Measurement,
.41, 6, p. 768- 774, 1992.
[Fasol80]Fasol, K. H. -Jorgl, H. P. : Principles of model building and identification,

Automatica, 16, p. 501-518, 1980.
[Godfrey80]Godfrey. K. R.: Correlation methods, Automatica, 16:, p. 527-534, 1980.
[Godfrey86]Godfrey, K. -Jones, P.: Signal processing for control, Springer-Verlag, 1986.
[Gustavsson72]Gustavsson, I: Comparison of different methods for identification of industrial

processes, Automatica, 6, p. 127-142, 1972
[Iserman80] R.. Iserman. Pranctial aspects of process identification, Automatica,16, p. 575-

587, 1980
[Johansson93] R. Johansson. System modeling and identification. Prentice Hall, 1993
[Kollás93] I. Kollár “On Frecuency Domain Identification of Linear Systema” IEEE Trans.
on Instrumentation and Measurement, Vol. 42 No 1, pp. 2-6, Feb. 1993.
[Landau90]Landau, I. D. : System identification and control design, Prentice Hall, 1990
[Ljung87] L.Ljung. System identification – Theory for the user, Prentice Hall, 1987.
[Pintlon92] R. Pintelon, P. Guillaume, Y. Rolai and F. Verbeys, “ Identification of Linear

Systems Captured in a Feedback Loop” IEEE Trans. on Instrumentation and Measurement,
Vol. 41, No 6, pp. 747-754, Dec 1992.
[Söderström89] T. Söderström, P. Stoica. System identification, Prentice Hall, 1989.
[Zhu93] Y. Zhu – T. backx. Identification of multivariable idustrial process – for simulation,

diagnosis and control. Springer-Verlag, 1993.
3-29
[Walter97]Walter, E – Pronzato, L. Identification of Parametric Models from Experimental
Data. Masson Great Britain, 1997.
3-30
Análisis de la Estabilidad en Tiempo Discreto
Ricardo Rodrı́guez Bustinza
robust@uni.edu.pe
1. Introducción
A continuación analizaremos la estabilidad de los sistemas de control en tiempo discreto lineales e invari-
antes con el tiempo. En concreto, nos centraremos en el criterio de estabilidad de Jury, que es un método
para saber si las raı́ces de un polinomio están dentro, fuera o en el cı́rculo unidad, sin necesidad de calcular
dichas raı́ces. Uno de los temas más importantes dentro de la teorı́a de control es el análisis de la estabili-
dad de los sistemas, ya que uno de los primeros objetivos que se pretenden alcanzar al diseñar un sistema
de control, es que dicho sistema sea estable. Uno de los métodos simples y directos para determinar la
estabilidad es el análisis de criterio de magnitud que describiremos a continuación.
Ejemplo: A manera introductoria analizaremos la estabilidad de sistema realimentado de la Figura 1,

utilizando el criterio de magnitud para un perı́odo de muestreo de T = 1 s y para diferentes valores de
ganancia de compensación K p .
Figura 1: Sistema realimentado.
Discretizando la planta con ZOH:

{ }
−sT 1 0.3679z + 0.2642
G(s) = (1 − e )Zs , → G(z) = , T = 1s
s2 (s + 1) (z − 1)(z − 0.3679)
Hallando la función de transferencia en lazo cerrado:
C(z) Kp G(z) Kp (0.2642 + 0.3679z)

= = 2
R(z) 1 + Kp G(z) z + (0.3679Kp − 1.3679)z + (0.2642Kp + 0.3679)
Los polos se resuelven desde la ecuación caracterı́stica:
z2 + (0.3679Kp − 1.3679)z + (0.2642Kp + 0.3679) = 0

Para Kp = 1, tenemos la ecuación caracterı́stica: z2 − z + 0.6321 = 0. Las raı́ces son: z = 0.5 ± j0.6181
√
El radio de z: r = |z| = 0.52 + 0.61812 = 0.795 < 1, entonces el sistema es ESTABLE.
1
1 INTRODUCCIÓN
Para K p = 2, tenemos la ecuación caracterı́stica: z2 − 0.6321z + 0.8963 = 0. Las raı́ces son: z = 0.3161 ±
j0.8924
√
El radio de z: r = |z| = 0.31612 + 0.89242 = 0.947 < 1, entonces el sistema es ESTABLE.
Para Kp = 3, tenemos la ecuación caracterı́stica: z2 − 0.2642z + 1.1605 = 0. Las raı́ces son: z = 0.1321 ±
j1.069
√
El radio de z: r = |z| = 0.13212 + 1.0692 = 1.077 > 1, entonces el sistema es INESTABLE.
El la Figura 2 nos ilustra el lugar geométrico de los polos en el plano–z.

Root Locus Root Locus
1 1
0.5 0.5
Imaginary Axis
Imaginary Axis
0 0
−0.5 −0.5
−1 −1
−1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1

Real Axis Real Axis
Root Locus Root Locus
1 1
0.5 0.5
Imaginary Axis
Imaginary Axis
0 0
−0.5 −0.5
−1 −1
−1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1

Real Axis Real Axis
Figura 2: Lugar de los polos en el cı́rculo unitario en el plano–z.
En resumen de lo analizado, el concepto de estabilidad para un sistema lineal invariante en el tiempo se

da a partir del estudio de un sistema en lazo cerrado (ver Figura 3).
Figura 3: Sistema de control discreto realimentado.
El análisis de la estabilidad viene según la ecuación caracterı́stica del sistema de control en lazo cerrado,
1 + G H(s) = 0. Por otro lado, la salida del sistema de la Figura 3 puede ser expresada según.
n
K ∏(z − zi )
C(z) = n R(z)
∏(z − pi )
M.Sc. Ricardo Rodrı́guez Bustinza 2

1 INTRODUCCIÓN
Donde zi son los ceros y pi son los polos de la función de transferencia del sistema en lazo cerrado.
Usando la expansión de fracciones parciales, C(z) puede ser expresada.
k1 z kn z
C(z) = +···+ +CR (z)
z − p1 z − pn
Donde CR (z) contiene los términos de C(z) que se originan en los polos de R(z).
Los primeros n términos de la ecuación son términos de la respuesta natural de C(z). Si la transformada
inversa-z a estos términos tienden a cero cuando el tiempo se incrementa , entonces el sistema es estable,
estos términos son llamados respuesta transitoria. La transformada-z del i-ésimo términos es.
{ }
−1 ki z ˙ i )k
Z = ki (p
z − pi
Si la magnitud de pi es menor que 1, estos términos se aproximan a cero cuando k se aproxima a infinito.
Ejemplo: Se conoce la respuesta al impulso de un sistema representado como una función de transfer-
encia. Asumiremos que el polo en general es un número complejo que escrito en forma polar es:
p = me jθ
Donde, m es la magnitud y θ es la fase. La respuesta al impulso para el sistema H(z) es:
{ } { }
∞
b
yδ (k) = Z −1 = Z −1 b ∑ pk z−k
1 − pz−1 k=0
k k jkθ
= bp = b|m| e
De esta última ecuación podemos ver que la magnitud m determina la respuesta impulso en estado esta-
cionario converge o no a cero. De la ecuación, también podemos obtener la relación entre la estabilidad y
la ubicación del polo. Las “áreas de la estabilidad” en el plano complejo son mostradas en la Figura 4.
Im Area de polo
1 inestable
0.8
0.6
0.4 Area de polo

estable
0.2
Re
0
−0.2
−0.4
−0.6
−0.8
−1
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
Figura 4: “Áreas de la estabilidad” en el plano complejo.

2 ANÁLISIS DE LA ESTABILIDAD
2. Análisis de la Estabilidad
Asumiremos un sistema dinámico con una entrada u(k) y una salida y(k). El análisis de la estabilidad
tiene que ver la respuesta impulsiva impulso δ (0) en la entrada del sistema dinámico que presentan las
siguientes propiedades:
Sistema Asintóticamente Estable:

La respuesta impulso en estado estacionario es cero:
lı́m yδ (k) = 0
k→∞
Sistema Marginalmente Estable:

La respuesta impulso es diferente de cero, pero limitada:
0 < lı́m yδ (k) < ∞

k→∞
Sistema Inestable:
La respuesta impulso es ilimitada:
lı́m yδ (k) = ∞
k→∞
Ejemplo: Sea el sistema:
b0 z + b1
H(z) = 2
z + a1 z + a2
Plotear la respuesta impulsional para los parámetros de la tabla. Asuma un periodo de muestreo de 1 se-
gundo se muestra en la Figura 5.
Sistema Parámetros
Asintóticamente estable b0 = 0.019, b1 = 0.019, a1 = −1.885, a2 = 0.923
Marginalmente estable b0 = 0.020, b1 = 0.020, a1 = −1.960, a2 = 1.0
Inestable b0 = 0.021, b1 = 0.021, a1 = −1.960, a2 = 1.08
2.1. Estabilidad de Modelos Función de Transferencia

La respuesta impulso yδ (k) es determinado por los polos y ceros de los sistemas, entonces la respuesta
impulso es la inversa de transformada-z de las funciones de transferencia:
Y (z) = H(z) ·U(z) = H(z) · 1 = H(z)

Entonces:
yδ (k) = Z −1 {H(z)}
Consecuentemente, la propiedad de la estabilidad es determinada por los polos y ceros de H(z). Ası́ mis-
mo, podemos ver que los polos determinan la estabilidad.

2.1 Estabilidad de Modelos Función de Transferencia 2 ANÁLISIS DE LA ESTABILIDAD
Sistema asintóticamente estable

2
−1
0 1 2 3 4 5 6 7 8 9 10
Sistema marginalmente estable

2
−1
−2
0 1 2 3 4 5 6 7 8 9 10
Sistema inestable
50
−50
−100
0 1 2 3 4 5 6 7 8 9 10
kT (seg)
Figura 5: Respuesta impulsiva y propiedades de la estabilidad.
Ahora vamos a derivar la relación entre la estabilidad y los polos para estudiar la respuesta impulsiva del
siguiente sistema:
Y (z) bz
H(z) = =
U(z) z − p
El polo es p, podrı́amos pensar que este sistema es demasiado simple como una base para obtener las
condiciones generales para la estabilidad. En este sistema siempre podemos tener su transformada-z que
pueden ser fraccionadas en sumas de funciones de transferencia parciales o en términos que contenga
cada uno un polo. Usando el principio de la superposición podemos concluir acerca de la estabilidad de
la función de transferencia original. Tenemos las siguientes propiedades de la estabilidad:
Sistema Asintóticamente Estable:

Todos los polos están dentro del cı́rculo unitario, o lo que es lo mismo: todos los polos tienen
magnitud menor que 1.
Sistema Marginalmente Estable:

uno o más polos, pero no múltiples polos están en el cı́rculo unitario.
Sistema Inestable:
Al menos un polo está fuera del cı́rculo unitario, o también, Hay múltiples polos en el cı́rculo
unitario.
Retomando la interrogante acerca de la relación de los ceros y la estabilidad. Consideremos la siguiente

función de transferencia:

Y (z) b(z − c)
H1 (z) = = = (z − c)H(z)
U(z) z− p
Donde H(z) es el sistema “original” (sin ceros) que fué analizado. El cero es c, podemos escribir H1 (z)
de otra forma:
bz −bc
H1 (z) = + = H(z) − cz−1 H(z)
z− p z− p
Tomamos la respuesta al impulso de H1 (s):
yδ1 (k) = yδ (k) − cyδ (k − 1)

Dónde yδ (k) es la respuesta al impulso de H(z). Podemos ver que el cero no es influyente para que la re-
spuesta en estado estacionario converja a cero o no. Nosotros dibujamos la conclusión de unos eventuales
ceros en la función de transferencia que no influye en la estabilidad del sistema.
Por ejemplo considere un sistema discreto lineal de primer orden en donde tiene un cero en un caso y
en otro es omitido este cero. La Simulaciones de la Figura 6 muestra que el cero no es incluyente en el
análisis de la estabilidad.
1 p=0.1;
2 c=0.05;
3 b=1;
4 P1=zpk(c,p,b,1);
5 P2=zpk([],p,b,1);
1.5
0.5
−0.5
0 2 4 6 8 10 12 14 16 18 20
1.5
0.5
−0.5
0 2 4 6 8 10 12 14 16 18 20
tk[seg]
Figura 6: Influencia del cero en un sistema discreto.

Ejemplo: Analice la estabilidad de un sistema en tiempo discreto en un plano-z a través del mapeo de
polos y ceros. Considere un prototipo representada por la función de transferencia dado por.
Y (z) b1 z + b0
= H(z) = 2
U(z) z + a1 z + a0
Los parámetros del sistema son mostrados para tres casos según:
1. Sistema asintóticamente estable:

La función de transferencia presenta los parámetros: b0 = 0.0950, b1 = −0.019, a1 = −1.885,
a2 = 0.923. Los polos son: z1,2 = 0.94 ± j0.19. La Figura 7 (subplot(221)) muestra los polos
y ceros dentro del cı́rculo unitario.
2. Sistema marginalmente estable:

La función de transferencia presenta los parámetros: b0 = 0.020, b1 = 0.0, a1 = −1.96, a2 = 1.00.
Los polos son: z1,2 = 0.98 ± j0.20. La Figura 7 (subplot(222)) muestra los polos en en cı́rculo
unitario.
3. Sistema inestable:
La función de transferencia presenta los parámetros:
b0 = 0.0950, b1 = 0.019, a1 = −2.04, a2 = 1.08. Los polos son: z1,2 = 1.02 ± j0.20. La Figura 7
(subplot(223)) muestra los polos fuera del cı́rculo unitario.
Asintoticamente Estable Marginalmente Estable

1.5 1.5
1 1
0.5 0.5
Im(z)
Im(z)
0 0
−0.5 −0.5
−1 −1
−1.5 −1.5
−1 0 1 −1 0 1
Re(z) Re(z)
Inestable
1.5
0.5
Im(z)
−0.5
−1
−1.5
−1 0 1
Re(z)
Figura 7: Polos y ceros para los tres sistemas cada uno con diferente propiedad de estabilidad.

2.2 Estabilidad de Modelos Espacio de Estado 2 ANÁLISIS DE LA ESTABILIDAD
2.2. Estabilidad de Modelos Espacio de Estado

Asumimos un sistema que tiene el siguiente modelo espacio de estado:
x(k + 1) = Ad x(k) + Bd u(k)

y(k) = Cd x(k) + Dd u(k)
La función de transferencia pulso de U(z) a Y (z) puede ser representada desde el modelo espacio estado
discreto.
Y (z) ( )−1
H(z) = = Cd zI − Ad Bd + DD
U(z)
Adj(zI − Ad )
= Cd Bd + Dd
det(zI − Ad )
Los polos y ceros son las raı́ces de la ecuación caracterı́stica:

( )
det zI − Ad = 0
El determinante de la ecuación caracterı́stica define los eingenvalues (valores propios) del sistema. Los
valores propios son la solución de esta ecuación. Ası́ mismo, los polos son iguales a los valores propios,
y la relación entre las propiedades de la estabilidad y los valores propios son la misma relación entre las
propiedades de la estabilidad y los polos.
En resumen, la propiedad de la estabilidad es determinada por la ubicación de los polos en el plano

complejo. Ası́ mismo, para la formulación de las propiedad de estabilidad del modelo espacio de estado
se provee un análisis diferente al modelo función de transferencia según los criterio que analizaremos a
continuación.
2.2.1. Estabilidad Externa e Interna:

Como la respuesta de los sistemas dinámicos lineales se descompone en la respuesta a entrada con condi-
ciones iniciales nulas, y la respuesta a condiciones iniciales con entrada nula, podemos hablar de dos
“tipos” de estabilidad:
Estabilidad externa, o entrada-salida, que se refiere a la estabilidad del sistema con condiciones
iniciales nulas. La estabilidad externa describe el efecto de perturbaciones en las entradas sobre el
comportamiento dinámico de la salida del sistema.
Estabilidad interna, que se refiere a la estabilidad del sistema autónomo (sin entradas). La estabili-
dad interna describe el efecto de perturbaciones en las condiciones iniciales sobre comportamiento
dinámico de los estados del sistema.
El caso discreto es análogo al caso continuo, en este caso la salida como respuesta impulsiva es.
∞ ∞
y(k) = ∑ g(k − m)u(m) = ∑ g(m)u(k − m)
m=0 m=0
Donde g(k) es la secuencia respuesta a un impulso discreto aplicado en el instante k = 0. Resumimos los
resultados principales en los siguientes teoremas.

Teorema: Estabilidad BIBO Discreta Un sistema discreto con respuesta al impulso es estable BIBO
(Bounded Input Bounded Output) si y solo si existe una constante finita M tal que la respuesta impulsiva
satisface la condición.
∞
∑ |g(k)| ≤ M < ∞
m=0
Notar que en el caso de tiempo continuo las funciones absolutamente integrables pueden no ser acotadas,
o no tender a 0 cuando t → ∞. En el caso de tiempo discreto, si g(k) es absolutamente sumable entonces
debe necesariamente ser acotada y aproximarse a 0 cuando k → ∞. Resumiendo la estabilidad (interna)
siempre implica estabilidad (externa) BIBO.
Teorema: Respuesta en régimen permanente discreta Si un sistema discreto con respuesta al impulso
g(k) es estable BIBO, cuando k → ∞. Por ejemplo si la salida excitada por u(k) = a, para k ≥ 0, tiende a
ĝ(1)a.
Ejemplo: Sea un sistema discreto estacionario con respuesta al impulso g(k) = 1/k, para k ≥ 1, y g(0) =
0. Analizamos si g(k) es absolutamente sumable.
∞
1 1 1
g(k) = ∑ |g(k)| = 1 + 2 + 3 + 4 + · · ·
k=0
La secuencia de la respuesta al impulso es acotada pero no sumable, por lo tanto el sistema no es BIBO.
Ejemplo: Analizar la condición de estabilidad de los sistemas mostrados en la Figura 8.
Figura 8: Sistema clásico (1) y sistema en variables espacio estado (2).
El sistema en la forma variables espacio estado puede ser:

[ ] [ ]
−3 1 0 [ ]
A= , B= , C= −5 1
0 2 1
Ademas.
1
H(s) = C[sI − A]−1 + D =
s+3
Verificando la prueba de la estabilidad BIBO, los valores propios son λ1 = −3 y λ2 = 2 lo cual falla la
prueba de estabilidad.
1 A=[-3 1;0 2]
2 vp=eig(A); % -3 2

Ejemplo: Analizar la condición de estabilidad de los sistemas mostrados en la Figura 9.
Figura 9: Sistema clásico (1) y sistema en variables espacio estado (2).
El sistema en la forma variables espacio estado puede ser:

[ ] [ ]
−3 1 0 [ ]
A= , B= , C= −1 1
0 −2 1
Verificando la prueba de la estabilidad BIBO, ahora los valores propios son λ1 = −3 y λ2 = −2 lo cual
verifica la prueba de estabilidad.
1 A=[-3 1;0 -2]
2 vp=eig(A); % -3 -2
Pasa la prueba de ser considerado como un sistema asintóticamente estable. Podemos plotear los polos y
ceros de los modelos, ası́ mismo plotear sus respuestas impulsivas como se muestran en la Figura 10.
Modelo Moderno Modelo Clasico

1 1
0.5 0.5
0 0
−0.5 −0.5
−1 −1
−4 −3 −2 −1 0 1 −4 −3 −2 −1 0 1
Respuesta Impulsional Respuesta Impulsional

1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
Figura 10: Polos y Ceros – Respuestas Impulsivas.

2.3 Estabilidad en un Sistema Realimentado 2 ANÁLISIS DE LA ESTABILIDAD
2.3. Estabilidad en un Sistema Realimentado

Asumiremos un sistema realimentado como un sistema de control, los métodos del análisis de la estabili-
dad descritos pueden ser aplicados a cualquier sistema de realimentación, en este caso asumiremos que el
sistema en estudio es lineal e invariante en el tiempo.
2.3.1. Definiendo el Sistema Realimentado

Como comentamos anteriormente, el análisis de la estabilidad es importante en la teorı́a de control, em-
pezaremos nuestro estudio basados en un sistema de control realimentado (ver Figura 11).
Disturbio de
Proceso d(s)
Proceso
Hd (z) FT Disturbio
Setpoint en
Error de Variable de
Setpoint Unidad de
Control Control FT Actuador
Medida
ysp (z) ysmSP (z) e m (z) u(z) y(z)
Hsm (z) Hc(z) Hu (z) +
Variable de
Salida del
Modelo del Proceso
Controlador
Sensor a
Sensor de
Escala
Medición
ym (z)
Hs(z)
Figura 11: Sistema de control realimentado con subsistemas funciones de transferencia.
Es suficiente el estudio de una parte extraı́da del diagrama de bloques (ver Figura 12) que se puede
representar como un diagrama de bloques compacto que contiene una función de transferencia, L(z), que
es el producto de la función de transferencia en el lazo:
H p(z)
ysmSP
u y ym
Hc (z) Hu (z) Hs (z)
L(z)
y smSP ym
u
Hc (z) Hp (z)
y smSP ym
L(z)
Figura 12: Convirtiendo el diagrama de bloques general en un diagrama compacto.

2.3 Estabilidad en un Sistema Realimentado 2 ANÁLISIS DE LA ESTABILIDAD
La función de transferencia L(z) desde el bloque compacto puede escribirse como.
L(z) = Hc (z) Hu (z)Hs (z) = Hc (z)Hp (z)

| {z }
H p (z)
La función de transferencia en lazo cerrado es la función de transferencia de la entrada (setpoint) ymsp a

la salida ym (medición del proceso), y se denota por la función de transferencia tracking.
nL (z)
L(z) dL (z) nL (z)
T (z) = = =
1 + L(z) nL (z) dL (z) + nL (z)
1+
dL (z)
Donde nL (z) y dL (z) son el numerador y denominador polinomiales de L(z) respectivamente. La estabili-
dad de un sistema realimentado es determinado por la estabilidad de T (z).
2.3.2. Análisis de la Estabilidad Basado en un Sistema Realimentado

El polinomio caracterı́stico de la función de transferencia tracking es:
c(z) = dL (z) + nL (z)

Entonces, la estabilidad del sistema de control es determinada por la ubicación de las raı́ces del polinomio
caracterı́stico en el plano complejo.
Ejemplo: Analizar la estabilidad basado en el polo de un sistema realimentado. Asumir que el sistema
de control es proporcional (P) en un proceso integrador. La función de transferencia es:
Hc (z) = Kp
y la función de transferencia del proceso es:
Ki Ts
Hp (z) =
z−1
Asumiremos que Ki = 1 y Ts = 1s. La función de transferencia de lazo directo viene dado por:
Kp nL (z)
L(z) = Hc (z)Hp (z) = =
z − 1 dL (z)
Calcularemos el rango de valores de K p eso asegura la estabilidad asintótica del sistema de control.
El polinomio caracterı́stico es:
c(z) = dL (z) + nL (z) = Kp + z − 1

El polo es: p = 1 − Kp .
El sistema es asintóticamente estable si p está dentro del cı́rculo unitario o la magnitud es menor que uno:
|p| = |1 − Kp | < 1
Se satisface con: 0 < K p < 2.

2.4 Prueba de la Estabilidad de Jury 2 ANÁLISIS DE LA ESTABILIDAD
Asumimos un valor de Kp = 1.3, la Figura 13 muestra la respuesta al escalón en ym para este valor de Kp .
1.5
1 1.2
1
0.5
0.8
Im(z)
0
0.6
−0.5
0.4
−1 0.2
−1.5 0
−1.5 −1 −0.5 0 0.5 1 1.5 0 2 4 6 8 10 12
Re(z) t (seg)
Figura 13: Mapeo del polo y respuesta al escalón en ym .
La Figura 14 muestra las respuestas debido a una entrada escalón unitario para diferentes valores de Kp
dentro del rango de estabilidad, excepto para el último valor en donde presenta una respuesta marginal-
mente estable (oscilatoria) no deseable para el sistema de control.
Kp = 0.5 Kp = 1
1.5 1.5
1 1
0.5 0.5
0 0
0 2 4 6 8 10 12 0 2 4 6 8 10 12
t (seg) t (seg)
Kp = 1.5 Kp = 2
1.5 1.5
1 1
0.5 0.5
0 0
0 2 4 6 8 10 12 0 2 4 6 8 10 12
t (seg) t (seg)
Figura 14: Respuesta al escalón para diferentes valore de Kp .
2.4. Prueba de la Estabilidad de Jury

La determinación de la ubicación exacta de los polos es una tarea complicada para polinomios carac-
terı́sticos de orden elevado siendo muy sensible a errores numéricos. El método de Jury se presenta como
una alternativa para el análisis de la estabilidad. Este método es algebraico en donde el número de raı́ces
del polinomio caracterı́stico está dentro del cı́rculo unitario. Dado el polinomio con coeficientes reales:
F(z) = an zn + an−1 zn−1 + · · · + a1 z + a0 = 0 an > 0

se construye una Tabla con las siguientes caracterı́sticas:

z0 z1 z2 ··· zn−1 zn
a0 a1 a2 ··· an−1 an
an an−1 ··· ··· a1 a0
b0 b1 b2 ··· bn−1
bn−1 ··· ··· ··· b0
c0 c1 ··· cn−2
cn−2 ··· ··· c0
..
.
m0 m1 m2
El cálculo de los coeficientes bk , ck , dk , · · · se realiza de acuerdo con las siguientes relaciones:

a0 an−k
bk = = a0 ak − an−k an
an ak

b0 bn−1−k
ck = = b0 bk − bn−1 bn−1−k
bn−1 bk

c0 cn−2−k
dk = = c0 ck − cn−2 cn−2−k
cn−2 ck
Para sistemas de segundo orden tiene solamente una fila. Las condiciones necesarias y suficientes para
que F(z) no tenga raı́ces fuera del cı́rculo unitario son:
1. F(1) > 0
2. (−1)n F(−1) > 0
3. |a0 | < an mientras que:
|b0 | > |bn−1 |

|c0 | > |cn−2 |
..
.
|m0 | > |m2 |
Ejemplo: Analizar la estabilidad de la ecuación caracterı́stica de F(z) usando el método de Jury.
z3 − 1.8z2 + 1.05z − 0.20 = 0

Verificando las 3 condiciones:
F(1) = (1)3 − 1.8(1)2 + 1.05(1) − 0.20 = 0.05

se cumple que: F(1) = 0.05 > 0.
( )
(−1)3 F(−1) = −1 (−1)3 − 1.8(−1)2 + 1.05(−1) − 0.20 = 4.05
se cumple que: (−1)3 F(1) = 4.05 > 0.

z0 z1 z2 z3
−0.2 1.05 −1.8 1
1 −1.8 1.05 −0.2
b0 b1 b2

a0 a3−0 −0.2 1
b0 = = = 0.22 − 1 = 0.96
a3 a0 1 −0.2

a0 a3−1 −0.2 −1.8
b1 = = = (−0.2)(1.05) − (−1.8)(1) = 1.59
a3 a1 1 1.05

a0 a3−2 −0.2 1.05
b2 = = = (−0.2)(−1.8) − (1.05)(1) = −0.69
a3 a2 1 −1.8
luego tenemos:
m0 = b0 = −0.96
m1 = b1 = 1.59
m2 = b2 = −0.69
Por lo tanto se cumple la tercera condición:
|m0 | > |m2 | → | − 0.96| > | − 0.69|

Entonces el sistema es ESTABLE.
Ejemplo: Sea el sistema mostrado en la Figura 15. Determinar los valores de K que hacen estable al
sistema.
R(z) K(z+0.5) Y(z)

+ (z+1)(z-0.5)(z-1)
-
Figura 15: Diagrama de bloques con realimentación unitaria.
Obteniendo la función de transferencia del sistema en lazo cerrado:
Y (z) L(z) K(z + 0.5)

= = 3
R(z) 1 + L(z) z − 0.5z + (K − 1)z + 0.5K + 0.5
2
El polinomio caracterı́stico es:
F(z) = z3 − 0.5z2 + (K − 1)z + 0.5K + 0.5

Aplicando las propiedades del criterio de Jury:
F(1) = (1)3 − 0.5(1)2 + (K − 1)(1) + 0.5K + 0.5 = 1.5K > 0 ⇒ K > 0

( )
(−1)3 F(−1) = −1 (−1)3 − 0.5(−1)2 + (K − 1)(−1) + 0.5K + 0.5 = 0.5K > 0 ⇒ K > 0

z0 z1 z2 z3
0.5K + 0.5 K −1 −0.5 1
1 −0.5 K −1 0.5K + 0.5

a0 a3−0 0.5K + 0.5 1
b0 = = = 0.25K 2 + 0.5K − 0.75
a3 a0 1 0.5K + 0.5

a0 a3−1 0.5K + 0.5 −0.5
b1 = = = 0.5K 2
a3 a1 1 K −1

a0 a3−2 0.5K + 0.5 K − 1
b2 = = = −1.25K + 0.75
a3 a2 1 −0.5
A partir de estos coeficientes, se puede determinar los valores de K que hacen al sistema estable. Im-
poniendo la restricción a3 > |a0 |, se tiene:
1 > |0.5(K + 1)| ⇒ −3 < K < 1

Junto con la condición K > 0, tenemos: 0 < K < 1. Ahora considerando la restricción |b0 | > |b2 |:
|0.25K 2 + 0.5K − 0.75| > | − 1.25K + 0.75|

Para que el sistema sea estable, se debe encontrar el valor de K en 0 < K < 1, por lo tanto el primer
término de la desigualdad ha de ser siempre menor que cero, (0.25K 2 + 0.5K − 0.75 < 0), de esta forma
la expresión queda:
−0.25K 2 − 0.5K + 0.75 > | − 1.25K + 0.75|

Considerando: −1.25K + 0.75 = 0, entonces K = 0.6. Si:
0 < K < 0.6 ⇒ −1.25K + 0.75 > 0

0.6 < K < 1 ⇒ 1.25K − 0.75 < 0
Para eliminar los valores absolutos de la desigualdad, analizaremos dos casos:
Para 0 < K < 0.6, se tiene:
− 0.25K 2 − 0.5K + 0.75 > −1.25K + 0.75

0.75K 2 − 0.25K 2 > 0 ⇒ K(3 − K) > 0
lo cual se cumple dado que 0 < K < 1.
Para 0.6 < K < 1, se tiene:
− 0.25K 2 − 0.5K + 0.75 > 1.25K − 0.75

0.25K 2 + 1.75K − 1.5 < 0
K 2 + 7K − 6 < 0 ⇒ 0 < K < 0.772
Haciendo uso de todas las condiciones, se tiene finalmente, que el sistema es estable sı́, y sólo sı́:
0 < K < 0.772

La Figura 16 muestra las respuestas para los valores de ganancias: K = {0.1, 0.3, 0.772}. El último valor
es critico debido a que el sistema es marginalmente estable, tal como se demostró en el análisis.

1 K=0.2;
2 Ts=1;
3 nz=[K 0.5*K];
4 dz=conv([1 1],conv([1 -0.5],[1 -1]));
5 Gla=tf(nz,dz,Ts);
6 Glc=feedback(Gla,1);
7 % Respuesta al escalón
8 t=0:Ts:25;
9 y=step(Glc,t);
10 stairs(t,y,’r’,’linewidth’,1.5)
11 hold
12 plot([0 12],[1 1],’k:’)
13 xlabel(’t (seg)’)
14 axis([0 25 -1 3])
1.5
1
1
Im(z)
0
0.5
−1
0
−1 0 1 0 10 20 30
Re(z) t (seg)
1.5
1
1
Im(z)
0
0.5
−1
0
−1 0 1 0 10 20 30
Re(z) t (seg)
3
1
2
Im(z)
0 1
0
−1
−1
−1 0 1 0 10 20 30
Re(z) t (seg)
Figura 16: Analizando la estabilidad y respuesta del sistema al escalón.

CONTROL DIGITAL MT228
Root Locus
Tiempo Discreto con MATLAB

robust@uni.edu.pe
M.Sc. Ricardo Rodríguez B. 1
Función de Transferencia en Lazo Cerrado
+
-
Y ( z) Gc ( z )G p ( z )
=
R( z ) 1 + Gc ( z )G p ( z )
2

Ecuación Característica
1 + Gc ( z )G p ( z ) = 0
Tiene exactamente la misma forma para el análisis en tiempo continuo, solo

cambia la herramienta del operador Z.
La función de transferencia en lazo abierto expresado en la forma de Evans es:
m
K ∏ ( z − zi )
KB ( z )
Gc ( z )G p ( z ) = n
i =1
=
∏ (z − p )
A( z )
j
j =1
Condición de Magnitud y Fase

La ecuación característica del sistema en lazo cerrado es:
KB ( z )
1+ =0
A( z )
Los valores de Z que son solución de la ecuación característica satisface:
KB ( z )
La condición de magnitud es: =1 Usado para asociar la raíz
A( z ) con una ganancia
La condición de fase es:
 KB ( z )  Suficiente para definir el

ph  = 180° + 360°l Root Locus para K que
 A( z )  varia de 0 ∞
l es cualquier entero
4

ωd = 0.3ω N ζ = 0 .1
0.2ω N
ζ = 0. 9
ωn = ω N
ζω n = cte
ωs 2πf s π
ωN = = = z = eTs = eσT e jωT = re jθ
2 2 T ζ =0
5
=
10
Procedimiento de Diseño
La región aceptable para los polos dominantes en lazo cerrado basados en el
requerimiento de la respuesta transitoria.
Especificaciones para respuestas en tiempo continuo ζ , ωn

4
Tiempo de establecimiento ts ≈ ⇒ σ = −ζωn ⇒ r = e −ζωnT
ζωn
πζ
−
1−ζ 2
Sobrepaso máximo Mp =e ⇒ζ
1.8 OK
Tiempo de subida tr = ⇒ ωn
ωn
Especificaciones error en estado estacionario

Error en Estado Estacionario

R( z ) z
La transformada Z del error E ( z) = R( z ) =
1 + Gc ( z )G p ( z ) z −1
Teorema del valor final e(∞) = lim ( z − 1) E ( z )

z →1
z 1
= lim ( z − 1)
z →1 z − 1 1 + Gc ( z )G p ( z )
1
= lim
z →1 1 + Gc ( z )G p ( z )
1 1
Para sistema de tipo 0 e(∞) = lim =
z →1 1 + Gc (1)G p (1) 1 + K p
Ejemplo # 1
0.1
Planta continua G p ( s) =
s( s + 0.1)
z + 0.9672
Discretización por ZOH para T=1 G p ( z ) = 0.0484
( z − 1)( z − 0.9048)
Ecuación característica para un control proporcional Gc ( z ) = K p
z + 0.9672
1 + 0.0484K p =0
( z − 1)( z − 0.9048) ζ = 0.5
ωn ≥ 1, ⇒ ωn = 1
Especificaciones de diseño
π ω
T = 1, ω N = ⇒ n = 0.32
T ωN
ζωn = 0.5 ⇒ r = 0.61
8

Trazos de las Consideraciones de Diseño
10

11
12

13
Ejemplo # 2
Sea el sistema de segundo orden de la Figura, cuya entrada es un
escalón unitario. Analizar la estabilidad usando la técnica del Root Locus.
1
s ( s + 1)
Discretizando la planta
 G ( s )  0.36788( z + 0.7183)
Gd ( z ) = (1 − z −1 ) Z s  =
 s  ( z − 1)( z − 0.3679)
14

Estabilidad por Root Locus
Analizando polos y ceros de Gd (z )
Polos y ceros:
c = −0.7183
p1 = 1
p2 = 0.3679
15
Calculando el centroide:
∑P −∑Zi i
1 + 0.3679 − ( −0.7183)
σ= i=2 i =1
= = 2.0862
# P −# Z 2 −1
16

dL( z )
Calculando los puntos de ruptura:
K =1 =0
dz
( z − 1)( z − 0.3679)0.3679 − 0.3679( z + 0.7183)(2 z − 1.3679) = 0
z 2 + 1.4342 z − 1.3489 = 0, ⇒ z1 = −2.08, z 2 = 0.648
17
Calculando la ganancia K en los puntos de ruptura:
1
K =− z = −2.08, 0.648
L( z )
Para z=-2.08
( z − 1)( z − 0.3679) (−2.08 − 1)(−2.08 − 0.3679)

K1 = − =− = 15.84
0.36788( z + 0.7183) 0.36788(−2.08 + 0.7183)
Para z=0.648
( z − 1)( z − 0.3679) (0.648 − 1)(0.648 − 0.3679)

K2 = − =− = 0.196
0.36788( z + 0.7183) 0.36788(0.648 + 0.7183)
18

K1 = 15.84, ( z = −2.08)
Puntos de ruptura
K 2 = 0.196, ( z = 0.648)
19
Polos con ganancia K=2.39 que hace al sistema marginalmente estable
1 + KL ( z ) K = 2.39 = 0 ⇒ z = 1∠75.8°
z 2 + (0.36788 * 2.39 − 1.3679) z + (0.3679 + 0.2642 * 2.39) = 0
z 2 − 0.4887 z + 0.9993 = 0
Las raíces son:

z1 = 0.2443 + 0.9694 j
z 2 = 0.2443 − 0.9694 j
20

Marginalmente estable
K = 2.39
Marginalmente estable
21
22

Respuesta debido a una entrada escalón

unitario
23
Estabilidad por Jury
0.36788K ( z + 0.7183)
1+ =0
( z − 1)( z − 0.3679)
( z − 1)( z − 0.3679) + 0.36788K ( z + 0.7183) = 0
z 2 + (0.36788K − 1.3679) z + (0.3679 + 0.2642K ) = 0
Probaremos las (03) condiciones de Jury que se deben de cumplir para la

estabilidad, usaremos para este fin MATLAB. Se debe demostrar que las
condiciones han sido satisfechas, por lo tanto concluimos que el sistema
debe estar diseñado para el rango:
0 < K < 2.39
24

El test de Jury requiere del polinomio F(z) de la ecuación característica:
z 2 + (0.36788K − 1.3679) z + (0.3679 + 0.2642K ) = 0
Usaremos la función jury.m para generar el polinomio F(z) y la

conformación de la tabla para evaluar la condición 3.
Un programa principal; Aplica_Jury.m en donde se muestran las condiciones que

se debe de cumplir para llevar a cabo el análisis de la estabilidad por Jury.
Finalmente se prueba el rango de la ganancia K y se hace una evaluación del
lugar de las raíces mediante el Root Locus, mostrando el caso oscilatorio a
través de la respuesta del sistema debido a una entrada escalón unitario.
25
function [pol,juri]=jury(pd)
n=length(pd)-1;
jtable=[fliplr(pd);pd;zeros(2*n-4,n+1)];
vec=[pd(1);zeros(n-2,1)];
vecf=[pd(end);zeros(n-2,1)];
k=2;
for i=2:2:2*(n-2)
jtable(i+2,1:n-k+2)=jtable(i-1,1)*jtable(i,2:n-k+3)-jtable(i,1)*jtable(i-1,2:n-k+3);
jtable(i+1,1:n-k+2)=fliplr(jtable(i+2,1:n-k+2));
vec(k)=jtable(i+1,1);
vecf(k)=jtable(i+1,end-k+1);
k=k+1;
End
pol=poly2sym(pd,'x');
juri=jtable; %Muestra tabla
26

% Planta de Segundo Orden

Gc=tf(1,[1 1 0]);
% Convirtiendo de Continuo a Digital
T=1;
Gd=c2d(Gc,T,'zoh');
[P,Z]=pzmap(Gd);
[num,den]=tfdata(Gd,'v');
printsys(num,den,'s');
% 0.36788 s + 0.26424
% ------------------------
% s^2 - 1.3679 s + 0.36788
num=poly2sym(num,'z');
den=poly2sym(den,'z');
num=vpa(num,4);
den=vpa(den,4);
27
% Estabilidad por Juri

disp('--------------')
disp('Aplicando Juri')
syms K z
CL=den+K*num;
CL=coeffs(CL,z);
z 2 + (0.36788K − 1.3679) z + (0.3679 + 0.2642K ) = 0
CL=fliplr(CL);
disp('Ecuacion Caracteristica: ')
[pol,juri]=jury(CL);
% pol =
% 0.2642*K - 1.368*x + 0.3679*K*x + x^2 + 0.3679
% juri =
% [ 0.2642*K + 0.3679, 0.3679*K - 1.368, 1]
%[ 1, 0.3679*K - 1.368, 0.2642*K + 0.3679]
28

% Condiciones de Jury
disp('------------------')
disp('Primera Condición:')
disp('------------------')
F1=subs(pol,'x',1);
fprintf('0<') ----------------------------
disp(F1) Primera Condición:
k1=solve(F1); ----------------------------
k1=eval(k1); 0<0.6321*K - 0.0001
disp('k1')
disp(k1) k1
disp('------------------') 1.5820e-004
while 0<subs(F1,'K',k1)
k1=k1; ----------------------------
end 0.0001582<K
fprintf(num2str(k1))
disp('<K')
29
disp('------------------')
disp('Segunda Condición:')
disp('------------------')
F2=(-1)^(length(CL)-1)*subs(pol,'x',-1);
fprintf('0<')
disp(F2)
k2=solve(F2); ------------------------------
k2=eval(k2); Segunda Condición:
disp('K2') ------------------------------
disp(k2) 0<2.7359 - 0.1037*K
disp('------------------')
while 0<subs(F2,'K',k2) K2
k2=k2; 26.3828
end
fprintf(num2str(k2))
disp('>K')
30

disp('------------------')
disp('Tercera Condición:')
disp('------------------')
----------------------------
fprintf([num2str(sym2poly(juri(1,3))),'>'])
Tercera Condición:
disp(juri(1,1))
----------------------------
k3=0;
1>0.2642*K + 0.3679
while sym2poly(juri(1,3))>subs(juri(1,1),'K',k3)
k3=k3+0.01;
2.4>K
end
K3
disp([num2str(k3),'>K']);
2.4000
disp('K3')
----------------------------
disp(k3)
Intervalo de K:
disp('------------------')
0.0001582 < K < 2.4
% Hallando K
kmin=k1;
kmax=min(k2,k3);
disp('Intervalo de K: ')
disp([num2str(kmin),' < K < ',num2str(kmax)]),
31
Intervalo de K:
0.0001582 < K <
2.4
32

33
Ejemplo # 3
Hallar la respuesta temporal del sistema realimentado G(z) para un
periodo de muestreo de 1 segundo.
8
G( z) =
z − z + 0.5
2
Los polos deseados son: z1, 2 = 0.5 ± j 0.5

El argumento viene dado por:
 0.5 
θ = tan −1   = 0.7854rad = 45°
 0.5 
34

La amplitud viene dada por:
z = 0.52 + 0.52 = 0.7071

El ángulo γ es:
 0.5 
γ = π − tan  = 2.3562rad = 135°
 1 − 0.5 
La magnitud del radio para el polo deseado es:
ln z
r = e −σT ⇒ σ =− = 0.3466
T
35
Calculando los parámetros de la repuesta temporal.
γ
nr = =3
θ
π
np = = 4
θ
π
ns = = 9.0647
σ
M p (%) = e −πσ /θ × 100 = 25%
36

37
Ejemplo # 4
Determine si el sistema espacio estado es asintóticamente estable será
BIBO estable. Considere un periodo de muestreo de un segundo.
3 / 4 − 1 / 4 1 / 4  1 
xk +1 = 1 / 4 1 / 4 3 / 4 xk + 1 u k
 
1 / 2 − 1 / 2 3 / 2 0
yk = [1 1 1]xk
det ( zI − A) = 0
Calculando el determinante.
A=[3/4 -1/4 1/4;1/4 1/4 3/4;1/2 -1/2 3/2];

vp=eig(A);
vp =
0.5000 + 0.0000i
1.0000 + 0.0000i
1.0000 - 0.0000i 38

39
1  1
det (zI − A) = z 3 − z + 2 z − =  z − ( z − 1)
5 2 2 No es Asintóticamente
2 2  2 estable
2(z − 1)
2
G( z) =
 1
 z − (z − 1)
2
 2 
2
G( z) =
 1
BIBO ESTABLE z − 
 2
A=[3/4 -1/4 1/4;1/4 1/4 3/4;1/2 -1/2 3/2];

B=[1;1;0];
C=[1 1 1];
D=0;
H=ss(A,B,C,D,1);
F=H/(1+H);
g=tf(F);
g=minreal(g)
40

Ejemplo # 5 (PC3 2007-II)

Se quiere diseñar un sistema de control digital (P) en lazo cerrado para
una frecuencia natural 4rad/seg y un factor de amortiguamiento 0.7 para
el proceso G(s).
10
G ( s) =
s + 4s + 1
2
(a) Seleccione el periodo de muestreo T para el sistema. Justificar su

respuesta.
(b) Etiquete el CU de la Figura y dibuje el los polos y ceros del sistema en
lazo abierto.
(c) Hallar la ganancia limite Ku y los polos para esta ganancia.
(d) Elegir un valor de K con mínimo sobrepaso. Comparar la respuesta
temporal para los polos deseados debido a una entrada escalón
unitario.
41
Para seleccionar el periodo de muestreo adecuado usaremos la siguiente

relación referida al frecuencia amortiguada:
2π
Td =
ωd
Luego tomamos la décima parte como una consideración de diseño para
la elección del periodo de muestreo.
Td 2π
Ts = = ⇒ ω s = 10ωd
10 10ω d
ω s = 10ωn 1 − ζ 2 = 10(4) 1 − 0.7 2 = 28.56 rad / seg

Finalmente.
2π 2π
Ts = = = 0.22s
ωs 28.56
42

Discretizando el sistema por medio del ZOH obtenemos:
 G ( s )  0.18348( z + 0.7467)
G ( z ) = (1 − z −1 ) Z s  =
 s  ( z − 0.9428)( z − 0.44)
Los polos y ceros son

mostrados en el CU
43
Sistema de control en lazo cerrado
10
s 2 + 4s + 1
Función de transferencia prototipo en lazo cerrado para las

consideraciones de diseño
ωn2 16
G p ( s) = = 2
s + 2ζω n s + ωn s + 5.6 s + 16
2 2
 G ( s )  0.25178( z + 0.6593)
G p ( z ) = (1 − z −1 ) Z s  p  = 2
 s  z − 0.874 z + 0.2918
Polos deseados
z 2 − 0.874 z + 0.2918 = 0 z1, 2 = 0.437 ± j 0.3175

44

Ecuación característica
1 + KL( z ) = 0
P( z ) = z 2 + (0.173K − 1.3827) z + (0.1478K + 0.4147) = 0
Aplicando Jury
P (1) = 12 + (0.173K − 1.3827) + (0.1478 K + 0.4147) > 0 ⇒ K > −0.1
(−1) 2 P (−1) > 0 ⇒ K < 111.36
K > 0 ⇒ 1 > 0.1478 K + 0.4147
0 < K < 3.9573
45
Comprobando el valor de Ku=3.9573
46

Polos para el limite
z 2 + (0.173(3.9573) − 1.3827) z + (0.1478(3.9573) + 0.4147) = 0
z 2 − 0.6980 z + 0.9994 = 0 z1, 2 = 0.33 ± j 0.93
Polos deseados
z1, 2 = 0.437 ± j 0.3175
47
Eligiendo un valor de K tal que presente mínimo sobrepaso
Queda para el estudiante el análisis de esta pregunta (d)
48

Ejemplo # 6
Para el sistema mostrado, T=1s y D(z)=K.
(a) Plotear el root locus

(b) Determine el rango de K para la estabilidad basado en el root locus
L( z ) = D( z )G ( z )
49
0.6321 0.6321K
G( z) = → L( z ) =
z − 0.3679 z − 0.3679
Polo en 0.3679, Cero en el infinito. Im

j
-1 1 Re
-j
50

Debe ser estable hasta que se mueva la raíz 0.3679 de K=0 a K=1, en el
punto de 1+KL=0 evaluado en z=-1.
0.6321K
1+ =0
(−1) − 0.3679
1.3679
K= = 2.1641
0.6321
51
52

Ejemplo # 7
Un sistema de brazo robótico es mostrado, siendo T=0.1s y D(z)=1
(a) Plotear los polos y el root locus

(b) Use Jury para analizar la estabilidad
(c) Indicar los puntos de estabilidad marginal, incluya ángulo y las raíces
53
0.0013112( z + 0.9355)
L( z ) =
( z − 1)( z − 0.8187)
P=
1.0000
0.8187
Z=
-0.9355
∞
54

Puntos de ruptura
d ( L( z ))
=0
dz
z 2 + 1.8708 z − 2.5199 = 0 → z1, 2 = 0.9071,−2.7779
55
(b) Análisis de estabilidad
1 + KL ( z ) = 0
z 2 − 1.8187 z + 0.8187 + K (0.0013) z + K (0.0012) = 0
Q(1) > 0 → K > 0

(−1) 2 Q( −1) > 0 → K < 36374
a0 < a 2 → 0.8187 + 0.0012 K < 1
K < 151.0833
Resultando la ganancia
0 < K < 151.0833
56

(c) Condición de estabilidad
z 2 − 1.8187 z + 0.8187 + (151.0833)(0.0013) z + (151.0833)(0.0012) = 0

z 2 − 1.6223z + 1 = 0
z1, 2 = 0.8112 ± j 0.5848 = 1∠ ± 0.6246rad = 1∠ ± 35.7881°
57

Estabilidad en el Dominio Discreto
robust@uni.edu.pe
Índice
1. Root Locus en el Plano–Z 2
2. Estabilidad en el Plano–Z 4
2.1. Solución Plano–s . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.2. Solución Plano–z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1
1 ROOT LOCUS EN EL PLANO–Z
1. Root Locus en el Plano–Z

Sea la planta G(z) en un sistema realimentado como el que se muestra en la Figura 1.
Figura 1: Diagrama de bloques de un sistema en lazo cerrado.
Para analizar la estabilidad podemos emplear el método de la respuesta impulsional y sus caracterı́sticas.
Otro método que es bastante utilizado es el llamado root locus (lugar de las raı́ces) es una herramienta
que establece un polinomio en la forma:
Z(z)
Q(z) = 1 + K =0
P(z)
Donde:
P(z) + KZ(z) = 0
Las técnicas usadas para dibujar el root locus en el plano–s es idéntico a los métodos usados para dibujar
el ploteo del root locus en el plano–z.
Una diferencia entre el plano–s y el plano–z es como interpretar ploteo del root locus. El tema central de
esta diferencia queda en la transformación de s a z. La transferencia de los polos se realiza por la relación
de mapeo dado por:
z → esT
Esto tiene varias implicaciones:
♣ En el dominio del tiempo continuo, la ganancia DC es un punto importante para analizar la respuesta
al escalón, esto se obtiene haciendo el lı́mite s → 0.
z En el dominio del tiempo discreto, la ganancia DC se obtiene haciendo z → 1, (z = e0T = 1).
♣ La lı́nea de división entre los polos estables e inestables en el plano–s es el eje jω .
z La lı́nea de división entre los polos estables e inestables en el plano–z es e jω T (el circulo unitario).
♣ Los polos del semiplano izquierdo son estables en el plano–s si ℜ del polinomio caracterı́stico
Q(s) < 0.
z Los polos dentro del cı́rculo unitario son estables en el plano–z, |z| = |esT | < 1.
♣ La parte real del polo (σ ) en el plano–s determina el tiempo de establecimiento para un 2 %:
4 4
ts = =
σ ζ ωn
Donde ζ es el factor de amortiguamiento y ωn es la frecuencia natural no amortiguada.

1 ROOT LOCUS EN EL PLANO–Z
z La amplitud del polo en el plano–z determina el tiempo de establecimiento. Los polos en el plano–z
se mapean desde s = σ , resultando, z = eσ T . Tomando logaritmo natural, obtenemos:
ln z
ln z = σ T ln e → σ =
T
Por otro lado el tiempo de establecimiento para un 2 % es:
4 4T
ts = → ts =
σ ln z
Desde el análisis del tiempo de establecimiento podemos resolver:
|z|k = 0.02
4
ts = kT = T
ln |z|
4
k =
ln |z|
♣ La parte imaginaria del polo en el plano–s dice acerca de la frecuencia de oscilación.
s = j ωd
Siendo ωd la frecuencia de amortiguamiento.
z El ángulo de un polo en el plano–z dice acerca de la frecuencia de oscilación. La parte compleja de

un polo en el plano–s transforma al ángulo de z.
z = esT = e jωd T
∠z = ωd T
En la Figura 2 se muestra un lugar de las raı́ces del plano–s que son mapeados en el plano–z, indicando
que se encuentran en la región estable dentro del circulo unitario.
2
0.5
1
0 0
−1
−0.5
−2
−3 −1
−1.5 −1 −0.5 0 −1 −0.5 0 0.5 1
Figura 2: Curvas de contornos en el plano–s y en el plano–z.

2 ESTABILIDAD EN EL PLANO–Z
2. Estabilidad en el Plano–Z
Diseñe un controlador tipo proporcional para la planta para que el sistema tenga un amortiguamiento
menor que 0.7.
2
G(s) =
s(s + 1)
2.1. Solución Plano–s

Analizando la ecuación caracterı́stica:
1 + KG(s) = 0 → s2 + s + 2K = 0
√
las raı́ces son: s1,2 = −0.5 ± j0.5 1 − 8K. Seleccionamos un factor de amortiguamiento de 0.707.
Usaremos MATLAB para simplificar los cálculos, de ese modo en estas lı́neas podemos encontrar las
raı́ces.
zeta =0.707;
q= a c o s ( z e t a ) ;
t h e t a =q ∗ 1 8 0 / p i ; % 45 ◦
s 1=−c o s ( q ) + j ∗ s i n ( q )
% −0.7070 + 0 . 7 0 7 2 i
El polo de s1 = −0.7070 + 0.7072i y su conjugado se muestran en la Figura 3.
Root Locus
1
0.76 0.64 0.5 0.38 0.24 0.12
0.8
0.6
0.88 sd
0.4
d1 d2
0.97
0.2
Imaginary Axis
θ = 45°
1 0.8 0.6 0.4 0.2
0
−0.2
0.97
−0.4
−0.6
0.88
−0.8
0.76 0.64 0.5 0.38 0.24 0.12

−1
−1 −0.8 −0.6 −0.4 −0.2 0 0.2
Real Axis
Figura 3: Root locus de G(s).
Mientras que el polo deseado para K = 0 es, sd = −0.5 + j0.5, se observa que está en la lı́nea del amor-
tiguamiento del root locus de la Figura 3. Aplicando el criterio de magnitud obtenemos el valor de la
ganancia K
( √2 )( √2 )
2K = d1 d2 ⇒ K = 0.5 = 0.25
2 2
La respuesta del sistema debido a una entrada escalón se muestra en la Figura 4.

2.2 Solución Plano–z 2 ESTABILIDAD EN EL PLANO–Z
1.2
0.8
y(t)
0.6
0.4
0.2
0
0 2 4 6 8 10 12 14 16 18 20
t
Figura 4: Respuesta al escalón del sistema en lazo cerrado.
2.2. Solución Plano–z

Antes de discretizar la planta, se debe elegir el periodo de muestreo usamos la condición en lazo cerrado,
T ≤ tr /10. Escribimos las siguientes lı́neas de código:
sd =0.5+0.5 i ;
t h e t a = a t a n ( imag ( s d ) / r e a l ( s d ) ) ;
gama= p i −t a n ( imag ( s d ) / ( 1 − r e a l ( s d ) ) ) ;
t r =gama / t h e t a ;
T= t r / 1 0 ;
T= c e i l ( Ts ) / 1 0 ;
Discretizando la planta con ZOH para un periodo de muestreo, T = 0.1 segundos.
0.0096748(z + 0.9672)
G(z) =
(z − 1)(z − 0.9048)
Para el ploteo del root locus de G(z) en el plano–z la parte del lugar de las raı́ces está cercano a z = 1 (en
el plano–s era en el origen de coordenadas, es decir, s = 0), esto determina el polo dominante. Además se
mantiene verdadero en el plano–z sólo que z esta cercano a +1, estos resultados se pueden observar en el
ploteo del root locus de la Figura 5.
Root Locus
0.2
0.15 0.2 0.1

0.3
0.4
0.5
0.6
0.1 0.7
0.8
0.9 zd=0.95 + 0.05i

0.05
Imaginary Axis
−0.05
−0.1
−0.15
−0.2
0.85 0.9 0.95 1 1.05
Real Axis
Figura 5: Root locus expandido cerca a z = +1.

Ubicando un punto en el root locus para poner el polo dominante. Para el factor de amortiguamiento de
0.707, reemplazamos esta constante en z = eσ T que luego será reemplazada en la ecuación caracteristica
obtenemos, z = 0.95 + 0.05i.
Escogemos K para poner los polos en el root locus. En cualquier punto en el root locus, se cumple
GK = −1. Las lı́neas de MATLAB que se listan debajo resolverán los cálculos de las evaluaciones de la
forma polar de la función de transferencia.
T=0.1;
G= t f ( 2 , [ 1 1 0 ] ) ;
Gz= c2d (G, T , ’ zoh ’ ) ;
[ n , d ] = t f d a t a ( Gz , ’ v ’ ) ;
s d = −0.5+0.5 i ;
d s d = exp ( s d ∗T ) ; % 0.9500 + 0.0475 i
[ num , den ] = t f c h k ( n , d ) ;
X= ( p o l y v a l ( num , dsd , T ) ) / ( p o l y v a l ( den , dsd , T ) ) ; % −4.1000 + 0 . 1 0 3 4 i
e v a l r e =− r e a l (X ) ; % 4.1000
e v a l i m = a n g l e (X) ∗ 1 8 0 / p i ; % 178.5557
K= 1 / e v a l r e ; % 0.2439
Luego podemos verificar en forma analı́tica de la siguiente forma:
( )
0.0096748(z + 0.9672)
G(z) = K K = −1
(z − 1)(z − 0.9048)
z=0.95+0.0475i
)
(
◦
= K 4.10∠178 = 1∠180◦ = −1
El ángulo está un poco lejos del lugar, sin embargo podemos aproximar un valor para la ganancia.
K ≈ 0.2439
Esto produce un sistema con 4 % de sobrepaso para la respuesta al escalón unitario (ζ = 0.707), siendo
el tiempo de establecimiento ts = 7.9s.
la magnitud del polo dominante es:
|z| = |0.95 + 0.0475i| = 0.9513

Resolviendo para el 2 % de tiempo de asentamiento.
(0.9513)k = 0.02
k = 78.24
Redondeando a 78 muestras, (esto toma 78 muestras para el transitorio que decae al 2 % de su valor
inicial). El periodo de muestreo es 100ms, resultando el tiempo de establecimiento:
ts = kT
ts = 78(0.1)

Esto nos resulta ts = 7.8s que es el valor aproximado en donde se establece la señal de salida. Los re-
sultados de las simulaciones podemos apreciar en la respuesta del sistema debido a una entrada escalón
unitario se muestra en la Figura 6. Finalmente se ha verificado las consideraciones de diseño desde el
análisis del lugar geométrico de las raı́ces del plano–s y del plano–z mediante MATLAB, cuyo código se
lista a continuación.
[K, P ] = r l o c f i n d ( Gz , d s d ) ;
tk =0:T : 1 2 ;
u= o n e s ( s i z e ( t k ) ) ;
F=K∗Gz / ( 1 +K∗Gz ) ;
yd= l s i m ( F , u , t k ) ;
s t a i r s ( t k , yd )
hold
p l o t ( tk , u , ’ k ’ )
xlabel ( ’ t k ’ )
ylabel ( ’y ( t k ) ’ )
Y los resultados de las simulaciones se muestran en la Figura 6.
1.2
0.8
y(tk)
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10 11 12
tk
Figura 6: Respuesta del sistema debido a una entrada escalón unitario.

Control Digital UNI-M6
1 Modelado de Procesos
Análisis para Sistema de

Control en Tiempo Discreto
M.Sc. Ricardo Rodríguez Bustinza

robust@uni.edu.pe
2
Relaciones: Plano-s y Plano-z

Prueba de la Estabilidad de Jury
Criterio de Estabilidad de Routh
Método del Root Locus

Relaciones:
3
Plano-s y Plano-z
Modelado(1/7)
de Procesos
En los sistemas de control en tiempo continuo, la localización de los

polos y ceros en el plano-s permite establecer el comportamiento
dinámico del sistema. Por analogía, en los sistemas discretos, la
ubicación de los polos y de los ceros en el plano-z posibilita analizar
el desempeño del sistema discreto. Cuando en el proceso se involucra
un muestreo por impulsos, las variables complejas s y z se relacionan
mediante la ecuación de mapeo:
= (1)
La ecuación (1) significa que un polo en el plano-s se puede ubicar

en el plano-z utilizando la transformación de mapeo.
Relaciones:
4
Plano-s y Plano-z
Modelado(2/7)
de Procesos

Relaciones:
5
Plano-s y Plano-z
Modelado(3/7)
de Procesos
Teniendo en cuenta que la variable compleja está formada por una

parte real y una parte imaginaria, es decir: s = σ + jω , la ecuación (1)
se puede escribir como:
= ( ) = (2)
Pero:
= + (3)
Reemplazando (3) en (2) se obtiene:

= + (4)
De esta ecuación resulta:

= ∠ (5)
Relaciones:
6
Plano-s y Plano-z
Modelado(4/7)
de Procesos
Dado que es negativo en el semiplano izquierdo del plano-s, el

plano izquierdo del semiplano-s que corresponde al eje imaginario
corresponde a = 1.
! = "#$ < & (6)
Es decir, el eje imaginario en el plano-s (línea = 0), corresponde al

contorno del círculo unitario en el plano-z y el interior del círculo
unitario en el plano-z corresponde al semiplano izquierdo del plano-s.
Para un sistema de segundo orden, con función de transferencia dada
por:
(
' = (7)
( + () + (

Relaciones:
7
Plano-s y Plano-z
Modelado(5/7)
de Procesos
Las raíces de la ecuación característica:

&,( = −) ± & − )( (8)
En donde ξ es el coeficiente de amortiguamiento y ω0 es la frecuencia

natural del sistema. Utilizando la ecuación (1) se obtiene:
= 1) ∠± & − )( = ∠±2 (9)
Haciendo ω4 = ω0 1 − ξ5 , la ecuación (9) se transforma en:
= 1) ∠± (10)
6
El ángulo 7 8 está dado en radianes. Si se quiere expresar en

grados, la ecuación (9) se puede reescribir como:
Relaciones:
8
Plano-s y Plano-z
Modelado(6/7)
de Procesos
Las raíces de la ecuación característica:

= 1)
(11)
2 = ;<. > & − )(
La relación de mapeo se puede utilizar para obtener la función

discreta G(z) a partir de la función continua G(s). La única dificultad
se presenta con los ceros de G(s) y con la ganancia DC de G(z) . Pero,
esta dificultad se puede obviar así:
Sea ' =
?( )
@( )
y supóngase que el orden de los polinomios P(s) y Q(s) son m y n

respectivamente. El sistema es realizable físicamente si m ≤ n.

Relaciones:
9
Plano-s y Plano-z
Modelado(7/7)
de Procesos
Si F < G se puede asumir que I(J) tiene G − F ceros en el infinito.

Para obtener I( ) se debe tener en cuenta que cada cero de I(J) en el
infinito, representa un cero en = −1 en I( ).
La ganancia DC necesaria para I( ) se puede determinar haciendo
cumplir la ecuación:
K L '( ) = OK L '( ) (12)

→N →&
10
Dada la función de transferencia:
+&
' =
( + ()( + >)( + ;)
Determinar la función discreta G(z) equivalente utilizando la

trasformación de mapeo con T = 0.1s
En este caso m = 1, y n = 3 pues tiene un cero en s = −1 y tres

polos en s = −2 , s = −3 y s = −5. Por lo tanto, G(s) tiene
n − m = 2 ceros en el infinito y G(z) tendrá dos ceros en z = −1.
Entonces:
+ & ( ( − 1N.& ) + & ( ( − N. QNRS)
' = =
( − 1N.( )( − 1N.> )( − 1N.; ) ( − N. S&S<)( − N. <RNS)( − N. TNT;)

11
El valor de necesario para ajustar la ganancia DC de se obtiene a
partir de la ecuación (12).
+& + & ( ( − N. QNRS)
KL = OK L
→N ( + ()( + >)( + ;) →& ( − N. S&S<)( − N. <RNS)( − N. TNT;)
&
(N. ;Q>O = O = N. NN&T&S
>N
Así, la función de transferencia discreta es, en definitiva:

N. NN&T&S + & ( ( − N. QNRS)
' =
( − N. S&S<)( − N. <RNS)( − N. TNT;)
12
La figura muestra las respuestas de I(J) y I( ) de a un escalón
unitario. Como puede verse, las dos respuestas son similares.

13

14
Estabilidad (1/4) Modelado de Procesos
Para el sistema de control en tiempo discreto que se muestra en la
figura, la función de transferencia de pulso en lazo cerrado está
dada por:
V( ) '( )
'U = = (13)
W( ) & + 'X( )
La estabilidad del sistema discreto definido por la ecuación (13) se

puede determinar mediante la ubicación de los polos de lazo
cerrado en el plano es decir, por las raíces de la ecuación
@ = & + 'X =N (14)

característica:

15
o El sistema es estable si todos sus polos de lazo cerrado es decir, si
todas las raíces de su ecuación característica están ubicados dentro
del círculo unitario del plano-z. Cualquier polo de lazo cerrado
localizado fuera del círculo unitario genera un sistema inestable.
o Un polo simple localizado sobre el circulo unitario ( = 1), hace
que el sistema sea críticamente estable, igual cosa sucede si existe
un solo par de polos complejos conjugados ubicados sobre el
círculo unitario. Cualquier polo múltiple ubicado sobre el círculo
unitario hace que el sistema sea inestable.
o Los ceros de lazo cerrado no afectan la estabilidad del sistema y,
por lo tanto, pueden estar localizados en cualquier parte del plano-
.
16
La estabilidad absoluta de un sistema discreto se puede determinar
por diferentes métodos aplicables a la ecuación característica del
sistema sin necesidad de encontrar sus raíces. Dos de estos métodos
son la prueba de Estabilidad de Jury y el criterio de Estabilidad de
Routh, basado en la transformación bilineal.

17
18
Prueba de Estabilidad deModelado
Jury de Procesos
Para aplicar esta prueba a la ecuación característica , se construye una

tabla cuyos elementos están determinados por los coeficientes de
Y( ) = 0 . Para iniciar la prueba, se debe escribir la ecuación
característica en la forma:
@ =Z +Z 1& 1& + ⋯ Z& + ZN = N Z >N (15)
El arreglo de Jury se construye como se indica en la Tabla 1, los

coeficientes de la primera fila del arreglo son los coeficientes de Y( )
dispuestos en orden de potencias ascendentes de z. Los elementos de
la segunda fila son los coeficientes de Y( ) dispuestos en orden de
potencias descendentes de z.

19
Tabla de Jury Modelado de Procesos
20
Condiciones de Jury
Los elementos correspondientes a las filas 3 hasta 2G − 3 se obtienen

mediante los determinantes dados en la ecuación (16)
ZN Z 1 ]N ] 1 _N _>1
] = Z Z = ^ = _ (16)
] ] > _
Para que no tenga raíces fuera o sobre el círculo unitario en el plano

es decir, para que el sistema sea estable, se requiere el cumplimiento
de condiciones, se pueden resumir así:
(1) @ & > N
(2) (−&) @ −& > N (17)
(3) ZN < Z
]N > ] 1& N > 1( ⋯ ^N > ^(

21
Procedimiento de Prueba
Paso1: Determinar si se cumplen las condiciones 1, 2 y 3. Si no se

cumplen, el sistema es inestable, si se cumplen efectuar paso 2
Paso 2: Determinar el máximo valor de , así:
LZc = −( (18)
Si `ab = 0, no se continúa el procedimiento pues la información
del paso 1 es suficiente para determinar la estabilidad del sistema.
Paso 3: El máximo número de filas que ha de tener el arreglo está
dLZc = ( +& = ( −> (19)
dado por:
LZc
Paso 4: Se completa el arreglo. A cada fila se le aplica la

restricción. Si ésta no se cumple, no se continúa y el sistema es
inestable.
22
Determinar la estabilidad del sistema de control discreto cuya
función de transferencia en lazo cerrado es:
(( + N. ;)
' = R − N. S > + N. ; ( + N. ( − N. &
La ecuación característica del sistema es:

@ = R − N. S > + N. ; ( + N. ( − N. &
ZR = & Z> = −N. S Z( = N. ; Z& = N. ( ZN = −N. &
Para evaluar la estabilidad el procedimiento se inicia así:

23
Paso 1: Verificación de las condiciones 1, 2 y 3.
@ & = & − N. S + N. ; + N. ( − N. & = N. S > N CUMPLE
(−&)R @ −& = & + N. S + N. ; − N. ( − N. & = ( > N CUMPLE
ZN < Z −N. & < & CUMPLE
Paso 2: Máximo valor de LZc = −( =R−( =(
Paso 3: Máximo número de filas del arreglo:

dLZc = ( ( + & = ( − > = ;
Paso 4: Se completa el arreglo de Jury chequeando para cada etapa las

condiciones respectivas. (Ver tabla)
24
ZN ZR −N. & &

]N = Z ZN = & = −N. QQ
R −N. &
ZN Z> −N. & −N. S
]& = Z Z& = & = N. <S ]N > ] = ]>
R N. ( 1&
ZN Z( −N. & N. ; −N. QQ > −N. &(

]( = Z Z( = & = −N. ;;
R N. ;
CUMPLE
ZN Z& −N. & N. (

]> = Z Z> = & = −N. &(
R −N. S

25
]N ]R −N. QQ −N. &(

= = = N. QT;<
N
]R ]N −N. &( −N. QQ
]N ]> −N. QQ −N. ;;
= = = −N. S>S( > =
&
]R ]& −N. &( N. <S N 1( (
]N ]( −N. QQ N. <S
= = = N. T>S& N. QT;< > N. T>S&
(
]R ]( −N. &( −N. ;;
CUMPLE
Cumplen todas las condiciones SISTEMA ESTABLE.
26
Código MATLABModelado de Procesos

27
Para el sistema de control discreto de la figura, determinar el valor o
valores de la ganancia e para los cuales el sistema es estable. Asumir
como periodo de muestreo 8 = 1seg.
N. RSNS( + N. (>QR)
X' =
( − &)( − N. NNT<>)
La función de transferencia de pulso:
Y la función de transferencia en lazo cerrado:

f( ) N. RSNSO( + N. (>QR)
' = =
W( ) ( − &. NNT<> − N. RSNSO + N. &&;&O
28
La ecuación característica del sistema es:
@ = ( − &. NNT<> − N. RSNSO + N. &&;&O = N
Aplicando las condiciones de la prueba de Jury se obtiene:

@ & = N. ;Q;QO > N K>0
(−&)( @ −& = (. N&>RT − N. >T;<O > N K < 5.5
ZN < Z N. NNT<> + N. &&;&O < & −8.7446 < K < 8.6296
El resultado indica que la ganancia e debe estar en el intervalo.

Comprobar esto analíticamente y resuelva con Matlab.
N < O < ;. ;

29
30

31

32
Criterio de Estabilidad deModelado
Routh de Procesos
Un método muy utilizado en el análisis de estabilidad de sistemas

discretos es el uso de la transformación bilineal junto con el criterio
de Routh. El método consiste en transformar el plano-z en otro plano
complejo , el plano y aplicar, a la ecuación característica resultante,
el criterio de estabilidad de Routh. La transformación bilineal está
definida por:
8
1+
= 2
8 (20)
1−
2
2 −1
= (21)
8 +1

33
Criterio de Routh (1/2)
La transformación bilineal permite obtener la ecuación característica en

la forma:
Y = hi i + h i1j i1j + ⋯ hj + hk = 0 (22)
Así, el arreglo de Routh toma la forma:

hi hi15 hi1m ⋯
pj =
i uvwx uvwy 1(uv )(uvwz )
i1j hi1j hi1n hi1o ⋯ uvwx
i15 pj p5 pn ⋯
p5 =
uvwx uvw{ 1(uv )(uvw| )
i qj q5 qn ⋯ uvwx
⋮ ⋮ ⋮ ⋮ ⋮
5
rj r5
pn =
uvwx uvw} 1(uv )(uvw~ )
j
sj uvwx
tj
k
q5 =
•x uvw| 1(•z )(uvwx )
qj =
•x uvwz 1(•y )(uvwx )
•x •x
34
Criterio de Routh (2/2)
Una vez terminado el arreglo, el criterio de Routh-Hurwist establece

que: “El número de raíces de la ecuación característica con parte real
positiva es igual al número de cambios de signo que se presentan en
los coeficientes de la primera columna del arreglo”. Es decir, el
sistema es estable sí y solo sí todos los coeficientes de la primera
columna del arreglo son positivos.
i hi hi15 hi1m ⋯
i1j hi1j hi1n hi1o ⋯
i15 pj p5 pn ⋯
i qj q5 qn ⋯
⋮ ⋮ ⋮ ⋮ ⋮
5
rj r5
j
sj
tj
k

35
Determinar el valor e de para el cual el sistema de control discreto
de la figura es estable. Considere un periodo de muestreo de 2 seg.
Como la función de transferencia del proceso presenta retardo, es

necesario trabajar con la transformada modificada. Por lo tanto:
I(J)
I = 1− 1j 1€ •
‚`
J
ƒk = „8 + ∆8 F =1−∆ F8 = 8 − ∆8
36
De las relaciones anteriores obtenemos:
3 = 1 2 + ∆8 ∆8 = 1 2F = 2 − 1 F = 0.5
0.1
I = 1− 1j 1j •
‚`
J(J + 0.1)
Desde la tablas de transformada z modificada:

† 1 ‡ 1a`ˆ
•‚` = −
J(J + †) −1 − ‡ 1aˆ
0.476( − 0.9044)
Obtenemos:
‰I = 15
( − 0.8187)

37
Utilizando la transformación bilineal con 8 = 0.2 seg , se obtiene:
1+
0.476 − 0.9044
‰I = 1−
1+ 5
1+
− 0.8187
1− 1−
La ecuación característica es: 1 + e‰I =0
0.025 1 − 5 + 19.9205
1+ =0
1+ 5 + 0.09968
La ecuación queda definida por:

1 + 0.025e n
+ 2.0996 + 0.448e 5
+ 1.1993 + 0.971e + 0.0996 + 0.498e = 0
38
El arreglo de Routh para la ecuación anterior es:
n 1 + 0.025e 1.1993 − 0.971e
5
2.0996 + 0.448e 0.0996 + 0.498e
j Š 2.4184 − 2.006e − 0.446e 5
k 2.0996 + 0.448e 0
0.0996 + 0.498e
Para que el sistema sea estable, se debe cumplir:

1 + 0.025e > 0 → e > −40
2.0996 + 0.448e > 0 → e > −4.686 ESTABLE
−0.2 < e < 0.998

2.4184 − 2.006e − 0.446e 5
> 0 → e < 0.998
2.0996 + 0.448e
0.0996 + 0.498e > 0 → e > −0.2

39
La frecuencia de oscilación para K = 0.998 se puede determinar a
partir de la fila de 5 en el arreglo. En esta fila, se reemplaza e y se
resuelve la ecuación resultante ‹ para , cuyo valor corresponde a la
parte imaginaria de . Para el caso del ejemplo que se analiza, la
ecuación para evaluar a ‹ es:
2.0996 + 0.448(0.988) ‹
5 + 0.0996 + 0.498 0.988 = 0
2.542 ‹
5 + 0.591 = 0 ‹ = ± 0.482
Si se desea hallar la frecuencia real en el plano se debe utilizar la

2 8
ecuación:
= tan = 0.449 rad/s
‹
8 2
40


41
Introducción Modelado de Procesos
El método del lugar geométrico de las raíces permite encontrar los

polos de la FTLC de un sistema de control a partir de la FTLA del
sistema. La aplicación del método del lugar geométrico de las raíces en
el diseño de sistemas de control es muy útil, ya que indica la forma en
que se debe modificar la posición de los ceros y de los polos de lazo
abierto para que la respuesta de lazo cerrado cumpla con las
especificaciones de comportamiento establecidas para el sistema.
El método del lugar geométrico de las raíces desarrollado para los

sistemas continuos, se puede extender al diseño de sistemas discretos
sin modificaciones fundamentales, excepto en el análisis de estabilidad
se cambia del eje imaginario en el plano al círculo unitario en el plano .
Condición
42
de Angulo y Modulo (1/2)
Para un sistema de control discreto invariante en el tiempo, como el

que se muestra en la figura, la ecuación característica puede tomar
una de las siguientes formas:
1+I =0
(23)
1 + I‰ =0
Para generalizar, se asume que la ecuación característica es:

1+Ž =0 (24)

Condición
43
de Angulo y Modulo (2/2)
La ecuación dada por (24) se puede escribir en la forma:

Ž = −1 (25)
Ž( ) es una cantidad compleja, la ecuación (25) debe cumplir:
Condición de Angulo: se utiliza para determinar las trayectorias

del lugar geométrico en el plano .
∡Ž = • = ±180 2s − 1 , s = 0,1,2, … (26)
Condición de Módulo: permite calcular la ganancia asociada a los

polos de lazo cerrado especificados.
Ž =1 (27)
Los valores de z que cumplen simultáneamente las dos condiciones anteriores, son las raíces
de la ecuación característica, es decir, son los polos de lazo cerrado del sistema.
44
Reglas del Root Locus Modelado
(1/7)de Procesos
Para trazar el lugar de las raíces de un sistema discreto se obtiene
primero la ecuación característica o sea 1 + Ž( ) = 0 y se reescribe
esta ecuación de modo que el parámetro de interés (la ganancia e por
lo general), aparezca como un factor de multiplicación en la forma:
( + j )( + 5 ) ⋯ ( + ` )
Y =1+ (28)
( + rj )( + r5 ) ⋯ ( + ri )
A continuación se ubican los polos y ceros de Ž( ) en el plano z y se

procede a la aplicación de las siguientes reglas que permiten, de
manera relativamente fácil, construir el lugar de las raíces de un
sistema discreto.

45
(2/7)de Procesos
Regla 1: El lugar geométrico de las raíces comienza en los polos de
Ž( ) para e = 0 y termina en los ceros de Ž( ) para e = ∞.
Regla 2: El número de ramas del lugar geométrico de las raíces es
igual al mayor entre “ y • siendo “ el número de polos y Z el
número de ceros de Ž( ) .
Regla 3: El lugar geométrico de las raíces es simétrico con respecto
al eje real del plano .
Regla 4: El número de asíntotas que presenta el lugar geométrico de
las raíces de una ecuación es ” = “ − •. Las asíntotas convergen en
un punto localizado sobre el eje real, este punto se denomina “centro
de gravedad” y su localización está dada por:
∑ q——t˜ r—™—J − ∑ q——t˜ q‡t—J (29)
•. I =
“−•
46
(3/7)de Procesos
Regla 5: El ángulo que cada asíntota forma con el eje real, está dado
180(2s + 1)
por:
š= (30)
“−•
Regla 6: El lugar geométrico de las raíces sobre el eje real, sólo

existe a la izquierda de un número impar de raíces ubicadas sobre
dicho eje.
Regla 7: Cuando se presentan raíces complejas conjugadas, es

necesario calcular el ángulo de partida del polo ó el ángulo de
llegada al cero.

47
(4/7)de Procesos
Angulo de Partida del Polo:
› = 180° − • ∡ ˜‡ —ƒt—J r—™—J + • ∡˜‡ ™—J q‡t—J (31)
48
(5/7)de Procesos
Angulo de Llegada al Cero:
ž = 180° − • ∡ ˜‡ ™—J r—™—J + • ∡ ˜‡ ™—J —ƒt—J q‡t—J (32)

49
(6/7)de Procesos
Regla 8: Si existen dos polos adyacentes sobre el eje real, el lugar
geométrico de las raíces abandona el eje, si existen dos ceros
adyacentes sobre el eje real, el lugar geométrico de las raíces
converge en el eje. El punto en el cual el lugar geométrico de las
raíces abandona o converge en el eje real se denomina “punto de
ruptura” o “punto de silla” y su ubicación se puede determinar
resolviendo la ecuación:
˜e
=0 (33)
˜
También:
˜I‰( )
=0
˜
50
(7/7)de Procesos
Regla 9: Los puntos en los cuales el lugar geométrico de las raíces
corta al eje imaginario se determinan haciendo = Ÿ en la ecuación
característica, igualando la parte real y la parte imaginaria a cero y
resolviendo las ecuaciones resultantes para Ÿ y e. Los valores
obtenidos, dan la localización del punto de corte con el eje
imaginario y la ganancia e en dicho punto.
Regla 10: El valor de la ganancia e en cualquier punto k ubicado

sobre el lugar geométrico de las raíces se obtiene al resolver la
ecuación:
eI‰( k ) = 1 (34)

51
Suponiendo que en el sistema de control discreto de la figura la
función de transferencia de pulso ‰I( ) en lazo abierto está dada
por:
0.5e( + 0.5)
‰I =
( − 0.8)( 5 − 0.8 + 0.41)
(a) Trazar el lugar geométrico de las raíces al variar desde 0

hasta ∞
(b) Plotear la respuesta del sistema debido a una entrada escalón
unitario. Use Matlab y LabVIEW
52
Regla 1: Número de ceros • = 1 en z = −0.5
Número de polos P = 4 en z = 0, z = 0.8, y z = 0.4 ± 0.5
Regla 2: Número de ramas del lugar: el mayor entre “ y •, en este

caso 4.
Regla 3: El lugar geométrico de las raíces es simétrico con respecto

al eje real.
Regla 4: Número de asíntotas “ − • = 3

0 + 0.8 + 0.4 + 0.5 + 0.4 + 0.5 − (−0.5)
•. I = = 0.7
3

53
Regla 5: Ángulo de las asíntotas
180° 180° ∗ 3 180° ∗ 5
šk = = 60° šj = = 180° š5 = = 300°
3 3 3
Regla 6: El lugar geométrico de las raíces sobre el eje real sólo

existe a la izquierda de un número impar de raíces ubicadas sobre
dicho eje.
Regla 7: Existen polos complejos conjugados, por lo tanto, se debe

calcular el ángulo de partida del polo (ver figura para el cálculo).
54
› = 180° − • ∡ ˜‡ —ƒt—J r—™—J + • ∡˜‡ ™—J q‡t—J
› = 180° − •j + •5 + •n + ž
0.5
•j = 180° − †ƒ†G = 128.6°
0.4
0.5
•5 = †ƒ†G = 51.3°
0.4
•n = 90°
0.5
ž = †ƒ†G = 29°
0.9
› = 180° − 128.6° + 51.3° + 90° + 29° = −69°

55
Regla 8: Existen polos adyacentes sobre el eje real, por lo tanto, el
lugar geométrico de las raíces abandona el eje en el punto que
cumple con:
˜e 0.5e( + 0.5)
=0 1 + ‰I =
˜
=0
( − 0.8)( 5 − 0.8 + 0.41)
2 ( − 0.8)( 5 − 0.8 + 0.41)

e=− =0
+ 0.5
˜e 3 m − 1.2 n − 1.35 5 + 1.05 − 0.164

=− =0
˜ ( − 0.5)5
Es decir:
3 m − 1.2 n − 1.35 5 + 1.05 − 0.164 = 0
56
Resolviendo para se obtiene:
z = −0.8047, z = 0.2303, y z = 0.4872 ± 0.24
Es decir, el lugar geométrico de las raíces abandona el eje en

= 0.2303 (punto entre los dos polos adyacentes).
Regla 9: Intersección del lugar geométrico de las raíces con el eje

imaginario.
0.5e( Ÿ + 0.5)
1+ =0
Ÿ( Ÿ − 0.8)(−Ÿ 5 − 0.8Ÿ + 0.41)
Ÿ( Ÿ − 0.8)(−Ÿ 5 − 0.8Ÿ + 0.41) + 0.5e( Ÿ + 0.5) = 0

57
Igualando parte real e imaginaria a cero:
Ÿ m − 1.5Ÿ 5 + 0.25e = 0 1.6Ÿ n − 0.328Ÿ + 0.5eŸ = 0
Resolviendo las ecuaciones anteriores se obtiene:

e = 0.358 Ÿ = ±0.305
Es decir, el lugar geométrico de las raíces corta al eje imaginario en

z = ±0.305 con e = 0.358. El valor de la ganancia crítica se obtiene
haciendo e‰I( ) = 1 para = 0.81 + 0.58, por lo tanto:
0.5e(1.31 + 0.58)
=1
(0.81 + 0.58)(0.01 + 0.58)(0.1249 + 0.4756)
Resulta la ganancia critica: e = 0.396
58

59

Estabilidad
60
Ejemplo # 6 Modelado de Procesos
Para el sistema de control digital de la figura, con 8 = 0.8s, obtener

el diagrama de Bode correspondiente para e = 1 y determinar:
a) El margen de ganancia y el margen de fase.

b) El valor crítico de e para estabilidad del sistema.
c) El valor de e para el cual el margen de ganancia es igual a 5
dB, cual es el margen de fase en este caso?
d) El valor de e para el cual el margen de fase es de 60º, cual es el
margen de ganancia en este caso?

Diseño de un Controlador por Lugar de las Raı́ces
robust@uni.edu.pe
Índice
1. Consideraciones de Diseño 2
1.1. Error en Sistemas Muestreados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1. Error de Posición (entrada escalón) . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2. Error de Velocidad (entrada rampa) . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.3. Error de Aceleración (entrada parábola) . . . . . . . . . . . . . . . . . . . . . . 3
1.2. Root Locus en Sistemas Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Especificaciones y el Lugar de Raı́ces . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.1. Zonas del Plano–z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2. Diseño del Control Proporcional Discreto 8
1
1 CONSIDERACIONES DE DISEÑO
1. Consideraciones de Diseño
En general a partir de las especificaciones dinámicas se pueden acotar las regiones del plano–z en las que
deben estar situados los polos dominantes para cumplir con las especificaciones de diseño. Las especi-
ficaciones más habituales tienen que ver con el error en régimen permanente y la respuesta en régimen
transitorio. Como en el caso continuo, el error en régimen permanente tiene que ver con el número de
integradores en la función de transferencia en lazo abierto, y la respuesta en régimen permanente de-
pende de la posición de los polos y ceros de la función de transferencia en lazo cerrado. A continuación
recordaremos los conceptos principales relacionados con ambas respuestas y se establecen las regiones del
plano–z en la que deben estar los polos y ceros del sistema completo para cumplir con las especificaciones
impuestas a ambas respuestas.
1.1. Error en Sistemas Muestreados

Se define el error del sistema como la diferencia entre el valor deseado a la salida y el valor real (set point).
Considerando un sistema con un controlador “transparente” (con función de transferencia igual a 1) y un
sensor también “transparente”:
1
{ek } = {uk } − {yk } ⇒ E(z) = U(z) −Y (z) = U(z)
1 + G(z)
Si el sistema es estable, el valor del error en régimen permanente se puede calcular a partir del teorema
del valor final:
1 1
e∞ = lı́m(1 − z−1 )U(z) = lı́m(z − 1)U(z)
z→1 1 + G(z) z→1 1 + G(z)
Ante secuencias de entrada normalizadas se tienen las siguientes expresiones de error:
1.1.1. Error de Posición (entrada escalón)
z z 1 1
U(z) = ⇒ e p = lı́m(z − 1) = lı́m
z−1 z→1 (z − 1) 1 + G(z) z→1 1 + G(z)
Podemos definir, por tanto, la constante de error de posición K p :
1
Kp = lı́m G(z) ⇒ e p =
z→1 1 + Kp
1.1.2. Error de Velocidad (entrada rampa)
Tz Tz 1 T
U(z) = ⇒ ev = lı́m(z − 1) =
(z − 1)2 z→1 (z − 1) 1 + G(z) lı́m G(z)(z − 1)
2
z→1
Podemos definir, por tanto, la constante de error de velocidad Kv :

T
Kv = lı́m G(z)(z − 1) ⇒ ev =
z→1 Kv

1.1 Error en Sistemas Muestreados 1 CONSIDERACIONES DE DISEÑO
1.1.3. Error de Aceleración (entrada parábola)
T 2 z(z + 1) T 2 z(z + 1) 1 T2
U(z) = ⇒ e a = lı́m (z − 1) =
2(z − 1)3 z→1 2(z − 1)3 1 + G(z) lı́m G(z)(z − 1)2
z→1
Podemos definir, por tanto, la constante de error de aceleración Ka :
T2
Ka = lı́m G(z)(z − 1)2 ⇒ ea =
z→1 Ka
El error en régimen permanente depende del número de polos del sistema en z = 1. Definimos el tipo de
un sistema como el número de polos que tiene la función de transferencia en bucle abierto del sistema.
1
G(z) = Ĝ(z)
(z − 1)N
Dependiendo del tipo del sistema, el error en régimen permanente será definido para cada una de las
entradas, según la Tabla.
Sistema Entrada escalón Entrada en rampa Entrada en parábola
1
Tipo 0 ∞ ∞
1 + Kp
T
Tipo 1 0 ∞
Kv
T2
Tipo 2 0 0
Ka
En el caso de sistemas con realimentación no unitaria, la función de transferencia en lazo cerrado serı́a:
1
E(z) = U(z) − HY (z) = U(z)
1 + HG(z)
En este caso, hay que hacer algunos ajustes en las ecuaciones que obtuvimos anteriormente.
1
Error de posición : ep =
1 + HKp
T
Error de velocidad : ev =
HKv
T2
Error de aceleración : ea =
HKa
Si la realimentación posee una función de transferencia H(s), lo correcto es comparar la entrada con la
salida corregida por la ganancia estática del sensor dado por.
( [ ] )

h = H(s)
s=0

1.2 Root Locus en Sistemas Discretos 1 CONSIDERACIONES DE DISEÑO
1.2. Root Locus en Sistemas Discretos

Como se dijo anteriormente, la estabilidad relativa del sistema de control en tiempo discreto puede ser
analizada en el cı́rculo unitario en el plano–z. Además de las caracterı́sticas de respuesta transitoria de un
sistema dado, a menudo resulta necesario investigar los efectos de la ganancia del sistema o del perı́odo
de muestreo del sistema sobre la estabilidad absoluta y relativa del sistema en lazo cerrado. Para estos
fines es muy útil analizar el lugar de raı́ces.
El método del lugar de raı́ces en tiempo continuo puede ser extendido sin modificaciones a sistemas en
tiempo discreto, excepto porque el lı́mite de estabilidad queda modificado en el eje jω del plano–s al
cı́rculo unitario en el plano–z. Sin embargo, la localización de los polos para el sistema en lazo cerrado
en el plano–z debe ser interpretada de forma distinta a la correspondiente en el plano–s, ya que hay una
relación de mapeo dado por z = esT .
El objetivo fundamental en el diseño de un controlador mediante el método del lugar de las raı́ces consiste
en añadir polos y ceros a la función de transferencia en lazo abierto del sistema para modificarla en lazo
cerrado, de forma que cumplan las especificaciones determinadas.
Si llamamos F(z) a la función de transferencia en lazo abierto de la planta, sabemos que los polos vienen
determinados por las raı́ces de la ecuación caracterı́stica, que viene dada por:
1 + F(z) = 0
Esta ecuación se puede escribir de la forma:
F(z) = −1
Dado que F(z) es una cantidad compleja, esta última ecuación se puede dividir en dos ecuaciones al
igualar primero los ángulos y a continuación las magnitudes de ambos miembros para obtener:
Condición de ángulo: ∠F(z) = ±π (2k + 1), k = 0, 1, 2, . . .
Condición de magnitud: |F(z)| = 1
Los valores de z que satisfacen tanto las condiciones de ángulo como de magnitud son las raı́ces de la
ecuación caracterı́stica, es decir, los polos en lazo cerrado. Una gráfica de los puntos en el plano complejo
que satisfacen solamente la condición de ángulo es el lugar de raı́ces. Las raı́ces de la ecuación carac-
terı́stica (los polos en lazo cerrado) que corresponden a un valor dado de la ganancia pueden localizarse
en el lugar geométrico de las raı́ces mediante la condición de magnitud (criterio de magnitud).
Ejemplo: Vamos a hacer en principio un análisis de los efectos de la ganancia K y del periodo de
muestreo T sobre la estabilidad relativa del sistema de control en lazo cerrado. Suponemos una planta
G p (s) dado por la función de transferencia.
1
G p (s) =
s+1
Un controlador GD (z) definido según.
K z
GD (z) = −1
=K
1−z z−1

1.2 Root Locus en Sistemas Discretos 1 CONSIDERACIONES DE DISEÑO
Dibujamos los diagramas del lugar de raı́ces para el sistema para tres valores del perı́odo de muestreo
T = {0.5, 1, 2} segundos. Con perı́odo de muestreo T = 0.5 segundos la ecuación en lazo abierto se
convierte en:
0.39347z
G(z) =
(z − 1)(z − 0.6065)
El lugar de las raı́ces para G(z) se muestra en la Figura 1.
Root Locus
0.8
0.6
0.4
0.2
Imaginary Axis
−0.2
−0.4
−0.6
−0.8
−1
−1.5 −1 −0.5 0 0.5 1

Real Axis
Figura 1: Root locus del sistema G(z).
Nota: Mediante la herramienta sisotool de MATLAB podemos ver el lugar de raı́ces del sistema. Moviendo
los polos del sistema en lazo cerrado vemos que la ganancia crı́tica del sistema está en K = 8.165. Los
polos en lazo cerrado para K = 2 se pueden determinar como: z1 = 0.4098 ± j0.6623 como se muestra en
la Figura 2.
Kp = 2 8.165
0.8
0.6
0.4
0.2
Imaginary Axis
−0.2
−0.4
−0.6
−0.8
−1
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1

Real Axis
Figura 2: Movimiento de polos en el lugar de las raı́ces.

1.3 Especificaciones y el Lugar de Raı́ces 1 CONSIDERACIONES DE DISEÑO
Para un perı́odo de muestreo T = 1 segundo, la función de transferencia en lazo abierto queda como:
0.63212z
G(z) =
(z − 1)(z − 0.3679)
En este caso el valor crı́tico de la ganancia K es 4.328, y los puntos de ruptura de salida y de en-
trada están en z = 0.6065 y z = −0.6065. Los polos en lazo cerrado correspondientes a K = 2 valen:
z1 = 0.052 ± j0.6043.
Para un perı́odo de muestreo T = 2 segundo, la función de transferencia en lazo abierto queda como:
0.8647z
G(z) =
(z − 1)(z − 0.1353)
El punto de ruptura de salida y del punto de ruptura de entrada se encuentran en z = 0.3678 y z = −0.3678,
con valores de ganancia correspondientes K = 0.4622 y K = 2.164 respectivamente. El valor crı́tico de
ganancia K para este caso es 2.626.
Conclusión: para un valor dado de ganancia K, aumentar el perı́odo de muestreo T hará que el sistema de
control en tiempo discreto sea menos estable y que eventualmente se convierta en inestable. De manera
alternativa, al reducir el periodo de muestreo T se permite que el valor crı́tico de la ganancia K respecto a
la estabilidad sea mayor.
1.3. Especificaciones y el Lugar de Raı́ces

Como se explicó, la respuesta transitoria depende de la posición de los polos y los ceros de la función de
transferencia en lazo cerrado y del periodo de muestreo T . En general, las caracterı́sticas de desempeño
estarán especificadas como la respuesta a una entrada escalón. Los parámetros utilizados son los mismos
que se utilizaban para caracterizar la respuesta en régimen transitorio de un sistema continuo, y son: el
tiempo de retardo td , el tiempo de subida tr , el tiempo de pico t p , el sobrepaso máximo M p , y el tiempo de
asentamiento ts . A partir de las especificaciones de dichos parámetros se pueden acotar unas zonas en las
que deben estar situados los polos dominantes tal como se muestra en la Figura 3.
jw
p = e- ej
x
e-
|p-1|
0 1
Figura 3: Posición de los polos en el plano-z.
La relación de dichas especificaciones con la posición de los polos viene dada por las siguientes ecua-
ciones:

1.3 Especificaciones y el Lugar de Raı́ces 1 CONSIDERACIONES DE DISEÑO
√
Máximo porcentaje de sobrepaso Mp = 100 e−πξ / 1−ξ 2 = 100e−π / tan θ
π
Tiempo de pico tp = √
ωn 1 − ξ 2
1 + 0.7ξ
Tiempo de retardo td = ,0≤ξ ≤1
ωn
π
Tiempo de asentamiento t s = , σ = ξ ωn
σ
π −θ
Tiempo de subida tr =
ωd
Un perı́odo de muestreo grande tiene efectos dañinos sobre la estabilidad relativa del sistema. Una regla
práctica es muestrear de 8 a 10 veces durante un ciclo de las oscilaciones amortiguadas de la salida
del sistema en lazo cerrado, si es que éste está subamortiguadas. Para sistemas sobre amortiguados es
conveniente probar de 8 a 10 veces durante el tiempo de levantamiento de la respuesta escalón.
1.3.1. Zonas del Plano–z

El factor de amortiguamiento ζ de un polo en lazo cerrado se puede determinar en forma analı́tica a partir
de la localización del polo en lazo cerrado en el plano–z. En un sistema de segundo orden el factor de
amortiguamiento relativo ζ es indicador de la estabilidad relativa sólo si la frecuencia de muestreo es lo
suficientemente alta. El ángulo θ de los polos dominantes en lazo cerrado determina el número de mues-
tras por ciclo de oscilación senoidal. Las caracterı́sticas de la respuesta en régimen transitorio vendrán
dadas por la posición de los polos de la función de transferencia. En este caso son útiles ciertos proced-
imientos que permiten acotar las regiones del plano–z para cumplir las especificaciones. En sistemas de
segundo orden se puede realizar un análisis gráfico teniendo en cuenta:
En el plano–z una región de ζ constante aparece como una espiral logarı́tmica.

La frecuencia angular amortiguada ωd constante viene dada por lı́neas rectas que salen del origen.
El tiempo de establecimiento está determinado por el valor de la atenuación de los polos dominantes
en lazo cerrado. Si ts está especificado, la región que corresponde a la izquierda de la lı́nea σ = −σ1
se corresponde con el interior de un cı́rculo de radio e−σ1 T en el plano–z.
En la Figura 4 se muestra las zonas del plano–z, es una región en donde se muestra el lugar de las raı́ces
para sistemas en tiempo discreto. La asociación de la posición del polo difiere con la respuesta transitoria.
Algunas relaciones útiles que se describen en el circulo unitario.
ωs π
ωN = =
2 T
donde ωN es la frecuencia Nyquist. La frecuencia natural viene dado por la relación:
π
ωn = 0.1ωN = 0.1
T
Código MATLAB
1 zgrid
2 axis square
3 axis([-1.1 1.1 -1.1 1.1])

2 DISEÑO DEL CONTROL PROPORCIONAL DISCRETO
1
0.5π/T
0.6π/T 0.4π/T
0.8 0.1
0.7π/T 0.3π/T
0.2
0.6 0.3
0.8π/T 0.4 0.2π/T
0.5
0.4 0.6
0.7
0.9π/T 0.8 0.1π/T
0.2 0.9
π/T
0
π/T
−0.2
0.9π/T 0.1π/T
−0.4
0.8π/T 0.2π/T
−0.6
0.7π/T 0.3π/T
−0.8
0.6π/T 0.4π/T
0.5π/T
−1
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
Figura 4: Zonas del plano–z.
Las relaciones de la respuesta transitoria para un sistema discreto para sistemas de segundo orden son
mostradas en la siguiente tabla.
Máximo porcentaje de sobrepaso Mp = 100 e−πσ /θ

π
Tiempo de pico np = + qp, 0 ≤ qp < 1
θ
π
Tiempo de establecimiento ns = + qs , 0 ≤ qs < 1
σ
γ
Tiempo de subida nr = + qr , 0 ≤ qr < 1
θ
2. Diseño del Control Proporcional Discreto

Un regulador proporcional permite seleccionar la posición de los polos en bucle cerrado del sistema al
desplazarse éstos por las ramas del lugar de raı́ces. Para su diseño, los pasos a seguir son:
1. Fijar la posición de los polos dominantes del sistema final. A partir de las especificaciones dinámi-
cas se pueden acotar las regiones del plano z en las que deben estar situados los polos dominantes
para cumplir las especificaciones.
2. Representar el lugar de raı́ces con el objetivo de comprobar si es posible situar las raı́ces en la región
acotada de las especificaciones usando sólo una acción proporcional (regulador tipo P).
En principio debe elegirse el valor de K que, cumpliendo las especificaciones, lleve al mı́nimo error en
régimen permanente. Esto se consigue eligiendo el máximo valor de K que sitúa las raı́ces en el lugar de
las especificaciones.

Ejemplo: Para un sistema cuya planta es:
1
G p (z) =
(z − 0.7)(z − 0.9)
Diseñe un controlador proporcional R(z) que cumpla las siguientes especificaciones de diseño:
◦ Mp ≤ 20 %
◦ ts ≤ 15 muestras
◦ e p ≤ 20 %
El primer paso es establecer la región de validez de las especificaciones. A partir de las ecuaciones vistas
con anterioridad:
π
= 15 ts =
σ
De esta relación obtenemos σ = π /15 = 0.2094. Por otro lado, de la relación.
Mp = e−πσ /θ = 0.2
Obtenemos la fase.
−0.2094π ( 180 )
θ= = 23.4194◦
log(0.2) π
De esta forma los polos dominantes estarán en:
p = x ± jy = e−σ cos(θ ) ± je−σ sin(θ ) = 0.7443 ± j0.3224

Lo primero es comprobar, mediante el método del lugar de raı́ces, si con un controlador proporcional
podemos trabajar en esos puntos de funcionamiento:
Root Locus
0.8
0.6
0.4
0.2
Imaginary Axis
−0.2
−0.4
−0.6
−0.8
−1
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1

Real Axis
Figura 5: Lugar de las raı́ces del sistema discreto.

Código MATLAB
1 G=tf(1,conv([1 -0.7],[1 -0.9]),1);
2 Mp=20/100;
3 sigma=pi/15; % 0.2094
4 theta=(sigma*pi/log(Mp));
5 thetag=(sigma*pi/log(Mp))*180/pi; %-23.4238
6 pd=exp(-sigma)*cos(theta)+1j*exp(-sigma)*sin(theta);
7 p1=pd;
8 p2=conj(pd);
9 p=[p1 p2];
10 ejex=linspace(0,2*pi,1000);
11 CU=1*exp(-1j*ejex);
12 plot(CU,’k’,’Linewidth’,2), hold
13 axis square
14 axis([-1.2 1.2 -1.2 1.2 ])
15 rlocus(G)
16 plot(real(p),imag(p),’kx’,’LineWidth’,2,’MarkerSize’,10)
Ahora mediremos a performance de control que se muestra en a Figura 6.
1.4
1.2
0.8
y(k)
0.6
0.4
0.2
0
0 5 10 15 20 25 30 35 40 45 50
k
Figura 6: Respuesta al escalón en lazo cerrado.
La última condición a comprobar tiene que ver con el error en estado permanente. Para comprobar si se
cumple utilizamos el teorema del valor final para la ganancia de error de posición:
Kp = lı́m R(z)G(z)
z→1
1
= lı́m 0.1165
z→1 (z − 0.7)(z − 0.9)
= 3.88
Luego obtenemos el error en estado estacionario:

1
ep =
1 + 3.88 √
= 0.20 = 20 % < 22 % →
Vemos que, efectivamente, el sistema propuesto no cumple con todas las especificaciones impuestas. Por
ejemplo el tiempo de establecimiento está por encima de 15, segun se muestra en la Figura 6. Concluimos
que el controlador proporcional no logra corregir el error. Por ello se recomienda diseña un controlador
de tipo PI o PID.
Código MATLAB
1 [K,˜]=rlocfind(G,pd); % 0.1165
2 t=0:T:50;
3 k=tf(K,1);
4 S=series(k,G);
5 F=feedback(S,1);
6 r=ones(size(t));
7 y=lsim(F,r,t);
8 figure
9 stairs(t,y)
10 hold
11 stairs(t,r,’r’)
12 xlabel(’k’)
13 ylabel(’y(k)’)
Ejemplo: Halle la respuesta temporal del sistema G(z) para un perı́odo de muestreo de 1 segundo.
8
G(z) =
z2 − z + 0.5
los polos deseados son: z1,2 = x ± jy = 0.5 ± 0.5 j.
El argumento viene dado por:
(y)
θ = tan−1
x
( 0.5 )
= tan−1 = 0.7854 rad = 45◦
0.5
Y la magnitud es:
√
|z| = x2 + y2
√
= 0.52 + 0.52 = 0.7071
También el ángulo γ es:

( 0.5 )
γ = π − tan = 2.3562 rad = 135◦
1 − 0.5

Luego obtenemos:
ln |z|
r = e−σ T → σ = − = 0.3466
T
Calculando: nr , n p , ns y Mp
γ
nr = =3
θ
π
np = =4
θ
π
ns = = 9.0647
σ
%Mp = e−πσ /θ × 100 = 25 %
La Figura 7 muestra la respuesta del sistema en lazo abierto debido a una entrada escalón unitario; ası́ mis-
mo los polos en el cı́rculo unitario con su respectivo modulo y ángulo. (ver codigo cd_cuz)
1 20
0.5 15
0.7071
Amplitud
π/4
0
10
−0.5
5
−1
0
−1 −0.5 0 0.5 1 0 5 10 15 20
k
Figura 7: Polos en el CU y respuesta en LA debido al escalón.
Ejemplo: Considere una planta discreta de segundo orden tipo 1 dado por:
1
P(z) =
(z − 1)(z − 0.5)
(a) Obtener en forma analitica el root locus y la ganancia critica para el sistema dado.
(b) Diseñe un controlador proporcional del sistema digital dado para un periodo de muestreo T = 0.1s
para obtener una frecuencia amortiguada de 5rad/s.
(c) Muestre los resultados, y plotear la salida debido a una entrada escalón escribiendo un programa en
MATLAB.

Control Digital
CURSO
CONTROL DIGITAL
Técnicas de Control PID por Ubicación de Polos
11 Profesor: Ricardo Rodriguez Bustinza

Email: robust@uni.edu.pe
Motivación
 Una vez realizada la adquisición de datos mediante experimentos, aplicaremos el
algoritmo de los mínimos cuadrados recursivos (RLS) en el dominio del tiempo discreto,
esto sin la necesidad de recurrir al planteamiento total de las relaciones por medio de
ecuaciones diferenciales, involucradas en el proceso en el análisis del tiempo continuo.
 Se diseña los prototipos de sistemas de segundo orden (de respuesta sobre amortiguado
y subamortiguada), con el objetivo de identificar sistemas por medio del Toolbox de
Identificación de MATLAB y el Toolkit de Identificación de LabVIEW.
 Se diseña un controlador PID digital el mismo que será probado en tiempo real, usando la
tarjeta de adquisición de datos DAQ USB-6008/6002 mediante programación grafica de
LabVIEW.
Prof. Ricardo Rodriguez Bustinza 1

Control Digital
Prototipos de Segundo Orden
( )=
( + )( + )
+
( )=
+ +
Planta Sobreamortiguada

Control Digital
Planta Subamortiguada
Técnica por Ubica Polos
 Esta sección presenta los métodos de diseño de un controlador PID que se basan en el
conocimiento de la función de transferencia de proceso que puede ser obtenida desde
el modelo teórico u experimental. El método de diseño de la ubicación de polos
simplemente intenta encontrar polos en lazo cerrado para diseñar un controlador PID
en el dominio del tiempo continuo. Posteriormente usando la técnica del rediseño
podernos emularlo para llevarlo a un controlador PID digital que es el objetivo final de la
experiencia.
 Ilustraremos el método por dos ejemplos sencillos que reflejan ambos

comportamientos, es decir, procesos que poseen, respuesta características
sobreamortiguado y subamortiguada.

Control Digital
CASO 1
Ejercicio 1
o Considere un sistema con dos polos reales donde T y T son las contantes de tiempo y
K es la ganancia. Tal proceso se caracteriza por el modelo de segundo orden G (s).
( )=
( + )( + )

Control Digital
o El modelo de la planta tiene tres parámetros (K , T , T ) así mismo un controlador PID no
interactivo posee también tres parámetros, es posible colocar arbitrariamente los tres
polos del sistema de lazo cerrado. La función de transferencia del PID controlador puede
ser escrito como:
( + + )
( )=
o La ecuación característica del sistema de lazo cerrado se convierte en:
+ + + + + + =
o Con una adecuada ecuación característica de un sistema de tercer orden en lazo cerrado
seria:
+ + + =
Parámetros de Diseño
o La ecuación característica contiene dos polos dominantes con relación de amortiguación
(ζ) y frecuencia natural (ω! ), y un polo situado en −αω! La identificación de los
coeficientes se realiza los términos de potencia en s. Por lo tanto desde las ecuaciones
listadas anteriormente se plantean las siguientes relaciones:
+ + = ( + ) + =( ) ( + ) = ( )
+ −
=
o Resolviendo estas ecuaciones obtenemos
los siguientes parámetros del controlador
+ −
PID de tipo no interactivo. =
+ − −
=
+ −

Control Digital
Consideraciones de Diseño
o Por ejemplo, considere la planta de la forma:
. &
( )=
( + . &)( + . &)
o Siendo el diseño del controlador PID dado por la función de transferencia:
= + + = $%& + + . %&
. $$
zeta=0.6;
wn=10;
alpha=0.1;
K=((wn^2 + 2*alpha*wn^2*zeta)*T1*T2 - 1)/Kp;
Ti=(T1*T2*(2*alpha*zeta + 1)*wn^2 - 1)/(alpha*T1*T2*wn^3);
Td=((alpha + 2*zeta)*T1*T2*wn -T1- T2)/(T1*T2*(2*alpha*zeta + 1)*wn^2 - 1);
Respuestas al Escalón Unitario

Control Digital
CASO 2
Ejercicio 2
o Considere un sistema con dos polos reales y un cero finito. Tal proceso se caracteriza por
el modelo de segundo orden G (s).
+
( )=
+ +

Control Digital
PID Paralelo
o Considere un sistema de segundo orden con un cero finito que viene representado por
el siguiente modelo:
+
( )=
+ +
o Este modelo tiene cuatro parámetros. Tiene dos polos que pueden ser reales o
complejos, y tiene un cero finito y otro cero no finito. El modelo dado por la función de
transferencia de G (s) captura muchos procesos, sistemas oscilatorios, y sistemas con
ceros en el semiplano derecho.
o Suponemos que el proceso puede controlarse mediante el diseño de un controlador PID

tipo paralelo dado por la función de transferencia:
= + +
o El sistema de lazo cerrado es de tercer orden y tiene la ecuación característica:
∙ + + +( + )∙ ) +) +) =
o Un adecuada ecuación característica en lazo cerrado de un sistema de tercer orden dado

puede ser escrito por:
+ ∙ + + =
o Resultando:
+ ∙ + ∙ ∙ +( + ∙ ∙ )∙ ∙ + ∙ =
= ∙ + ∙ ∙ =( + ∙ ∙ )∙ = ∙

Control Digital
Representación Matricial
o Igualando los coeficientes de igual potencia en * y resolviendo en las ecuaciones
anteriores, nos resulta:
+ ∙ + ∙ = + ∙ ∙
+ ∙ + ∙ = + ∙ ∙
∙ = + ∙ ∙
o Reordenando.
∙ + ∙( − ∙ )= −
∙ + ∙ − ∙ ∙ = −
∙ − ∙ ∙ =
o En forma matricial.
− ∙ −
− ∙ ∙ = −
− ∙
Consideraciones de Diseño
o Por ejemplo, considere la planta de la forma:
+ . % $ + $,,$ . %
=
+ &. $ + $,$ -. %
o Siendo el diseño del controlador PID dado por la función de

transferencia:
= + + = .+ &+ . , + + . %
vd=[z,wn,alpha];
[Gc,PID,N,D]=PID2(Gp,vd);

Control Digital
Respuesta al Escalón Unitario
Simulaciones

Control Digital
CURSO
CONTROL DIGITAL
Técnicas de Sintonía por Ziegler Nichols
12 Profesor: Ricardo Rodriguez Bustinza

Email: robust@uni.edu.pe
Motivación
Parámetros del Controlador (?)

Control Digital
Jhon Ziegler
o John Ziegler, fundador de Ziegler & Associates, fue uno de los pioneros en el campo de
medición y control. Trabajo con el matemático Nathaniel Nichols en instrumentos a
principios de 1940, concibió el ahora famoso método de sintonía de controlador PID
(Proporcional-Integral-Derivativo).
o Ziegler tuvo la experiencia de la aplicación de procesos y realiza

las pruebas simulador que condujo a los resultados que
buscaban, mientras Nichols reduce las manipulaciones mecánicas
de algunas relaciones matemáticas que podrían ser entendidos
por los técnicos y operadores.
o Sus hallazgos, presentados en la Sociedad Americana de Ingenieros Mecánicos en 1941,

fueron criticados por muchos en su momento como una blasfemia. Sin embargo, las
reglas de Ziegler-Nichols sobrevivieron y se encuentran todavía en uso hoy en día y son
aceptadas por la comunidad científica.. http://www.zieglerassociates.com/index.html
Nathaniel Nichols
o Nathaniel B. Nichols ([1914-1997],USA). Ingeniero estadounidense que desarrolló un sistema de ajuste de
parámetros de sistemas de control PID que lleva el nombre de Ziegler-Nichols. Inventor del ábaco de Nichols
para estudiar sistemas de control realimentado.
o En 1937 comenzó a trabajar en Taylor Instruments y junto a John Ziegler determinó un

procedimiento para sintonizar los parámetros de un controlador y asegurar la
estabilidad y el comportamiento óptimo del sistema.
o En 1942 ambos publican en ASME Transacción un artículo con los resultados obtenidos
de su investigación que después fue llamado "Los parámetros de Ziegler- Nichols para
sintonizar un controlador".
o Este pionero del Control fue galardonado en varias ocasiones por sus aportaciones. Recibió dos doctorados
de honor, uno de Case Western Reserve University y otro de la Universidad de Michigan de la cual fue
alumno. La carta de Nichols que fue un gran aporte para la historia del Control fue lo que motivó a que fuera
honrado con la creación de la medalla IFAC Nichols, que premia a las personas que han hecho aportes
importantes al Control.

Control Digital
Introducción
o Dos métodos clásicos para la
determinación de los parámetros de
los controladores PID fueron
presentados por Ziegler y Nichols en
1942. Estos métodos están siendo
ampliamente utilizados, ya sea en su
forma original o en alguna
modificación. A menudo constituyen
la base de los procedimientos de
ajuste utilizado por fabricantes de
controladores y por los procesos
industriales.
= + +
Método de Respuesta al Escalón

o El primer método de diseño presentado por Ziegler y Nichols se basa en un registro de la respuesta al
escalón del sistema a lazo abierto, el cual se caracteriza por dos parámetros. Los parámetros se determinan a
partir de una unidad de respuesta escalón del proceso, (ver Figura).
o El punto donde la pendiente de la respuesta de paso tiene su

máximo y se determina en primer lugar, luego se dibuja la línea
tangente en este punto. Las intersecciones entre la tangente y los
ejes de coordenadas dan la parámetros y .
Controlador K T T T
P 1/a 4L
PI 0.9/a 3L 5.7L
PID 1.2/a 2L L/2 3.4L

Control Digital
Síntesis de Respuesta al Escalón
Ejercicio 1
o Como ejemplo, un método de respuesta al escalón aplicando el método de Ziegler-Nichols se aplicará a un
proceso con la transferencia función:
=
+
o Las mediciones en la respuesta al escalón dan los parámetros a = 0.218 y L = 0.806. Los parámetros
del regulador ahora se pueden determinar de la Tabla 1. Los parámetros de un controlador PID son, la
ganancia proporcional, K = 5.50 la constante integral T = 1.61, y la consta de tiempo derivativo
T = 0.403.

Control Digital
Simulaciones del Sistema de Control
Introducción a los Emuladores Digitales

)( )
= & + +
%( )
(#) #+ #−
= & + +
%(#) '#− #

Control Digital
Relaciones para Rediseño

o Considere el control PID paralelo dado por la función de transferencia
)( )
= & + +
%( )
o Rediseñando el PID mediante Tustin tenemos:

*+, # = *+, | ' #/
.
#0
#+ ' #−
*+, # = & + ∙ ∙ + ∙ ∙
' #− #+
#' + '# +
*+, # =
#' −
' ' '

= & + + ' =' − = + − &
' ' '
Toolkit de Simulación

Control Digital
Toolkit de Simulación DAQ

Control Digital
Seminario de Diseño de Sistemas de

Control en Tiempo Discreto

robust@uni.edu.pe
Problema 1
o Diseñe un controlador proporcional para el sistema digital
descrito por P(z) con un periodo de muestreo T=0.1s.
1
P z =
(z − 1)(z − 0.5)
o Para obtener:
 Una frecuencia amortiguada de ω = 5rad/s
 Una constante de tiempo de τ = 0.5s
 Plotear las respuestas debido a una entrada escalón unitario
Prof.Ricardo Rodríguez Bustinza 1

Control Digital
Determinamos la ubicación de los polos en lazo cerrado.
ω T = 5 0.1 = 0.5rad = 28.65°
La constante de tiempo viene dado por:

1 1
τ= ζω n = = 2rad / seg
ζω n 0.5
El factor de amortiguamiento puede ser usado directamente en la

ubicación de los polos deseados.
Los resultados también pueden ser obtenidos analíticamente

usando la ecuación característica para los polos conjugados del
sistema en lazo cerrado.
s + 1/τ + ω → z + 2 cos ω T e !" +e !"
De la primera condición, determinamos la ubicación de los polos en

lazo cerrado.
z 2 − 1.5 z + K + 0.5 = z 2 − 2 cos(ω d T )e −ζωnT z + e −2ζωnT
1.5 z = 2 cos(ω d T )e −ζωnT z

K + 0.5 = e −2ζωnT
1  1.5 
ζω n = Ln  = 1.571
T  2 cos(ω d T ) 
ω d2 = ω n2 (1 − ζ 2 ) = 25
Si el factor de amortiguamiento es ζ = 0.3
entonces ω n = 5.24 rad/s
K = K 1 = e −2ζωnT − 0.5 = 0.23

Control Digital
ζ = 0 .3
De la segunda condición obtendremos otra valor de ganancia K.
1
τ = 0.5 ζω n = =2
τ
ζωnT
1 −1  1.5e 
ω d = cos   = 4.127rad / s
T  2 
1
ζ = 2
= 0.436
w d
+1
(ζω n ) 2
ω d2
ωn = = 4.586rad / s
1−ζ 2
K = K 2 = e −2ζωnT − 0.5 = 0.17

Control Digital
Problema 2
 La planta Gp(s) y su respectiva discretización por ZOH de un
sistema en lazo abierto vienen dados por las funciones de
transferencia:
 Analice la estabilidad por Jury. Pruebe el valor de la ganancia

que hace al sistema marginalmente estable.
 Analizando el sistema mediante root locus encuentre los puntos
de ruptura y luego calcule las ganancias en estos puntos. ¿Qué
significado tienen estos valores encontrados?. Fundamente.
 Escriba las líneas de código que resuelven el valor de la
ganancia K desde el root locus discreto para plotear la salida
debido a una entrada escalón unitario.
 Analice la performance de control para K=15 estable.

Control Digital
Probando las condiciones para la estabilidad por Jury.
En esta condición consideramos que K > 0
(−1) 2 Q (−1) = 12 + (0.078582 K − 1.821)(1) + (0.8465 − 0.9459 K ) = 0, K > 23.98
1 > 0.8465 − 0.07433K − 2.06 < K < 24.84
Son validas las respuestas para la marginalidad.

K = 23.98 K = 24.84

Control Digital
dG p ( z )
Calculando la ganancia K en los puntos de ruptura: =0
dz
0.078582 z 2 − 0.148661z + 0.06883 = 0
z1 = 0.8090, z 2 = 1.083
1
K =− z
G p ( z)
Para z1  K 1 = 2.58
Para z2  K 2 = −4.38
Ruptura

Control Digital
Código MATLAB
Performance del sistema
'($) &($) %($)

= # $ =
%($) 1 + &($) 1 + &($) $ − 1 %($)
()) *+ = lim
/→0 1 + &($)
G=tf(3*[1 2],[1 6 36]);
T=0.0268;
Gd=c2d(G,T); syms z
K=15; Gz=K*(0.07599*z-0.07202)/(z^2-
Gk=tf(K,1); 1.828*z+0.8515);
S=series(Gd,Gk); R=z/(z-1);
F=feedback(S,1); GG=(z-1)*R/(1+Gz);
t=0:T:3; ess=limit(GG,z,1);
u=ones(size(t)); ess=eval(ess); % 0.2830
y=lsim(F,u,t);
plot(t,y)
hold
plot(t,u,'m')
ess=1-y(end); % 0.2856

Control Digital
Problema 3
Se desea calcular la frecuencia que aparece en la respuesta
transitoria de un sistema en lazo cerrado que tiene como función
de transferencia:
0.00778z + 0.00756
F (z) = , T = 0.02s
z 2 − 1.90 z + 0.9307
Calculo de las raíces:

z 2 − 1.90 z + 0.9307 = 0
z1, 2 = 0.95 ± j 0.1679

 I2 
mag = Re2 + I m2 = 0.9647 ang = ± tan −1  m2  = ±0.1750

 Re 
Determinamos el factor de amortiguamiento y posteriormente la

frecuencia natural.
1
σ =− Ln(mag ) = 1.7955
T
Tσ
ζ = = 0.2011
ang 2 + σ 2T 2
σ
ωn = = 8.93rad / s
ζ

Diseño del Control PID usando LGR
Ricardo Rodriguez Bustinza
robust@uni.edu.pe
Introducción
El objetivo principal de este capítulo es presentar los procedimientos de diseño del
controlador PID (Proporcional-Integral-Derivativo) mediante LGR de modo que se obtenga
una compensación de la fase y magnitud. El esquema del sistema de control a utilizar será
el clásico lazo de retroalimentación simple que se muestra en la Figura 1, para el cual se
debe definir la función de transferencia del elemento de control o lo que es lo mismo
diseñar dicho elemento tal que se cumplan con requerimientos establecidos. Las funciones
de transferencia del actuador 𝐺𝑎 (𝑠) y del medidor 𝐺𝑚 (𝑠), serán consideradas unitarias.
Figura 1. Sistema de control realimentado.
El lugar geométrico de las raíces representa la ubicación de las raíces de la ecuación

característica a lazo cerrado cuando se varía un parámetro, generalmente la ganancia del
lazo abierto, lo que resulta en una poderosa herramienta de análisis de la respuesta
temporal a lazo cerrado de un sistema. Es por ello que es de gran utilidad en el diseño de
compensadores y controladores cuando las restricciones del sistema de control vienen
expresadas en características de respuesta temporal, tales como, error en estado
estacionario (𝑒𝑠𝑠 ), sobrepaso máximo (𝑀𝑝 ) y tempo de establecimiento (𝑡𝑠 ).
2. Diseño de controladores
Los controladores también pueden ser diseñados utilizando el LGR, a partir del cual es
posible determinar los parámetros de cada controlador tal que satisfagan requerimientos
establecidos, tanto de respuesta transitoria como permanente. El controlador en estudio es
denominado PID no interactivo y tiene la siguiente función de transferencia:
1
𝐺𝑐 (𝑠) = 𝐾𝑐 (1 + + 𝑇𝑑 𝑠)
𝑇𝑖 𝑠

La característica más resaltante de un controlador proporcional integral es la inclusión de
un polo en el origen, lo que incrementa en uno el tipo del sistema a lazo abierto con lo que
se logra una mejora radical de error a lazo cerrado. Lamentablemente, al añadir un polo en
el origen la respuesta transitoria se ve altamente perjudicada pues el LGR tiende a
desplazarse hacia el eje real haciendo a la respuesta mucho más lenta e inclusive podría
producir una inestabilidad al sistema. Gracias a que el PI dispone también de un cero, se
logra mitigar un poco el efecto negativo del polo en el origen, pero si se requiere que las
características de la respuesta transitoria sean bastante mejores que la del sistema original,
probablemente dicho controlador no lo pueda proporcionar. Para ello existe el controlador
PID, el cual además de añadir el polo en el origen añade dos ceros, por lo que además de
mejorar importantemente el error también se logra mejorar la respuesta transitoria. El
controlador PID toma la forma:
𝐾𝑐 (𝑠 + 𝑎)(𝑠 + 𝑏)
𝐺𝑐 (𝑠) = (𝑇𝑑 𝑇𝑖 𝑠 2 + 𝑇𝑖 𝑠 + 1) = 𝐾𝑐
𝑠 𝑠
Ejemplo
Para un sistema de control de retroalimentación simple cuya función de transferencia a
lazo abierto es 𝑃(𝑠), se requiere introducir un controlador que garantice que la respuesta
del lazo cerrado tenga un 𝑡𝑠 ≤ 1s al 2% una frecuencia amortiguada de 𝜔𝑑 ≤ 2rad/s y un
coeficiente de error de velocidad 𝐾𝑣 ≥ 10.
1
𝑃 (𝑠 ) =
(𝑠 + 1)(𝑠 + 5)
Solución
A partir de los requerimientos de respuesta transitoria se ubican los PDD que cumplan con
dichas condiciones.
La relación del tiempo de establecimiento es.
4
𝑡𝑠 = =1
𝜁𝜔𝑛
La frecuencia amortiguada viene dada según.
𝜔𝑑 = 𝜔𝑛 √1 − 𝜁2 = 2
Resolviendo estas relaciones obtenemos los polos deseados.
𝑠𝑑 = −𝜁𝜔𝑛 + 𝑗𝜔𝑛 √1 − 𝜁2 = −4 + 𝑗2

En cuanto a la respuesta permanente se hace necesario aumentar el tipo del sistema pues
el sistema original tiene error infinito a la rampa, por lo que se concluye que es necesario
introducir un controlador proporcional integral o proporcional integral derivativo. Se
verifica si los polos deseados pertenecen al LGR considerando el polo en el origen, de
forma tal que se determine si es necesario introducir un cero (PI) o dos ceros (PID)
dependiendo de la cantidad de ángulo 𝜃𝑐 que se deba añadir.
𝐼𝑚 (𝑠𝑑 ) 180
𝜃1 = 180 − tan−1 ( ) = 153.4°
𝑅𝑒 (𝑠𝑑 ) 𝜋
𝐼𝑚 (𝑠𝑑 ) 180
𝜃2 = 180 − tan−1 ( ) = 146.3°
𝐼𝑚 (𝑠𝑑 ) 180
𝜃3 = tan−1 ( ) = 63.4°
Aplicando el criterio de la magnitud obtenemos:
𝜃𝑐 = 180 − (𝜃1 + 𝜃2 + 𝜃3 ) = 183.2° ≈ 184°
Esa cantidad de ángulo no puede ser añadida por un solo cero, por lo que se concluye que
el controlador a añadir debe ser de tipo PID, de forma tal que entre los dos ceros se logre
introducir el 𝜃𝑐 necesario. La ubicación de los ceros puede ser cualquiera con tal de que los
polos deseados terminen en las ramas dominantes del LGR. Se escoge ubicar un cero justo
abajo del polo deseado, por lo que el ángulo del mismo sería 45°, lo que dejaría los
restantes 139° al otro cero, cuya ubicación se determina analíticamente utilizando
relaciones trigonométricas (ver Figura 2).
Figura 2. Mapeo de polos y ceros del sistema de control.

Finalmente el controlador quedará tal como se muestra en la ecuación, donde la ganancia
del mismo se determina utilizando la condición de módulo.
(𝑠 + 2.055)(𝑠 + 6.174)
𝐺𝑐 (𝑠) = 𝐾𝑐
𝑠
La planta para la función de transferencia de lazo cerrado.
1
𝐺𝑝 (𝑠) =
(𝑠 + 1)(𝑠 + 5)
Gc=tf(conv([1 a],[1 b]),[1 0]);

Gc=zpk(Gc);
FLA=series(Gc,Gp);
K=rlocfind(FLA,pd);
Resulta 𝐾𝑐 = 4.4. uego obtenemos el controaldor PID defindo por la funcion de

transferencia:
(𝑠 + 2.055)(𝑠 + 6.174)
𝐺𝑐 (𝑠) = 𝐾𝑐
𝑠
Finalmente se calcula el coeficiente de error 𝐾𝑣 = 11.2 se puede verificar que se cumpla

con el requerimiento establecido.
syms s
fla=4.4*(s*(s+6.174)*(s+2.055))/(s*(s+5)*(s+1));
Kv=limit(fla,s,0);
Kv=double(Kv);
fprintf('Kv=%1.1f\n',Kv)
La respuesta debido al escalón unitario y el lugar de las raíces del sistema realimentado es
mostrada en la Figura 3.
Figura 3. Respuesta al escalón y lugar de las raíces.

% -------------------------------------------------------------
% Re-diseño por tustin del Control en Tiempo Discreto
% -------------------------------------------------------------
[num,den]=tfdata(Gp);
%tau=(1/den{1}(2));
[Nt,Dt] = tfdata(Gc,'v');
Nt = poly2sym(Nt,'s');
Dt = poly2sym(Dt,'s');
syms z
Gdt = Nt/Dt;
Gdt = subs(Gdt,{'s'},(2*(z-1))/(T*(z+1)));
%Gdt = subs(Gdt,{'s'},(T*z)/(z-1));
Gdt = simplify(Gdt);
Gdt = vpa(Gdt,4);
[NDt,DDt] = numden(Gdt);
NDt = sym2poly(NDt);
DDt = sym2poly(DDt);
% FT del Controlador digital D(z)
GDt = tf(NDt,DDt,T);
printsys(NDt,DDt,'z')
[Np,Dp]=tfdata(Gp,'v');
datos=[Np Dp NDt DDt];
save coef_sobre82.lvm datos -ascii -tabs
% Simulación PID Digital
[cnz,dcz]=tfdata(GDt,'v');
Cz=filt(cnz,dcz);
tfin=2;
amp=0.5;
t=sim('pid_rc1d',tfin);
y=simout(:,1);
u=simout(:,2);
e=simout(:,3);
r=simout(:,4);
figure
subplot(211)
plot(t,y,t,r,'--')
xlabel('\bf t(seg)')
h=ylabel('\bf y(t)');
grid
legend('y(t)','r(t)')
Figura 4. Sistema de control discreto.

Introducción al Diseño de Controladores Discretos
M.Sc. Ricardo Rodrı́guez Bustinza
robust@uni.edu.pe
Índice
1. Introducción 2
2. Método Aproximación de Rediseño 2

2.1. Aproximación por Integración . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.1.1. Diferencia Forward (Euler) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.1.2. Diferencia Backward . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.1.3. Trapezoidal o Bilineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2. Propiedades de la Aproximación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.1. Estabilidad de C(z) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3. Regla Trapezoidal Prewarp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.4. Zona de Estabilidad Backward . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.5. Método de Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.5.1. Algoritmo de Control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.6. Método de Matched . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.7. Método de Tustin (o Bilineal) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.8. Emuladores Digitales con MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1
2 MÉTODO APROXIMACIÓN DE REDISEÑO
1. Introducción
A diferencia de la electrónica analógica, los computadores digitales pueden ejecutar funciones de inte-
gración. Por lo tanto las ecuaciones diferenciales que describen un controlador continuo C(s) deben ser
aproximados utilizando ecuaciones en diferencias que involucren solamente términos de adición y multi-
plicación. En este artı́culo estudiaremos la técnica de diseño de controladores digitales: Aproximación de
Rediseño (o Emulador Digital).
2. Método Aproximación de Rediseño

Esta técnica consiste en diseñar un controlador continuo C(s) para un determinado proceso utilizando
herramientas en el dominio continuo, un segundo paso, trasladar el controlador del dominio continuo
al dominio discreto, mediante aproximadores, obteniendo ası́ el controlador discreto C(z). Este procedi-
miento se explica en el esquema de la Figura 1.
Figura 1: Diagrama del diseño digital por emulación.
Un controlador continuo C(s) es aproximado mediante ecuaciones en diferencias obtenidas a través de

diferentes métodos, aproximador por integración, métodos de Euler, de Tustin o bilineal, MPZ, prewarp.
2.1. Aproximación por Integración

Una función de transferencia en tiempo continuo puede ser realizado por la interconexión de integradores.
Este es un método análogo usado para programas con función de transferencia en computadoras análogas.
Para la aproximación en tiempo discreto, de P(s), podemos reemplazar el bloque integrador (1/s) por un
aproximador por integración en tiempo discreto, F(z). Para ello consideramos un integrador dado por:
∫ t
y(t) = y(0) + x(τ )d τ (1)
0
Cuyo diagrama se ilustra en la Figura 2.
Figura 2: Bloque integrador.
La salida, y(t) sobre un perı́odo de muestreo de T segundos, es dado por:

2.1 Aproximación por Integración 2 MÉTODO APROXIMACIÓN DE REDISEÑO
∫ kT +T
y(kT + T ) = y(kT ) + x(τ )d τ (2)
kT
La ecuación (2) se ilustra en la Figura 3.
Figura 3: Curva para el análisis del aproximador.
El objetivo es hallar la aproximación en tiempo discreto de esta integración. Esto puede ser visto como
una función de transferencia F(z) (ver Figura 4), realizando la aproximación de la integración.
Figura 4: Bloque F(z).
1
Podemos encontrar la aproximación para 1/s, haciendo, ≈ F(z), esto fácilmente puede invertirse para
s
dar una aproximación para s, de modo que, s ≈ F(z)−1 . En resumen podemos sustituir en C(s) para
obtener C(z).

C(z) = C(s) −1 (3)
s=F (z)
2.1.1. Diferencia Forward (Euler)

Para encontrar la ecuación en diferencias, usamos la aproximación rectangular de integración, derivando
la ecuación (1).
∫ t
dy(t) d
= x(τ )d τ (4)
dt dt 0
Luego discretizando (4), obtenemos
y(k + 1) − y(k)
= x(k)
T
y(k + 1) = y(k) + T x(k)
y f (kT + T ) = y f (kT ) + T x(kT ) (5)

La ecuación (5) se ilustra en la Figura 5.
Figura 5: Curva para el análisis de la diferencia Forward.
Tomando la transformada–z a (5).
zY f (z) = Y f (z) + T X(z)

Luego la función de transferencia F(z) viene dada por:
Y f (z) T
F(z) = = (6)
X(z) z−1
Esto nos sugiere que el integrador puede ser reemplazado por esta función de transferencia, es decir.
1 T
≈ (7)
s z−1
Esto es equivalente a hacer la siguiente sustitución para s en la función de transferencia en tiempo conti-
nuo.
z−1
s= (8)
T
2.1.2. Diferencia Backward

Una alternativa de aproximación es usando x(kT − T ) e lugar de x(kT ), dando el método de diferencia
Backward que se ilustra en la Figura 6.
Figura 6: Curva para el análisis de la diferencia Backward.

En este caso la ecuación en diferencias viene dado por.
yb (kT ) = yb (kT − T ) + T x(kT ) (9)

Tomando la transformada–z.
Yb (z) = z−1Yb (z) + T X(z)

Yb (z) Tz 1
F(z) = = ≈ (10)
X(z) z−1 s
nuo.
z−1
s= (11)
Tz
2.1.3. Trapezoidal o Bilineal

En este caso usaremos una aproximación trapezoidal para la integración. Podemos esperar que este méto-
do no sea más complicado que los métodos de diferencia visto anteriormente. Este método también es
conocido como transformación bilineal, el nombre proviene de la forma matemática resultado de una
sustitución. El método bilineal puede ser explicado desde la curva mostrada en la Figura 7.
Figura 7: Curva para el análisis Bilineal.
Ahora la aproximación de integración viene dada por.

[ ]
x(kT + T ) + x(kT ) T
ybl (kT + T ) = ybl (kT ) + (12)
2
Tomando la transformada–z.
[ ]
zX(z) + X(z) T
zYbl (z) = Ybl (z) +
2
Ybl (z) T z + 1 1
F(z) = = ≈ (13)
X(z) 2 z−1 s

2.2 Propiedades de la Aproximación 2 MÉTODO APROXIMACIÓN DE REDISEÑO
nuo.
2 z−1
s= (14)
T z+1
2.2. Propiedades de la Aproximación

Lo primero es notar que las aproximaciones forward, backward y trapezoidal preservan un orden en la
función de transferencia. Si C(s) tiene n polos, entonces en cada uno de los casos mencionados, C(z) tiene
también n polos. Es posible hallar un aproximador de orden alto por integración, hay una compatibilidad
cuadrática de tres puntos, o ajuste cúbicos sobre cuatro, pero éstos incrementarán la orden del resultado
de C(z).
2.2.1. Estabilidad de C(z)

¿Las transformaciones del plano–s al plano–z mantienen la estabilidad?. Si tenemos un controlador en
tiempo continuo C(s), estable, el resultado del controlador en tiempo discreto también es estable?. Vere-
mos que esto no siempre es el caso para algunas de estas aproximaciones de integración.
Note que esto no es lo mismo, como preguntar, si los sistemas en lazo cerrado son o no estables. Si
diseñamos un controlador de tiempo continuo C(s) que estabiliza a una planta P(s), entonces podemos
suponer:
P(s)C(s) 1
, y son estables
1 + P(s)C(s) 1 + P(s)C(s)
Basada en esta suposición, que C(s) es estable, se hace mucho más fácil evaluar y poner en funcionamien-
to el controlador si tanto el controlador como el sistema en lazo cerrado son estables.
Para implementar un controlador digital, podemos usar un métodos de aproximación para hacer C(z) ≈
C(s) previa transformación. Suponiendo que C(s) es estable, en tiempo continuo y en lazo cerrado es
estable, y C(z) es estable. Esto no quiere decir que necesariamente en tiempo discreto y en lazo cerrado
sea estable. Se debe verificar la estabilidad para la implementación digital, es decir, calculando el ZOH
equivalente P(z), de P(s). Luego verificamos los polos del sistema en lazo cerrado mediante el mapeo.
P(z)C(z)
1 + P(z)C(z)
Basado en la condición de los polos, si están dentro del circulo unitario, la implementación en lazo cerra-
do en tiempo discreto es también estable.
Es más fácil implementar un controlador estable, C(z), ası́ que observaremos que C(s) sea estable implica
que C(z) sea estable para cada uno de estas transformaciones. En particular, debemos verificar el mapeo
del plano–s en el semiplano izquierdo o el mapeo del plano–z del circulo unitario.
Mapeo Forward
Consideremos la aproximación de diferencias forward:
z−1
s=
T

2.2 Propiedades de la Aproximación 2 MÉTODO APROXIMACIÓN DE REDISEÑO
El mapeo del plano–s al plano–z, se da en la región mostrada en la Figura 8.
Figura 8: Mapeo plano–s a plano–z usando forward.
Podemos observar que la región estable incluye mucho más que los horizontes del circulo unitario, este
controlador C(s) estable en tiempo continuo puede dar un controlador C(z) inestable en tiempo discreto.
Mapeo Backward
Consideremos la aproximación de diferencias backward:
z−1
s=
Tz
El mapeo del plano–s al plano–z, se da dentro del circulo unitario, tal como se muestra en la Figura 9.
Figura 9: Mapeo plano–s a plano–z usando backward.
En este caso, cada resultado estable en C(s) es estable en C(z). Note que la transformación en diferencias
backward limita la ubicación de los polos del resultado de C(z). Note que no se puede poner a C(z) una
respuesta que tenga una alta frecuencia; esto requiere polos de C(z) al final del circulo cerca al punto −1.
Mapeo Bilineal
Consideremos la aproximación de diferencias bilineal:
2 z−1
s=
T z+1

2.3 Regla Trapezoidal Prewarp 2 MÉTODO APROXIMACIÓN DE REDISEÑO
El mapeo del plano–s al plano–z se da exactamente dentro del circulo (ver Figura 10).
Figura 10: Mapeo plano–s a plano–z usando bilineal.
Esto quiere decir que una transformación bilineal siempre mapea un C(s) estable en un C(z) estable. Esta
es una razón del porque la transformación bilineal es el método más popular para realizar el aproximador
discreto desde un controlador continuo.
Aunque la regla trapezoidal mapea la estabilidad en la frontera del plano-s hacia la frontera de la esta-
bilidad del plano-z, hay todavı́a distorsión. Esta distorsión inherente a la regla trapezoidal (hay más aún
distorsión en las reglas forward y backward) pueden ser corregido exactamente en única una frecuencia.
Esto nos lleva a la cuarta regla de integración.
2.3. Regla Trapezoidal Prewarp

Esta regla es una variación de la regla trapezoidal corrige la distorsión de frecuencia. Comenzamos con la
formulación de la aproximación trapezoidal.
2 z−1
s≈ (15)
T z+1
Consideramos una frecuencia particular ω0 , esto es, s = jω0 . El mapeo exacto para este polo es:
z = eT s = e jω0 T (16)
Ahora tomamos la transformación bilineal
z−1
s=A (17)
z+1
Resolveremos para A obtener esta respuesta exacta de frecuencia. Hacemos esto igualando la ubicación
verdadera del polo en el plano-s con el mapeo de la ecuación anterior. Ası́
e j ω0 T − 1
jω0 = A
e j ω0 T + 1
ω0 T
= jA tan (18)
2
Donde

2.4 Zona de Estabilidad Backward 2 MÉTODO APROXIMACIÓN DE REDISEÑO
ω0
A= (19)
ω0 T
tan
2
Note que cuando ω0 T sea pequeño, el parámetro A ≈ 2/T , que es igual que la regla trapezoidal. La condi-
ción de pequeño ω0 T significa que la frecuencia de muestreo es comparada rápidamente a la frecuencia
ω0 , y no hay mucha distorsión en el primer lugar.
Dada la frecuencia prewarping ω0 , podemos calcular A reemplazando de (19) en (17) esto para realizar la
simulación discreta.
2.4. Zona de Estabilidad Backward

Para el análisis de la región estable, consideremos un polo en s = a + jb en la región estable del plano–s,
en este caso se debe cumplir a < 0. Por la relación de mapeo Backward:
z−1
s=
Tz
Asumiendo que los polos en el plano–z es: s = α + jβ , entonces reemplazamos estos polos en la relacion
de mapeo Backward, resultando:
(α − 1) + jβ
a + jb =
T (α + jβ )
Multiplicando a ambos miembros del lado izquierdo por α + jβ , nos resulta:
( )
(α − 1) + jβ α − jβ
a + jb =
T (α + jβ ) α − jβ
Realizando las operaciones convenientes.
α2 + β 2 − α β
a + jb = +j
T (α + β )
2 2 T (α + β 2 )
2
Igualando términos de la parte real e imaginaria.
α2 + β 2 − α β
a= , b=
T (α 2 + β 2 ) T (α 2 + β 2 )
Aplicando la condición para el polo real del plano–s.
α2 + β 2 − α
< 0, → α2 + β 2 − α < 0
T (α 2 + β 2 )
Esta última desigualdad puede ser reescrita:
( )2 ( )2
1 2 1
α− + (β − 0) <
2 2
De esta ultima expresión podemos concluir que la region de estabilidad en el plazo–z resulta cuando se
analiza el caso critico que nos conduce a la ecuación de una circunferencia de radio 0.5 con frontera entre
[0, 1] en el eje real y frontera [ j/2, − j/2] en el eje imaginario (ver la Figura 9).
( )2 ( )2
1 2 1
α− + (β − 0) =
2 2

2.5 Método de Euler 2 MÉTODO APROXIMACIÓN DE REDISEÑO
2.5. Método de Euler

Una particular aproximación digital en la solución en tiempo real de una ecuación de diferencias es el
método de Euler (también llamado regla rectangular hacia adelante). Este resultado se aproxima por la
siguiente ecuación:
x(k + 1) − x(k)
ẋ ≈ (20)
T
Donde.
- T = tk+1 − tk intervalo de muestreo en segundos
- tk = kT
- k = entero
- x(k) = valor de x en tk
- x(k + 1) = valor de x en tk+1
Esta aproximación puede usarse en el lugar de todas las derivadas que aparecen en las ecuaciones de
diferencias del controlador para llegar a un conjunto de ecuaciones que pueden ser resueltos en una com-
putadora digital. Estas ecuaciones de diferencia se resuelven repetidamente con los pasos de tiempo de
longitud T . Para sistemas que tienen ancho de banda en Hertz, el tamaño de la muestra están a menudo
en el orden de un 1KHz, para que los perı́odos de la muestra esten en el orden de los milisegundos, los
errores de la aproximación deben ser bastante pequeños.
Ejemplo 1
Determine una ecuación de diferencias para la ley del control usando el método de Euler para la función
de transferencia de un controlador dado por:
Y (s) s+a
C(s) = = Kc
U(s) s+b
Obtenemos la ecuación de diferencias a partir de la herramienta para sistemas continuos.
U(s)(s + b) = Kc (s + a)E(s)
Aplicando la transformada inversa de Laplace, obtenemos.
( )
u̇(t) + bu(t) = Kc ė(t) + ae(t)
Aplicando la aproximación de Euler dado por la ecuación (9).

[ ]
u(k + 1) − u(k) e(k + 1) − e(k)
+ bu(k) = Kc + ae(k)
T T
Obtenemos la ley de control.
{ }
e(k + 1) − e(k)
u(k + 1) = u(k) + T − bu(k) + Kc [ + ae(k)]
T
Atrasando un periodo obtenemos:

{ }
[ e(k) − e(k − 1) ]
u(k) = u(k − 1) + T − bu(k − 1) + Kc + ae(k − 1)
T
Esta última ecuación computa el nuevo valor de la ley de control u(k), dado el valor pasado u(k − 1) y el
nuevo valor y el valor pasado de la señal de error e(k) y e(k − 1) respectivamente. En principio la ecuación
de la diferencia se evalúa con k = 0, luego k = 1, 2, 3.... Sin embargo usualmente no requiere guardar
ningún valor en memoria en todo el tiempo, por consiguiente la computadora sólo tiene las variables
definidas para valores actuales y valores pasados. Sin embargo es necesario tener en cuenta la influencia
del periodo de muestreo que afecta a la ecuacion en diferencias de la ley de control.
2.5.1. Algoritmo de Control

El algoritmo de control se puede implementar desde la ley de control.
Leer y(k), r(k)

Calcular e(k) = r(k) − y(k) { [ ]}
e(k) − e(k − 1)
Calcular u(k) = u(k − 1) + T − bu(k − 1) + Kc + ae(k − 1)
T
Limitar u(k) a los valores maximos (Umax ,Umin )
Aplicar u(k)
Actualizar los valores u(k − 1) = u(k), e(k − 1) = e(k)
Esperar hasta completar T segundos
Ejemplo 2
Sea.
1
G(s) =
s(s + 1)
Un proceso de segundo orden con un polo en el origen en el plano–s (un integrador), y sea:
s+2
C(s) = 70
s + 10
Un controlador (compensador en adelanto) diseñado utilizando herramientas clásicas. Aplicando el méto-
do anterior, discretizar el controlador continuo que nos permita encontrar la ecuación en diferencias:
u(k + 1) = u(k)(1 − 10T ) + 70(e(k + 1) + (2T − 1)e(k))

Atrasando un periodo de muestreo:
{ [ ]}
e(k) − e(k − 1)
u(k) = u(k − 1) + T − 10u(k − 1) + 70 + 2e(k − 1)
T
Para una frecuencia de muestreo de fs = 40Hz, tenemos T = 0.0250s, entonces la señal de control viene
dado por:
u(k) = 0.75u(k − 1) + 70[e(k + 1) − 0.95e(k)]

Para implementar el algoritmo debemos de discretizar la planta, para ello obtenemos su modelo en espacio
estado considerando los estados x1 = y, x2 = ẏ. Según esto tenemos:
s2Y (s) +Y (s) = U(s)

Aplicando la transformada inversa de Laplace
ÿ(t) + ẏ(t) = u(t)
ẋ1 = x2
ẋ2 = −x2 + u
Se ha simulado la respuesta del sistema (ver Figura 11) controlado para una frecuencia de 40Hz, observa-
mos que para el método digital presenta un sobrepaso del 40 %, mientras que para simulación del sistema
en tiempo continuo es 20 %.
1.5
1
Amplitud
0.5
0
0 0.5 1 1.5 2 2.5 3
tiempo [seg]
Figura 11: Respuesta del sistema al escalón usando el aproximador Euler.
El código MATLAB para la salida del sistema es:
T=1/40;
x1(1)=0; x2(1)=0; e(1)=0; u(1)=0;
% Algoritmo
M=200; xd=1;
for k=1:M
e(k+1)=xd-x1(k);
% Euler
u(k+1)=(1-10*T)*u(k)+70*(e(k+1)+(2*T-1)*e(k));
ye(k)=x1(k);
x1(k+1)=x1(k)+T*x2(k);
x2(k+1)=x2(k)+T*(-x2(k)+u(k));
e(k)=e(k+1);
u(k)=u(k+1);
x1(k)=x1(k+1);
end

2.6 Método de Matched 2 MÉTODO APROXIMACIÓN DE REDISEÑO
2.6. Método de Matched

Este método esta basado en la extrapolación de la relación entre el plano–s y el plano–z dado por z = esT .
Si la transformada–z de la función x(k) es X(z), entonces los polos de X(z) son relativos a los polos de
X(s) por la relación de mapeo z = esT .
El método MPZ puede mostrarse como una buena aproximación proporcionada por el intervalo de muestreo
pequeño. El método MPZ consiste en un numero simples reglas aplicadas a la función de transferencia
G(s), como sigue:
Regla 1
Mapear los polos de G(s) a G(z) de acuerdo a z = esT . Los polos conjugados complejos son ma-
peados como un par.
Regla 2
Mapear los ceros finitos de G(s) a G(z) de acuerdo a z = esT . Los ceros conjugados complejos son
mapeados como un par.
Regla 3
Mapear los ceros infinitos de G(s) a G(z) de acuerdo a s = jω = ∞ mapea z = e jπ = −1 (representa
la alta frecuencia). Esto puede ser hecho hasta que orden del numerador de G(z) es el mismo que el
denominador. En el dominio de la frecuencia, estas reglas heurı́sticas van a forzar un cero de G(z)
en ωs /2 que es una alta frecuencia de interés en un sistema en tiempo discreto.
Regla 4
Emparejar las ganancias de G(s) y G(z) a una frecuencia elegida, a menudo es DC, algunas veces
es conveniente usar una ganancia de alta frecuencia, o en el caso de caracterı́stica de pasa banda, el
centro de la banda es un punto apropiado para emparejar las ganancias.
La ventaja de la técnica de mapeo MPZ es su sencillez algebraica.
Ejemplo 3
Sea la función:
f (t) = e−at , t >0

Usando transformada de Laplace.
1
F(s) =
s+a
Si F(s)|s=∞ = 0, entonces z = −1, además podemos decir que el polo corresponde a s = −a. Por lo tanto
le corresponde un polo en z = e−aT en el dominio discreto, es decir:
z = e−sT s=a ⇒ z = e−aT

La función de transferencia en el plano–z es:
z+1 1 − e−aT
F(z) = K , K=
z − e−aT 2a

2.6 Método de Matched 2 MÉTODO APROXIMACIÓN DE REDISEÑO
Ejemplo 4
Determinar el aproximador MPZ para la función de transferencia dado por:
s+a
C(s) = Kc
s+b
Mapeando los polos y ceros se obtienen.
z − e−aT
C(z) = Kd
z − e−bT
Donde Kd es la ganancia estática que se encuentra igualando la ganancia DC de Gd (z) con la ganancia
DC de Gc (s), entonces.
a 1 − e−aT
Kc = Kd
b 1 − e−bT
o
a 1 − e−bT
Kd = Kc ( )
b 1 − e−aT
Podemos escribir.
(1 − e−aT z−1 ) (1 − α z−1 ) U(z)

C(z) = Kd = Kd =
(1 − e−bT z−1 ) (1 − β z−1 ) E(z)
Aplicando la transformada–z inversa se obtiene la ecuación en diferencias para el controlador discreto.
[ ]
u(k) = β u(k − 1) + Kd e(k) − α e(k − 1)
Hay cierta dificultad de probar e(k) y la salida u(k) todos en un tiempo cero; por consiguiente la ley de
control MPZ serı́a técnicamente imposible llevar a cabo. Sin embargo si la ecuación es bastante simple,
y la computadora es de gran ayuda, un retardo en el cómputo entre la muestra de e(k) y la salida u(k)
tendrá un efecto despreciable en la respuesta real del sistema comparada con el esperado diseño original.
Nota: Para un C(s) con un denominador de orden más alto que el numerador, en este caso se requiere
agregar el término (z + 1). Por ejemplo.
s+a Kd (z − e−aT )
C(s) = Kc → C(z) = (z + 1)
s(s + b) (z − 1)(z − e−bT )
Luego obtenemos.
(z + 1)(z − e−aT )
C(z) = Kd
(z − 1)(z − e−bT )
Después de dejar los polos en s = 0 y z = 1, resulta.
a 1 − e−bT
Kd = Kc ( )
2b 1 − e−aT
En base al algoritmo de Euler, podemos extender al caso MPZ y simular la respuesta del sistema (ver
Figura 12) debido a una entrada escalón unitario. Observamos que existe mayor sobrepaso respecto del
aproximador de Euler.

2.7 Método de Tustin (o Bilineal) 2 MÉTODO APROXIMACIÓN DE REDISEÑO
1.5
Amplitud
0.5
0
0 0.5 1 1.5 2 2.5 3
tiempo [seg]
Figura 12: Respuesta del sistema al escalón usando aproximador MPZ.
2.7. Método de Tustin (o Bilineal)

Una técnica de digitalización es el método de integración numérica llamado método de Tustin que realiza
la conversión en tiempo discreto usando transformación bilineal. Sea la función de transferencia de un
controlador continuo.
U(s) 1
C(s) = =
E(s) s
En el dominio del tiempo.
∫ t
u(t) = e(t)dt
0
Operando la ecuación anterior en el dominio del tiempo discreto.
∫ kT ∫ kT
du(t) = e(t)dt
0 0
Sea t=kT y aplicando el teorema fundamental del cálculo y expandiendo la integral del lado izquierdo.
∫ kT −T ∫ kT
u(kT ) = e(t)dt + e(t)dt
0 kT −T
Donde la segunda integral es el área del trapecio como se vio en la Figura 7.
T( )
u(k) = u(k − 1) + e(k − 1) + e(k)
2
Aplicando la transformada Z.
T −1 T
U(z) = z−1U(z) +z E(z) + E(z)
2 2
Agrupando, se llega a obtener la transformación bilineal.
U(z) T (1 + z−1 )
C(z) = =
E(z) 2 (1 − z−1 )

2.7 Método de Tustin (o Bilineal) 2 MÉTODO APROXIMACIÓN DE REDISEÑO
1
Comparando esta última ecuación con el controlador continuo C(s) = . Se deduce la aproximación
s
Bilineal.
2 (z − 1)
s∼
=
T (z + 1)
Ejemplo 5
Determinar el aproximación de Tustin para la función de transferencia dado por:
s+a
C(s) = Kc
s+b
Usando la relación obtenemos:
U(z) ((2 + aT ) z − 2 + aT )
C(z) = = Kc
E(z) (2 + bT ) z − 2 + bT
Podemos escribir.
[ ]
(bT + 2)zU(z) + (bT − 2)U(z) = Kc (2 + aT )zE(z) + (aT − 2)E(z)
Aplicando la transformada–z inversa se obtiene la ecuación en diferencias para el controlador discreto.

[ ]
bT − 2 2 + aT aT − 2
u(k + 1) = − u(k) + Kc e(k + 1) + e(k)
bT + 2 bT + 2 bT + 2
Atrasando un periodo de muestreo.
[ ]
bT − 2 2 + aT aT − 2
u(k) = − u(k − 1) + Kc e(k) + e(k − 1)
bT + 2 bT + 2 bT + 2
En base al algoritmo de Euler, podemos extender al caso Bilineal y simular la respuesta del sistema (ver
Figura 13) debido a una entrada escalón unitario. Observamos que el sobrepaso decrece respecto a los
aproximadores de Euler y MPZ.
1.5
Amplitud
0.5
0
0 0.5 1 1.5 2 2.5 3
tiempo [seg]
Figura 13: Respuesta del sistema al escalón usando aproximador Bilineal.

2.8 Emuladores Digitales con MATLAB 2 MÉTODO APROXIMACIÓN DE REDISEÑO
2.8. Emuladores Digitales con MATLAB

La técnica llamada emulación, consiste en diseñar un controlador continuo C(s) para luego usando los
métodos de aproximación digital encontrar el controlador digital C(z). Esto puede ser realizado mediante
el comando c2d/c2dm de MATLAB. Debemos de indicar que ninguno de los métodos de aproximación es
exacto para respuestas de diferentes tipos de entrada, porque ningún sistema tiene el acceso a la historia de
tiempo entre muestras. MATLAB tiene los comandos c2d/c2dm y puede usarse para computar la ecuación
de la diferencia aproximada en el espacio estado aplicada para diferentes métodos de aproximación, estos
comandos presentan las siguientes caracterı́sticas:
C2D Convierte modelos en tiempo continuo a tiempo discreto. presenta la sintaxis:
Gd = c2d(Gc,Ts,metodo)
La salida es en tiempo discreto con un periodo de muestreo Ts. El argumento método selecciona el
método de discretización, y pueden ser:
• ’zoh’ es el retenedor de orden cero en las entradas.

• ’foh’ es el interpolador entradas lineales (aproximación del triángulo).
• ’imp’ es la discretización impulso-invariante.
• ’tustin’ es también llamada la aproximación bilineal.
• ’prewarp’ es también llamada la aproximación de Tustin con frecuencia crı́tica Wc en rad/seg
es especificada por cuatro argumentos de entrada.
Gd = c2d(Gc,Ts,’prewarp’,Wc)
• ’matched’ es el método del polo-cero (sólo para sistemas SISO).
Para modelo espacio de estado se usa:
[Gd,G] = c2d(Gc,Ts,metodo)
También retorna la matriz G que mapea la condición inicial continua en la condición inicial discreta.
Especı́ficamente, si x0 , u0 son las condiciones iniciales de estado y las entradas para Gd, entonces
equivale a la condición inicial para Gd dado por:
xd[0] = G*[x0;u0], ud[0] = cu0
C2DM Convierte un sistema continuo LTI a tiempo discreto.
[Ad,Bd,Cd,Dd] = c2dm(A,B,C,D,Ts,metodo)
[Nd,Dd] = c2dm(Nc,Dc,Ts,metodo)
Usan los siguientes métodos: ’zoh’, ’foh’, ’tustin’, ’prewarp’ y ’matched’.

Ejemplo 6
Determinar la ecuación en diferencia usando el método Matched para una frecuencia de muestreo de
40Hz. El controlador en tiempo continuo Gc (s), y la planta G p (s) son dados por las siguientes funciones
de transferencia.
1 s+2
G p (s) = Gc (s) = 70
s(s + 1) s + 10
Ingresamos el código MATLAB.
[Fc, Gc, Hc, Jc]=tf2ss(70*[1 2],[1 10]);

% Fc = -10, Gc = 1, Hc = -560, Jc = 70
Este código representa el siguiente modelo espacio estado.
ẋc = Fc xc + Gc e
u = Hc xc + Jc e
Donde, Fc = −10, Gc = 1, Hc = −560 y Jc = 70. Hallamos la aproximación en tiempo discreto para un

tiempo de muestreo de T = 1/40.
T=1/40;
[Ac,Bc,Cc,Dc]=c2dm(Fc,Gc,Hc,Jc,T,’matched’)
% Ac = 0.7788, Bc = 3.3089, Cc = -3.3089, Dc = 63.4971
Luego con los valores obtenidos, Ac = 0.7788 , Bc = 3.3089, Cc = −3.3089 y Dc = 63.4971 encontramos
nuestro modelo en variables espacio estado en tiempo discreto.
xc (k + 1) = 0.7788 xc (k) + 3.3089 e(k)

u(k) = −3.3089 xc (k) + 63.4971 e(k)
La ecuación de salida puede ser expresada como.
u(k + 1) = −3.3089 xc (k + 1) + 63.4971 e(k + 1)

Reemplazando en la ecuación de salida en adelanto la ecuación de estado, obtenemos.
u(k + 1) = −2.5770 xc (k) − 10.9488 e(k) + 63.4971 e(k + 1)

Despejamos xc (k) de la ecuación de salida.
xc (k) = −0.3022 u(k) + 19.1868 e(k)

Finalmente reemplazamos esta última ecuación en la ecuación en adelanto para obtener la ley de control
MPZ.
u(k + 1) = −2.5770 (−0.3022 u(k) + 19.1868 e(k)) − 10.9488 e(k) + 63.4971 e(k + 1)
( )
u(k + 1) = 0.7788 u(k) + 63.4971 e(k + 1) − 0.9512 e(k)

Ejemplo 7
Determinar la ecuación en diferencia usando el método Tustin para una frecuencia de muestreo de 40Hz.
El controlador en tiempo continuo Gc (s), y la planta G p (s) son dados por las siguientes funciones de
transferencia.
1 s+2
G p (s) = Gc (s) = 70
s(s + 1) s + 10
Ingresamos en código MATLAB.
n=70*[1 2];
d=[1 10];
T=1/40;
[nz,dz]=c2dm(n,d,T,’tustin’);
Gd=filt(nz,dz,T);
U(z) 63.78 − 60.67z−1

=
E(z) 1 − 0.7778z−1
Descomponiendo términos.
U(z) − 0.7788z−1U(z) = 63.78E(z) − 60.67z−1 E(z)

Hallando la ley de control digital, por medio de la transformada–z inversa.
( )
u(k) = 0.7788 u(k − 1) + 63.78 e(k) − 0.9512 e(k − 1)
Nota. Este resultado es similar al obtenido usando el método de Euler.
Ejemplo 8
Dado un controlador continuo:
2
C(s) =
s+3
Discretizar C(s), asumiendo un periodo de muestreo de T = 0.1 para los siguientes métodos:
1. Aproximación Backward.
2. Aproximación Bilineal.
3. Aproximación zoh.
Compara las respuestas de los sistemas discretizados debido a una entrada escalón unitario.
Solución (a)
Usando el aproximador Backward obtenemos:
2T z
C(z) =
(1 + 3T )z − 1
para T = 0.1:

2z
C(z) =
13z − 10
Solución (b)
Usando el aproximador Bilineal:

C(z) = C(s) 1−z−1
s= T2
1+z−1
De esta forma obtenemos:
2T z + 2T
C(z) =
(2 + 3T )z + 3T − 2
para T = 0.1:
2z + 2
C(z) =
23z − 17
Solución (c)
Usando el aproximador ZOH:
[ ]
2 1
C(z) = (1 − z−1 ) ∑ Residuos
λ
s(s + 3) 1 − esT z−1
[ ]
2 1 2 1 2 1 − e3T
= (1 − z−1 ) − =
3 1 − z−1 3 1 − e−3T z−1 3 z − e3T
Para T = 0.1:
0.1728
C(z) =
z − 0.7408
La Figura 14 muestra las respuestas en lazo abierto del controlador debido a una entrada escalón unitario,
incluyendo el controlador análogo.
0.7
0.6
0.5
0.4
0.3
Backward
0.2
Bilineal
0.1 ZOH
Continua
0
0 0.5 1 1.5 2 2.5
t
k
Figura 14: Respuesta ante una entrada escalón para los métodos de aproximación digital.

CLASEPC3

Cargado por

Copyright:

Formatos disponibles

CLASEPC3

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

CLASEPC3

Cargado por

Copyright:

Formatos disponibles

Control Digital MT228

M.Sc. Ricardo Rodríguez Bustinza

o Algunas técnicas de diseño de sistemas de control LIT,

Prof. Ricardo Rodríguez Bustinza 1

4 Motivación Modelado de Procesos

Prof. Ricardo Rodríguez Bustinza 2

Los datos del sistema provienen de una CAJA NEGRA donde

6 Respuesta al Escalón en LazoModelado

Prof. Ricardo Rodríguez Bustinza 3

8 Respuesta al Escalón en LazoModelado

Prof. Ricardo Rodríguez Bustinza 4

Prof. Ricardo Rodríguez Bustinza 5

Mínimos Cuadrados no Recursivo

Se asume que la función de transferencia de pulso

En donde ( ) es la entrada e Y( ) es la salida.

Mínimos Cuadrados no Recursivo

Este modelo se conoce como “MODELO ARMAX”

A partir de un conjunto de pares de mediciones de entrada–

Debido al error que se puede introducir en la medición, la

Prof. Ricardo Rodríguez Bustinza 6

Mínimos Cuadrados no Recursivo

El primer error es función solamente de las mediciones

En donde es el vector de parámetros y el vector de

Mínimos Cuadrados no Recursivo

Para facilitar el tratamiento matemático, se definen las

Prof. Ricardo Rodríguez Bustinza 7

Mínimos Cuadrados no Recursivo

Así, las ecuaciones dadas analizadas se pueden escribir

Al utilizar el método de mínimos cuadrados para estimar

Mínimos Cuadrados no Recursivo

Es decir, que minimice la función:

Si se despeja ( ) de la ecuación anterior y se reemplaza

Prof. Ricardo Rodríguez Bustinza 8

Mínimos Cuadrados no Recursivo

El valor de que minimiza a ( ) debe cumplir con la

Por lo tanto, el valor estimado

Prof. Ricardo Rodríguez Bustinza 9

El modelo tiene la forma:

Prof. Ricardo Rodríguez Bustinza 10

Con los resultados anteriores se obtiene:

Prof. Ricardo Rodríguez Bustinza 11

Prof. Ricardo Rodríguez Bustinza 12

25 Mínimos Cuadrados Recursivo (1/8)

o En el método no recursivo, el vector de parámetros

26 Mínimos Cuadrados Recursivo (2/8)

Si la función de costo ( ) se asume de modo que los

En donde ( ) es una matriz diagonal, La ecuación del

El factor de peso ( ) puede tomar la forma:

Prof. Ricardo Rodríguez Bustinza 13

27 Mínimos Cuadrados Recursivo (3/8)

Si se selecciona de modo que = 1 − , el factor de

28 Mínimos Cuadrados Recursivo (4/8)

La salida como ecuación en diferencias podemos

Se asume que el factor de peso es de la forma:

Prof. Ricardo Rodríguez Bustinza 14

29 Mínimos Cuadrados Recursivo (5/8)

El primer factor de la ecuación del vector de parámetros se puede

Si se define ahora una matriz cuadrada ( ) de orden como:

30 Mínimos Cuadrados Recursivo (6/8)

La ecuación anterior se transforma en: