Manual IngCtrlAuto

Ingenierı́a de Control Automático
Guillermo Ronquillo Lomeli

Posgrado
Centro de Ingenierı́a y Desarrollo Industrial
Tecnólogo en Mecatrónica
MEC-05 Ingenierı́a de Control Automático
Septiembre, 2023
Resumen
El control automático ha desempeñado una función vital en el avance de la

ingenierı́a y la ciencia. Además de su extrema importancia en los sistemas
de vehı́culos espaciales, de guiado de misiles, robóticos y similares, el con-
trol automático se ha vuelto una parte importante e integral de los procesos
modernos industriales y de manufactura. Por ejemplo, el control automático
es esencial en el control numérico de máquinas-herramientas de las indus-
trias de manufacturas, en el diseño de sistemas de pilotos automáticos de
la industria aeroespacial, y en el diseño de automóviles y camiones en la
industria automotriz. También es esencial en las operaciones industriales
como el control de presión, temperatura, viscosidad y flujo en las industrias
de procesos.
Debido a que los avances en la teorı́a y práctica del control automático apor-
tan los medios para obtener un desempeño óptimo de los sistemas dinámicos,
mejorar la productividad, aligerar la carga de muchas operaciones manua-
les repetitivas y rutinarias, ası́ como de otras actividades, casi todos los
ingenieros y cientı́ficos deben tener un buen conocimiento de este campo.
No se pretende hacer un texto enciclopédico que cubra todos los temas que
hoy en dı́a constituyen la disciplina de Ingenierı́a de Control Automático.
Ese objetivo estarı́a por encima de nuestras posibilidades y capacidades. Se
trata de una selección de temas en las que forman un papel preponderante
las experiencias acumuladas y formación del participante. En otras palabras,
se han seleccionado los temas más significativos para los objetivos del curso
y la exclusión de algún tema no significa necesariamente un juicio de valor
sobre el mismo.
Índice general
Índice de figuras V
Índice de tablas IX
1. Introducción a la Ingenierı́a de Control 1

1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Modelos Matemáticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3. Sistemas Lineales Invariantes en el Tiempo y Causales . . . . . . . . . . 3
1.4. La Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4.1. Teoremas Básicos acerca de la Transformada de Laplace . . . . . 9
1.4.2. Pares de Transformadas más Usuales. . . . . . . . . . . . . . . . 10
1.4.3. Transformada inversa de Laplace. Expansión en fracciones par-
ciales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4.4. Resolución de Ecuaciones Diferenciales mediante la Transforma-
da de Laplace. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5. Concepto de Función de Transferencia. . . . . . . . . . . . . . . . . . . . 18
1.6. Respuesta en Frecuencia de Sistemas Lineales Continuos . . . . . . . . . 20
1.7. Sistemas Fı́sicos: Modelos, Ecuaciones y Funciones de Transferencia. . . 23
1.7.1. Sistemas Mecánicos. . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.7.2. Sistemas Eléctricos. . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.7.3. Sistemas Hidráulicos. . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.8. Diagramas de Bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.8.1. Álgebra de los Diagramas de Bloques. . . . . . . . . . . . . . . . 41
1.9. Sistemas Lineales en Tiempo Discreto . . . . . . . . . . . . . . . . . . . 43
1.9.1. Muestreador Ideal. . . . . . . . . . . . . . . . . . . . . . . . . . . 43
i
ÍNDICE GENERAL
1.9.2. Teorema de la Convolución Discreta. . . . . . . . . . . . . . . . . 44

1.10. Transformada Z . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
1.10.1. Identidades Básicas y fórmula de Euler . . . . . . . . . . . . . . . 45
1.10.2. Definición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
1.10.3. Propiedades Fundamentales de la Transformada Z . . . . . . . . 49
1.10.4. Transformada Z Inversa . . . . . . . . . . . . . . . . . . . . . . 50
1.10.5. Implementación de Sistemas Discretos . . . . . . . . . . . . . . . 51
1.11. Respuesta en Frecuencia de Sistemas Lineales Discretos . . . . . . . . . 52
2. Métodos Clásicos de Identificación de Procesos 55

2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.2. Métodos de Identificación . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.3. Identificación Experimental Utilizando la Respuesta a la Señal Escalón . 58
2.3.1. Análisis de la Respuesta a la Señal Escalón. . . . . . . . . . . . . 59
2.3.2. Estimación de los Parámetros del Modelo de 1er. Orden con Re-
tardo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.3.3. Modelos de 2do. Orden Sobre-amortiguados. . . . . . . . . . . . 63
2.3.4. Estimación de los Parámetros de Modelos de Segundo Orden Sub-
amortiguados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.3.5. Identificación de Sistemas Aperiódicos de Alto Orden. . . . . . . 66
2.3.6. Equivalentes Discretizadas de los Modelos Simples Mostrados. . . 70
2.4. Conclusiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3. Identificación de Sistemas Mediante el Método de Mı́nimos Cuadra-

dos 75
3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.2. Estructura del Modelo ARX . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.3. Método de Mı́nimos Cuadrados para la Estimación de Parámetros del
Modelo ARX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.4. Técnica del Olvido Exponencial. . . . . . . . . . . . . . . . . . . . . . . 87
3.5. Algoritmo Recursivo para la Estimación Mı́nimo Cuadrático. . . . . . . 90
3.6. Conclusiones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
ii
ÍNDICE GENERAL
4. Algoritmos de Raı́z Cuadrada para la Identificación de Modelos Dis-

cretos 97
4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
4.2. Solución Mı́nimo-Cuadrática de Sistemas sobre Determinados de Ecua-
ciones Lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
4.3. Algoritmo REDCO para la Identificación en Linea de Sistemas Lineales
Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5. Técnicas Clásicas de Control de procesos 111

5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.2. Sistemas de Control Automático . . . . . . . . . . . . . . . . . . . . . . 112
5.2.1. Sistemas de Control en Lazo Abierto. . . . . . . . . . . . . . . . 112
5.2.2. Sistemas de Control de Lazo Cerrado o con Realimentación. . . . 114
5.2.3. Sistemas de Control en Lazo Cerrado en Comparación con los
Sistemas en Lazo Abierto. . . . . . . . . . . . . . . . . . . . . . . 116
5.3. Acciones de Control. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
5.4. Control Todo-Nada (On-Off) . . . . . . . . . . . . . . . . . . . . . . . . 120
5.5. Control Proporcional (P). . . . . . . . . . . . . . . . . . . . . . . . . . . 122
5.6. Control Proporcional-Integral (PI). . . . . . . . . . . . . . . . . . . . . . 124
5.6.1. Acción de Control Integral (I). . . . . . . . . . . . . . . . . . . . 124
5.6.2. Acción de Control PI. . . . . . . . . . . . . . . . . . . . . . . . . 124
5.6.3. Sintonización de Controladores PI. . . . . . . . . . . . . . . . . . 125
5.7. Control Proporcional Derivativo (PD). . . . . . . . . . . . . . . . . . . . 126
5.7.1. Acción de Control Derivativa (D) . . . . . . . . . . . . . . . . . . 126
5.7.2. Acción de Control PD. . . . . . . . . . . . . . . . . . . . . . . . . 126
5.7.3. Sintonización de Controladores PD . . . . . . . . . . . . . . . . . 127
5.8. Control Proporcional Integral Derivativo (PID). . . . . . . . . . . . . . . 127
5.8.1. Acción de Control PID. . . . . . . . . . . . . . . . . . . . . . . . 127
5.8.2. Sintonización Experimental de Controladores PID . . . . . . . . 128
5.8.3. Estimación en Bucle Abierto. Método de la Pendiente (Ziegler-
Nichols). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
5.9. Análisis del Sistema de Control . . . . . . . . . . . . . . . . . . . . . . . 130
5.9.1. Procedimiento de Análisis de Sistema . . . . . . . . . . . . . . . 131
iii
ÍNDICE GENERAL
5.9.2. Análisis de un Sistema de Control (Motor de CC). . . . . . . . . 132

5.10. Diseño del Control PID . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
5.11. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
6. Técnicas de Control Discreto 141

6.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
6.2. Algoritmos PID Discretos. . . . . . . . . . . . . . . . . . . . . . . . . . . 142
6.3. Versión Profesional del Algoritmo PID. . . . . . . . . . . . . . . . . . . . 144
6.4. Filtraje de las Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
6.5. Ajuste de los Parámetros de Reguladores PID Discretos. . . . . . . . . . 150
6.6. Análisis de un Sistema en Tiempo Discreto. . . . . . . . . . . . . . . . . 151
6.6.1. El Controlador PID Digital. . . . . . . . . . . . . . . . . . . . . . 151
6.6.2. Cuantificación y Errores de Cuantificación. . . . . . . . . . . . . 153
6.6.3. Análisis de Estabilidad del Sistema de Sistemas Discretos. . . . . 155
6.7. Control en Cascada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
6.8. Control de Relación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
6.9. Conexiones Feed-Forward . . . . . . . . . . . . . . . . . . . . . . . . . . 162
6.10. Predictor de Smith . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
6.11. PID Autoajustable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
6.11.1. PID Autoajustable Basado en un Margen de Fase Prefijado. . . . 167
6.11.2. PID Autoajustable Basado en Asignación de Polos. . . . . . . . . 170
6.11.3. Enfoque Heurı́stico para la Realización de un PID Autoajustable. 171
6.12. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
7. Conclusiones Generales 177

7.1. Conclusiones Generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
iv
Índice de figuras
1.1. Respuesta en frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

1.2. Convolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3. Diagrama de cuerpo libre . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.4. Diagrama del ejemplo 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
1.5. Origen de los desplazamientos . . . . . . . . . . . . . . . . . . . . . . . . 28
1.6. Diagrama de cuerpo libre . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.7. Diagrama del ejemplo 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1.8. Ejemplo de sistema RLC serie . . . . . . . . . . . . . . . . . . . . . . . . 31
1.9. Ejemplo de sistema RC-RC serie . . . . . . . . . . . . . . . . . . . . . . 32
1.10. Regı́menes de flujo en los sistemas hidráulicos . . . . . . . . . . . . . . . 33
1.11. Ejemplo de sistema de tanque en régimen laminar . . . . . . . . . . . . 35
1.12. Relación no lineal entre la altura y el caudal. . . . . . . . . . . . . . . . 36
1.13. Componentes de un diagrama de bloques. . . . . . . . . . . . . . . . . . 38
1.14. Trayectorias directa, de realimentación y de prealimentación. . . . . . . 39
1.15. Diagrama de bloques general de un motor de cc excitado por campo. . . 39
1.16. Diagrama de bloques desglosado de un motor de cc excitado por campo. 39
1.17. Ejemplo de sistema. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
1.18. Representación de las transformadas como funciones de transferencia. . 41
1.19. Diagrama de bloques global del sistema. . . . . . . . . . . . . . . . . . . 41
1.20. Bloques fundamentales de un diagrama. . . . . . . . . . . . . . . . . . . 42
1.21. Muestreador ideal: (a) Señal de entrada; (b) Tren de impulsos unitarios;
(c) Señal de salida. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
1.22. Respuesta aplicando convolución discreta . . . . . . . . . . . . . . . . . 46
1.23. Respuesta en frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
v
ÍNDICE DE FIGURAS
1.24. Respuesta a la señal exponencial . . . . . . . . . . . . . . . . . . . . . . 53

1.25. Convolución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.1. Sistemas de primer orden. . . . . . . . . . . . . . . . . . . . . . . . . . . 60

2.2. Sistemas de segundo orden sobre amortiguado . . . . . . . . . . . . . . . 61
2.3. Respuesta al escalón de amplitud 5 de la función de transferencia en la
ecuación 2.10 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.4. Respuesta del sistema original vs sistema de primer orden aproximado . 63
2.5. Sistemas de segundo orden sobre amortiguado . . . . . . . . . . . . . . . 64
2.6. Gráfica para determinar T1 y T2. . . . . . . . . . . . . . . . . . . . . . . 64
2.7. Respuesta al escalón de modelos de segundo orden subamortiguados. . . 65
2.8. Gráfica para determinar ζ y ωn. . . . . . . . . . . . . . . . . . . . . . . 66
2.9. Sistema aperiódico de alto orden . . . . . . . . . . . . . . . . . . . . . . 67
ecuación 2.20 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
ecuación 2.20 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
2.12. Proceso de muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2.13. Proceso de muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.1. Planta SISO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

3.2. Convención del tiempo de muestreo . . . . . . . . . . . . . . . . . . . . . 82
3.3. Planta MIMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.1. Matriz triangular de dimensión n + 1 . . . . . . . . . . . . . . . . . . . . 103

4.2. Composición de F (t) y q(t) . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.3. Composición de F (t) y q(t) en el tiempo t + 1 . . . . . . . . . . . . . . . 107
4.4. Sistema puede ser de nuevo triangularizado . . . . . . . . . . . . . . . . 108
4.5. Matriz compuesta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
5.1. Diagrama de bloques de un sistema de control en lazo abierto . . . . . . 113

5.2. Esquema detallado de un sistema de control re-alimentado. . . . . . . . 115
5.3. Sistema de control industrial . . . . . . . . . . . . . . . . . . . . . . . . 117
5.4. Control todo-nada puro. . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
5.5. Control todo-nada con banda muerta. . . . . . . . . . . . . . . . . . . . 121
vi
ÍNDICE DE FIGURAS
5.6. Control todo-nada con lazo de histéresis . . . . . . . . . . . . . . . . . . 122

5.7. Diagrama a bloque de servo motor . . . . . . . . . . . . . . . . . . . . . 132
5.8. Diagrama a bloques del sistema bajo diseño . . . . . . . . . . . . . . . . 135
6.1. Periodos de muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148

6.2. Sistema de control digital . . . . . . . . . . . . . . . . . . . . . . . . . . 156
6.3. Sistema de primer orden . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
6.4. Sistema de control de sistema de primer orden . . . . . . . . . . . . . . 158
6.5. Esquema de control estándar . . . . . . . . . . . . . . . . . . . . . . . . 159
6.6. Esquema de control en cascada . . . . . . . . . . . . . . . . . . . . . . . 159
6.7. Esquema de control de relación . . . . . . . . . . . . . . . . . . . . . . . 161
6.8. Controlador con conexión Feed-Forward . . . . . . . . . . . . . . . . . . 163
6.9. Esquema de control para el desacople de procesos . . . . . . . . . . . . . 165
6.10. Predictor de Smith . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
vii
ÍNDICE DE FIGURAS
viii
Índice de tablas
1.1. Transformadas de Laplace básicas - Más usuales. . . . . . . . . . . 10

1.2. Elementos básicos de modelado más usuales en ingenierı́a - Sis-
temas mecánicos de traslación . . . . . . . . . . . . . . . . . . . . . . . . 25
temas mecánicos de rotación . . . . . . . . . . . . . . . . . . . . . . . . . 25
temas eléctricos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.6. Respuesta aplicando convolución discreta . . . . . . . . . . . . . . . . . 46
2.1. Relaciones de n con los cocientes Ta /Tb y Te /Tb - Sistemas aperiódicos 67

2.2. Constante de tiempo equivalente τ - Sistemas aperiódicos . . . . . 67
3.1. Coeficientes de olvido exponencial - Filtro exponencial . . . . . . . 89

3.2. Matriz de parámetros P̂ identificada - Ejemplo . . . . . . . . . . . 95
5.1. Parámetros del motor - Servomotor sin escobillas de imán permanente133
6.1. Ganancias del PID discreto - Diferentes métodos . . . . . . . . . . . 151
ix
GLOSARIO
x
1
Introducción a la Ingenierı́a de
Control
1.1. Introducción
La planta es el primer factor que se ha de tener en cuenta, en relación con los

sistemas de control en cualquiera de sus vertientes, por lo que en primer lugar, antes de
abordar ninguna tarea es necesario familiarizarse con el proceso que se lleva a cabo; con
los intercambios energéticos y de masas que se producen y con el flujo de los materiales
que tienen lugar. Para automatizar un proceso es necesario definir el nivel deseado (si
la automatización va a ser completa o parcial), disponer de modelos matemáticos de la
planta, elegir el tipo de control más adecuado (analógico, digital, o mixto), confeccionar
los algoritmos de control, seleccionar los sensores adecuados, los elementos finales de
control, la infraestructura de comunicaciones, etc. Resulta obvio que la tarea resulta
ardua y compleja por lo que suele ser habitual comenzar por automatizar ciertas partes
del proceso en lo que se denomina islas de automatización para ir ampliando, según las
posibilidades, el ámbito de actuación.
1.2. Modelos Matemáticos
Los modelos son construcciones abstractas utilizadas para predecir el comporta-

miento de los sistemas reales con ciertas condiciones de trabajo. Los modelos construidos
a escala son bien conocidos en ingenierı́a: por ejemplo, se utiliza el modelo del casco
de un buque para introducirlo en un tanque de prueba y predecir el funcionamiento
1
1. INTRODUCCIÓN A LA INGENIERÍA DE CONTROL
del buque real en maniobras, y también se usan modelos estructurales para predecir el
funcionamiento en carga estática o dinámica de grandes construcciones como son los
puentes o los rascacielos.
Estos modelos a escala sirven para estudiar algunas caracterı́sticas muy concretas
de los sistemas reales. Por ejemplo, en el diseño de un avión, una de las etapas más
importantes es la realización de un modelo aerodinámico que permita contemplar sus
caracterı́sticas de vuelo en un túnel de viento, y no interesan en absoluto otros aspec-
tos particulares como por ejemplo la distribución interna del cableado eléctrico, o el
funcionamiento de los sistemas hidráulicos.
Aquı́ trataremos otro tipo de modelos llamados modelos matemáticos, que tam-
bién son versiones simplificadas de la realidad y que apoyándose en las leyes que gobier-
nan los sistemas fı́sicos, intentan describir y predecir el comportamiento de aspectos
particulares del sistema real. De la misma manera que en el modelo a escala del avión
fabricado para estudiar su comportamiento aerodinámico no es necesario incorporar los
sistemas hidráulicos, un modelo matemático elaborado para describir las deformacio-
nes en régimen elástico de una estructura no tiene por que incorporar informaciones
relativas al comportamiento térmico de la misma; el comportamiento térmico, si es
necesario estudiarlo, deberá hacerse utilizando otro modelo de aplicación de las leyes
fı́sicas correspondientes.
El primer paso para obtener un modelo matemático de un sistema fı́sico real es la
obtención de un modelo fı́sico y es un prerrequisito básico en el desarrollo de casi
todas las estrategias de control. En la práctica es difı́cil representar un sistema fı́sico
con toda su complejidad y por ello en el análisis y diseño de sistemas de control es
común realizar algunas idealizaciones que faciliten su estudio.
Establecido el modelo, se resuelven las ecuaciones obtenidas para diversas condicio-
nes de entrada, y el resultado representa la respuesta dinámica del sistema, esto
es, la predicción de su comportamiento que permitirá establecer posteriormente cual es
el sistema de control más adecuado.
La obtención de un modelo matemático presupone establecer un equilibrio adecua-
do entre simplicidad y precisión en los resultados del análisis. La precisión se puede
aumentar si se aumenta su complejidad, pero si no se necesita una precisión extre-
ma, es preferible obtener un modelo simplificado que sea adecuado al problema que se
pretende resolver, aunque sea a costa de ignorar ciertas propiedades fı́sicas inherentes
2
1.3 Sistemas Lineales Invariantes en el Tiempo y Causales
al sistema (por ejemplo el rozamiento, las no linealidades, los efectos de segundo or-
den...), dado que ello redundará en una simplificación de los cálculos (téngase en cuenta
que en algunos sistemas reales es necesario plantear y resolver cientos de ecuaciones
simultáneamente para describir su comportamiento).
Como regla general, cuando se soluciona un problema nuevo es conveniente desa-
rrollar primero un modelo simplificado para obtener una idea general de la solución, y
después uno más completo para realizar un análisis detallado.
Desde el punto de vista matemático la primera simplificación que vamos a realizar
para abordar el problema es suponer que los sistemas (en general) y la planta (en
particular) son lineales, invariantes con el tiempo y causales.
1.3. Sistemas Lineales Invariantes en el Tiempo y Causa-

les
Dejando a un lado todas las cuestiones relacionadas con la estructura y constitución

interna de una planta, ésta quedará totalmente definida si es posible conocer la salida
correspondiente a cada entrada posible. Esta forma de caracterizar al sistema se deno-
mina descripción externa, es decir, el sistema se trata como si fuera una caja negra,
dibujando una frontera imaginaria de modo que sólo resulta de interés la interacción
entre la entrada y la salida, sin necesidad de estudiar en detalle las interacciones ente
los componentes que lo forman. La planta puede ser un motor eléctrico o una estación
de generación de energı́a eléctrica, por ejemplo, pero no importa lo complejo que pueda
llegar a ser su funcionamiento, consideraremos que toda su complejidad reside dentro
de una caja negra y sólo tendremos en cuenta la relación entre su entrada y su salida.
La gran ventaja de estudiar los sistemas de esta manera es que aún habiendo una
gran cantidad de sistemas enorme, la relación entre la salida y la entrada de muchos
de ellos tiende a ser similar. Ası́ por ejemplo, la respuesta de un sistema eléctrico
formado por una capacidad en serie con una resistencia sometido a una entrada de
voltaje repentina tiene el mismo tipo de relación que la respuesta de un depósito de
lı́quido al cual se le aplica súbitamente una aportación de calor. De esta forma, al
estudiar un modelo de sistema con este tipo de relación entre la entrada y la salida,
es posible determinar como responderán muchas formas diferentes de sistemas con la
misma relación entrada-salida.
3
Matemáticamente la descripción externa de un sistema se puede llevar a cabo de

distintas formas. En este tema partiremos de las ecuaciones diferenciales para descri-
bir la planta y utilizaremos la transformada de Laplace para resolverlas. Asimismo,
usaremos los diagramas de bloques para visualizar cómodamente de forma gráfica las
caracterı́sticas más relevantes del sistema.
Las complicaciones relativas al control de una planta se reducen bastante si se
considera que ésta responde a un modelo lineal e invariante en el tiempo (sistemas
LTI). La definición de linealidad no es única, aquı́ ofrecemos varias dependiendo del
contexto y usaremos en cada momento la más adecuada, aunque sin dejar de tener en
cuenta que todas ellas son equivalentes.
La planta es lineal si su comportamiento se puede describir de forma precisa utilizan-
do un conjunto de ecuaciones diferenciales lineales. Especificada la entrada y las
condiciones iniciales, la respuesta del sistema se obtiene resolviendo la correspondiente
ecuación diferencial, que en su forma general responde a esta forma:

dn y dn−1 y dy dm r dm−1 r dr
f , , ..., , y, , , , ..., r =0 (1.1)
dtn dtn−1 dt dtm dtm−1 dt
y distinguiéndose dos tipos en función de la naturaleza de f:
Ecuaciones diferenciales lineales, si f es una función lineal.
Ecuaciones diferenciales no lineales, si f es una función no lineal.
Supondremos también en lo sucesivo que además de lineales, los sistemas que nos in-
teresa estudiar pertenecen a una subclase de éstos denominada invariantes en el tiempo,
haciendo este término referencia a que los parámetros (a0 , a1 , a2 , · · · , b0 , b1 , · · ·) presen-
tes en la ecuación diferencial, se mantienen fijos a lo largo del tiempo y por tanto no
son funciones del tiempo. Conceptualmente, un sistema es invariante en el tiempo si
se cumple que manteniendo fijas las condiciones iniciales y la entrada, la respuesta
obtenida es la misma, independientemente del instante de tiempo considerado.
Para el caso más simple de que la planta esté gobernada por una única ecuación
diferencial, exista una única excitación r(t) y una única variable independiente (que
habitualmente suele ser el tiempo (t)) se tiene que el sistema responderá a una ecuación
diferencial de este tipo:
d d2 d d2
a0 y(t) + a1 y(t) + a2 2 y(t) + · · · = b0 r(t) + b1 r(t) + b2 2 r(t) + · · · (1.2)
dt dt dt dt
4
Existe otro camino alternativo para definir la linealidad de un sistema, y es hacerlo

en términos de la relación entrada-salida: un sistema es lineal si cumple dos propiedades:
Superposición: Si una entrada r1 (t) produce una salida y1 (t), y una entrada r2 (t)
produce una salida y2 (t), entonces la entrada r1 (t) + r2 (t) dará como resultado
una salida y1 (t) + y2 (t). Expresado matemáticamente:
f(r1 + r2 ) = f(r1 ) + f(r2 ) (1.3)
Homogeneidad: Si una entrada r(t) produce a la salida y(t), entonces la entrada

αr(t) producirá una salida αy(t). Matemáticamente:
f(αr1 ) = αf(r1 ) (1.4)
Las funciones lineales de una variable tienen la expresión y = kx, donde k es una
constante. De modo similar, las funciones lineales de varias variables tienen la forma:
X
y = f (x1 , x2 , ...) = a1 x1 + a2 x2 + ... = ai xi (1.5)
Por ejemplo: y = 2x1 + x2 − 4x3

En resumen, las funciones cuyos argumentos sólo aparecen sumados y/o multi-
plicados por constantes son lineales. Una función que no cumpla las propiedades de
superposición y/o homogeneidad no será lineal. Por ejemplo la ecuación f (x) = x + 4
corresponde a un sistema no lineal ya que:
f (x1 + x2 ) = x1 + x2 + 4
f (x1 ) + f (x2 ) = x1 + x2 + 8
f (x1 + x2 ) ̸= f (x1 ) + f (x2 )
Por tanto, no cumple la propiedad de superposición y ya no puede ser lineal. Tam-

poco cumple la propiedad de homogeneidad:
αf (x1 ) = α(x1 + 4) = αx1 + 4α

f (αx1 ) = αx1 + 4
αf (x1 ) ̸= f (αx1 )
5
tampoco cumple la propiedad de homogeneidad. Obsérvese que aunque la función es

no lineal, sin embargo, corresponde a la ecuación de una recta.
Otros ejemplos de funciones no lineales son las que involucran potencias, raı́ces,
funciones trigonométricas, términos independientes y/o productos de variables.
Pero los sistemas en el mundo real raramente se comportan de forma lineal. Por
ejemplo, una resistencia R en un circuito eléctrico debe verificar una relación entre la
corriente que la atraviesa I y la tensión V aplicada entre sus contactos, que viene dada
por la ley de Ohm (R = V /I), y esa relación, si el sistema es lineal; debe permane-
cer constante sea cual sea, por ejemplo y entre otros muchos factores, la temperatura
reinante. En el mundo real, dicha relación se mantendrá constante mientras la tempe-
ratura se mantenga en un cierto rango; por tanto, el sistema puede considerarse lineal
en un cierto margen de temperaturas, pero dejará de serlo si la temperatura excede una
dada, porque en realidad, la resistencia eléctrica depende también de la temperatura y
en el modelo lineal considerado hemos obviado esa dependencia para simplificarlo. Lo
mismo ocurre con la relación existente entre la fuerza F aplicada a un muelle de cons-
tante elástica K y el desplazamiento producido X. El desplazamiento es proporcional
a la fuerza aplicada (X = F/K), siempre y cuando no rebasemos el lı́mite elástico del
acero empleado en la fabricación del muelle; de hecho, si aplicamos una fuerza excesiva
el muelle se romperá y dejará de cumplirse la ecuación.
Sin embargo, aunque el mundo real es claramente no lineal, la importancia del
estudio de las ecuaciones diferenciales lineales responde a dos motivaciones:
dx
La relativa sencillez de su solución. Por ejemplo, dt = y, tiene como solución
y= et .
Algunas ecuaciones no lineales pueden ser aproximadas a ecuaciones lineales.
La resolución de ecuaciones diferenciales no lineales es extremadamente complicada

en general, por lo que en la medida de lo posible, se recurre a linealizarlas alrededor
del punto de operación, pero siempre teniendo muy en cuenta que la solución obtenida
será válida únicamente en su entorno.
Dado que las ecuaciones diferenciales representan sistemas dinámicos recurrentes,
para el cálculo del valor de la salida y(t) en un determinado instante es necesario
tener información sobre valores de la salida en instantes pasados y sus derivadas (lo
que se conoce como condiciones iniciales (y(0), y ′ (0), · · ·); ası́ como la entrada desde
6
dicho instante t = 0 hasta el momento actual. Se puede demostrar que si la ecuación

diferencial es de orden n, las condiciones iniciales necesarias para resolver la ecuación
son el valor de la salida y sus derivadas hasta el orden n − 1 en el instante t = 0.
Además de todas las restricciones anteriores en cuanto al tipo de sistemas que
vamos a estudiar, introducimos una más: el sistema debe ser causal (también se llama
no anticipativo o realizable), lo que significa que la salida del sistema únicamente puede
depender de valores anteriores o actuales de la entrada y la salida, pero nunca de valores
futuros de la entrada y la salida.
Por ejemplo, un filtro en aplicaciones de tratamiento de imágenes cuya salida sea
el valor medio del valor actual de una señal, el anterior y el siguiente es un sistema
no causal. Y lo mismo puede decirse de un sistema cuya salida sea la derivada de la
función de entrada, ya que para hacer el cálculo de la derivada debe contar con el valor
de la función en el instante siguiente.
En definitiva, un sistema lineal, invariante y causal, se caracteriza por un modelo
matemático construido mediante ecuaciones diferenciales lineales de coeficientes cons-
tantes. Si la ecuación diferencial que lo gobierna es de orden n, conociendo un número
suficiente de condiciones iniciales y la entrada aplicada, se garantiza una solución única.
Hay que tener en cuenta que una ecuación diferencial, dada una entrada, no defi-
ne completamente la evolución temporal de la salida, sino una clase de funciones que
dependen de un parámetro constante que determinan todas las posibles evoluciones
de la salida (lo que se conoce como la solución general de la ecuación diferencial).
El procedimiento clásico para encontrar la solución de una ecuación diferencial lineal
de coeficientes constantes consiste en encontrar una solución de la ecuación ho-
mogénea (ecuación resultante de igualar a cero la entrada), y sumarle una solución
particular que depende del tipo de función aplicada como entrada. Imponiendo las
condiciones iniciales, se llegará a una instancia de la solución general, obteniendo ası́
una solución única.
Estas consideraciones de carácter matemático tienen también su significado fı́sico
que puede resumirse ası́: Se denomina respuesta libre y1 (t) a la respuesta del sistema
ante entrada nula y condiciones inı́ciales no nulas, y respuesta forzada yf (t) a la
respuesta del sistema ante entrada no nula y condiciones inı́ciales nulas. La respuesta
de todo sistema lineal es la suma de su respuesta libre y su respuesta forzada, es decir,
la debida únicamente a sus condiciones inı́ciales y la debida únicamente a la excitación.
7
Desde el punto de vista matemático la respuesta libre de un sistema lineal es una

solución de la ecuación homogénea asociada. Estas conclusiones sólo pueden aplicarse a
los sistemas lineales y ello es debido a la propiedad de superposición que permite sumar
por separado los efectos de las condiciones inı́ciales y los de varias entradas.
Una vez que se ha obtenido el modelo matemático de un sistema, tanto el análisis
como la sı́ntesis del mismo, requieren del empleo de una herramienta matemática ade-
cuada, y cuando se estudian sistemas lineales, el procedimiento analı́tico más simple y
eficaz (aunque no el único, ni tampoco siempre el más conveniente) es la transformada
de Laplace.
1.4. La Transformada de Laplace
El planteamiento de la transformada de Laplace (matemático francés) consiste en

realizar una determinada transformación matemática (una integral) de una función del
tiempo para cambiar a otro dominio donde el problema sea más fácilmente resoluble (las
derivadas se convierten en multiplicaciones, las integrales en cocientes y en definitiva
una ecuación diferencial se verá convertida en una expresión algebraica); resuelto el
problema en el dominio de la variable compleja s, se vuelve al dominio temporal t
tomando la transformada inversa L−1 .
La L se puede definir de dos formas: transformada de Laplace unilateral y bilateral.
Por definición, la L bilateral (la más general, y que incluye a la unilateral) es:
Z +∞
F (s) = L[f (t)] = f (t)e−st dt (1.6)
−∞
donde f (t) es la función a transformar, F (s) es la función transformada y L denota

la operación de transformación. La variable transformada s es compleja y la notación
convencional para coordenadas rectangulares es s = σ + jω. Por lo tanto, los valores
de s se pueden visualizar en el plano complejo con las componentes x e y determinadas
por las partes real e imaginaria de s.
La L unilateral puede ser izquierda o derecha, dependiendo de cual sea la porción
del plano s en la que se desea trabajar. En control, la que interesa es la L unilateral
derecha, ya que es la que está relacionada con los sistemas lineales causales, y se define
como: Z +∞
F (s) = L[f (t)] = f (t)e−st dt (1.7)
0−
8
1.4 La Transformada de Laplace
Obsérvese que el lı́mite inferior de integración se especifica como 0− para permitir

trabajar con la función impulso δ(t), de forma que la integral resulte convergente y, por
tanto, exista la L.
1.4.1. Teoremas Básicos acerca de la Transformada de Laplace
Linealidad: Si L[f1 (t)] = F1 (s) y L[f2 (t)] = F2 (s), entonces L[af1 (t) + bf2 (t)] =
aF1 (s) + bF2 (s). Esta propiedad indica que la transformada de una suma es la
suma de transformadas y se mantiene la multiplicación por una constante en la
transformación.
Traslación en el dominio del tiempo: Si L[f (t)] = F (s), entonces L[f (t−a)] =
e−as F (s). Ası́, si se retarda una función en a segundos, el retardo aparece reflejado
en la transformada como una multiplicación por la función e−as .
Traslación en el dominio de la frecuencia: Si L[f (t)] = F (s), entonces

L[e−at f (t)] = F (s + a). Si se conoce la transformada de f(t), la transformada de
e−at f (t) se puede obtener simplemente sustituyendo s por s + a en la función
transformada.
Cambio de escala en el dominio del tiempo: Si L[f (t)] = F (s), entonces

L[f (t/a)] = aF (as), suponiendo que a > 0. Un cambio de escala en el tiempo se
refleja inversamente en el plano complejo.
Derivación en el dominio del tiempo: Si L[f (t)] = F (s), entonces, L[ dfdt(t) ] =

2
sF (s) − f (0). Si se necesita la transformada de una derivada segunda: L[ d dtf 2(t) ] =
df (t)
s[sF (s) − f (0)] − dt t=0 . Y la progresión puede continuarse para derivadas de
orden superior al multiplicar el resultado anterior por s y restar el valor inicial de
la derivada previa.
Rt
Integración en el dominio del tiempo: Si L[f (t)] = F (s), entonces L[ 0 f (t)dt] =
F (s)
s − f (0).
Teorema del valor final: Si L[f (t)] = F (s) y todos los polos de sF(s) están
en el semiplano izquierdo del plano s, entonces se verifica que: lı́mt→∞ f (t) =
lı́ms→0 sF (s). La aplicabilidad del teorema debe considerarse con cuidado, por-
que la evaluación de sF (s) en s = 0 en ciertas circunstancias proporciona un valor
9
finito a pesar de la no-existencia de un lı́mite de f (t) cuando t tiende a infinito.

Este fenómeno ocurre con un grupo significativo de funciones, incluyendo funcio-
nes sinusoidales y exponenciales no acotadas. El teorema sólo es aplicable si existe
dicho lı́mite, lo cual se verifica si todos los polos de sF (s) se encuentran en el
semiplano izquierdo del plano s; pero si sF (s) tiene polos en el eje imaginario o en
el semiplano derecho del plano s, f (t) será oscilante o exponencialmente creciente
y, por tanto, el lı́mite no existirá, no pudiendo entonces aplicarse el teorema del
valor final.
Teorema del valor inicial: Si L[f (t)] = F (s) y f (0) existe, entonces se verifica
que lı́mt→0 f (t) = lı́ms→∞ sF (s). Este teorema nos permite encontrar el valor de
f(t) en 0+ directamente a partir de la transformada de Laplace de f (t) sin nece-
sidad de tener que calcular la respuesta en el tiempo y tomar lı́mites. Obsérvese
que el teorema del valor inicial no proporciona el valor de f(t) en 0 sino en 0+ y
que para aplicar este teorema no es necesario comprobar previamente la posición
de los polos de sF (s).
1.4.2. Pares de Transformadas más Usuales.
Tabla 1.1: Transformadas de Laplace básicas - Más usuales.
f (t) F (s) f (t) F (s)

ω
δ(t) 1 u(t)sen(ωt) s2 +ω 2
1 s
u(t) s u(t)cos(ωt) s2 +ω 2
−at
e u(t) 1
tu(t)e−at s+a
s+a (s+a)2
tu(t) 1
s2
u(t)e−at sen(ωt) ω
(s+a)2 +ω 2
tn u(t) n!
sn+1
u(t)e−at cos(ωt) s+a
(s+a)2 +ω 2
1.4.3. Transformada inversa de Laplace. Expansión en fracciones par-

ciales.
Se define la transformada inversa de Laplace como:

Z σ+j∞
1
f (t) = L−1 [F (s)] = F (s)est (1.8)
2πj σ−j∞
10
La resolución de esta integral suele ser complicada y el esfuerzo requerido para

su resolución anuları́a las ventajas de operar en el plano complejo. En la práctica, el
problema de calcular la L−1 se resuelve mediante el uso de las tablas de transformadas,
aprovechando la correspondencia biunı́voca entre F (s) y la f (t) asociada.
Cuando la transformada inversa no puede encontrarse directamente en las tablas,
el procedimiento consiste en expresar F (s) como suma de fracciones parciales con
coeficientes constantes, desarrollo conocido también como desarrollo de Heaviside (Oli-
ver Heaviside, ingeniero eléctrico que trabajó para los laboratorios de la ATT). Las
fracciones parciales tendrán un factor de primer o segundo orden en su denominador
y se encuentran tabuladas, por lo que la solución es casi inmediata y consistirá en la
suma de las transformadas inversas de cada fracción parcial.
El desarrollo se realiza de la siguiente forma: F (s) al ser racional puede expresarse
siempre como un cociente de polinomios. Considérese que estos polinomios son de orden
m (numerador) y n (denominador) y están ordenados según potencias decrecientes de
s:
N (s) b0 sm + b1 sm−1 + · · · + bm−1 s + bm
F (s) = = (1.9)
D(s) a0 sn + a1 sn−1 + · · · + an−1 s + an
Los coeficientes ai y bi son reales y constantes. El primer paso es conseguir que el
grado del numerador sea inferior al grado del denominador, lo cual se logra dividiendo
N(s) por D(s):
N (s) r(s) resto

F (s) = = c(s) + ≡ cociente + (1.10)
D(s) d(s) divisor
Supongamos que este requisito ya se cumple. A continuación se factorizan numera-

dor y denominador buscando sus raı́ces:
Qm
(s + zi )
F (s) = K Qni=1 (1.11)
j=1 (s + pj )
Q
donde indica un producto de factores, y −z1 , −z2 , · · · , −zm son las m raı́ces del
numerador (denominadas ceros), y −p1 , −p2 , · · · , −pn son las n raı́ces (o ceros) del
denominador y se denominan polos de la función F(s).
En general F (s) se va a expresar como una suma de fracciones, cuyo número es
igual al número de polos que tiene F (s). Dependiendo del tipo de polos hay tres formas
de descomposición en fracciones parciales que vamos a ir desarrollando:
11
Si F (s) tiene únicamente polos reales de primer orden, F (s) puede ponerse como:
N (s) k1 k2 kn
F (s) = = + + ··· + (1.12)
(s + p1 )(s + p2 ) · · · (s + pn ) s + p1 s + p2 s + pn
Los coeficientes k1 , k2 , · · · , kn , son los residuos en los polos correspondientes. El valor

de kj se encuentra multiplicando ambos miembros por s + pj y haciendo s = −pj .
kj = (s + pj ) F (s)s=−pj (1.13)
Una vez conocidos los residuos de las fracciones, la L−1 es inmediata, ya que cada
sumando representará un término exponencial:
f (t) = L−1 [F (s)]

k1 k2 kn
= L−1 + + ··· +
s + p1 s + p2 s + pn
−p1t −p2t −pnt
= k1 e + k2 e + · · · + kn e
Ejemplo 1: Sea la función:
16s + 16
F (s) = (1.14)
s3 + 6s2 + 8s
Las tres raı́ces son simples, por lo tanto
16s + 16 16(s + 1) A B C
F (s) = = = + + (1.15)
s3 2
+ 6s + 8s s(s + 2)(s + 4) s s+2 s+4
y el cálculo de los residuos A, B y C es como sigue:
A = [F (s).s]s=0 = 2
B = [F (s).(s + 2)]s=−2 = 4
C = [F (s).(s + 4)]s=−4 = −6
2 4 −6
F (s) = + + (1.16)
s s+2 s+4
y por tanto la L−1 :
f (t) = 2u(t) + 4e−2t u(t) − 6e−4t u(t) = (2 + 4e−2t − 6e−4t )u(t) (1.17)
12
Supóngase ahora que F (s) tuviera en pj un polo de orden r (es decir, r raı́ces
repetidas). El desarrollo de este tipo de término serı́a de la forma:
k1 k2 kr
F (s) = r
+ r−1
+ ··· + (1.18)
(s + pj ) (s + pj ) s + pj
multiplicando esta expresión en ambos lados por (s + pj )r se obtiene:
(s + pj )r F (s) = k1 + k2 (s + pj ) + · · · + kj (s + pj )j−1 + · · · + kr (s + pj )r−1 (1.19)
Al hacer s = −pj se anulan todos los términos del segundo miembro excepto k1 ,
que se puede evaluar, resultando:
k1 = (s + pj )r F (s)s=−pj (1.20)
A continuación se deriva la expresión una vez respecto a s con lo que el término k1

desaparecerá, pero k2 permanecerá, sin que quede multiplicado por una función de s.
Ahora se puede evaluar k2 , haciendo s = −pj y resultando:
d
[(s + pj )r F (s)] = k2 +k3 2(s+pj )+· · ·+kj (j −1)(s+pj )j−2 +· · ·+kr (r −1)(s+pj )r−2
ds
(1.21)
d
k2 = [(s + pj )r F (s)]s=−pj (1.22)
ds
El proceso se puede repetir para determinar la siguiente constante k3 y se obtiene:
1 d2
k3 = [(s + pj )r F (s)]s=−pj (1.23)
2! ds2
Para el término general kj se llega a la siguiente expresión general:
1 dj−1
kj = [(s + pj )r F (s)]s=−pj (1.24)
(j − 1)! dsj−1
Una vez conocidos los residuos de este tipo de polo, la transformada inversa se puede
obtener ası́:

−1 k1 k2 kr
f (t) = L r
+ r−1
+ ··· +
(s + p1 ) (s + p2 ) (s + pj )

k1 tr−1 k2 tr−2 kj tr−j
= + + ··· + + · · · + kr e−pj t
(r − 1)! (r − 2)! (r − j)!
8s + 8
F (s) = (1.25)
s3 + 4s2 + 4s
13
las raı́ces del denominador son tres, una de ellas doble:

8s + 8 8(s + 1)
F (s) = = (1.26)
s3 2
+ 4s + 4s s(s + 2)2
por tanto la descomposición en fracciones parciales es:
8s + 8 8(s + 1) A B C
F (s) = = = + + (1.27)
s3 2
+ 4s + 4s s(s + 2) 2 s s + 2 (s + 2)2
y el cálculo de los residuos A y C:

A = [F (s).s]s=0 = 2; C = F (s).(s + 2)2 s=−2 = 4 (1.28)
para el cálculo del residuo B:
d
B= F (s).(s + 2)2 s=−2 = −2 (1.29)
ds
y entonces:
2 2 4
F (s) = − + (1.30)
s s + 2 (s + 2)2
y la L−1 :

f (t) = 2u(t) − 2e−2t u(t) + 4te−2t u(t) = 2 − 2e−2t + 4te−2t e(t) (1.31)
Los dos métodos anteriores son válidos para cualquier tipo de polos, bien sean
reales o complejos, sin embargo, si existen polos complejos, los residuos en general
serán complejos y puede hacerse una simplificación debido a que siempre que aparecen
raı́ces complejas en una ecuación lo hacen en forma de pares conjugados. En este caso
resulta más cómodo el desarrollo en fracciones parciales de la forma:
1 k1 s + k2
F (s) = = 2 (1.32)
s2 + as + b s + as + b
e identificar los coeficientes k1 y k2 .
16s + 26
F (s) = (1.33)
s (s2+ 4s + 13)
que tiene tres raı́ces: una real y dos complejas conjugadas, por tanto descomponemos
ası́:
A Bs + C
F (s) = + 2 (1.34)
s s + 4s + 13
14
El residuo A se calcula como antes: A = [F (s).s]s=0 = 2 para calcular B y C

identificamos los coeficientes para unos valores que resulten cómodos. Por ejemplo,
para s = 1 tenemos:
16 + 26 B+C
=2+ (1.35)
1 + 4 + 13 1 + 4 + 13
y para s = −1:
−16 + 26 −B + C
= −2 + (1.36)
−1 (1 − 4 + 13) 1 − 4 + 13
resolviendo el sistema se obtiene: B = −2 y C = 8. Por tanto:
2 −2s + 8
F (s) = + 2 (1.37)
s s + 4s + 13
para calcular la L−1 hay que hacer alguna transformación en el segundo término para
asimilarlo a una suma de funciones seno y coseno: primero buscamos un cuadrado
perfecto en el denominador.
2 −2s + 8 2 −2s + 8
F (s) = + = + (1.38)
s s2 + 4s + 13 s (s + 2)2 + 9
ahora sacamos factor común s + 2 en el numerador:
2 (s + 2)(−2) + 12
F (s) = + (1.39)
s (s + 2)2 + 9
y separamos en dos términos, uno correspondiente al coseno y el otro al seno:
2 s+2 12 2 (s + 2) 3
F (s) = −2 + = −2 +4 (1.40)
s (s + 2)2 + 9 (s + 2)2 + 9 s (s + 2)2 + 9 (s + 2)2 + 9

y la L−1 queda: f (t) = 2 − 2e−2t cos 3t + 4e−2t sin 3t u(t).
1.4.4. Resolución de Ecuaciones Diferenciales mediante la Transfor-

mada de Laplace.
Una de las formas más sencillas de resolver una ecuación diferencial de coeficien-
tes constantes es la utilización de la transformada de Laplace. Las razones son dos:
la primera es que mediante la transformación, los operadores derivada e integral se
convierten en productos y cocientes. La segunda es que no tenemos que preocuparnos
por la forma de la función empleada como entrada o excitación (habrı́a que tenerlo en
cuenta para resolver la ecuación por los métodos clásicos).
15
Para obtener la evolución de la salida del sistema y(t) al aplicar una entrada deter-
minada r(t) con condiciones iniciales dadas, necesitamos resolver la ecuación diferencial
lineal:
dy n drm
an + · · · + a0 y = bm + · · · + b0 r (1.41)
dtn dtm
Los pasos a seguir para su resolución aplicando la transformada de Laplace son los
siguientes:
Aplicar la L a la ecuación diferencial.
Obtener la expresión de la transformada de la salida Y (s). Para ello habrá que

sustituir R(s) por la transformada de Laplace de la entrada en cuestión y asignar
un valor apropiado a los términos de condiciones iniciales.
Aplicar la L−1 a Y (s), obteniendo y(t).
Ası́ pues, aplicando la L a Y (s), tenemos que:

an sn Y (s) − sn−1 y(0) + · · · + y n−1 (0) + · · · + a0 Y (s) (1.42)

= bm sm R(s) − sm−1 r(0) + · · · + y m−1 (0) + · · · + b0 R(s) (1.43)
Como los sistemas que nos ocupan son reales (causales, realizables), la entrada r(t)
es causal, ası́ que:
r(t) = 0; ∀t < 0 (1.44)
Esto quiere decir que, sea r(t) continua o discontinua en t = 0 siempre se cumple
que:
r(0) = 0 (1.45)
dr
=0 (1.46)
dt t=0
y ası́ sucesivamente
drm−1
=0 (1.47)
dtm−1 t=0
con lo que

an sn Y (s) − sn−1 y(0) + · · · + y n−1 (0) + · · · + a0 Y (s) = bm sm R(s) + · · · + b0 R(s)
(1.48)
16
Despejando Y (s) tenemos que

sm bm + bm−1 sm−1 + · · · + b0 f y(0) + · · · + y n−1 (0)
Y (s) = n R(s) + n (1.49)
s an + an−1 sn−1 + · · · + a0 s an + an−1 sn−1 + · · · + a0

donde f y(0), · · · , y n−1 (0) es una función determinada que depende de las condiciones
iniciales. Aplicando la transformada inversa:
y(t) = yf (t) + yl (t) (1.50)
Si las condiciones iniciales son nulas y la entrada es no nula nos queda únicamente
la respuesta forzada, es decir, la salida cuando el sistema está en equilibrio y se le aplica
una determinada entrada (por ejemplo si a un péndulo se le desplaza bruscamente de su
posición de equilibrio). Si por el contrario la entrada es nula y las condiciones iniciales
son no nulas, la respuesta es la respuesta libre del sistema, es decir, como se comporta
el sistema de forma autónoma debido a unas determinadas condiciones iniciales (por
ejemplo si se suelta un péndulo desde un punto distinto a la vertical).
En resumen, la respuesta de un sistema es la suma de dos términos: su respuesta
libre ante condiciones iniciales no nulas y su respuesta forzada ante condiciones iniciales
nulas.
Ejemplo:
Encontrar la solución para la siguiente Ecuación Diferencial.
d2 x(t) dx(t)
+5 + 6x(t) = 0
dt2 dt
x (0) = 0
dx
(0) = 7
dt
dx
s2 X(s) − sx(0) − (0) + 5[sX(s) − x(0)] + 6X(s) = 0
dt
s+5 1 dx
X(s) = x(0) + 2 (0)
s2 + 5s + 6 s + 5s + 6 dt
7 7 7
X(s) = = −
(s + 2)(s + 3) s+2 s+3
x(t) = (7e−2t − 7e−3t )u(t)
17
1.5. Concepto de Función de Transferencia.
Los modelos matemáticos de los sistemas fı́sicos descritos aparecen habitualmente

en forma de ecuaciones diferenciales, y la transformada de Laplace es la herramienta
matemática que convierte las ecuaciones diferenciales en relaciones algebraicas equi-
valentes que permiten dos cosas: una, comprender mejor las relaciones causa-efecto y
otra, proporcionar la base de una serie de técnicas de análisis y diseño útiles para la
resolución de los problemas relacionados con los sistemas de control.
Recordemos que la L de una ecuación diferencial daba como resultado

sm bm + bm−1 sm−1 + · · · + b0 f y(0), · · · , y n−1 (0)
Y (s) = n R(s) + n (1.51)
s an + an−1 sn−1 + · · · + a0 s an + an−1 sn−1 + · · · + a0
El segundo sumando (respuesta libre) es nulo si las condiciones iniciales son nulas.
En muchas situaciones prácticas, en t = 0, antes de aplicar entrada, el sistema está en
equilibrio, esto se traduce en condiciones iniciales nulas, y en lo sucesivo, salvo que se
diga lo contrario, se supondrán condiciones iniciales nulas.
Ante condiciones iniciales nulas, la solución es únicamente el primer sumando, esto
es, la solución forzada. Al cociente de polinomios que multiplica a R(s) se le denomina
función de transferencia del sistema, y al segundo término (si existiera), término
de condiciones iniciales.
Por tanto, se denomina función de transferencia G(s) al cociente entre la transfor-
mada de Laplace de la salida, y la transformada de Laplace de la entrada de un sistema
ante condiciones iniciales nulas
Y (s)
G(s) = (1.52)
R(s) c.i.=0
La función de transferencia se puede obtener de varias formas. Una de ellas es

puramente matemática y consiste en tomar la L de las ecuaciones diferenciales que
describen el componente o sistema, resolverlas y obtener G(s) de la siguiente forma:
L [y(t)] Y (s)
G(s) = = (1.53)
L [r(t)] R(s)
La función de transferencia tiene las siguientes caracterı́sticas:
Proporciona la misma información que la ecuación diferencial, ya que, según pue-

de observarse, se compone de los coeficientes de la misma, ai , bi y términos si
18
1.5 Concepto de Función de Transferencia.
correspondientes a las diferentes derivadas. Ası́ pues, la función de transferencia

de un sistema es el mismo modelo, describiendo la relación entre la entrada y la
salida cuando el sistema está inicialmente en equilibrio.
Permite caracterizar el comportamiento del sistema ante señales tı́picas sin necesi-
dad de obtener analı́ticamente la salida del mismo. Para ello, la única información
relevante son los polos de la función de transferencia, es decir, las raı́ces de su
denominador: en efecto, ellas determinarán el tipo de fracciones simples en que
podrá descomponerse y, por tanto, el tipo de funciones (exponenciales o/y trigo-
nométricas) de que constará la referida respuesta.
Si el sistema tiene condiciones iniciales nulas, para calcular la salida únicamente

es necesario multiplicar la función de transferencia por la entrada (por supuesto
en el dominio de Laplace).
El concepto de función de transferencia sólo es aplicable a modelos de sistemas

lineales.
Es independiente de la excitación a que se someta el sistema.
No proporciona información acerca de la estructura del sistema ni de las varia-

bles internas, es decir, dos sistemas distintos pueden tener la misma función de
transferencia.
Ejemplo:
dy
Encontrar y(t) cuando x(t) = u(t), y(0) = 0 y dt = 0.
d2 y(t) dy(t)
2
+4 + 3y(t) = 3x(t)
dt dt
Y (s) s2 + 4Y (s) s + 3Y (s) = 3X (s)

Y (s) s2 + 4s + 3 = 3X(s)
1
X(s) =
s
3
Y (s) =
s(s + 1)(s + 3)
A B C
Y (s) = + +
s s+1 s+3
19
A(s + 1)(s + 3) + Bs(s + 3) + Cs(s + 1) = 3
3A = 3; A = 1
−3
B(−1)(2) = 3; B =
2
1
C(−3)(−2) = 3; C =
2
1 3/2 1/2
Y (s) = − +
s s+1 s+3
3 1
y(t) = u(t)(1 − e−t + e−3t )
2 2
1.6. Respuesta en Frecuencia de Sistemas Lineales Conti-

nuos
Sabemos que la respuesta de sistemas en tiempo continuo se rige por la convolución

continua Z ∞
y(t) = h(τ )u (t − τ ) dτ
−∞
si consideramos la entrada al sistema como
u(t) = ejwt
Z ∞
y(t) = h(τ )ejw(t−τ ) dτ
Z−∞
∞
= h(τ )e−jwτ dτ ejwt
−∞
Esta última tiene la forma y = T (u) = λu y son el valor y vector caracterı́stico

Z ∞
λ(w) = h(τ )e−jwτ dτ
−∞
Ahora tomemos como entrada al sistema
u (t) = e−jwt
Z ∞
y(t) = h(τ )e−jw(t−τ ) dτ
−∞
Z ∞
= h(τ )ejwτ dτ e−jwt
−∞
20
1.6 Respuesta en Frecuencia de Sistemas Lineales Continuos
Z ∞
λ(−w) = h(τ )e−(−jwτ ) dτ
−∞
Z ∞
= h(τ )e−jwτ dτ
−∞
= λ(w)
λ(w) = Aejϕ
λ(w) = λ(−w) = Ae−jϕ
2cos(ωt) λ(ω)ejωt + λ(−ω)e−jωt

P
Figura 1.1: Respuesta en frecuencia - tiempo continuo.
Finalmente calculemos la respuesta del sistema a la entrada
u (t) = 2 cos (wt)

= ejwt + e−jwt
y (t) = λ(w)ejwt + λ(−w)e−jwt

= Aejϕ ejwt + Ae−jϕ e−jwt
= A[ej(wt+ϕ) + e−j(wt+ϕ) ]
= 2A cos(wt + ϕ)
Resumen
x(t) F (s) y(t)
Figura 1.2: Convolución - tiempo continuo.
21
x(t) = A sen (wt + ϕ)

y(t) = |F (jw)| A sen [wt + ϕ + arg(F (jw))]
Ejemplo:
Encontar la respuesta del sistema F(s) a la señal de entrada
s
F (s) =
(s + 0,7)(s + 0,8)
x(t) = 3 sen 50t + 15 cos(100t + 30)
Para w1 = 50rad/seg.
j50 ∼ 1
|F (jw1 )| = =
(j50 + 0,7)(j50 + 0,8) 50
arg [F (jw1 )] = arg(j50) − arg(j50 + 0,7) − arg(j50 + 0,8)
∼
= 90 − 90 − 90
∼
= −90
Para w2 = 100rad/seg
j100 ∼ 1
|F (jw2 )| = =
(j100 + 0,7)(j100 + 0,8) 100
arg [F (jw2 )] = arg(j100) − arg(j100 + 0,7) − arg(j100 + 0,8)
∼
= 90 − 90 − 90
∼
= −90
y(t) = |F (jw1 )| sen(w1 t + arg [F (jw1 )]) +

+ |F (jw2 )| cos(w2 t + 30 + arg [F (jw2 )])
3 15
= sen(50t − 90) + cos(100t + 30 − 90)
50 100
3 15 π
= − cos(50t) + sen(100t + )
50 100 6
⇒ Tarea 1.1. Calcular y (t) para la señal de entrada u (t)
ÿ + 2ẏ + y = 3u̇ + 2u
u(t) = 3 cos (10t + π/4) + 3 sen (2t + π/3)
22
1.7 Sistemas Fı́sicos: Modelos, Ecuaciones y Funciones de Transferencia.
1.7. Sistemas Fı́sicos: Modelos, Ecuaciones y Funciones

de Transferencia.
Para poder realizar el análisis o la sı́ntesis de un sistema de control es conveniente

(no es la única forma ni la mejor en cualquier circunstancia, pero es la que estudiaremos
aquı́) la determinación en primer lugar de la función de transferencia de los subsistemas
que integran la planta, debiendo seguirse estos pasos:
1. Plantear el modelo fı́sico idealizado del sistema.
2. Identificar las leyes fı́sicas que lo gobiernan.
3. Plantear las ecuaciones integro-diferenciales correspondientes a cada variable de

interés.
4. Obtener la transformada de Laplace de cada ecuación planteada considerando

condiciones iniciales nulas.
5. Relacionar la variable de salida con la variable de entrada.
A continuación estudiaremos los modelos, las leyes fı́sicas y las funciones de transfe-
rencia de los elementos más sencillos y más ampliamente utilizados en ingenierı́a. Estos
sistemas sencillos pueden reducirse a componentes básicos que son versiones matemáti-
cas idealizadas de elementos reales tales como resistencias, válvulas, masas, muelles,
etc. Como si se tratara de un kit de construcción, a partir de estos elementos simples
puede llegarse a modelar otros de mayor complejidad. Por ejemplo, a partir del cono-
cimiento de las relaciones entrada-salida de resistencias, capacidades e inductancias, y
combinando sus efectos puede modelarse el comportamiento de un motor.
Las plantas (y los sistemas de control completos) a modelar son muy variados y
abarcan campos como la mecánica, electricidad, electrónica, hidráulica, etc. Para rea-
lizar un estudio global y coherente es conveniente elegir para cada elemento básico un
par de variables que permita manejar con facilidad sistemas integrados por tecnologı́as
diferentes. Por ejemplo, un sistema de control puede incluir elementos mecánicos y
eléctricos al mismo tiempo (un motor eléctrico con una carga acoplada). Aquı́ emplea-
remos las variables de potencia, llamadas ası́ porque el producto de ambas resulta,
desde un punto de vista dimensional, una potencia.
23
En mecánica el par de variables que usamos son la fuerza y la velocidad para los
sistemas de traslación y el par y la velocidad angular para los de rotación; para los
sistemas eléctricos el voltaje y la corriente y para los hidráulicos la presión y el caudal.
En todos los sistemas que vamos a estudiar, los elementos idealizados que los forman
son únicamente de tres tipos: de carácter resistivo, inductivo o capacitivo, haciendo esta
clasificación referencia al tipo de relación matemática existente entre las dos variables
elegidas.
En los elementos de carácter resistivo, o lo que es lo mismo, elementos disipati-
vos (rozamiento mecánico y viscoso, resistencia eléctrica, y resistencia hidráulica), la
relación entre las variables fuerza y velocidad es una constante. En los inductivos se
almacena energı́a (masa mecánica, inductancia eléctrica, inertancia hidráulica), la re-
lación entre las variables de potencia es una derivada en el tiempo. En los capacitivos
(muelle, condensador eléctrico, capacidad hidráulica), la relación entre las variables es
una integral.
Por otra parte, las distintas fuentes de energı́a empleadas son: la gravedad en los sis-
temas mecánicos, los generadores de intensidad de corriente y de voltaje en los sistemas
eléctricos, y las bombas en los hidráulicos.
1.7.1. Sistemas Mecánicos.
En el estudio de los sistemas mecánicos es conveniente hacer uso de tres elementos

idealizados: la masa, el muelle (o resorte) y el amortiguador. Los movimientos pueden
ser de traslación y rotación y las variables de potencia que se manejan son dos: fuerza
y velocidad para sistemas de traslación, par y velocidad angular para el de rotación.
El primer elemento que vamos a estudiar es la masa m y su dual en el movimiento
de rotación, el momento de inercia J, capaces ambos de almacenar energı́a cinética. La
masa es la propiedad fı́sica que proporciona inercia a los cuerpos, esto es, resistencia
a moverse o a detenerse, y se define como la cantidad de materia que contiene. Habi-
tualmente, dicha masa se considera constante, pero téngase en cuenta que en algunos
problemas puede ser necesario considerar que la masa de un cuerpo es variable (por
ejemplo, cuando se trata de modelar la trayectoria de un cohete, se debe considerar que
quema combustible y pierde masa).
24
El momento de inercia J es un indicador de la capacidad que tiene un cuerpo de al-

macenar energı́a cinética de rotación y el parámetro J depende de su forma geométrica,
del eje de rotación alrededor del cual gira y de su densidad ρ.
Tabla 1.2: Elementos básicos de modelado más usuales en ingenierı́a - Sistemas

mecánicos de traslación
Elemento Ecuación diferencial Función de transferencia

2
Masa m(kg) f (t) = m dv(t)
=dt m d dtx(t)
2
V (s) 1
F (s) = ms
Rt V (s) s
Resorte k(N/m) f (t) = k 0 v(t)dt + f (0) = kx(t) F (s) = k
Amortiguador f (t) = bv(t) = b dx(t)
dt
V (s) 1
F (s) = b
b (N (m/seg))

mecánicos de rotación

2
Momento de iner- t(t) = m dω(t)
dt = m d dtθ(t)
2
Ω(s)
T (s) = 1
Js
cia J(kgm2 )
Rt Ω(s) s
Resorte k(N/m) t(t) = k 0 ω(t)dt + t(0) = kθ(t) T (s) = k
Amortiguador t(t) = bω(t) = b dθ(t)
dt
Ω(s)
T (s) = 1
b
b (N rad/seg)
Los sistemas mecánicos están gobernados por la segunda ley de Newton, la cual
establece para sistemas mecánicos de traslación que “la suma vectorial de las fuerzas
exteriores aplicadas sobre un cuerpo de masa m, es igual al producto de su masa por
su aceleración ”. Cuando se trata de sistemas mecánicos de rotación la segunda ley de
Newton establece de forma dual que “la suma vectorial de momentos exteriores aplica-
dos sobre un cuerpo es igual a su momento de inercia multiplicado por su aceleración
angular ”.
X X
F ext = ma y Mext = Jα (1.54)
El segundo elemento es el resorte de traslación y su dual el muelle de torsión. Los

muelles de traslación son elementos mecánicos habitualmente construidos en acero con
25
una cierta constante elástica k lo que les confiere su comportamiento caracterı́stico. Los
muelles de torsión también se construyen en acero con su correspondiente constante k.
El tercer elemento es el amortiguador que modela el rozamiento viscoso. Está com-
puesto por un cilindro hueco dentro del cual se sitúa un pistón móvil. La fricción viscosa
es el rozamiento entre superficies móviles separadas por un fluido viscoso o también se
define como la fuerza entre un cuerpo sólido y un medio fluido. El cilindro está lleno
con un fluido (habitualmente aire comprimido o aceite) y dispone de un camino que le
permite retornar al lado opuesto del pistón a través del pequeño espacio existente entre
el pistón y el cilindro o bien mediante orificios hechos en el pistón.
La diferencia entre el amortiguador de traslación y el de rotación es la dirección del
movimiento (traslación y giro) y la resistencia al mismo en un medio viscoso (fuerza
y par). Los amortiguadores producen una fuerza (o un par) que es proporcional a la
velocidad lineal (o angular), y la fuerza resistente (o el par resistente), idealmente,
es proporcional a la velocidad lineal (o angular). Estos dispositivos no son capaces
de almacenar energı́a y sólo pueden disiparla en forma de calor (son elementos de
carácter resistivo). Ambos tipos de amortiguadores se caracterizan por un coeficiente b
(coeficiente de rozamiento viscoso).
El amortiguador en movimientos de rotación representa el rozamiento que impide
el giro. Por ejemplo el movimiento de un disco en el aire, que ofrece una resistencia
aerodinámica al movimiento de rotación del disco; o el giro del eje de un motor dentro
de un cojinete de apoyo.
Ejemplo 1: Sistema masa-muelle-amortiguador (traslación).
Combinemos la acción de los tres elementos básicos en un sistema de traslación como
el de la figura 1.3 y calculemos, por ejemplo, la función de transferencia X(s)/F (s).
Antes de nada es necesario especificar el sentido y dirección tanto de las fuerzas que
actúan como de los desplazamientos (lo mejor es dibujar el sentido real de las fuerzas
y los desplazamientos y especificar su módulo de manera que quede positivo). Después
se aı́sla el cuerpo que tiene masa (el resorte y el amortiguador son elementos ideales sin
masa) y se plantea la segunda ley de Newton sobre él. Obsérvese que algunas fuerzas
son del tipo acción-reacción por lo que tienen el mismo módulo y sentido contrario.
Como el modelo fı́sico incluye un muelle en posición vertical, es conveniente elegir
una referencia de desplazamiento que coincida con la posición relajada del resorte. El
efecto de fuerza de gravedad (mg) hará que el resorte, en su posición relajada esté algo
26
k
b
kx(t) bdx(t)/dt
0 0
m m
x(t) x(t)
f (t) f (t)
Figura 1.3: Diagrama de cuerpo libre - Sistemas mecánicos de traslación
extendido. Entonces, para simplificar los cálculos, conviene tomar como referencia de
desplazamiento esa posición de reposo con masa incluida.
Dibujamos el diagrama de cuerpo libre (aislamos la masa y dibujamos todas las
fuerzas que actúan sobre ella con su sentido) y planteamos la ecuación dinámica del
movimiento, resultando:
dx(t) dx(t)2
f (t) − kx(t) − b =m (1.55)
dt dt2
Tomando L:
X(s) 1
F (s) − kX(s) − bsX(s) = ms2 X(s) =⇒ = 2
(1.56)
F (s) ms + bs + k
Ejemplo 2: Sistema de 2 masas-muelle-amortiguador (traslación).

Supongamos que dos masas se desplazan hacia la derecha por la acción de una
fuerza aplicada sobre m1 , según indica la figura 1.4:
b
f
m1 m2
k1 k2
Figura 1.4: Diagrama del ejemplo 2 - Sistemas mecánicos de traslación.
Se trata de calcular la función de transferencia X1 (s)/F (s). En primer lugar fijamos
27
un sentido para el movimiento y un origen de desplazamientos. Esto nos permitirá poner

los signos adecuados a las fuerzas.
b
f
m1 m2
k1 k2
x1 x2
Figura 1.5: Origen de los desplazamientos - Sistemas mecánicos de traslación.
A continuación planteamos la segunda ley de Newton a ambas masas por separado,

ayudándonos de sus diagramas de cuerpo libre.
f (t) b d(x1 − x2 )/dt b d(x1 − x2 )/dt
m1 m2
k1 (x1 ) k2 (x1 − x2 ) k2 (x1 − x2 )
x1 x2
Figura 1.6: Diagrama de cuerpo libre - Sistemas mecánicos de traslación
d(x1 − x2 ) d2 x1
f − k l xl − b − k2 (x1 − x2 ) = m1 (1.57)
dt dt
d(x1 − x2 ) d2 x2
b + k2 (x1 − x2 ) = m2 (1.58)
dt dt
Tomando transformada de Laplace en ambas ecuaciones:
F (s) − k1 X1 (s) + bs [X1 (s) − X2 (s)] + k2 [X1 (s) − X2 (s)] = m1 s2 X1 (s) (1.59)
bs [X1 (s) − X2 (s)] + k2 [X1 (s) − X2 (s)] = m2 s2 X2 (s) (1.60)
Si despejamos X2 (s) en función de X1 (s) en la primera y lo llevamos a la segunda

se obtiene finalmente:
28
X1 (s) m2 s2 + bs + k2
= (1.61)
F (s) (m1 s2 + bs + k + k2 ) (m2 s2 + bs + k2 ) − (bs + k2 )2
Ejemplo 3: Sistema masa-amortiguador (rotación).
Supongamos el sistema de la figura 1.7 donde un disco de inercia J gira en un medio
viscoso de coeficiente b. Al aplicar un par T (t) al sistema, se obtiene un desplazamiento
θ(t) del eje. Calculemos la función de transferencia θ(s)/T (s).
T(t) θ(t)
b
J
Figura 1.7: Diagrama del ejemplo 3 - Sistemas mecánicos de rotacional.
La ecuación dinámica del sistema es:
dθ(t) d2 θ(t)
T (t) − b =J (1.62)
dt dt2
Al tomar la L se obtiene la función de transferencia:
θ(s) 1
G(s) = = (1.63)
T (s) s(sJ + b)
1.7.2. Sistemas Eléctricos.
En los circuitos eléctricos hay tres elementos básicos: resistencia eléctrica, induc-
tancia y condensador, y dos variables de potencia: voltaje e intensidad de corriente.
Si al suministrar energı́a al elemento, éste la disipa en forma de campo magnético
es una bobina, y si lo hace en forma de campo eléctrico se trata de un condensador.
En la práctica, los componentes reales de un circuito se comportan de más de una de
dichas formas, y muchas veces de las tres simultáneamente, pero lo normal es que pre-
domine uno de los tres efectos citados sobre los otros dos. Por ejemplo, para construir
una bobina (elemento real) es necesario arrollar un hilo conductor en espiral, lo cual
dará a la bobina la inductancia L que le es caracterı́stica, pero a la vez; el hilo conduc-
tor presentará una cierta resistencia R al paso de la corriente, lo cual será un efecto
secundario que sólo se tendrá en cuenta si se quiere construir un modelo muy exacto
29
de la bobina real. Esto también ocurre con los elementos mecánicos reales: un muelle
tiene una masa, pero no la consideramos porque el efecto que nos interesa estudiar es
su elasticidad y no su inercia.
La ley fı́sica que gobierna el funcionamiento de los elementos resistivos es la ley de
Ohm: “El voltaje v(t) en los terminales de un elemento resistivo puro es directamente
proporcional a la corriente i(t) que circula por él”. La constante de proporcionalidad
R se llama resistencia eléctrica.
La ley fı́sica que gobierna el funcionamiento de una inductancia es: “El voltaje v(t)
que se origina en los terminales de una bobina cuando circula por ella una corriente
variable con el tiempo i(t), es proporcional a dicha variación”. La constante de propor-
cionalidad se denomina inductancia L.
La ley fı́sica que gobierna el funcionamiento de un condensador eléctrico es: “El
voltaje v(t) que se origina en los terminales de un condensador cuando circula por el
una corriente i(t) es proporcional a la integral de dicha corriente”. La constante de
proporcionalidad es el inverso de la capacidad C.
Si queremos calcular funciones de transferencia de circuitos eléctricos en los cuales
existan combinaciones más o menos complejas de los tres elementos estudiados necesi-
taremos el auxilio de las leyes de Kirchhoff, las cuales gobiernan los circuitos eléctricos.
La primera enuncia que “la suma de las corrientes que confluyen en un nudo es igual
a cero”. La segunda dice que “la suma de los voltajes a lo largo de un trayectoria
cerrada o malla es cero”. Ambas leyes pueden ser usadas de manera combinada para
determinar el conjunto de ecuaciones integro-diferenciales necesarias para predecir el
comportamiento de un sistema eléctrico. La elección de una ley u otra para resolver un
circuito es únicamente una cuestión de comodidad, pues cualquiera de ellas conduce a
la misma solución.

eléctricos.

I(s) 1
Resistencia R(Ω) v(t) = Ri(t) V (s) = R
Bobina L(H) v(t) = L di(t)
dt
I(s) 1
V (s) = sL
Rt I(s)
Condensador C(F ) v(t) = C1 0 i(t)dt + v(0) V (s) = sC
30
Ejemplo 1: Sistema RLC serie.

Estudiemos el circuito serie de la figura 1.8. Se denomina serie porque los tres
elementos están recorridos por la misma corriente. Además de los tres elementos R,
L y C, vemos un generador de voltaje e(t), que es quien proporciona la energı́a para
que funcione el circuito y pueda circular una corriente i(t) por la malla. La circulación
de dicha corriente provoca un voltaje entre cada uno de los extremos de cada uno
de los elementos R, L y C, cuya expresión ya conocemos (véase la tabla resumen).
Obsérvese que se ha asignado sentido tanto a la corriente como a los voltajes, siguiendo
un criterio fı́sico: el enunciado del problema indica el sentido en el que el generador
proporciona la tensión e(t) y esa tensión se “gasta ”en los elementos. A la corriente
i(t) se le puede asignar un sentido arbitrario, pero es común y más cómodo otorgarle
el sentido contrario a los voltajes en los distintos elementos.
R L
+ bc b bc +
C
i(t)
e(t) vC (t)
− bc b bc −
Figura 1.8: Ejemplo de sistema RLC serie - Sistemas eléctricos.
Vayamos con la función de transferencia. En este circuito eléctrico se pueden definir

distintas funciones de transferencia: en cuanto a la entrada no hay duda, es el generador
de voltaje e(t); pero en cuanto a la salida hay múltiples opciones. Por ejemplo se puede
estar interesado en conocer I(s)/E(s), ó Vc (s)/E(s) , ó VL (s)/E(s), ó VR (s)/E(s).
Supongamos que se desea calcular la primera de ellas, Vc (s)/E(s). Para ello aplica-
mos la segunda ley de Kirchhoff:
E(t) = vR (t) + vL (t) + vC (t) (1.64)
y teniendo en cuenta que la corriente i(t) es la misma: vR (t) = Ri(t); vL (t) = L di(t)
dt y
R
1 ∞ di(t) R
1 ∞
vC (t) = C 0 i(t)dt sustituyendo: e(t) = Ri(t) + L dt + C 0 i(t)dt
Tomando L:
I(s)
E(s) = RI(s) + LsI(s) + (1.65)
Cs
31
I(s)
por otra parte: V c(s) = Cs sustituyendo I(s) en la ecuación anterior:

1
E(s) = CsV c(s) R + Ls + (1.66)
Cs
de donde
VC (s) 1 1
= = 2
(1.67)
E(s) Cs [R + Ls + 1/Cs] LCs + RCs + 1
Ejemplo 2: Sistema RC-RC.
Calculemos la función de transferencia V (s)/E(s) en el sistema eléctrico de la figura
1.9. Como la estructura es de tipo mallas, es más cómodo utilizar la segunda ley de
Kirchoff.
R1 R2
+ bc b b bc +
C1 C2
e(t) v(t)
i1 (t) i2 (t)
- bc b b bc -
Figura 1.9: Ejemplo de sistema RC-RC serie - Sistemas eléctricos
Aplicando la ley de Kirchoff a las dos mallas se obtiene:

Z
1
e(t) = R1 i1 (t) + [i1 (t) − i2 (t)] dt (1.68)
C1
Z Z
1 1
R2 i2 (t) + i2 (t)dt + [i2 (t) − i1 (t)] dt = 0 (1.69)
C2 C1
Además necesitamos otra ecuación para ligar la salida:
Z
1
v(t) = i2 (t)dt (1.70)
C2
Tomando L en las tres ecuaciones anteriores:
I1 (s) − I2 (s)
E(s) = R1 I1 (s) + (1.71)
sC1
I2 I2 (s) − I1 (s)
R2 I2 (s) +
+ (1.72)
sC2 sC1
I2 (s)
V (s) = (1.73)
sC2
Eliminando I1 (s) e I2 (s) llegamos a la función de transferencia pedida:
V (s) 1
= (1.74)
E(s) (sR1 C1 + 1)(sR2 C2 + 1) + sR1 C2
32
1.7.3. Sistemas Hidráulicos.
Los sistemas que involucran mecánica de fluidos están entre los más difı́ciles de
modelar y analizar en cuanto a su comportamiento dinámico. Aquı́ nos quedaremos
con una subclase denominada sistemas hidráulicos, caracterizados por trabajar con altas
presiones, bajos caudales y fluidos incompresibles (aunque se incremente la presión, el
volumen se mantiene constante).
La dinámica de los sistemas hidráulicos puede representarse mediante ecuaciones
diferenciales lineales, sólo si el fluido es incompresible y el régimen de flujo es laminar
(el fluido se desplaza de forma ordenada). La mayorı́a de los sistemas hidráulicos reales
no se comportan ası́, sino que se comprimen si se les somete a presión y el régimen de
flujo es turbulento (caracterizado porque el desplazamiento del fluido consiste en un
movimiento aleatorio e irregular superpuesto al movimiento principal).
Regimen sin razonamiento
Regimen Laminar
Regimen turbulento
Figura 1.10: Regı́menes de flujo en los sistemas hidráulicos -
La caracterización del régimen laminar o turbulento se realiza con un número adi-

mensional (número de Reynolds), de forma que se dice que el flujo es laminar si
el nº de Reynolds es menor que 2.000, y turbulento si es mayor que 3.000. Si está
comprendido entre ambos, el tipo de flujo resulta impredecible y generalmente es una
mezcla de ambos.
Las dos variables de potencia utilizadas en hidráulica son caudal y presión y los
sistemas hidráulicos pueden a menudo representarse mediante elementos ideales al igual
que hemos visto para los mecánicos y eléctricos. Dichos elementos son resistencia
hidráulica, capacidad hidráulica e inertancia.
33
La resistencia hidráulica es la oposición a fluir que se presenta como resultado del

flujo de lı́quido a través de válvulas o cambios de diámetro de las tuberı́as. Se define
como
P2 − P1
R= (1.75)
q
siendo p la presión (a uno y otro lado del elemento resistivo) y q el caudal que lo
atraviesa. La capacitancia hidráulica es el término que se emplea para describir el
almacenamiento de energı́a en el lı́quido en forma de energı́a potencial. Se define como:
Z
1
R= (q1 − q2 )dt (1.76)
p
siendo p la presión a la que está sometida el depósito y q el caudal (de entrada y salida).
La inertancia está ligada con la inercia del fluido, esto, es su capacidad para permanecer
inmóvil o para mantener su movimiento. Consideremos un flujo no estacionario, es decir,
que no ha alcanzado el régimen permanente, de un fluido incompresible. La fuerza f
f q(t)
necesaria para acelerar el fluido en la tuberı́a serı́a: f = ma, como p = A y v(t) = A ,
entonces p1 A − p2 A = m dv(t) dq(t)
dt = ρl dt por tanto:
ρl dv(t) dq(t)
p1 − p2 = =I (1.77)
A dt dt
es decir, que la pérdida o caı́da de presión es proporcional a la derivada del caudal
respecto al tiempo, donde I representa la inertancia del fluido. Si las tuberı́as son
cortas y anchas este efecto (inertancia) no suele tenerse en cuenta.
Ejemplo 1: Sistema tanque en régimen laminar.
Calculemos la función de transferencia Qs (s)/Qe (s) del sistema de la figura 1.11. En
los sistemas de nivel de lı́quido la condición de equilibrio se enuncia ası́: “La diferencia
entre el caudal de entrada y el caudal de salida por unidad de tiempo es igual a la
cantidad de lı́quido acumulado ”.
Si en régimen permanente entra en el depósito una cierta cantidad de lı́quido por
unidad de tiempo (caudal en m3 /s) y qe es el incremento respecto a ese caudal de
entrada en equilibrio, a la salida se dispondrá de otro caudal en equilibrio más un
incremento qs correspondiente a la variación. Lo que interesa es la dinámica, es decir,
las variaciones sobre la situación de equilibrio.
34
Por otra parte, el caudal de salida qs dependerá del grado de apertura de la válvula
de salida (efecto que contempla el parámetro R resistencia hidráulica, ya que las válvu-
las se modelan como elementos resistivos: la resistencia al paso del flujo está controlada
por la posición del mando de la válvula), y la diferencia entre el caudal de entrada y el
de salida provocará un incremento en la cantidad de lı́quido acumulado en el tanque.
qe
h0 + ∆h
qs
Figura 1.11: Ejemplo de sistema de tanque en régimen laminar - Sistemas hidráuli-

cos
Planteamos la ecuación de la dinámica del sistema:

dV (t) dh(t)
qe (t) − qs (t) = =A (1.78)
dt dt
y ahora el efecto de la válvula. Considerando régimen laminar:
h(t)
R= (1.79)
qs (t)
dh(t)
y por tanto dt = R dqdt
s (t)
llevando a la ecuación dinámica:
dqs (t)
qe (t) − qs (t) = AR (1.80)
dt
transformando esta expresión y considerando condiciones iniciales nulas tenemos:
Qe (s) − Qs (s) = ARs Q(s) (1.81)
relacionando la variable de salida (caudal de salida) con la de entrada (caudal de en-

trada) llegamos a la función de transferencia:
Qs (s) 1
= (1.82)
Qe (s) 1 + sRA
35
si en vez de esta función de transferencia necesitáramos esta otra: H(s)/Qe(s), intro-

ducirı́amos la condición de forma que se pudiese eliminar qs (t):
1 dh(t)
qe (t) − h(t) = A (1.83)
R dt
1 H(s) R
Qe (s) − H(s) = AsH(s) ⇒ = (1.84)
R Qe (s) sAR + 1
Ejemplo 2: Sistema tanque en régimen turbulento.
Para el mismo sistema tanque del ejemplo anterior, calculemos Qs(s)/Qe(s). Plan-
teamos la ecuación de la dinámica del sistema:
dV (t) dh(t)
qe (t) − qs (t) = =A (1.85)
dt dt
y ahora el efecto de la válvula. Considerando régimen turbulento, la relación que nos

liga el caudal de salida con la altura ya no es constante como antes, sino que resulta:
√
h
B= (1.86)
qs
dh(t)
entonces: h = B 2 qs (t) y dt = 2B 2 qs (t) dqdt
s (t)
llevando a la ecuación dinámica:
dqs (t)
qe (t) − qs (t) = 2AB 2 qs (t) (1.87)
dt
se obtiene una ecuación diferencial no lineal, por lo que la planta es no lineal. La

resolución de ecuaciones diferenciales no lineales es en general compleja, por lo que
vamos a tratar de linealizarla en un entorno del punto de trabajo.
La relación no lineal entre la altura y el caudal es la responsable del problema:
qs
q0
h
h0
Figura 1.12: Relación no lineal entre la altura y el caudal. - Sistemas hidráulicos
36
1.8 Diagramas de Bloques
En el entorno del punto de operación (h0 , qs0 ), la relación entre ambas variables
puede suponerse lineal si no nos alejamos mucho, por tanto, la ecuación que liga ambas
variables se puede aproximar por una recta tangente a la curva en el punto. La ecuación
de la recta tangente viene dada por:
qs − qs0 = m(h − h0 ) (1.88)
dqs B
donde la pendiente m es la derivada de la función en el punto: m = dh q0 ,h0 = √
2 h0
.
Por tanto, la relación ahora es:
B
qs − qs0 = √ (h − h0 ) (1.89)
2 h0
lo cual nos lleva ahora a una ecuación diferencial lineal:
√
h0 dqs (t)
qe (t) − qs (t) = 2A (1.90)
B dt
Tomando transformadas de Laplace:
√
h0
Qe (s) − Qs (s) = 2A sQs (s (1.91)
B
quedando la función de transferencia:
Qs (s) 1
= √ (1.92)
Qe (s) 1 + 2AB h0 s
1.8. Diagramas de Bloques
Establecer modelos para sistemas complicados es el resultado de enlazar algunos

subsistemas o elementos, cada uno de los cuales tiene su propia función de transfe-
rencia. Los diagramas de bloques se pueden usar para representar cada uno de estos
subsistemas, y el conjunto como un todo que representa el sistema completo. En este
apartado utilizaremos los diagramas de bloques para ayudarnos a determinar la res-
puesta global del sistema a partir del conocimiento de la función de transferencia de
cada bloque.
Un diagrama de bloques es una representación gráfica de un sistema de ecuacio-
nes. Si el sistema de ecuaciones corresponde al comportamiento de la planta, el diagrama
de bloques considera a la planta como un conjunto de subsistemas relacionados entre
sı́; correspondiendo cada subsistema a una ecuación del modelo (o a un subconjunto de
37
ellas de los cuales se ha despejado alguna variable), mostrando los diferentes modelos de
subsistemas y los caminos que recorren las señales, y proporcionando un conocimiento
rápido de las caracterı́sticas de los mismos al permitir observar como se interrelacionan
las diferentes partes.
Las flechas se usan para representar las direcciones en las que fluyen las señales.
Cuando las señales son funciones del tiempo se representan por letras minúsculas se-
guidas por (t), por ejemplo i(t), aunque con frecuencia (t) se omite cuando es obvio
que las señales son funciones del tiempo. Cuando las señales están en el dominio s se
representan con letras mayúsculas seguidas por (s), por ejemplo I(s).
Un sumador es un elemento en el que las señales se suman algebraicamente. Si una
de las señales que entran a dicho punto se indica como positiva y la otra como negativa,
entonces dicha suma es la diferencia entre las dos señales.
Si ambas señales se indican como positivas entonces la suma es la adición de las dos
señales. Cuando de algún punto de la trayectoria de la señal se toma una derivación de
una señal, se habla de punto de bifurcación y se representa igual que en los circuitos
eléctricos, mediante un punto.
Los bloques se dibujan con la función de transferencia en su interior.
V(s) k θ(s) b
s(sT +1)
+
-
Figura 1.13: Componentes de un diagrama de bloques. - Diagrama a bloques.
El término trayectoria directa se usa para los elementos a través de los cuales
pasa la señal en la dirección entrada → salida a lo largo del sistema. Las funciones
de transferencia para los elementos en esta trayectoria directa en general se designan
mediante G o G(s). El término trayectoria de realimentación se usa para los elementos
para los cuales pasa la señal cuando se inyecta de regreso desde la salida hacia la
entrada. Las funciones de transferencia para los elementos de esa trayectoria por lo
común se designan por H o H(s). El término trayectoria de prealimentación se usa para
los elementos que están en paralelo con la trayectoria directa y a través de los cuales
la señal se mueve en la misma dirección, es decir, entrada → salida.
38
Trayectoria directa Trayectoria directa
G1 (s) G2 (s) b b
G1 (s)
H(s) G2 (s)
Trayectoria de ralimentacion Trayectoria de prealimentacion
Figura 1.14: Trayectorias directa, de realimentación y de prealimentación. -

Diagrama a bloques.
Para una misma planta (y un sistema de control completo en general), la des-

composición en un diagrama de bloques depende del grado de detalle con que se quiera
especificar su funcionalidad; cada bloque queda caracterizado por una función de trans-
ferencia entre las variables de interés ligadas por una relación causa-efecto, permitiendo
por ejemplo, evaluar la interacción de los polos, ceros y los factores de ganancia de los
diferentes subsistemas que son los responsables del comportamiento del sistema comple-
to; pudiéndose estudiar las caracterı́sticas de comportamiento del sistema global desde
el punto de vista de la contribución de los diversos componentes.
Por ejemplo, un motor de corriente continua controlado por campo se puede ver en
un diagrama de bloques general como éste:
Vf Km θs
s(Rf +sLf )(sJ+ B)
Figura 1.15: Diagrama de bloques general de un motor de cc excitado por

campo. - Diagrama a bloques.
O se puede utilizar otro en el que se detallen los subsistemas de que consta y las
relaciones entradas salida entre cada uno de ellos: campo, constante del motor, carga
del motor, conversión de velocidad angular a ángulo girado por el eje.
Vf 1
If Tm ωs θs
1 1
Rf +sLf Km sJ+B s
Figura 1.16: Diagrama de bloques desglosado de un motor de cc excitado por

campo. - Diagrama a bloques
39
En resumen, las caracterı́sticas de un diagrama de bloques son las siguientes:
Es una representación gráfica del flujo de señales y de la función realizada por

cada componente de un sistema.
Refleja una caracterı́stica unilateral (entrada/salida).
Dado un diagrama de bloques, el sistema al cual representa no es único, ya que

contiene información respecto a su comportamiento dinámico y no sobre su cons-
titución interna.
El diagrama de bloques de un sistema dado no es único (depende de la definición

de las variables internas), sin embargo, la función de transferencia resultante si
es única.
La representación de un diagrama de bloques requiere seguir una técnica:

En primer lugar se han de describir las ecuaciones diferenciales de cada componente
del sistema. A continuación se ha de aplicar la transformada de Laplace a cada una de las
ecuaciones del modelo (con condiciones iniciales nulas) y representar individualmente
el diagrama de bloques de cada ecuación diferencial.
Por último, se deben conectar los bloques obtenidos según la relación entre ellos.
Por ejemplo, si se desea construir el diagrama de bloques correspondiente al circuito
RC de la figura 1.17, se procede ası́:
R
bc b bc
+ +
i(t)
ei (t) C eo (t)
− −
bc b bc
Figura 1.17: Ejemplo de sistema. - Diagramas a bloques
Primero planteamos las ecuaciones diferenciales:

ei (t) − eo (t)
i(t) =
Z R
1
eo (t) = i(t)dt
C
40
A continuación aplicamos la transformada de Laplace con condiciones iniciales nu-

las:
Ei (s) − Eo (s)
I(s) =
R
1
Eo (t) = I(s)
Cs
Representamos individualmente los diagramas de bloques:
Ei (s) I(s)
1/R
+ I(s) Eo (s)
- 1/Cs
Eo (s)
Figura 1.18: Representación de las transformadas como funciones de transfe-

rencia. - Diagramas a bloques
Unimos los bloques individuales:
Ei (s) I(s) Eo (s)

1/R 1/Cs b
+
-
Eo (s)
Figura 1.19: Diagrama de bloques global del sistema. -
Con lo cual la función de transferencia resulta:

Eo (s) 1/RCs 1
= = (1.93)
Ei (s) 1 + 1/RCs RCs + 1
1.8.1. Álgebra de los Diagramas de Bloques.
La técnica gráfica de los diagramas de bloques se pueden extender al sistema de con-

trol completo (incluyendo planta, controlador, sensores, elementos finales de control,
realimentaciones...), proporcionando una herramienta muy útil para visualizar rápida-
mente alguna caracterı́stica concreta de interés.
También es posible convertir unas estructuras en otros mediante transformaciones.
Para ello es preciso seguir un conjunto de reglas que permiten modificar y simplificar
la estructura de un diagrama de bloques, lo que se denomina como álgebra de los
diagramas de bloques.
41
Los bloques fundamentales de un diagrama son tres: serie (o cascada), paralelo y

realimentación. En los bloques serie, la salida de un bloque corresponde a la entrada
del otro. En los bloques paralelos, ambos comparten la entrada, y la salida resultante
es la suma (o diferencia) de las salidas de ambos bloques. Por último, la realimentación
es un caso un poco más complejo: se trata de dos bloques en serie con realimentación
de la información (la salida de un bloque es la entrada a él mismo tras un determinado
procesado), según se observa en la figura 1.20.
X(s) E(s) Y(s)
G1 (s)
X(s) Y(s) +
G1 (s) G2 (s) -
G2 (s)
G1 (s)
+
Y(s)
X(s)
-
G2 (s)
Figura 1.20: Bloques fundamentales de un diagrama. -
Resulta fácilmente verificable que la relación entre la entrada y la salida en el bloque

serie es:
Y (s)
= G1 (s)· G2 (s) (1.94)
X(s)
Para el paralelo:
Y (s)
= G1 (s) + G2 (s) (1.95)
X(s)
y para la configuración realimentada, la relación entre la salida y la entrada es:
Y (s) = E(s)· G( s) (1.96)
E(s) = X(s) − Y2 · G2 (s) (1.97)
eliminando E(s) se llega a la expresión:

Y (s) G1 (s)
= (1.98)
X(s) 1 + G1 (s)G2 (s)
Es útil desarrollar técnicas de manipulación y reducción que permitan sustituir un
diagrama de bloques original por otro equivalente, generalmente más simplificado. En la
42
1.9 Sistemas Lineales en Tiempo Discreto
tabla siguiente se resumen las reglas más frecuentes, la mayorı́a de ellas se demuestran
por simple inspección.
Tabla 1.5: Reglas básicas del álgebra de los diagramas de bloques
Transformación Diagrama original Diagrama equivalente

Combinación de blo- X(s)
G1 (s) G2 (s)
Y(s) X(s)
G1 (s)G2 (s)
Y(s)
ques en serie
X(s) Y(s)
b
G1 (s)
X(s) Y(s)
Combinación de blo- +
G1 (s) ± G2 (s)
±
ques en paralelo G2 (s)
X(s) Y(s)b
G(s)
Eliminación de un lazo + X(s) G(s) Y(s)
∓ 1 ± G(s)H(s)
de realimentación H(s)
X1 (s) Y1 (s) X1 (s) Y1 s)

Movimiento de un su- G(s)
+
G(s)
+
mador antes de un blo- ± ±
1 X2 (s)
G(s)
que X2 (s)
X1 (s) Y2 (s) X1 (s) Y(s)
Movimiento de un su- +
G(s) G(s)
+
mador después de un ±
X2 (s)
±
X2 (s) G(s)
bloque
X1 (s) Y(s) X1 (s) Y(s)
Intercambio de posición + + + +
± ± ± ±
de sumadores
X2 (s) X3 (s) X3 (s) X2 (s)
X(s) Y2 (s) Y(s)
Movimiento de un pun- G(s) b
X1 (s) b
G(s)
to de bifurcación antes Y(s)

Y(s)
G(s)
de un bloque
X1 (s) Y(s) X(s) Y(s)
Movimiento de un pun- b
G(s) G(s) b
to de bifurcación des-
X(s) 1
X(s) G(s)
pués de un bloque
1.9. Sistemas Lineales en Tiempo Discreto

1.9.1. Muestreador Ideal.
Un tren de impulsos donde la magnitud del impulso en t = kT es igual a f (kT )

es equivalente a un muestreador ideal donde la señal portadora es un tren de impulsos
43
unitarios
∞
X
δT (t) = δ(t − kT ) (1.99)
k=0
Este muestreador ideal está definido como un muestreador que abre y cierra de
manera instantánea, en tiempo cero, cada T segundos.
La salida del muestreador ideal se expresa como
∞
X
f ∗ (t) = f (kT )δ(t − kT ) = f (t)δT (t) (1.100)
k=0
donde f (t) es la entrada al muestreador ideal, comenzando el muestreo en t = 0.

Cuando hay un dispositivo de retención después del muestreador de pulso infinito,
solo importan los valores de la función f (t) en los instantes de muestreo; la salida del
retenedor es la misma, sin interesar si la aproximación utilizada para el muestreador
sea plana o ideal. En este caso no interviene el factor de atenuación.
La transformade de Laplace de la ecuación (1.100) es
∞
X
F ∗ (s) = f (kT )e−kT s (1.101)
k=0
expresión que es la transformada de Laplace de la salida del muestreador ideal.

En la figura (1.21) se muestra un ejemplo de señales de entrada y salida de un
muestreador ideal. La salida del muestreador es un tren de impulsos donde las inten-
sidades de éstos son iguales a las magnitudes de la señalen los instantes de muestreo
correspondiente. Dado que la función impulso está definida como un pulso de duración
cero y amplitud infinita, en la figura (1.21) los impulsos aparecen indicados con flecha
cuyas amplitudes representan la intensidad de los impulsos.
1.9.2. Teorema de la Convolución Discreta.
∞
X
yn = xk fn−k (1.102)
k=−∞
ó
∞
X
yn = xn−k fk (1.103)
k=−∞
44
1.10 Transformada Z
f (t)
1
(a)
7T t
0 T 2T 3T 4T 5T 6T
δT (t)
1
(b) b b b
t
0 T 2T 3T 4T 5T 6T 7T
∗
f (t)
f (2T )
1 f (T )
f (3T )
(c) f (0)
f (4T ) t
f (7T )
f (5T )
f (6T )
Figura 1.21: Muestreador ideal: (a) Señal de entrada; (b) Tren de impulsos
unitarios; (c) Señal de salida. - f ∗ (t) = f (t)δT (t).
Ejemplo: Considere el sistema representado por la sucesión (1.104), al cual se le

aplica una señal de entrada (1.105), calcule yn .
fk = {0; 1↑ ; 0,6; 0,16; −0,024; −0,0464; −0,023; −0,0045; 0,0019} (1.104)
xk = {0; 1↑ ; 1; 1; 1; · · ·} (1.105)
La figura 1.22 muestra de forma gráfica los resultados de la aplicación de la convo-

lución discreta del ejemplo.
1.10. Transformada Z
1.10.1. Identidades Básicas y fórmula de Euler
Euler
∞
X
z zk
e = (1.106)
k!
k=0
45
Tabla 1.6: Respuesta aplicando convolución discreta - Sistema lineal.
n x(n) y(n)
−1 0 0
0 1 1
1 1 1,6
2 1 1,76
3 1 1,736
4 1 1,6896
5 1 1,6666
6 1 1,662
7 1 1,6639
8 1 1,6659
9 1 1,6668
10 1 1,6669
1.8
1.6
1.4
1.2
Amplitud
0.8
0.6 x(n)
y(n)
0.4
0.2
0
−2 0 2 4 6 8 10 12
Número de muestra [n]
Figura 1.22: Respuesta aplicando convolución discreta - Tiempo discreto.
46
1.10 Transformada Z
∞
X z (2k+1)
sin z = (−1)k (1.107)
(2k + 1)!
k=0
∞
X z 2k
cos z = (−1)k (1.108)
(2k)!
k=0
iz
e = cos z + i sin z (1.109)
e−iz = cos z − i sin z (1.110)

eiz + e−iz
cos z = (1.111)
2
e − e−iz
iz
sin z = (1.112)
2i
Identidad Básica
∞
X
S= ak = lı́m Sn (1.113)
n→∞
k=0
n
X
Sn = ak = 1 + a + a2 + · · · + an (1.114)
k=0
n+1
X
aSn = ak = a + a2 + a3 + · · · + an + an+1 (1.115)
k=1
−aSn = −(a + a2 + a3 + · · · + an + an+1 ) (1.116)
Sn − aSn = 1 + a + a2 + a3 + · · · + an − (a + a2 + a3 + · · · + an + an+1 ) (1.117)
Sn (1 − a) = (1 − an+1 ) (1.118)
1− an+1
Sn = (1.119)
1−a
 1
 1−a si |a| < 1
1 − an+1
S = lı́m Sn = lı́m = (1.120)
n→∞ n→∞ 1 − a 
indef inido si |a| ≥ 1
Ejemplo:
9 9 9
0,99 · · · = + + + ··· (1.121)
10 " 100 1000 #
2
9 1 1
= 1+ + + ··· (1.122)
10 10 10
∞
9 X 1 k
= (1.123)
10 10
k=0
47
!
9 1
= 1 (1.124)
10 1 − 10
9 1
= 9 (1.125)
10 10
9 10
= (1.126)
10 9
= 1 (1.127)
1.10.2. Definición
∞
X
F (z) = f (kT )z −k (1.128)
k=−∞
donde si
f (kT ) = 0 ∀ t < 0
∞
X
F (z) = f (kT )(z −1 )k (1.129)
k=0
Región de convergencia
( ∞
)
X
ROC = z ∈ C| xk ∥z∥−k < ∞ (1.130)
k=0
Ejemplos:
Encontrar la transformada Z de f (t) = u(t).
f (kT ) = 1
X∞
1
F (z) = (z −1 )k = 1
k=0
1− z
ROC
1
< 1
z
|z| > 1
Encontrar la transformada Z de f (t) = aαt u(t).
f (kT ) = u(kT )aαkT
48
1.10 Transformada Z
∞
X ∞ αT k
X
αkT −k a
F (z) = a z =
z
k=0 k=0
z
F (z) =
z − aαT
ROC
aαT
< 1
z
|z| > aαT
Calcular la transformada Z de f (t) = u(t) sen(wt).
f (kT ) = u(kT ) sen(wkT )

ejwt − e−jwkT
f (kT ) = u(kT )
2i
X∞ jwkT
e − e−jwkT
F (z) = z −k
2i
k=0
∞
1 X ejwkT − e−jwkT
=
2j zk
k=0
∞ k X ∞ −jwT k
!
1 X ejwT e
= −
2j z z
k=0 k=0
!
1 1 1
= jwT − −jwT
2j 1 − e
1− ze
z

1 z z
= −
2j z − ejwT z − e−jwT

z e jwT − e−jwT
=
2j z 2 − zejwT − ze−jwT + 1

z ejwkT − e−jwkT
=
2j z 2 − z(ejwkT − e−jwkT ) + 1
z sen(wT )
=
z 2 − 2z cos(wT ) + 1
⇒ Tarea 1.2. Calcular la transformada Z de f (t) = u(t) cos(wt).
1.10.3. Propiedades Fundamentales de la Transformada Z
Convolución: Z ({yd∗ xk }) = Z ({yk }) Z ({xk })
Operador lineal
49
Superposición: Z ({xk + yk }) = Z ({xk }) + Z ({yk })

Homogeneidad: Z ({axk }) = aZ ({xk })
Teorema de corrimiento: Z ({xk−n }) = z −n Z ({xk })

Inversión temporal: Z ({x−k }) = x z −1

Diferenciación: Z ({kxk }) = −z dx(z)
dz
Teorema de valor inicial: lı́mz→0 X(z) = x0 ; xk = 0 ; k < 0
Teorema de valor final: lı́mz→1 (1 − z −1 )X(z) = lı́mk→∞ x(k)
Prueba de Convolución
∞
!
X
Z ({gd∗ xk }) = Z gk xn−k
k=−∞
∞ ∞
!
X X
= gk xn−k z −n
n=−∞ k=−∞
X∞ ∞
X
−k
= gk z xn−k z −(n−k)
k=−∞ n=−∞
= G(z)X(z)
Prueba del Teorema de Corrimiento
∞
X
Z (xk−n ) = (xk−n ) z −k
k=−∞
∞
X
z −n x(k−n) z −(k−n) = z −n X(z)
k=−∞
1.10.4. Transformada Z Inversa
Existe diversas formas de calcular la trasformada inversa Z, a continuación se men-

cionan algunas:
1. Por Definición. I
1
xk = X(z)z k−1 dz
2πi C
50
1.10 Transformada Z
2. División Larga.
b0 z m + b1 z m−1 + · · · + bm−1 z + bm
F (z) =
z n + a1 z n−1 + · · · + an−1 z + an
3. Fracciones Parciales e Identidades. Tal y como se aplica en la Transformada de

Laplace.
1.10.5. Implementación de Sistemas Discretos
Una vez resuelto el problema de identificación o control obtenemos una función de

transferencia en el dominio Z. Esta función es posible implementarla casi directamente
de la función de transferencia, consideremos la forma general
b0 z m + b1 z m−1 + · · · + bm−1 z + bm
F (z) =
z n + a1 z n−1 + · · · + an−1 z + an
el sistema es causal si n ≥ m. Para efectos prácticos se considera m = n.
yk = −a1 yk−1 − · · · − an yk−n + b0 xk + b1 xk−1 + · · · + bm xk−m
Ejemplo de Implementación:
Considerar el sistema discreto
0,003115z + 0,003033
F (z) =
z 2 − 1,917z + 0,9231
Simular la respuesta del sistema a una señal senoidal de amplitud 3 y frecuencia de
2Hz y frecuencia de muestreo de 100Hz.
La ecuación de diferencias es:
y (k) = 1,917y (k − 1) − 0,9231y (k − 2) + 0,003115x (k − 1) + 0,003033x (k − 2)
Programa en MATLAB
clc
clear all
fs=1000;
Ts=1/fs;
f=20;
N=4*fs/f;
x(1)=3*sin(2*pi*f*Ts*1);
51
x(2)=3*sin(2*pi*f*Ts*2);
y(1)=0;
y(2)=0.003115*x(1);
kTs(1)=1*Ts;
kTs(2)=2*Ts;
for k=3:N;
kTs(k)=k*Ts;
x(k)=3*sin(2*pi*f*Ts*k);
y(k) = 1.917*y(k-1) - 0.9231*y(k-2) + 0.003115*x(k-1) + 0.003033*x(k-2);
end
n1=N/2;
n2=N;
plot(kTs(n1:n2),x(n1:n2),’r’, kTs(n1:n2),y(n1:n2),’k’)
1.11. Respuesta en Frecuencia de Sistemas Lineales Dis-

cretos
La respuesta de sistemas en tiempo discreto se rige por el teorema de la convolución

discreta
∞
X
y(k) = f (n)u(k − n) (1.131)
n=−∞
u(kT ) y(kT )
F (z)
Figura 1.23: Respuesta en frecuencia - tiempo discreto.
Si consideramos que la entrada al sistema es
u(k) = ejw0 kT (1.132)
sustituyendo (1.132) en (1.131)

∞
X
y(k) = f (n)ejw0 T (k−n)
n=−∞
∞
!
X
−jw0 nT
y(k) = f (n)e ejw0 kT
n=−∞
52
1.11 Respuesta en Frecuencia de Sistemas Lineales Discretos
realizando un cambio de variable

z = ejw0 T
y(k) = F (ejw0 T )ejw0 kT
.
Ahora consideramos que la entrada al sistema como
u(k) = e−jw0 kT (1.133)
sustituyendo (1.133) en (1.131)

∞
X
y(k) = F (n)e−jw0 T (k−n)
n=−∞
∞
!
X
y(k) = F (n)ejw0 nT e−jw0 kT
n=−∞
realizando un cambio de variable

z = e−jw0 T
y(k) = F (e−jw0 T )e−jw0 kT
ejw0 kT F (ejw0 T )ejw0 kT

F (z)
Figura 1.24: Respuesta a la señal exponencial - tiempo discreto.
Ahora consideremos la entrada al sistema como
u (kT ) = sen(w0 kT )
F (ejw0 T ) jw0 kT F (e−jw0 T ) −jw0 kT
y (kT ) = e − e
2j 2j
En sistemas Reales
r = F (ejw0 T ) = F (e−jw0 T )

ϕ = arg F (ejw0 T ) = −arg F (e−jw0 T )
F (ejw0 T ) h jw0 kT jargF (ejw0 T ) jw0 T )

i
y (k) = e e − e−jw0 kT e−jargF (e
2j
53
x(kT ) y(kT )
F (z)
Figura 1.25: Convolución - tiempo discreto.
= r sen (w0 kT + ϕ)
Resumen
x(kT ) = A sen(w0 kT + ϕ)

y(kT ) = F ejw0 T A sen w0 kT + ϕ + arg F ejw0 T
⇒ Realizar Práctica 1
54
2
Métodos Clásicos de
Identificación de Procesos
Objetivo:
Al término del tema los participantes compararán los métodos clásicos de identifi-
cación de sistemas para obtener modelos de manera rápida siguiendo los lineamientos
indicados durante el estudio del tema, incluyendo por lo menos el 80
2.1. Introducción
El término Identificación de Procesos adoptado en la década de los 60, en el ámbito

de los especialistas de control automático, puede ser definido como la obtención de
la estructura y los parámetros de un modelo matemático generalmente dinámico; que
reproduce con suficiente exactitud para los fines deseados de control automático, las
caracterı́sticas dinámicas del proceso objeto de estudio.
Los objetivos concretos que se persiguen mediante la identificación de un proceso
determinado, desde nuestro punto de vista, pueden ser de 3 tipos, a saber:
1. Estudio preliminar de un proceso tecnológico, generalmente utilizando técnicas

de simulación con vistas a diseñar el sistema de control, reducir el número de
alternativas posibles y eventualmente hacer una estimación inicial aproximada de
algunos parámetros del regulador.
2. Ajuste sobre la marcha de los parámetros del regulador sobre la base de una
identificación recursiva de los parámetros del modelo (Identificación on-line).
55
2. MÉTODOS CLÁSICOS DE IDENTIFICACIÓN DE PROCESOS
3. Uso del modelo como predictor para la incorporación en el lazo de control de

algunos dispositivos como los Predictores de Smith para la compensación del re-
tardo puro o conexiones anticipatorias (feed-forward) para la reducción del efecto
de las perturbaciones externas, etc.
En los 3 casos se supone generalmente la condición de linealidad, en primer lugar

para evitar las graves dificultades asociadas a la teorı́a del control de procesos no
lineales y, además, porque la aproximación lineal resulta posible en la mayorı́a de los
casos. Algunos tipos de no linealidades simples y frecuentes en la práctica, tales como
saturación, histéresis y otras son, no obstante, tenidas en cuenta sobre todo en los
estudios de simulación.
Independientemente del objetivo de la identificación o del enfoque y métodos uti-
lizados, es necesario tener siempre en cuenta que existe una distancia considerable
entre un modelo matemático, por sofisticado que este sea, y el proceso real. A menudo
se ha caı́do en el error de exagerar la verosimilitud del modelo identificado y se han
construido, sobre la base del mismo, teorı́as y métodos de control muy elaboradas y
elegantes desde el punto de vista matemático que después han fallado lastimosamente
en la práctica, esperamos que el participante sea capaz de comparar la diferencia entre
los modelos matemáticos y el método que se estudiará en este capı́tulo.
Ahora supongan que tienen un horno y necesitan conocer sus caracterı́sticas dinámi-
cas pero no conocen sus caracterı́sticas fı́sicas y es imposible contactar con el fabricante
del horno para averiguar sus caracterı́sticas y es urgente conocer su modelo. Bueno
pues lo único que tienen que hacer es encenderlo y cada determinado tiempo tomar
una muestra de su temperatura hasta que ya no cambie y con esta información y con
lo que aprenderemos en este capı́tulo generaremos una función que nos describa las
caracterı́sticas de tal horno sin conocer nada acerca de él.
Esta técnica es de gran utilidad ya que cuando estamos en el campo de batalla
difı́cilmente podremos tener toda la información y no nos podemos dar el lujo de perder
mucho tiempo para obtener la información necesaria es entonces cuando recurrimos a
este tipo de técnicas y resolvemos rápidamente nuestro problema.
La experiencia y el sentido común recomiendan hacer un uso cauteloso del modelo
resultante de una identificación y tener siempre presente que la realidad es mucho más
compleja que cualquier modelo.
56
2.2 Métodos de Identificación
En el presente tema vamos a hacer una rápida revisión de algunos métodos clásicos
de identificación de procesos que han sido exitosamente utilizados en la práctica y
que aún hoy siguen siendo útiles en muchos casos, sobre todo por su simplicidad. El
contenido del capı́tulo está organizado en la forma siguiente: En 2.2 se discuten los
principales métodos o enfoques utilizados en la identificación de procesos. En 2.3 se
revisan las técnicas experimentales de identificación basadas en la respuesta a la señal
escalón que hasta nuestros dı́as sigue siendo la opción más utilizada en la práctica
industrial. También en esta sección se encuentran equivalencias útiles entre los modelos
continuos y discretos de primer y segundo orden. En 1.4 se incursiona por el uso de las
señales aleatorias para la identificación, no sin antes hacer un breve repaso de algunos
conceptos básicos de la dinámica estadı́stica como las funciones de auto correlación y
correlación cruzada.
2.2. Métodos de Identificación
Teniendo en cuenta los objetivos que se persiguen en la identificación, ası́ como los
recursos e información disponibles, se han utilizado distintos enfoques o métodos para
este propósito, siendo los principales: Identificación Analı́tica, Identificación Experimen-
tal utilizando señales especiales de prueba e Identificación Recursiva. A continuación
haremos una breve discusión de cada uno de ellos.
1. Identificación Analı́tica. Consiste en desarrollar un modelo basado en las relacio-

nes fı́sico quı́micas del proceso a identificar planteando ecuaciones de balance de
masa, de energı́a, etc. Este enfoque conduce generalmente a modelos complejos
y no lineales que deben ser sometidos a un proceso de simplificación y linea-
lización. El inconveniente principal de este enfoque consiste en que se requiere
un conocimiento muy especializado sobre la tecnologı́a del proceso, no siempre
disponible.
2. Identificación Experimental mediante Señales Especiales. Este enfoque resulta ge-

neralmente el más directo y el que puede producir resultados a más corto plazo.
Las señales utilizadas con más frecuencia son los escalones y las llamadas se-
cuencias binarias pseudo-aleatorias. También se han hecho intentos con rampas,
sinusoides, impulsos y otras. La restricción más importante de esta solución es la
57
necesidad de introducir perturbaciones indeseables en el proceso que a menudo

tropiezan con la resistencia de los operadores. En condiciones ideales, el experi-
mento de identificación deberı́a hacerse contando con una computadora conectada
en lı́nea con el proceso, pero en la práctica, en muchas ocasiones, es necesario ba-
sarse en observaciones periódicas de las variables y el procesamiento fuera de lı́nea
de los datos.
3. Identificación Recursiva. Se basa generalmente en una u otra modificación del

método de mı́nimos cuadrados. Se asume una estructura fija del modelo que con-
siste en una ecuación de diferencias lineales. Lo caracterı́stico de este enfoque
es que se parte de una estimación inicial generalmente arbitraria de los paráme-
tros del modelo que se va actualizando y mejorando con cada nueva información
obtenida. Aunque este tipo de identificación está concebida fundamentalmente
para ser usada dentro de un esquema de control adaptivo, también por razones
de conveniencia práctica, se ha utilizado para obtener modelos para estudios de
simulación. Como los datos que se utilizan tienen generalmente la forma de se-
cuencias discretas de mediciones de las variables del proceso, los modelos que se
identifican son también de naturaleza discreta.
En el presente texto vamos a referirnos especialmente a los métodos 2 y 3, dada su

mayor generalidad.
2.3. Identificación Experimental Utilizando la Respuesta

a la Señal Escalón
La señal más simple que puede utilizarse para la identificación es, sin duda, la
función escalón. Esta señal se aproxima, por ejemplo, mediante la apertura o cierre
súbitos de una válvula, un cambio rápido de voltaje o corriente que alimenta a algún
tipo de actuador eléctrico, etc. Un escalón ideal es una señal cuyo tiempo de crecimiento
inicial es cero. Resulta obvio que tal señal no puede ser realizada fı́sicamente, pues serı́a
necesaria una energı́a infinita, sin embargo, si el tiempo de crecimiento inicial es varias
veces más pequeño que el perı́odo correspondiente a la frecuencia máxima de interés,
el error que se introduce en la identificación puede considerarse despreciable.
58
2.3 Identificación Experimental Utilizando la Respuesta a la Señal Escalón
La función escalón es la señal más aplicada en la práctica convencional del control

automático y con ella se obtienen modelos sencillos suficientemente exactos, sobre todo
en los casos de procesos monovariables simples y poco perturbados.
2.3.1. Análisis de la Respuesta a la Señal Escalón.
La respuesta de un proceso tecnológico simple a la señal escalón puede aproximarse

generalmente mediante uno de los 3 siguientes modelos simplificados:
Modelo de primer orden con retardo:
Ke−θs
Gm (s) = (2.1)
T1 s + 1
Modelo de segundo orden aperiódico con retardo:
Ke−θs
Gm (s) = (2.2)
(T1 s + 1)(T2 s + 1)
Modelo de 2do. orden sub-amortiguado con retardo:
Ke−θs
Gm (s) = (2.3)
s2 /ωn2 + 2ξs/ωn + 1
donde ξ - coeficiente de amortiguamiento y ωn - frecuencia natural del sistema.

La elección de uno u otro de los 3 modelos anteriores depende de la forma de la
respuesta transitoria y del grado de precisión que se desea en el ajuste. Los modelos del
tipo (2.1) pueden utilizarse generalmente en procesos simples u otros más complejos
si no se desea un alto grado de exactitud. Los modelos del tipo (2.2) pueden usarse
prácticamente en muchos casos salvo en procesos cuya respuesta es francamente osci-
latoria. Los modelos del tipo (2.3) están destinados al caso de procesos oscilatorios y
también en algunos casos de procesos sobreamortiguados en los que se logra un mejor
ajuste que con un modelo del tipo (2.2).
A continuación vamos a considerar algunos métodos gráficos que se han utilizado
tradicionalmente para la estimación de los parámetros de los modelos simples definidos
en (2.1), (2.2) y (2.3).
59
KU
0.632KU
T +θ
Figura 2.1: Sistemas de primer orden. - Respuesta al escalón unitario.
2.3.2. Estimación de los Parámetros del Modelo de 1er. Orden con

Retardo.
Si la respuesta a la señal escalón tiene la forma mostrada en la figura 2.1: que

corresponde a la de un sistema de primer orden, la expresión que describe a la respuesta
es:
−(t−θ)
y(t) = KU (1 − e T ) (2.4)
donde U es la amplitud del escalón aplicado a la entrada. Para
t−θ =T (2.5)
tenemos que:
y(t = θ + T ) = KU (1 − e−1 ) = 0,632KU (2.6)
O sea, localizando el punto donde la respuesta alcanza el 63.2 % de su valor final,

se obtiene inmediatamente el valor de T1 . La ganancia K se determina como:
Y est
K= (2.7)
U
donde: Yest - valor estacionario de la respuesta. U - amplitud del escalón.
60
Es muy frecuente el caso cuando la respuesta tiene la forma general mostrada en

la Figura 2.2, es decir, se trata de aproximar la respuesta de un sistema de orden
superior (2do. o más) mediante un modelo de primer orden. Esta aproximación se usa
frecuentemente para diversos propósitos (ajustes preliminares de los parámetros de un
PID, compensación feed-forward, predictor de Smith, etc.). Los parámetros del modelo
pueden calcularse en este caso usando la construcción gráfica mostrada en la figura 2.1
y siguiendo el procedimiento:
KU
0.632KU
0.284KU
θ
T
θ+ 3
θ+T
Figura 2.2: Sistemas de segundo orden sobre amortiguado - Modelo de primer

orden aproximado.
Se toman 2 puntos de la curva que corresponden al 63.2 % y al 28.4 % del valor

estacionario final y se determinan t0,284 y t0,631 .
Se plantean las ecuaciones:
t0,284 = θ + T /3 (2.8)
t0,632 = θ + T (2.9)
61
Se calculan los parámetros θ y T .
Ejemplo 1. Consideremos un sistema de segundo orden que se describe mediante la

función transferencial
e−5s
G(s) = (2.10)
(5s + 1)(10s + 1)
0.9
0.8
0.7
0.632
0.6
0.5
0.4
0.3
0.284
0.2
0.1
0
0 10 20 30 40 50 60 70 80
12.6 20.8 t[seg]
Figura 2.3: Respuesta al escalón de amplitud 5 de la función de transferencia

en la ecuación 2.10 - Ejemplo.
Vamos a tratar de aproximar este sistema por uno de primero orden usando el
método descrito en la figura 2.2. Su respuesta ante una señal escalón de amplitud 5 se
muestra en la figura 2.3, en la que aparecen también los tiempos en que la respuesta
alcanza el 28.4 y el 63.2 % del nuevo valor estacionario. Es posible entonces escribir las
ecuaciones:
T1 + θ = 20,8 (2.11)
T1
+ θ = 12,6 (2.12)
3
de donde se obtienen los valores de los parámetros correspondientes al sistema de primer
orden equivalente:
T1 = 12,3s, θ = 8,5s (2.13)
En la figura 2.4 se muestran superpuestas las respuestas del sistema de segundo

orden original y la del de primer orden aproximado, ésta última con lı́nea de puntos.
62
Nótese la similitud de ambas curvas y que el retardo equivalente es considerablemen-

te mayor que el retardo real del sistema de segundo orden. La constante de tiempo
identificada es aproximadamente la suma de las dos constantes de tiempo originales.
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 10 20 30 40 50 60 70 80
t[seg]
Figura 2.4: Respuesta del sistema original vs sistema de primer orden aproxi-
mado - Ejemplo 1.
2.3.3. Modelos de 2do. Orden Sobre-amortiguados.
Para la estimación de los parámetros de este tipo de modelo, se parte de la cons-

trucción gráfica mostrada en la figura 2.5.
Es posible demostrar (Smith, 1972) que se cumplen las relaciones:
Tc x
= (1 + x)x 1−x (2.14)
Ta
T1 + T2 = Tc (2.15)
T1
x= (2.16)
T2
Estas ecuaciones pueden ser resueltas en forma implı́cita o mediante un gráfico tal
como el mostrado en la figura 2.6. (Smith, 1972).
En el gráfico de la figura 2.6, se entra con el valor del cociente Tc /Ta y se determinan
dos valores en la curva correspondientes a T1 /Ta y T2 /Ta . Además, vale la ecuación:
Tb /Ta = −0,4729Tc /Ta + 0,4512 (2.17)
63
Ti
θ Tb Tc
Ta
Figura 2.5: Sistemas de segundo orden sobre amortiguado - Respuesta al escalón
unitario.
Figura 2.6: Gráfica para determinar T1 y T2. -
64
y entonces:
θ = Ti + Tc − Ta − Tb (2.18)
2.3.4. Estimación de los Parámetros de Modelos de Segundo Orden

Sub-amortiguados.
KU
0.632KU
0.284KU
θ
θ + t2
θ + t6
Figura 2.7: Respuesta al escalón de modelos de segundo orden subamortigua-

dos. -
En la figura 2.7 se muestra una respuesta al escalón tı́pica de un sistema de 2do.

orden sub-amortiguado.
Son raros los casos en que un proceso industrial presenta una respuesta transito-
ria oscilatoria. Sin embargo, es posible que la respuesta no oscilatoria de alto orden se
aproxime mejor con un modelo de este tipo. Meyer y otros (Smith, 1972) han propuesto
un método gráfico que se basa en la determinación de los valores:
t2 - tiempo en que la respuesta alcanza un 20 % del valor final.
t6 - tiempo en que se alcanza un 60 % del valor estacionario.
y se utiliza entonces un gráfico como el mostrado en la figura 2.8 del cual se deter-
minan los parámetros ζ y ωn. El tiempo de retardo se puede obtener a partir de una
construcción como la de la figura 2.7.
65
Figura 2.8: Gráfica para determinar ζ y ωn. -
2.3.5. Identificación de Sistemas Aperiódicos de Alto Orden.
A continuación presentamos un método simple de identificación gráfica para siste-

mas de alto orden, ver Strejc (1960). Este método se basa en la construcción gráfica
mostrada en la figura 2.9, donde se representa la respuesta al escalón de sistema de alto
orden.
De acuerdo con Strejc, un sistema aperiódico con n constante de tiempo diferente,
puede aproximarse adecuadamente mediante una función transferencial que presenta n
constantes de tiempo idénticas, es decir:
K ∼ K
G(s) = = (2.19)
(T1 s + 1)(T2 s + 1) . . . (Tn s + 1) (τ s + 1)n
donde K representa la ganancia de estado estacionario. El problema de la identificación

se reduce entonces a estimar los parámetros τ y n. Con este objetivo, el autor del método
tabuló las relaciones de n con los cocientes Ta /Tb y Te /Tb , mostrándose los resultados
en la tabla 2.1. Una vez que el orden n es determinado a partir de T a/T b y verificado
mediante Te /Tb , la constante de tiempo equivalente τ puede obtenerse a partir de la
relación Ta /τ (y verificada mediante Tb /τ , Td /τ y T /τ ) determinadas de la tabla 2.2.
66
Td Tc
K
ηK
Q
Ta Tb
Tc
Figura 2.9: Sistema aperiódico de alto orden - Respuesta al escalón unitario
Tabla 2.1: Relaciones de n con los cocientes Ta /Tb y Te /Tb - Sistemas aperiódicos
n 1 2 3 4 5 6 7 8 9 10
Ta /Tb 0 0.104 0.218 0.319 0.410 0.493 0.570 0.642 0.709 0.773
Te /Tb 1 0.736 0.677 0.647 0.629 0.616 0.606 0.599 0.593 0.587
η 0 0.264 0.323 0.353 0.371 0.384 0.394 0.401 0.407 0.413
Tabla 2.2: Constante de tiempo equivalente τ - Sistemas aperiódicos
n 1 2 3 4 5 6 7 8 9 10
Ta /τ 0 0.282 0.805 1.425 2.1 1.811 3.549 4.307 5.081 5.869
Tb /τ 1 2.718 3.695 4.463 5.119 5.699 6.226 6.711 7.164 7.59
Td /τ 0 1 2 3 4 5 6 7 8 9
Te /τ 1 2 2.5 2.888 3.219 3.51 3.775 4.018 4.245 4.458
67
Ejemplo 2. En este ejemplo vamos a ilustrar el uso del método de Strejc descrito en
2.3.5 que permite identificar un sistema con varias constantes de tiempo mediante un
modelo del mismo orden, pero con una sola constante de tiempo repetida.
Consideremos, en efecto, un sistema descrito mediante la función transferencial:
1
G(s) = (2.20)
(3s + 1)(5s + 1)(8s + 1)(12s + 1)
La respuesta de este sistema ante un escalón de amplitud 5 se muestra en la figura

2.10 donde también se señalan el punto de inflexión Q, el parámetro η y los valores de
los tiempos Ta , Tb , Tc , Td , y Te .

en la ecuación 2.20 - Valores de los tiempos Ta , Tb , Tc , Td , y Te .
Es interesante destacar que para la determinación precisa del punto Q, se aproximó

la respuesta del sistema mediante un polinomio de 5to grado, utilizando la función
POLYFIT de MatLab con el que se logró un ajuste prácticamente perfecto. Calculando
la segunda derivada con respecto al tiempo de este polinomio e igualando a cero se
obtuvo una ecuación de tercer grado una de cuyas soluciones permitió determinar la
posición del punto de inflexión. Al mismo tiempo, la ecuación de la recta tangente en
68
ese punto se determinó evaluando la primera derivada del polinomio en el punto Q, con
lo que se obtiene su pendiente y también su intercepto.
La ecuación de la tangente obtenida para este ejemplo fue la siguiente:
y(t) = 0,1495t − 1,2324 (2.21)
que evaluada en y(t) = 0 y y(t) = 5 permite completar los parámetros requeridos para
utilizar las tablas 2.1 y 2.2 del método de Strejc y que se muestran en la figura 2.10.
Entrando en la tabla 2.1 con los valores calculados de los cocientes Ta /Tb y Te /Tb
ası́ como con el valor del parámetro η, puede determinarse que la mejor estimación
para el orden del modelo aproximado es 4. Al mismo tiempo, utilizando la tabla 2.2
con el valor de n = 4 y los cocientes Ta /τ , Tb /τ , Td /τ y Te /τ , se obtienen cuatro valores
posibles de τ , que se muestran en la figura 2.11. En esta figura se presentan también la
curva de respuesta del sistema original (lı́nea sólida) y las de los sistemas aproximados,
correspondientes a los cuatro valores distintos de τ . Evidentemente, el mejor ajuste se
obtiene para τ = 6,94 cuya respuesta (curva 4) prácticamente no se distingue de la del
sistema original.

en la ecuación 2.20 - Valores de τ .
69
La función transferencial del modelo identificado será entonces:

1
G(s) = (2.22)
(6,94s + 1)4
2.3.6. Equivalentes Discretizadas de los Modelos Simples Mostrados.
De cualquiera de los modelos simples introducidos anteriormente puede obtenerse

su equivalente discretizado, cuya simulación en una computadora digital resulta mucho
más simple y económica en tiempo. Para ello es necesario, en primer lugar, tener en
cuenta la existencia de un elemento retenedor de orden cero (zero order hold) conectado
en serie con la función transferencial del proceso y después aplicar la transformada Z a
la función transferencial resultante. En la figura 2.12 se representa un proceso continuo
sometido a un muestreo con un perı́odo Ts y con un elemento fijador en serie con el
proceso.
u(t) Ts u∗ (t) m(t) Ts y(t)
H(s) F (s)
Figura 2.12: Proceso de muestreo - Proceso continuo sometido a un muestreo.
u(t)
1
(a)
5T 6T 7T
t
0 T 2T 3T 4T
u∗ (t)
u(2T )
1 u(T )
u(3T )
(b) u(0)
u(4T ) t
u(7T )
u(5T )
m(t) u(6T )
1
(c)
5T 6T 7T
t
0 T 2T 3T 4T
Figura 2.13: Proceso de muestreo - (a) variable continua, (b) variable discreta, (c)
salida retenedor de orden cero.
Las formas respectivas de la variable continua u(t), el tren de pulsos u∗ (t), y la

salida del elemento fijador m(t), se muestran en la figura 2.13.
70
El elemento fijador más simple y utilizado en la práctica es el llamado “de orden

cero”, cuya función transferencial es la siguiente:
1 − e−Ts s
H(s) = (2.23)
s
La función transferencial discreta equivalente de un proceso continuo con función
transferencial continua F (s) viene dada por:
1 − e−Ts s
F (z −1 ) = Z( F (s)) (2.24)
s
La función transferencial (2.24) puede simplificarse si se considera un perı́odo de
discretización muy pequeño comparado con las constantes de tiempo del proceso. En
efecto, si consideramos el desarrollo en serie de la exponencial e−Ts s :
Ts2 2
e−Ts s = 1 − Ts s + s + ... (2.25)
2
y si se desprecian los términos de grado mayor que 1, tenemos que:
e−Ts s ≈ 1 − Ts s (2.26)
y
1 − (1 − Ts s)
H(s) ≈ = Ts (2.27)
s
Entonces la función transferencial discreta (2.24) se simplifica a:
F (z −1 ) ≈ Z(Ts F (s)) (2.28)
Hemos probado experimentalmente que la aproximación anterior es muy exacta en

el caso de los modelos simples estudiados, si se escoge a Ts al menos 20 veces menor
que la menor constante de tiempo del proceso.
Teniendo en cuenta la simplificación anterior y haciendo uso de la transformada Z
para los 3 modelos simples estudiados, encontramos las siguientes expresiones para los
modelos discretizados equivalentes:
-Modelo de primer orden con retardo:
z −P
F1 (z −1 ) = K1 (2.29)
1 − αz −1
donde:
71

θ
p = Round (2.30)
Ts
α = e−Ts /T1 (2.31)
KTs
K1 = (2.32)
T1
y la ecuación de diferencias equivalente:
y(t) = K1 u(t − p) + αy(t − 1) (2.33)
Modelo de 2do. orden con retraso:
z −(p+1)
F2 (z −1 ) = K2 (2.34)
1 + a1 z −1 + a2 z −2
donde:
α1 = e−Ts /T1 (2.35)
α2 = e−Ts /T2 (2.36)

θ
p = Round (2.37)
Ts
a1 = −(α1 + α2 ) (2.38)
a2 = α1 α2 (2.39)
α1 − α2
K2 = KTs (2.40)
T1 − T2
Ecuación de diferencias equivalente:
y(t) = K2 u(t − p − 1) − a1 y(t − 1) − a2 y(t − 2) (2.41)
Modelo de 2do. orden sub-amortiguado con retraso:
72
2.4 Conclusiones.
z −(p+1)
F3 (z −1 ) = K3 (2.42)
1 + a1 z −1 + a2 z −2
donde:
θ
p = Round (2.43)
Ts
α = eξωn Ts (2.44)
p
q = ωn 1 − ξ 2 Ts (2.45)
Kωn Ts αsen(q)
K3 = p (2.46)
1 − ξ2
a1 = −2αcos(q) (2.47)
a2 = α2 (2.48)
Ecuación de diferencias equivalente:
y(t) = K3 u(t − p − 1) − a1 y(t − 1) − a2 y(t − 2) (2.49)
⇒ Tarea 2.1. Calcular el equivalente discreto de
Ke−θs
F (s) = (2.50)
(T1 s + 1)(T2 s + 1)
considerando el retenedor de orden cero sin simplificación.
2.4. Conclusiones.
El tipo de modelo, la precisión requerida del mismo y los métodos de identificación

a utilizar dependen fuertemente del objetivo que se persigue. Ası́, por ejemplo, para
los puntos en la identificación clásico de procesos son suficientes y generalmente pre-
feribles, modelos continuos en la forma de funciones transferenciales que sean capaces
de reproducir, con suficiente fidelidad parámetros clave como la ganancia, una o más
constantes de tiempo y el tiempo de retardo.
Para métodos no convencionales se han popularizado los modelos discretos, teniendo
en cuenta el uso generalizado de los dispositivos digitales (computadoras, autómatas
programables, reguladores digitales) en el control de procesos que involucran una alta
complejidad.
73
Hasta aquı́ hemos obtenido varios modelos genéricos que son capaces de aproximar
casi cualquier sistema lineal con una exactitud aceptable utilizando la respuesta a la
señal escalón se usan modelos de primer y segundo orden con retardo y sus equivalentes
discretizados los cuales nos son de gran utilidad cuando no disponemos de la información
suficiente y el tiempo es crı́tico.
74
3
Identificación de Sistemas
Mediante el Método de Mı́nimos
Cuadrados
Objetivo:
Al finalizar el estudio del tema de identificación mediante mı́nimos cuadrados los
participantes representaran un sistema de control simulado usando el método estudiado
e incluyendo por lo menos el 80
3.1. Introducción
Se hará una exposición detallada del método de mı́nimos cuadrados (MMC) para
la identificación de sistemas discretos lineales. El MMC resulta sin dudas, uno de los
enfoques básicos y más utilizados en la teorı́a y la práctica recientes de la identificación
de procesos. Numerosos autores, tales como Eykhoff (1974), Peterka(1975) y muchos
otros han dedicado un esfuerzo considerable al estudio de este método y sus diversas
extensiones y modificaciones. Aparte de su indudable atracción intuitiva, el MMC posee
una serie de propiedades estadı́sticas muy convenientes y sobre todo, puede encontrarse
una forma recursiva de este método suficientemente simple. Esta última posibilidad ha
venido a ser la base de los llamados métodos de identificación en lı́nea (on-line) de
procesos, que han alcanzado gran popularidad como resultado del desarrollo de los
sistemas de control digital.
75
3. IDENTIFICACIÓN DE SISTEMAS MEDIANTE EL MÉTODO DE
MÍNIMOS CUADRADOS
Supongan ahora que disponen de un horno que conocen sus caracterı́sticas dinámicas
y que construimos un controlador para que mantenga una temperatura que nosotros
deseamos, y que funciona satisfactoriamente en el verano, pero cuando llega el invierto
tenemos un error en el control de la temperatura que nosotros no deseamos. Lo que
aprenderemos en este capı́tulo será un método de identificación que nos permita ajustar
los cambios que sufren los sistemas por agentes externos y evitar problemas de control.
Este método es de gran utilidad ya que todos los sistemas o procesos cambian con el
tiempo y esos cambios deben ser registrados en el momento para realizar los ajustes
pertinentes.
En el tema se discutirá en detalle el método de mı́nimos cuadrados, tanto en su
versión convencional, como en varias modificaciones orientadas a mejorar la precisión
del MMC cuando los datos están contaminados con ruido. El capı́tulo esta organizado
de la siguiente manera: En 3.2 se introduce el modelo ARX en sus varias formas posibles,
que es la estructura básica utilizada para aplicar los métodos de identificación en lı́nea.
En 3.3 se aplica el método general de mı́nimos cuadrados al modelo ARX y se obtienen
expresiones para la estimación óptima de los parámetros ası́ como de la matriz de
covarianza de la estimación. En 3.4 se discute una técnica heurı́stica de extrema utilidad,
la llamada técnica del olvido exponencial. En 3.5 se deriva en detalle el algoritmo
recursivo mı́nimo cuadrado convencional y se discuten las bondades y limitaciones de
este método.
3.2. Estructura del Modelo ARX
En el esquema de la Figura 3.1 se representa en forma simplificada una planta de

una entrada y una salida, con un ruido aditivo v(t) en esta última.
v(t)
+
u(t) + y(t)
P
Figura 3.1: Planta SISO - Ruido aditivo
76
3.2 Estructura del Modelo ARX
Supongamos que la entrada y la salida de la planta representada son accesibles, es

decir, pueden ser medidas con un perı́odo de muestreo T . Independientemente de que
el sistema original P puede ser continuo, para describir el comportamiento dinámico de
un conjunto de mediciones de su entrada y su salida, tomadas durante un cierto número
de intervalos de tiempo T , es posible en muchos casos, asumir el siguiente modelo lineal
en diferencias:
n
X n
X
y(k) = aj y(k − j) + bj u(k − j) + e(k) (3.1)
j=1 j=0
para k = 1, 2, 3, · · · , t; aj , bj ∈ R, donde los ı́ndices k, k − 1, · · · , k − n se utilizan, en

aras de la simplicidad de la notación, en lugar de kT , (k − 1)T, · · · , (k − n)T . El modelo
discreto definido en (3.1), consta de dos partes fundamentales: una auto-regresión de
los valores anteriores de la salida hasta y(k − n), ası́ como una suma de valores previos
de la entrada hasta u(k − n). Aunque pueden encontrarse en la literatura especializada
diversos nombres para este modelo, nosotros adoptaremos el de modelo ARX (auto-
regressive and exogenous variable) con que se le conoce en el Toolbox de Identificación
de MatLab. El término e(k) es un proceso aleatorio al que pueden atribuirse varias
interpretaciones. Desde el punto de vista puramente estadı́stico, este término general-
mente se interpreta como el residuo o efecto no considerado en el modelo ARX. Mirado
desde la óptica de los sistemas de control, el proceso e(k) puede asociarse al ruido
presente en la planta.
Como este ruido no es medible, el cálculo de e(k) a partir del modelo, puede servir
como una estimación del mismo. El hecho de suponer a priori la presencia del ruido,
sitúa en un plano más cercano a la realidad la identificación del proceso. En efecto,
esto significa que se admite a priori que el modelo asumido no es exacto, que refleja
sólo parcialmente el proceso y que factores tales como la no linealidad, la imprecisión
de las mediciones, la presencia de perturbaciones no consideradas explı́citamente, etc.,
influyen sobre el mismo.
Al término e(k), que en lo sucesivo será denominado ruido del modelo, se le atribu-
yen generalmente las siguientes propiedades estadı́sticas, para k = 1, 2, 3, · · ·
E{e(k)} = 0 (3.2)
E{e2 (k)} = σ 2 (3.3)
77
MÍNIMOS CUADRADOS
E{e(k)e(k − i)} = 0, i ̸= 0 (3.4)
E{e(k)y(k − i)} = 0, E{e(k)u(k − i)} = 0 (3.5)
es decir, e(k) se considera un proceso de ruido blanco, con media cero y varianza σ 2 ,
no correlacionado con la entrada o salida del proceso. El modelo (3.1) puede escribirse
también en la forma:
y(k) = ŷ(k) + e(k) (3.6)
donde:
n
X n
X
ŷ(k) = aj y(k − j) + bj u(k − j) (3.7)
j=1 j=0
El término ŷ(k) en la expresión (3.7) puede interpretarse entonces como la predic-

ción de la salida en el tiempo k, a partir de las mediciones anteriores y(k − 1), y(k −
2), · · · , y(k − n), u(k), u(k − 1), · · · , u(k − n) y los parámetros del modelo. Nótese que
de acuerdo con (3.6) y (3.7), se cumple:
Ey(k) = ŷ(k) (3.8)
Una manera alternativa de expresar el modelo (3.1) muy usada en la literatura,

resulta de introducir el operador de retardo z − 1, definido como sigue:
z −i Y (z) = y(k − i) (3.9)
Definiendo, además, los polinomios:
A(z −1 ) = a1 z −1 + a2 z −2 + · · · + an z −n (3.10)
B(z −1 ) = b0 + b1 z −1 + b2 z −2 + · · · + bn z −n (3.11)
podemos escribir entonces el modelo ARX en la forma:
(1 − A(z −1 ))Y (z) = B(z −1 )U (z) + E(z) (3.12)
o también
B(z −1 ) 1
Y (z) = U (z) + E(z) (3.13)
1 − A(z −1 ) 1 − A(z −1 )
78
El segundo término de la parte derecha de la ecuación (3.13) puede identificarse con

el ruido aditivo v(t) que aparece en la Figura 3.1
Esta última forma del modelo ARX pone en evidencia un hecho de gran importancia
para la identificación de los parámetros del modelo (3.1) o (3.13) y es que el ruido
resultante que actúa sobre la salida no satisface generalmente las condiciones de ruido
blanco no correlacionado supuestas en (3.4) y (3.5). En efecto, el término estocástico del
modelo (3.13) es un ruido filtrado a través de la función transferencial 1/(1 − A(z −1 )).
La ecuación (3.13) puede escribirse entonces:
B(z −1 )
Y (z) = U (z) + V (z) (3.14)
1 − A(z −1 )
donde:
1
V (z) = E(z) (3.15)
1 − A(z −1 )
También:
n
X
v(k) = ai v(k − i) + e(k) (3.16)
i=1
De (3.16) resulta evidente que v(k) es un ruido correlacionado. En el contexto de las

series cronológicas, el proceso descrito en (3.16) se conoce como una serie o proceso
auto-regresivo.
Resumiendo el análisis anterior podemos afirmar que aun cuando al ruido del
modelo e(k) se le atribuyan las propiedades del ruido blanco no correlacionado, el
ruido resultante sobre la salida de la planta no cumple en general con esas condiciones.
Vamos ahora a introducir otra forma del modelo ARX que será de extrema utilidad
cuando se estudien los algoritmos recursivos de identificación. La ecuación (3.1) puede,
en efecto, escribirse de la siguiente forma más completa:
y(k) = P T z(k) + e(k) (3.17)
donde P T y z(k) son respectivamente los vectores de los parámetros y de las medi-
ciones. Ambos vectores pueden definirse de varias formas; una muy conveniente desde
el punto de vista de los algoritmos de identificación en lı́nea, es la siguiente:
P T = [b0 , a1 , b1 , · · · , an , bn ] (3.18)
z T (k) = [u(k), y(k − 1), u(k − 1), · · · , y(k − n), u(k − n)] (3.19)
79
MÍNIMOS CUADRADOS
P T y z T son vectores de dimensión 2n + 1.

El modelo (3.17) puede expresarse en forma generalizada para t observaciones del
par entrada-salida (u, y) como sigue:
Y T (t) = P T Z T (t) + E T (t) (3.20)
con
Y T (t) = [y(1), y(2, ), · · · , y(t)] (3.21)
y  
u(1) ···
u(2) u(t)
 y(0) · · · y(t − 1)
y(1) 
 
 u(0) · · · u(t − 1)
u(1) 
 
Z T (t) =  .. .... ..  (3.22)
 . . . . 
 
 y(1 − n) y(2 − n) · · · y(t − n) 
u(1 − n) u(2 − n) · · · u(t − n)
es la matriz de las mediciones, de dimensión (2n + 1) × t.
También:
E T (t) = [e(1), e(2), · · · , e(t)] (3.23)
es el vector de ruido de dimensión t.

La extensión del modelo ARX al caso de sistemas multivariables, puede hacerse de
una forma inmediata como veremos a continuación.
Consideremos, en efecto, un sistema con µ entradas y ν salidas. El modelo ARX
multivariable correspondiente puede definirse como:
n
X n
X
y(k) = Aj y(k − j) + Bj u(k − j) + e(k) (3.24)
j=1 j=0
donde:
y(k) - ν vector de las salidas, u(k) - µ vector de las entradas, Aj , Bj - matrices ν × ν y
ν × µ de los coeficientes de regresión, e(k) - ν vector del ruido.
Un modelo compacto equivalente a (3.24) puede escribirse en la misma forma que
el correspondiente a los sistemas monovariables. En efecto:
y(k) = P T z(k) + e(k) (3.25)
pero ahora y(k) es un vector de dimensión ν de las salidas, y
z T (k) = [uT (k), y T (k − 1), uT (k − 1), · · · , y T (k − n), uT (k − n)] (3.26)
80
es un vector de dimensión:
ρ = [µ + (µ + ν)n] (3.27)
P T es una matriz de dimensión ν × ρ con la estructura siguiente:
P T = [B0 , A1 , B1 , · · · , An , Bn ] (3.28)
Por último, el modelo generalizado para t mediciones dado en (3.20), puede escri-
birse para el caso multivariable en la misma forma:
Y T (t) = P T Z T (t) + E T (t) (3.29)
con las definiciones siguientes

 T     
y (1) z T (1) eT (1)
 y T (2)   z T (2)   eT (2) 
     
Y (t) =  ..  Z(t) =  ..  E(t) =  ..  (3.30)
 .   .   . 
y T (t) z T (t) eT (t)
Nótese que Y (t) y E(t) son ahora matrices de dimensión t × ν y Z(t) es una matriz
t × ρ.
Antes de finalizar esta sección, quisiéramos hacer dos observaciones que considera-
mos de suma importancia. La primera se refiere al orden del modelo ARX considerado
en (3.1). Por orden del modelo entendemos al número entero n que aparece como lı́mite
superior de las sumatorias en la expresión (3.1). Por comodidad y en aras de la claridad
de la exposición hemos supuesto que el lı́mite de ambas sumatorias es el mismo, dejan-
do abierta la posibilidad de que algunos de los coeficientes aj o bj sean ceros. El caso
frecuente de sistemas con retraso por transporte queda incluido si se hacen iguales a
cero algunos de los primeros coeficientes bj , por ejemplo b0 , b1 , etc. No obstante lo an-
terior, en capı́tulos posteriores será conveniente utilizar modelos en los que los órdenes
de las dos sumatorias pueden ser distintos y también donde aparezca eventualmente el
retraso por transporte en forma explı́cita.
La segunda observación se refiere a la inclusión de b0 en el modelo que proponemos,
es decir, la admisión implı́cita de que el valor de la variable de entrada u(k) influye
sobre la salida en el mismo tiempo y(k).
Muchos autores utilizan un modelo en el que no se considera esa influencia y se
supone la existencia siempre, como mı́nimo, de un perı́odo de retardo. Desde nuestro
81
MÍNIMOS CUADRADOS
punto de vista, se trata sólo de un problema convencional y de cómo se interpreta el

muestreo de las variables de entrada y salida. Nosotros hemos adoptado la convención
que se ilustra en la Figura 3.2.
u(k) u(k + 1) u(k + 2)
Tm Tm Tm
y(k) y(k + 1) y(k + 2)
Figura 3.2: Convención del tiempo de muestreo - Retardo de procesamiento
En la Figura 3.2, en efecto, se supone que la variable de entrada se mide (o se

calcula) antes de la salida y aunque ambas se denotan con el mismo ı́ndice u(k), y(k)
ó u(k + 1), y(k + 1), etc., en realidad corresponden a tiempos distintos, mediando entre
ellos, como mı́nimo, el tiempo necesario para la medición de la variable de entrada
u(k). Ese tiempo, desde luego, debe ser mucho menor que el perı́odo de muestreo.
Desde el punto de vista ilustrado en la Figura 3.2, resulta entonces admisible y, además,
conveniente, la inclusión del coeficiente b0 en el modelo ARX.
3.3. Método de Mı́nimos Cuadrados para la Estimación

de Parámetros del Modelo ARX
Consideremos el modelo ARX para sistemas de una entrada y una salida, corres-
pondiente a t mediciones:
Y T (t) = P T Z T (t) + E T (t) (3.31)
donde P, Y (t), Z(t) y E(t) se definen en (3.18), (3.21), (3.22) y (3.23). El vector de las
salidas según (3.31) puede considerarse como un vector aleatorio que tiene las siguientes
propiedades estadı́sticas:

E Y T (t) = P T Z T (t) (3.32)
cov {Y (t)} = cov {E(t)} = σ 2 I (3.33)
donde I es la matriz unitaria.
82
3.3 Método de Mı́nimos Cuadrados para la Estimación de Parámetros del
Modelo ARX
La estimación de los parámetros contenidos en el vector P , utilizando el MMC,

consiste en hallar un estimador P tal que minimice la forma cuadrática:
J = (Y (t) − Z(t)P (t))T W (Y (t) − Z(t)P (t)) (3.34)
donde W es una matriz definida positiva arbitraria llamada matriz de peso, que puede
asumir distintas formas especiales, dando lugar a diversas modificaciones del MMC.
Nótese que para darle mayor generalidad al problema estamos considerando que los
parámetros pueden variar con el tiempo. El caso más simple y que será objeto de
nuestro interés inmediato, consiste en considerar W = I. En este caso, el criterio J
puede también escribirse:
t
X
J = E T (t)E(t) = e(k)2 (3.35)
k=1
La minimización del criterio J con respecto a P (t) puede realizarse siguiendo un

procedimiento analı́tico. En efecto, desarrollando a (3.34) con W = I, se llega a:
J = Y T (t)Y (t) − P T (t)Z T (t)Y (t) − Y T (t)Z(t)P (t) + P T (t)Z T (t)Z(t)P (t) (3.36)
pero P T (t)Z T (t)Y (t) = Y T (t)Z(t)P (t) pues se trata de un escalar y entonces:
J = Y T (t)Y (t) − 2Y T (t)Z(t)P (t) + P T (t)Z T (t)Z(t)P (t) (3.37)
Derivando la expresión (3.37) con respecto a P (t) e igualando a cero, se obtiene:

∂J
= −2Z T (t)Y (t) + 2Z T (t)Z(t)P (t) = 0 (3.38)
∂P (t)
y de (3.38) se obtiene fácilmente la expresión del estimador mı́nimo cuadrático que
tiene la forma:
P̂ (t) = (Z T (t)Z(t))−1 Z T (t)Y (t) (3.39)
∂2J
La segunda derivada ∂P (t)2
como puede deducirse fácilmente de (3.38), es la matriz
al menos semidefinida positiva Z T (t)Z(t), lo cual es una condición suficiente para que
la expresión (3.39) minimice efectivamente a J.
Nótese que la existencia del estimador óptimo P̂ (t) está condicionada a que la matriz
cuadrada Z T (t)Z(t) , de dimensión 2n+1 sea invertible. Esta última condición equivale
a su vez, a que la matriz Z(t) de dimensión t × (2n + 1), sea de rango 2n + 1.
83
MÍNIMOS CUADRADOS
La necesidad de que la matriz Z(t) sea de rango completo, nos lleva a profundizar
un tanto en los requerimientos que deben cumplir las señales de entrada u(k) a fin
de que el sistema sea identificable. Astrom y Eykhof (1975), introducen el concepto
de excitación persistente y lo consideran un requerimiento indispensable para que sea
posible obtener un estimador mı́nimo cuadrático único de los parámetros de la planta.
Este concepto puede expresarse en la forma siguiente:
Un sistema se encuentra sometido a una excitación persistente de orden n si existen
los lı́mites:
t
1X
ū = lı́m u(k) (3.40)
t→∞ t
k=1
t
1X
Rui = lı́m [u(k) − ū][u(k + i) − ū] (3.41)
t→∞ t
k=1
y además, la matriz definida por:

D = dij = Ru(i−j) i, j = 1, 2, · · · (3.42)
es definida positiva.
La condición de excitación persistente asegura no solamente que la matriz Z(t)
sea de rango completo sino también que la estimación de los parámetros del modelo
mediante el MMC sea estadı́sticamente consistente. Esta condición, por otra parte,
no impone serias restricciones sobre las señales de entrada u admisibles, cumpliéndose
en la gran mayorı́a de los casos prácticos, bajo condiciones normales de operación.
Debe señalarse, sin embargo, que en adición a la condición de excitación persistente
generalmente se requiere que las señales de entrada utilizadas sean perturbantes, es
decir, que su espectro de frecuencias sea suficientemente amplio, de manera que las
frecuencias fundamentales del sistema sean perturbadas. Esta última condición, sin
embargo, no resulta necesaria desde el punto de vista de la existencia de un estimador
mı́nimo cuadrático de los parámetros del proceso.
Regresando al problema fundamental que nos ocupa, resulta pertinente hacer un
análisis de algunas propiedades del estimador mı́nimo cuadrático de los parámetros,
cuya expresión se obtuvo en (3.39). La esperanza matemática del estimador, viene
dada por:
n o
E P̂ (t) = E (Z T (t)Z(t))−1 Z T (t)Y (t) (3.43)
84
3.3 Método de Mı́nimos Cuadrados para la Estimación de Parámetros del
Modelo ARX
La matriz de mediciones Z(t), contiene valores de u(k − i), y(k − i), para k =
1, 2, · · · , t; i = 1, 2, · · · , n tal como puede apreciarse en (3.22). Las variables de salida
y(k-i) a su vez contienen términos de ruido e(k − i) y por tanto, el producto de matrices
(Z T (t)Z(t))−1 Z(t), que es una pseudo-inversa de Z(t), contiene funciones de la secuen-
cia e(k − i), para i = 1, 2, · · · , n. Si se parte de la suposición de que el ruido e(k) es
blanco (ecuaciones (3.2) y (3.3) ), puede demostrarse que la esperanza matemática de
los términos aleatorios presentes en la pseudo-inversa de Z(t) es cero. Estos términos
tienen en general la forma f (e(k − i)e(k − j)), donde f es una función no lineal de la
secuencia e(k − i) y además i ̸= j, i ̸= 0. Por otra parte, admitiendo la no correlación
de los términos aleatorios presentes en (Z T (t)Z(t))−1 Z(t) e Y (t), consecuencia también
de la suposición de ruido blanco para e(k), la expresión (3.43) puede escribirse:
n o
E P̂ (t) = (Z T (t)Z(t))−1 Z(t)E {Y (t)} (3.44)
pero de acuerdo con (3.31), se cumple:
E {Y (t)} = Z(t)P (t) (3.45)
y entonces:
n o
E P̂ (t) = (Z T (t)Z(t))−1 Z T (t)Z(t)P (t) = P (t) (3.46)
La ecuación (3.46) confirma el resultado conocido de que, bajo la suposición de

ruido blanco para la secuencia e(k), la estimación de los parámetros del modelo ARX
mediante el MMC es estadı́sticamente insesgada.

R(t) = cov (Z T (t)Z(t))−1 Z T (t)Y (t) = (Z T (t)Z(t))−1 Z T (t)cov {Y (t)} Z(t)(Z T (t)Z(t))−1
(3.47)
Teniendo en cuenta a (3.33), se llega al resultado:
R(t) = (Z T (t)Z(t))−1 Z T (t)σ 2 IZ(t)(Z T (t)Z(t))−1 = (Z T (t)Z(t))−1 σ 2 (3.48)
La obtención de la expresión simple (3.48) para la matriz de covarianza R(t) del

estimador de P (t), requiere también de la suposición de ruido blanco para la secuencia
e(k).
Por último, es posible derivar un estimador de la varianza σ 2 del ruido, en la forma
siguiente:
85
MÍNIMOS CUADRADOS
Pt h i
1 1
σ̂ 2 (t) = t
2
k=1 e(k) = t (Y (t) − Z(t)P̂ (t))T (Y (t) − Z(t)P̂ (t))
h i
1
= t (Y T (t)Y (t) − 2P̂ T (t)Z T (t)Y (t) + P̂ T (t)Z T (t)Z(t)P̂ (t)
h i
1
= t (Y T (t)Y (t) − 2P̂ T (t)Z T (t)(Z(t)P̂ (t) + E(t)) + P̂ T (t)Z T (t)Z(t)P̂ (t)
h i
1
= t (Y T (t)Y (t) − P̂ T (t)Z T (t)Z(t)P̂ (t) − 2t P̂ T (t)Z T (t)E(t)
Para t suficientemente grande, el segundo término de la expresión anterior se apro-

xima a cero, es decir:
lı́mt→∞ 2t P̂ T (t)Z T (t)E(t) ≈ 0

y obtenemos entonces la siguiente expresión para el estimador σ̂ 2 de la varianza del
ruido:
1h T i
σ̂ 2 (t) = (Y (t)Y (t) − P̂ T (t)Z T (t)Z(t)P̂ (t) (3.49)
t
Hasta aquı́ hemos obtenido expresiones para los estimadores mı́nimos cuadráticos
de los parámetros del sistema, de la matriz de covarianza de la estimación y de la
varianza del ruido que pueden calcularse a partir de t mediciones de entrada-salida
del sistema que se identifica mediante el modelo ARX definido en la forma (3.31). Los
resultados obtenidos son válidos también para el caso multivariable, si P T (t), Y (t) y
Z(t) se definen como en (3.28) y (3.30). La única diferencia consiste en que en este
caso σ 2 (t) es una matriz ν × ν o sea, la estimación de la matriz de covarianza del ruido
y además, es necesario definir un arreglo tetra-dimensional para la covarianza de la
estimación de los parámetros, en la forma:
h i h i T
E P̂ (t) − P (t) P̂ (t) − P (t) 2
= σij (Z (t)Z(t))−1 (3.50)
ir js
Es conveniente recalcar el hecho de que los estimadores obtenidos son insesgados en

el sentido estadı́stico si y sólo si, se cumple la condición de que el ruido e(k) sea blanco y
no correlacionado. Esta suposición, por otra parte, no se satisface generalmente para el
modelo ARX, tal como se mostró en el epı́grafe 3.2. Esto último implica que el MMC en
este caso genera estimadores sesgados, siendo el sesgo o desviación una función no lineal
del nivel de ruido presente en el sistema. Esta ı̈nsuficiencia”del MMC, no obstante, no
resulta significativa cuando este método y el modelo obtenido se usan en el contexto de
86
3.4 Técnica del Olvido Exponencial.
los reguladores de auto-ajuste, lo que tendremos oportunidad de analizar en capı́tulos

posteriores.
Las expresiones obtenidas para los estimadores mı́nimos cuadráticos de P , R y σ 2
no resultan adecuadas para el propósito de la identificación en lı́nea, dado que todos
ellos requieren almacenar y realizar operaciones relativamente complejas con matrices
cuyas dimensiones crecen con el tiempo. Un algoritmo recursivo orientado a ese objetivo
será desarrollado en el epı́grafe 3.5, no sin antes introducir en 3.4 la técnica del olvido
exponencial.
3.4. Técnica del Olvido Exponencial.
Resulta conveniente en este punto de la exposición, introducir la técnica del olvido

exponencial, de manera que los algoritmos de identificación en lı́nea que serán derivados
posteriormente sean más flexibles y generales.
El modelo ARX introducido en el epı́grafe 3.2 resulta apropiado para el caso en
que los parámetros de la planta contenidos en el vector P, son constantes. Aunque
este modelo es adecuado para el tratamiento de muchas situaciones prácticas, ocurre
con frecuencia que los parámetros de los procesos que son objeto de identificación
varı́an como consecuencia de influencias aleatorias de muy diversa naturaleza. Si la ley
estadı́stica de las posibles variaciones de los parámetros fuera conocida a priori, una
técnica tal como la de los filtros de Kalman pudiera aplicarse ventajosamente (Aguado
et al, 1980). Sin embargo, muy raramente esta es la situación en la práctica. Con gran
frecuencia, es posible solo asumir que las variaciones de los parámetros ocurren con
suficiente lentitud. En tal caso, una técnica heurı́stica conocida en la literatura como el
“olvido exponencial”, puede aplicarse sin introducir grandes complicaciones adicionales.
La idea esencial de esta técnica es también muy simple y puede explicarse en la forma
siguiente:
Sea t el tiempo actual mientras τ denota el instante pasado en el tiempo en que los
datos y(τ ) y z(τ ) fueron obtenidos. El estimador de los parámetros del modelo en el
tiempo t se calcula a partir de un conjunto de ecuaciones del tipo:
y(τ ) = P T z(τ ) + e(τ ) (3.51)
87
MÍNIMOS CUADRADOS
para τ = 1, 2, · · · , t. Si los parámetros han variado en el tiempo, resulta evidente que

las ecuaciones más “viejas” en este conjunto resultan menos confiables que las más
recientes. Es posible tener este hecho en cuenta considerando que la varianza del término
estocástico e(τ ) no es constante, sino que varı́a de forma tal que a las ecuaciones más
viejas del tipo (3.51) corresponde una varianza mayor que a las ecuaciones últimas, es
decir, para τ próximo a t. Nótese que la consideración de una varianza mayor del ruido
e(τ ) se interpreta como equivalente a que los parámetros del modelo sean menos exactos.
Para modelar la varianza como una función del tiempo, resulta adecuado utilizar la
expresión:

E e2 (τ ) = φ−2(t−τ ) σ 2 (3.52)
donde φ2 es un factor escalar positivo, menor o igual a 1. La condición impuesta me-

diante (3.52) resulta equivalente a la siguiente:
e(τ ) = φ−(t−τ ) v(τ ) (3.53)
donde v(τ ) es un proceso aleatorio con propiedades de ruido blanco y varianza cons-
tante:

E v 2 (τ ) = σ 2 (3.54)
La sustitución de (3.53) en (3.51) conduce a:

h i
φ(t−τ ) y(τ ) = P T φ(t−τ ) z(τ ) + v(τ ) (3.55)
Nótese que la diferencia entre (3.55) y (3.51) consiste en que los datos y(τ ) y z(τ )
son ahora pasados por el factor de olvido φ(t−τ ) . La introducción del factor de olvido
exponencial no altera la forma de la ecuación del estimador mı́nimo cuadrático de los
parámetros dados en (3.39), salvo que ahora las matrices Z(t) y Y (t) se definen en la
forma ligeramente modificada:
   
φ(t−1) z T (1) φ(t−1) y T (1)
 φ(t−2) z T (2)   φ(t−2) y T (2) 
   
 ..   .. 
Z(t) =  .  Y (t) =  .  (3.56)
   
 φz T (t − 1)   φy T (t − 1) 
z T (t) y T (t)
88
3.4 Técnica del Olvido Exponencial.
El valor del coeficiente de olvido exponencial debe escogerse intuitivamente, de

acuerdo con la velocidad del cambio de los parámetros. Una elección generalmente
razonable se encuentra en el intervalo 0.9 a 1. Nótese que los valores próximos a 0.9
corresponden a un olvido más rápido, es decir, deben escogerse cuando la velocidad de
cambio de los parámetros presumiblemente es mayor, mientras que φ = 1 corresponde
al caso de la regresión normal, sin olvido. El efecto de la selección del coeficiente de
olvido exponencial sobre la muestra efectiva de datos que se utiliza en la identificación
se ilustra en la tabla 3.1.
La técnica del olvido exponencial puede utilizarse también en el caso de parámetros
constantes para eliminar rápidamente la influencia de las estimaciones iniciales que
generalmente son malas como consecuencia de la falta de información a priori de los
valores reales de los parámetros, en este caso debe escogerse φ variable siguiendo, por
ejemplo, el algoritmo:
φ(τ ) = φ(τ − 1) + (1 − φ(τ − 1))∆φ (3.57)
Tabla 3.1: Coeficientes de olvido exponencial - Filtro exponencial
φ n(φ2n = 0,1)
0.999 1155
0.998 580
0.997 385
0.996 290
0.995 230
0.994 195
0.993 165
0.992 145
0.991 134
0.990 125
φ(τ ) se escoge cercano a 1 y ∆φ es un número muy pequeño, por ejemplo 0,01. De

esta forma una vez superada la incertidumbre inicial φ tiende a 1.
89
MÍNIMOS CUADRADOS
3.5. Algoritmo Recursivo para la Estimación Mı́nimo Cuadráti-

co.
En este epı́grafe serán derivadas las formas recursivas necesarias para calcular los
valores de los estimadores P̂ (t+1), σ̂ 2 (t+1) y la matriz C(t+1) que se define mediante:
−1
C(t + 1) = Z T (t + 1)Z(t + 1) (3.58)
a partir de P̂ (t), σ̂ 2 (t) y C(t) que se consideran conocidos, ası́ como de los datos obteni-
dos en el tiempo t + 1, es decir y(t + 1), u(t + 1). Según las definiciones de la matriz Z(t)
y el vector Y (t), dadas en (3.56), pueden obtenerse fácilmente las siguientes ecuaciones:
Z T (t + 1)Z(t + 1) = φ2 Z T (t)Z(t) + z(t + 1)z T (t + 1) (3.59)
Z T (t + 1)Y (t + 1) = φ2 Z T (t)Y (t) + z(t + 1)y T (t + 1) (3.60)
Y T (t + 1)Y (t + 1) = φ2 Y T (t)Y (t) + y 2 (t + 1) (3.61)
donde z(t + 1) es el vector de las mediciones en el tiempo t + 1:
z T (t + 1) = [u(t + 1), y(t), u(t), · · · , y(t − n + 1), u(t − n + 1)] (3.62)
y y(t + 1) es la medición de la salida también en el tiempo t + 1.

De la definición de la matriz C(t + 1) dada en (3.58), se puede llegar fácilmente a
la siguiente expresión:
C −1 (t + 1) = φ2 C −1 (t) + z(t + 1)z T (t + 1) (3.63)
Resulta ahora necesario acudir a una bien conocida identidad matricial, cuya expli-
cación puede encontrarse, por ejemplo en (Householder, 1964):
−1 −1 T −1
A + BDB T = A−1 − A−1 B D−1 + B T A−1 B B A (3.64)
Aplicando este resultado en (3.63) con:
A = φ2 C −1 (t) (3.65)
B = z(t + 1) (3.66)
D=I (3.67)
90
3.5 Algoritmo Recursivo para la Estimación Mı́nimo Cuadrático.
se llega fácilmente a:
1
C(t + 1) = 2
C(t) − C(t)z(t + 1)(φ2 + z T (t + 1)C(t)z(t + 1))−1 z T (t + 1)C(t)
φ
(3.68)
Nótese que la expresión que hay que invertir en (3.68) es un escalar. Podemos
escribir entonces la siguiente expresión recursiva para actualizar la matriz C(t):

1 1 T
C(t + 1) = 2 C(t) − 2 C(t)z(t + 1)z (t + 1)C(t) (3.69)
φ α (t + 1)
donde:
α2 (t + 1) = φ2 + z T (t + 1)C(t)z(t + 1) (3.70)
A partir de (3.70) y (3.69) puede obtenerse la siguiente expresión:

1 1 2 2
C(t + 1)z(t + 1) = C(t)z(t + 1) − 2 C(t)z(t + 1)(α (t + 1) − φ )
φ2 α (t + 1)

1 (α2 (t + 1) − φ2 )
= 1− C(t)z(t + 1) (3.71)
φ2 α2 (t + 1)
1
C(t + 1)z(t + 1) = C(t)z(t + 1) (3.72)
α2 (t + 1)
Esta última expresión resulta muy útil para la obtención de las expresiones recur-
sivas de P̂ (t + 1) y α̂2 (t + 1). En efecto, de (3.39) y (3.58) para el tiempo t + 1, se
obtiene:
C −1 (t + 1)P̂ (t + 1) = Z T (t + 1)Y (t + 1) (3.73)
Haciendo ahora uso de (3.60), obtenemos:
C −1 (t + 1)P̂ (t + 1) = φ2 Z T (t)Y (t) + z(t + 1)y(t + 1) (3.74)
y también usando (3.73) para el tiempo t se puede escribir:
C −1 (t + 1)P̂ (t + 1) = φ2 C −1 (t)P̂ (t) + z(t + 1)y(t + 1) (3.75)
A partir de (3.63) se obtiene:
φ2 C −1 (t) = C −1 (t + 1) − z(t + 1)z T (t + 1) (3.76)
y sustituyendo (3.76) en (3.75) resulta:

C −1 (t + 1)P̂ (t + 1) = C −1 (t + 1) − z(t + 1)z T (t + 1) P̂ (t) + z(t + 1)y(t + 1) (3.77)
91
MÍNIMOS CUADRADOS
h i
P̂ (t + 1) = P̂ (t) + C(t + 1)z(t + 1) y(t + 1) − z T (t + 1)P̂ (t) (3.78)
Haciendo uso de (3.72) y definiendo:
ê(t + 1) = y(t + 1) − P T (t)z(t + 1) (3.79)
se llega finalmente a la expresión recursiva necesaria para la actualización de P (t):

1
P̂ (t + 1) = P̂ (t) + C(t)z(t + 1)ê(t + 1) (3.80)
α2 (t + 1)
Nótese que ê(t + 1) representa la nueva información o “innovación” contenida en

los datos obtenidos en el tiempo t + 1. Desde este punto de vista, la expresión (3.80)
resulta semejante a la del filtro de Kalman-Bucy para la estimación de estados de
sistemas discretos (Aguado, Enrı́quez y Pascual, 1980).
Mediante un procedimiento análogo al mostrado anteriormente, es posible obtener
la expresión recursiva necesaria para el cálculo de σ 2 (t + 1). En aras de la brevedad,
ofrecemos sólo el resultado final, que es el siguiente:

2 φ2 2 1 2
σ̂ (t + 1) = v(t)σ̂ (t) + 2 ê (t + 1) (3.81)
v(t + 1) α (t + 1)
donde:
t
X
v(t + 1) = φ2i = 1 + φ2 v(t) (3.82)
i=0
Coleccionando ahora los resultados principales obtenidos y utilizando una forma

algorı́tmica, podemos resumir el método de mı́nimos cuadrados para la identificación
en lı́nea, de la manera siguiente:
Algoritmo MMC recursivo
g(t + 1) = C(t)z(t + 1) (3.83)
α2 (t + 1) = φ2 + z T (t + 1)g(t + 1) (3.84)
ê(t + 1) = y(t + 1) − z T (t + 1)P̂ (t) (3.85)

1
P̂ (t + 1) = P̂ (t) + g(t + 1)ê(t + 1) (3.86)
α2 (t + 1)
v(t + 1) = 1 + φ2 v(t) (3.87)

2 φ 2 1 T
σ̂ (t + 1) = v(t)σ̂ (t) + 2 ê(t + 1)ê (t + 1) (3.88)
v(t + 1) α (t + 1)
92

1 1 T
C(t + 1) = 2 C(t) − 2 g(t + 1)g (t + 1) (3.89)
φ α (t + 1)
Un estimador de la matriz de covarianza de P̂ (t + 1), de acuerdo con (3.48), se

obtiene mediante la expresión:
R̂(t + 1) = C(t + 1)σ̂ 2 (t + 1) (3.90)
En la práctica es muchas veces posible omitir en el algoritmo de identificación el

cálculo de σ̂ 2 (t + 1), lo que elimina las ecuaciones (3.88) y (3.90), reduciendo de esta
forma el número de operaciones necesarias para la actualización de los parámetros.
Como medida de la incertidumbre en la identificación de los parámetros, sirve entonces
la matriz simétrica y definida positiva C que, como se ve en la expresión (3.90), actúa
como una matriz de “atenuación ”de la covarianza o de la incertidumbre en el proceso
de identificación. Con frecuencia en la literatura a la matriz C se le llama simplemen-
te matriz de covarianza de la estimación, expresión que aunque no rigurosa, resulta
práctica y por tanto será adoptada en lo que sigue.
Los valores P (0) y C(0) en el proceso (3.83) - (3.90) pueden interpretarse como
la estimación inicial de P cuya imprecisión se caracteriza mediante C(0). En la esti-
mación inicial puede incorporarse toda la información existente a priori acerca de los
valores probables de los parámetros. Si no hay ninguna información, que es el caso más
frecuente, pueden escogerse valores arbitrarios para los coeficientes de P (0) y C(0) se
selecciona como una matriz definida positiva, preferentemente diagonal, con coeficien-
tes grandes en la diagonal principal. En muchos ejemplos simulados los valores iniciales
P (0) = 0,1 y C(0) = diag(100) han resultado adecuados.
El algoritmo (3.83) - (3.89) es válido también para el caso de sistemas multivariables
con µ entradas y ν salidas, salvo que en este caso P (t) es una matriz ρ × ν definida
como en (3.28), z(t) es de dimensión ρ y e(t), y(t) son vectores de dimensión ν. El valor
de ρ viene dado por la expresión (3.27).
Ejemplo
Consideremos un sistema entradas y dos salidas, tal como el representado en la
figura 3.3. Las correspondientes funciones transferenciales discretas F11 , F12 , F21 y F22
se definen mediante las expresiones:
93
MÍNIMOS CUADRADOS
E1 (s)
+
U1 (s) + Y1 (s)
b
F11 (s)
+
F12 (s)
F21 (s)
+
U2 (s) + Y2 (s)
b
F22 (s)
+
E2 (s)
Figura 3.3: Planta MIMO - Ejemplo
0,33 + 0,17z −1
F11 (z −1 ) = (3.91)
1 − 0,2z −1 − 0,3z −2
0,40 − 0,20z −1
F21 (z −1 ) = (3.92)
1 − 0,2z −1 − 0,3z −2
0,35 − 0,15z −1
F12 (z −1 ) = (3.93)
1 − 0,4z −1 − 0,2z −2
0,28 + 0,12z −1
F22 (z −1 ) = (3.94)
1 − 0,4z −1 − 0,2z −2
El modelo de regresión general expresado en la forma
y(k) = PT z(k) + e(k) (3.95)
y T (k) = [y1 (k), y2 (k)] (3.96)

z T (k) = uT (k), y T (k − 1), uT (k − 1), y T (k − 2) (3.97)
P T (k) = [B0 , A1 , B1 , A2 ] (3.98)
puede obtenerse fácilmente a partir de la descripción mediante funciones transferencia-

les discretas, como veremos a continuación.
94
y1 (k) = F11 (z −1 )u1 (k) + F21 (z −1 )u2 (k) + e1 (k) (3.99)
y2 (k) = F12 (z −1 )u1 (k) + F22 (z −1 )u2 (k) + e2 (k) (3.100)
Sustituyendo las expresiones de las funciones transferenciales (3.91) - (3.94) en

(3.99) y (3.100) se llega a las ecuaciones de diferencias:
y1 (k) = 0,33u1 (k)+0,40u2 (k)+0,20y1 (k−1)+0,17u1 (k−1)−0,20u2 (k−1)+0,30y1 (k−2)+e1 (k)

(3.101)
y2 (k) = 0,35u1 (k)+0,28u2 (k)+0,40y2 (k−1)−0,15u1 (k−1)+0,12u2 (k−1)+0,2y2 (k−2)+e2 (k)
(3.102)
Agrupando las ecuaciones (3.101) y (3.102) en una forma vector-matricial se obtiene:
 
u1 (k)
 u2 (k) 
 
 
 y1 (k) 
y1 (k) 0,33 0,40 0,20 0,00 0,17 −0,20 0,30 0,00   y 2 (k) 
 e1 (k)
= + e2 (k)
y2 (k) 0,35 0,28 0,00 0,40 −0,15 0,12 0,00 0,20   u1 (k − 1) 
 u2 (k − 1) 
 
 y1 (k − 2) 
y2 (k − 2)
(3.103)
Esta última forma corresponde exactamente a la descripción mediante el modelo
ARX multivariable, definido por las ecuaciones (3.95) a (3.98).
Aplicando el algoritmo de mı́nimos cuadrados recursivo descrito por las ecuaciones
(3.83) a (3.89), después de 500 etapas llegamos a la matriz de parámetros descrita en
la tabla 3.2.
Tabla 3.2: Matriz de parámetros P̂ identificada - Ejemplo
B0 A1 B1 A2
0.331 0.389 0.205 0.001 0.169 -0.201 0.303 0.002
0.998 0.283 0.001 0.401 -0.153 -0.121 0.002 0.201
Puede apreciarse que las estimaciones obtenidas son muy exactas, a pesar del núme-
ro relativamente pequeño de etapas de tiempo simuladas, considerando que el número
de parámetros a estimar es en este caso de 16. Este resultado ilustra la fuerte relación
existente entre la exactitud de la identificación y el nivel de ruido en la salida.
95
MÍNIMOS CUADRADOS
3.6. Conclusiones.
Hemos estudiado un modelo general para representar sistemas discretos conocido

como ARX, en base a este modelo se definió el método de mı́nimos cuadrados para
identificar los modelos ARX de sistemas discretos. El método de mı́nimos cuadrados
los podemos encontrar básicamente en dos versiones fuera de lı́nea y en lı́nea, que
aunque el concepto es el mismo la forma de implementarlo es diferente y su aplicación
es depende de las necesidades de la identificación.
Debido a los grandes avances de la tecnologı́a en nuestros dı́as resulta de gran
utilidad estos algoritmos en aplicaciones que anteriormente era imposible aplicar debido
a la carencia de los sistemas actuales, en este momento podemos considerar la aplicación
de estos algoritmos para la solución de cualquier problema de identificación.
La versión del algoritmo recursivo de estimación MMC de los parámetros de un
modelo ARX, dado mediante las ecuaciones (3.83) - (3.89), raramente es utilizado en
la práctica, debido a que el mismo puede presentar problemas numéricos asociados a
la necesaria positividad de la matriz C(t). Es por esa razón que se han desarrollado
otras variantes numéricas de este algoritmo con mejores cualidades para ser usados en
un ambiente de tiempo real. Este tema no será tratado en este curso.
96
4
Algoritmos de Raı́z Cuadrada

para la Identificación de Modelos
Discretos
Objetivo: Después del tema cuatro los participantes explicarán las ventajas y des-
ventajas de la técnica de raı́z cuadrada en identificación de sistemas discretos con res-
pecto a métodos clásicos de identificación mediante el método de mı́nimos cuadrados
convencional, e incluyendo por lo memos el 80 % de los conceptos de algoritmos de raı́z
cuadrada.
4.1. Introducción
En el capı́tulo 3 fue discutido el método de mı́nimos cuadrados para la identifica-

ción en lı́nea de modelos discretos. A riesgo de parecer excesivamente reiterativos, este
capı́tulo será consagrado también al mismo método, aunque considerando ahora otras
modificaciones que están dirigidas sobre todo a mejorar las propiedades numéricas de
los algoritmos de identificación mı́nimo-cuadráticos.
Las ventajas de los llamados métodos o filtros de raiz cuadrada en los problemas de
estimación de parámetros de sistemas lineales, han sido estudiados desde hace tiempo
(Kaminsky et al, 1971), (Smuk, 1970). Es sin embargo, en el trabajo de Peterka (1975),
dedicado a la exposición del algoritmo REFIL, donde por primera vez y además en una
forma muy elegante y sugestiva, se pone en evidencia la importancia de este enfoque
97
4. ALGORITMOS DE RAÍZ CUADRADA PARA LA
IDENTIFICACIÓN DE MODELOS DISCRETOS
para la aplicación práctica de los métodos de identificación mı́nimo-cuadrática. Las

ventajas de los filtros de raı́z cuadrada residen fundamentalmente en su doble precisión
efectiva con respecto a los algoritmos recursivos convencionales, lograda a costa de un
insignificante aumento del número de operaciones necesarias. Esta propiedad resulta
sin dudas crucial cuando se piensa en la identificación en lı́nea, donde los errores de
truncación acumulados durante un número grande de etapas de tiempo pueden dar al
traste con la convergencia del proceso de identificación.
4.2. Solución Mı́nimo-Cuadrática de Sistemas sobre De-

terminados de Ecuaciones Lineales
Consideremos el sistema de ecuaciones lineales:
Ax = b (4.1)
donde A es una matriz m × n, x un vector n y b un vector m, siendo además m > n.

Como es conocido, el sistema (4.1) no posee una solución exacta y por tanto puede
escribirse en la forma:
Ax − b = e (4.2)
donde el vector e representa el error presente en cualquier solución x de (4.1). Premul-

tiplicando (4.2) por AT , llegamos a la expresión:
AT Ax − AT b = AT e (4.3)
Si la matriz simétrica AT A es inversible, la solución que minimiza a la expresión:

m
X
T
Q=e e= e2i (4.4)
i=1
o sea, la solución mı́nimo-cuadrática del sistema (4.1) (Smuk, 1970) viene dada por la
expresión:
−1 T
x = AT A A b (4.5)
El cálculo directo de la inversa de la matriz AT A resulta generalmente una operación

onerosa en cuanto a consumo de tiempo y memoria, por lo que un número considerable
de soluciones alternativas ha sido desarrollado (Householder, 1964).
98
4.2 Solución Mı́nimo-Cuadrática de Sistemas sobre Determinados de
Ecuaciones Lineales
Un enfoque que resulta muy atractivo, es la factoración de la matriz simétrica y

definida positiva AT A en el producto de dos matrices triangulares:
S = AT A = F T F (4.6)
donde F es una matriz triangular superior o inferior de dimensión n, a la que se le

conoce generalmente como raı́z cuadrada de S. Entonces la solución mı́nimo-cuadrática
del sistema (4.1) o (4.2) se obtiene a partir de:
F T F x = AT b (4.7)
En efecto, si hacemos x′ = F x, el sistema (4.7) se resuelve en forma directa en dos

etapas, la primera con respecto a x′ y la segunda con respecto a la solución deseada
x, aplicando en cada caso un algoritmo simple para resolver sistemas de ecuaciones
con matrices triangulares. Para realizar la factoración de una matriz simétrica y de-
finida positiva puede aplicarse un conjunto de algoritmos disponibles en la literatura,
destacándose por su efectividad el debido a Cholevsky (Householder, 1964).
Aunque este enfoque resulta ventajoso en muchos casos prácticos, no se adapta a los
requerimientos de la identificación en lı́nea de procesos, que es nuestro objetivo central.
A continuación mostraremos un método basado en un tipo especial de transformación
ortogonal, que en esencia lleva el sistema original (4.1) a la forma:
−1
Fx = FT AT b (4.8)
donde F es la matriz n×n triangular superior o inferior según las conveniencias, definida
en (4.7). A partir de (4.8) se obtiene en forma simple la solución mı́nimo-cuadrática
deseada. Como se verá en lo que sigue, el método no requiere la factoración explı́cita
de la matriz AT A, ni tampoco la inversión de F T .
Consideremos, en efecto, la matriz de transformación:
 j k 
1
 1 
 
 .. 
 . 
 
T = 
 c s 
 (4.9)
 −s c 
 
 .. 
 . 
 
 1 
1
99
En la que se señalan solamente los elementos distintos de cero. Es fácil comprobar que
si s y c se escogen de manera que se cumpla:
c2 + s2 = 1 (4.10)
Entonces:
T T = T −1 (4.11)
Es decir, se trata de una matriz de transformación ortogonal. A la matriz T se le conoce

generalmente como matriz de rotación, pues su aplicación produce una rotación de un
ángulo α en las coordenadas del sistema, donde sen(α) = s y cos(α) = c.
Cuando una matriz arbitraria D se premultiplica por la matriz T definida en (4.9)
las filas j y k del producto, asumirán la forma:
d′j = cdj + sdk (4.12)
d′k = cdk − sdj (4.13)
permaneciendo invariable el resto de las filas de D. Una selección adecuada de los

coeficientes c y s permite anular uno de los elementos de las filas j o k y la aplicación
sucesiva de un conjunto de m transformaciones de este tipo produce la anulación de m
elementos de la fila. Esto será ilustrado mediante un ejemplo.
Consideremos, en efecto, la matriz 3 × 3:
 
2 4 2
D= 1 5 3  (4.14)
2 6 1
Supongamos que queremos triangularizar a D haciendo cero los elementos d21 , d31
y d32 señalados en (4.14). Para anular el 1, escogemos la matriz de transformación:
 
c s 0
T ′ =  −s c 0  (4.15)
0 0 1
Haciendo el producto T ′ D se obtiene:

 
2c + s 4c + 5s 2c + 3s
D′ = T ′ D  −2s + c −4s + 5c −2s + 3c  (4.16)
2 6 1
100
Ecuaciones Lineales
Los coeficientes s y c deben satisfacer las ecuaciones:
−2s + c = 0 (4.17)
s2 + c2 = 1 (4.18)
de donde se obtiene fácilmente:

1
s= √ (4.19)
5
2
c= √ (4.20)
5
Sustituyendo ahora (4.19) y (4.20) en (4.16) se llega a la matriz transformada:
 √ 13

5 √ √3
5 5
 
D′ =  0 √65 √45  (4.21)
2 6 1
Si se escoge ahora:  
c′ 0 s′
T ′′ =  0 1 0  (4.22)
−s′ 0 c′
y procedemos en forma similar se logra anular el 2.
Finalmente, aplicando la transformación:
 
1 0 0
T ′′′ =  0 c′′ s′′  (4.23)
0 −s′′ c′′
Se obtiene una matriz triangular ∆ resultado de las transformaciones sucesivas:
∆ = T ′′′ T ′′ T ′ D = T D (4.24)
La matriz de transformación equivalente T , conserva la propiedad de la ortogona-

lidad, como es fácil comprobar. Aunque la forma en que se han escogido las matrices
T ′ , T ′′ y T ′′′ no es la única posible, tendremos la oportunidad de ver de inmediato que
ella resulta muy ventajosa desde el punto de vista algorı́tmico.
Nótese de (4.21) que en la primera transformación se cumplen las relaciones:
d11 c + d21 s = d′11 (4.25)
d21 c − d11 s = 0 (4.26)
101
A partir de (4.25) y (4.26) y teniendo en cuenta además (4.18), se obtiene para d′11 , s
y c, las siguientes expresiones:
q
d21 d11
r = d211 + d221 , d′11 = r, s= , c= (4.27)
r r
Puede comprobarse fácilmente que en general, para cualquier etapa, se obtienen los
resultados:
q dji dii
r= d2ii + d2ji , d′ii = r, s= , c= (4.28)
r r
para i = 1, 2, · · · , n − 1, j = i + 1, i + 2, · · · , n. Un elemento de la fila k en (4.13) se
anula el cual corresponde a dji .
El algoritmo que ofrecemos a continuación da la posibilidad de triangularizar una
matriz cuadrada de dimensión n, utilizando el método de las transformaciones ortogo-
nales de rotación, aunque sin hacer explı́citamente el producto de matrices definido en
(4.24):
for i = 1, 2, · · · , n − 1 do
for j = i + 1, i + 2, · · · , n do
q
r = d2ii + d2ji
dji
s= r
dii
c= r
dii = r
dji = 0
for k = i + 1, · · · , n do
d = dik
dik = cd + sdjk
djk = cdjk − sd
end for
end for
end for
El método de las transformaciones ortogonales de rotación, puede emplearse tam-
bién ventajosamente para hallar la solución mı́nimo-cuadrática de un sistema sobrede-
terminado de ecuaciones lineales, lo cual es nuestro objetivo inmediato.
Consideremos, en efecto, el sistema sobredeterminado:
Ax − b = e (4.29)
102
Ecuaciones Lineales
donde A es una matriz m × n y m > n. Este sistema puede expresarse también en la

forma más compacta:
x
[A, b] =e (4.30)
−1

x
donde la matriz ampliada D = [A|b] es de dimensión m × (n + 1) y = x′
es un
−1
vector n + 1. Si ahora aplicamos la transformación ortogonal conocida T a la ecuación
(4.30), se obtiene:
T Dx′ = T e (4.31)
El producto T D será una matriz triangular de dimensión n+1, por lo que el sistema
transformado (4.31) tendrá la forma:
n+1
 
x1
 x2 
 
 .. 
 .  = Te
m  
 xn 
−1
0, 0, 0, 0, · · · , 0
0, 0, 0, 0, · · · , 0
0, 0, 0, 0, · · · , 0
Figura 4.1: Matriz triangular de dimensión n + 1 - sistema transformado
A partir del cual puede escribirse el sistema de ecuaciones:
d′11 x1 + d′12 x2 + · · · + d′1n xn − b′1 = e′1

d′22 x2 + · · · + d′2n xn − b′2 = e′2
..
. (4.32)
d′nn xn − b′n = e′n
−b′n+1 = e′n+1
Debe aclararse que el método para triangularizar una matriz rectangular p × q,

puede consistir, por ejemplo, en reducir las primeras q filas a una matriz triangular
utilizando el algoritmo descrito anteriormente y después anular las siguientes p − q filas
mediante el siguiente algoritmo para anular una fila:
103
for i = 1, 2, · · · , n do
q
r = d2ii + fi2
fi
s= r
dii
c= r
dii = r
for k = i + 1, · · · , n do
d = dik
dik = cd + sfk
fk = cfk − sd
end for
end for
La solución mı́nimo-cuadrática xT = (x1 , x2 , · · · , xn ) de (4.32) resulta evidentemen-
te de resolver las primeras n ecuaciones de manera que se anulen e′1 , e′2 , · · · , e′n . De esta
forma todo el error aparece concentrado en el elemento b′n+1 y
X 2 2
min e′ i = b′ n+1 (4.33)
Es fácil demostrar que el valor mı́nimo del criterio cuadrático (4.33) no se ha mo-
dificado por la transformación ortogonal. En efecto, se tiene que:
e′ = T e (4.34)
y también:
T
e′ e′ = eT T T T e (4.35)
pero por la propiedad de ortogonalidad T T = T −1 y entonces T T T = I, por tanto:
T
eT e = e′ e′ (4.36)
Resumiendo, la aplicación sucesiva de transformaciones de rotación adecuadas a un

sistema de m ecuaciones con n incógnitas, conduce a un sistema triangular de n ecua-
ciones con n incógnitas cuya solución es óptima en el sentido mı́nimo-cuadrático. Como
un subproducto se obtiene además el valor mı́nimo del criterio. El sistema resultante:
D′ x̂ = b′ (4.37)
104
4.3 Algoritmo REDCO para la Identificación en Linea de Sistemas
Lineales Discretos
donde D′ es triangular, resulta, por su estructura, idéntico al que se define mediante

(4.8), por tanto es fácil llegar a la conclusión de que:
−1
D′ = F y b′ = F T AT b (4.38)
o sea, que la matriz triangular obtenida, no es otra cosa que la raı́z cuadrada de AT A.
La solución del sistema de ecuaciones:
F x̂ = b′ (4.39)
con F triangular superior, puede obtenerse fácilmente, mediante el algoritmo:

for j = n, n − 1, · · · , 1 do
sum = 0
if j ̸= n then
for k = j + 1, · · · , n do
sum = sum + fjk xk
end for
else
bj = bj − sum
bj
xj = fjj
end if
end for
4.3. Algoritmo REDCO para la Identificación en Linea de

Sistemas Lineales Discretos
En este epı́grafe vamos a mostrar como es posible aplicar el método de solución

de sistemas sobredeterminados de ecuaciones mediante transformaciones ortogonales
de rotación a la identificación en lı́nea de los parámetros de modelos discretos lineales.
Aunque en la derivación del método utilizaremos el modelo ARX simple introducido
en el capı́tulo 3, los resultados son igualmente aplicables a otros modelos lineales.
Consideremos en primer lugar el modelo ARX para sistemas de una entrada y una
salida expresado en una forma ligeramente modificada con respecto a como aparece en
la ecuación (3.20):
Y (t) = Z(t)P + E(t) (4.40)
105
donde Z(t) es la matriz de las mediciones, de dimensión t × (2n + 1), siendo t el número
de observaciones del par entrada-salida y n el orden del modelo. La traspuesta de esta
matriz se da en (4.21). Y (t) es el vector de las salidas de dimensión t. P es el vector de
parámetros y E(t) es el vector de ruido.
El problema de identificación de los parámetros del modelo (4.40), contenidos en el
vector P , puede interpretarse como el de la solución de un sistema sobredeterminado
de ecuaciones, ya que en general, el número de observaciones t puede hacerse arbitra-
riamente grande y siempre mayor que el número de parámetros 2n + 1. La solución
mı́nimo cuadrática de este sistema, es como se sabe:

Z T (t)Z(t) P = Z T (t)Y (t) (4.41)
que puede obtenerse mediante el método de las transformaciones ortogonales de rota-

ción.
Para la identificación en lı́nea de los parámetros resulta, sin embargo, especialmente
importante, analizar como se puede modificar la solución P (t) obtenida en el tiempo t
cuando se obtienen los datos de entrada y salida correspondientes al tiempo t + 1, sin
necesidad de resolver de nuevo un sistema similar al dado en (4.41).
En el epı́grafe anterior analizamos como la ecuación (4.41) puede reducirse a un
sistema triangular equivalente:
F (t)P = q(t) (4.42)
donde F es la raı́z cuadrada de la matriz Z T (t)Z(t), que tendrá dimensión 2n + 1. En

adición al vector q(t) de las partes derechas hay un término adicional cuyo cuadrado es
igual al valor mı́nimo del criterio E T (t)E(t). La composición de F (t) y q(t), produce
entonces la matriz triangular 2n + 2:
F (t)
q(t)
2n + 2
Figura 4.2: Composición de F (t) y q(t) - matriz triangular 2n + 2
106
Lineales Discretos
A partir de las mediciones obtenidas en el tiempo (t + 1) se genera una nueva

ecuación que tiene la forma:
y(t + 1) = z T (t + 1)P (4.43)
donde
z T (t + 1) = [u(t + 1), y(t), u(t), · · · , y(t − n + 1), u(t − n + 1)] (4.44)
La situación en el tiempo (t + 1) del sistema de ecuaciones, puede representarse

gráficamente en la forma siguiente:
2n + 2
F (t)
q(t)
2n + 3
minE T (t)E(t)
z T (t + 1) y(t + 1)
Figura 4.3: Composición de F (t) y q(t) en el tiempo t + 1 - matriz triangular

(2n + 3) × (2n + 2)
Este sistema puede ser de nuevo triangularizado anulando la última fila, correspon-
diente a las mediciones en t + 1, utilizando para ello el método de las transformaciones
ortogonales de rotación. Se obtiene entonces la matriz:
La nueva estimación de los parámetros, puede calcularse fácilmente, resolviendo el
sistema triangular de ecuaciones:
F (t + 1)P̂ = q(t + 1) (4.45)
Nótese que si los parámetros no varı́an rápidamente con el tiempo, caso muy fre-
cuente en la práctica, la actualización correspondiente al tiempo t + 1, puede consistir
solamente en la anulación de la fila [z T (t + 1), y(t + 1)], calculándose explı́citamente
los parámetros después de un número arbitrario de etapas de tiempo, con lo que se
107
2n + 2
F (t + 1)
q(t + 1)
minE T (t + 1)E(t + 1)
Figura 4.4: Sistema puede ser de nuevo triangularizado - anulación de la última

fila
logra una considerable economı́a de operaciones a realizar. El método de identificación

descrito puede ser utilizado en lı́nea, partiendo de la condición inicial:
F (0) = 0 (4.46)
q(0) = 0 (4.47)
y procediendo en cada etapa de tiempo a reducir a cero una fila de longitud 2n + 2,

formada por el vector compuesto [z T (t), y(t)]. El cálculo explı́cito de la estimación de
los parámetros P (t), puede hacerse en cada etapa o después de un número finito de
ellas, según la conveniencia del caso particular.
La noción de olvido exponencial introducida en el capı́tulo 3 y que resulta de gran
utilidad en el caso de parámetros variables, puede ser tenida en cuenta fácilmente en
este método, como veremos a continuación.
Tenemos que:
Z T (t + 1)Z(t + 1) = F T (t + 1)F (t + 1) (4.48)
Al mismo tiempo, de acuerdo con (3.59)
Z T (t + 1)Z(t + 1) = φ2 Z T (t)Z(t) + z(t + 1)z T (t + 1) (4.49)
donde φ es el coeficiente de olvido exponencial, entonces se cumple que:
F T (t + 1)F (t + 1) = φ2 F T (t)F (t) + z(t + 1)z T (t + 1) (4.50)
De (4.50) resulta evidente que en el proceso de actualización F (t) 7−→ F (t + 1) es

necesario multiplicar a la matriz F (t) por el escalar φ, con lo que se logra el efecto del
olvido exponencial.
108
Lineales Discretos
El método descrito conocido como algoritmo REDCO, puede ser utilizado también
en el caso de sistemas multivariables con µ entradas y ν salidas. En este caso el modelo:
Y (t) = Z(t)P + E(t) (4.51)
tiene las siguientes dimensiones: P es la matriz ρ × ν de los parámetros, Z(t) es la

matriz de las mediciones de dimensión t × ρ, siendo ρ = (µ + ν)n + µ. Y (t), E(t) son
las matrices de la salida y el ruido de dimensiones t × ρ. El modelo multivariable (4.51)
puede también ser transformado en el sistema triangular:
F (t)P = q(t) (4.52)
donde F (t) es la raı́z cuadrada de la matriz Z T (t)Z(t) con dimensión ρ y q(t) es una
matriz ρ × ν.
La matriz compuesta que se obtiene como resultado de la aplicación del método
REDCO tendrá la estructura:
ρ+ν
F (t)
q(t) ρ
S(t) ν
Figura 4.5: Matriz compuesta - sistema multivariable
El pequeño triángulo S(t), contiene información acerca del mı́nimo del criterio
cuadrático, que en el caso de sistemas multivariables puede definirse:

min traza E T (t)E(t) = traza S T (t)S(t) (4.53)
La incorporación de la información obtenida en el tiempo t + 1 se realiza reduciendo

a cero la fila [z T (t + 1), y T (t + 1)] de dimensión ρ + ν, o sea, en forma semejante al caso
109
monovariable. Nótese que ahora el cálculo de los parámetros contenidos en la matriz P

debe hacerse resolviendo ν sistemas triangulares de ecuaciones, una por cada columna
de la matriz P .
110
5
Técnicas Clásicas de Control de

procesos
Objetivo:
Al término del tema tres los participantes aplicarán las diferentes técnicas de control
clásico según los lineamientos del tema, incluyendo al menos el 80
5.1. Introducción
El área de la tecnologı́a que se dedica al control de un proceso industrial de forma au-

tomática, es decir, sin intervención humana, se llama Automatización de Procesos
Industriales y tiene dos aspectos diferenciados pero ı́ntimamente ligados: el prime-
ro es la necesidad de controlar el proceso, y el segundo la utilización de la tecnologı́a
adecuada capaz de hacerlo real y operativo.
El término automatización empezó a hacerse popular en primer lugar en la industria
del automóvil. Las lı́neas transfer fueron acopladas a máquinas herramienta para crear
grandes lı́neas de maquinaria que pudieran producir partes del motor (por ejemplo el
bloque) sin intervención de los operarios. Por otra parte, las lı́neas de transporte fueron
acopladas a prensas estampadoras de alta velocidad con el objetivo de incrementar la
productividad en la fabricación de las piezas de la carrocerı́a. En otras áreas donde los
diseños ya eran relativamente estables, como por ejemplo en la producción de radiado-
res, lı́neas enteras de fabricación operadas de forma manual fueron reemplazadas por
otras de carácter automático.
111
5. TÉCNICAS CLÁSICAS DE CONTROL DE PROCESOS
Hoy dı́a, conocer los fundamentos de los sistemas de control y de la automatización

resulta muy útil por cuanto cualquier ingeniero, independientemente de su titulación y
de las tareas que tenga encomendadas en relación con su trabajo, es muy probable que
acabe teniendo contacto con ellos, aún cuando únicamente los use sin profundizar en
la teorı́a que los soporta ni en el conocimiento de los dispositivos fı́sicos utilizados.
En este tema se introducirá la problemática y complejidad de los asuntos relacio-
nados con el control y la automatización punto 5.2, le proporcionará una visión global
de los dispositivos más empleados y le ayudará a familiarizarse con los componentes
básicos del control re-alimentado puntos 5.3, 5.4, 5.5, 5.6, 5.7 y 5.8, como lo son el
control ON-OFF y el PID en todas sus combinaciones, los cuales son fundamento de la
mayorı́a de los sistemas de control industrial.
Esperamos que los participantes sean capaces de aplicar los métodos clásicos de
control de sistemas o procesos con las diferentes combinaciones del PID en su versión
continua.
5.2. Sistemas de Control Automático

5.2.1. Sistemas de Control en Lazo Abierto.
Los sistemas en los cuales la salida no afecta la acción de control se denominan

sistemas de control en lazo abierto. En otras palabras, en un sistema de control
en lazo abierto no se mide la salida ni se re-alimenta para compararla con la entrada.
Un ejemplo práctico es una lavadora. El remojo, el lavado y el enjuague en la lavadora
operan con una base de tiempo. La máquina no mide la señal de la salida, que es la
limpieza de la ropa.
En cualquier sistema de control en lazo abierto, la salida no se compara con la entra-
da de referencia. Por tanto, a cada entrada de referencia le corresponde una condición
operativa fija; como resultado, la precisión del sistema depende de la calibración. Ante
la presencia de perturbaciones, un sistema de control en lazo abierto no realiza la tarea
deseada. En la práctica, el control en lazo abierto sólo se usa si se conoce la relación
entre la entrada y la salida y si no hay perturbaciones internas ni externas. Es evidente
que estos sistemas no son de control re-alimentado. Observe que cualquier sistema de
control que opere con una base de tiempo es en lazo abierto. Por ejemplo, el control del
112
5.2 Sistemas de Control Automático
tránsito mediante señales operadas en una base de tiempo es otro ejemplo de control
en lazo abierto.
Los sistemas de control en lazo abierto constituyen el tipo más sencillo y económico
de los sistemas de control. En la figura 5.1 se muestra un sistema de este tipo repre-
sentado en forma de diagrama de bloques.
Entrada Salida
CON T ROLADOR P LAN T A
r(t) y(t)
Figura 5.1: Diagrama de bloques de un sistema de control en lazo abierto -

Componentes básicos
Se tiene una entrada de referencia r(t) que se aplica directamente a un controlador

cuya misión es regular el proceso o planta para obtener a la salida la respuesta deseada
y(t). En la mayorı́a de las situaciones, el comportamiento deseado es tal que la salida
siga a la entrada, es decir, idealmente, r(t) y y(t) deben coincidir.
Un ejemplo simple de sistema de control en lazo abierto podrı́a ser una caldera de
calefacción doméstica que no tuviera termostato de control de temperatura. Si la cal-
dera está dotada de un mecanismo de tiempo, el usuario tiene que calcular el periodo
durante el cual debe funcionar para alcanzar la temperatura deseada, regulando con-
venientemente el mecanismo de tiempo. Cuando ha transcurrido el perı́odo deseado, la
caldera se apaga y sin embargo, es muy probable que la temperatura de las habitaciones
sea más alta o más baja que la deseada. Es evidente, que este sistema de control en
lazo abierto es poco preciso y de escasa fiabilidad.
En un sistema de control en lazo abierto, la salida puede cambiarse a cualquier valor
deseado, modificando adecuadamente la señal de entrada (también llamada consigna),
pero si se producen variaciones en las condiciones externas o en los parámetros internos
del sistema, se obtiene un cambio en la salida de forma desordenada que difiere del valor
deseado o previsto. Es por ello que un sistema de control de lazo abierto, es únicamente
satisfactorio si tales variaciones pueden tolerarse, o si se diseñan los componentes del
sistema de tal modo que puedan limitarse las variaciones de los parámetros y se tiene
un gran control sobre las condiciones ambientales.
Volviendo al ejemplo de la caldera, probablemente una persona con experiencia
suficiente puede calcular en forma correcta el tiempo exacto de funcionamiento de una
113
caldera a fin de que proporcione una temperatura determinada en las habitaciones,

pero si se abren y cierran las puertas y ventanas de la misma, o cambia la temperatura
del exterior, la temperatura final de la casa no será la deseada.
Está claro entonces, que en los sistemas de control en lazo abierto falta una conexión
entre la salida y la entrada a fin de que se pueda obtener un control más satisfactorio.
Para lograrlo debe re-alimentarse la salida real comparándola con la señal de entrada
(salida deseada), y el controlador debe enviar al proceso una señal de control a fin
de corregir el error.
5.2.2. Sistemas de Control de Lazo Cerrado o con Realimentación.
Los sistemas de control re-alimentados se denominan también sistemas de control

en lazo cerrado. En la práctica, los términos de control re-alimentado y control en
lazo cerrado se usan indistintamente. En un sistema de control en lazo cerrado, se
alimenta al controlador la señal de error de actuación, que es la diferencia entre la señal
de entrada y la señal de re-alimentación (que puede ser la señal de salida misma o una
función de señal de salida y sus derivadas y/o integrales), a fin de reducir el error y
llevar la salida del sistema a un valor conveniente. El término control en lazo cerrado
siempre implica el uso de una acción de control re-alimentado para reducir el error del
sistema. En la figura 5.2 se muestra un sistema en lazo cerrado en forma de diagrama
de bloques.
Uno de los conceptos fundamentales del control es la re-alimentación. El control
re-alimentado es un mecanismo básico mediante el cual los sistemas, ya sean mecánicos,
eléctricos, biológicos o de otro tipo, mantienen su equilibrio.
Se puede definir un sistema re-alimentado de control como el uso de la dife-
rencia entre dos señales, la cual se utiliza como entrada a un controlador diseñado para
corregir la desviación entre la salida y la entrada.
El detector de error compara la señal obtenida a través de la re-alimentación
formada por un sensor (dispositivo que traduce una magnitud fı́sica en una de tipo
eléctrico) y la entrada de referencia. Cualquier diferencia entre estas dos señales consti-
tuye lo que se denomina una señal de error. El controlador recibe la señal de error y
modifica la entrada a la planta objeto de control en tal sentido que la obliga a reducir
el error original. El controlador realiza una y otra vez su acción correctora hasta que el
error e(t) sea nulo (idealmente), obligando de este modo, a través del Elemento Final
114
5.2 Sistemas de Control Automático
Detector de error
Salida
Referencia
Controlador Elemento F inal de Control P lanta b
+
Error
- Control Actuador
Bucle de realimentacion
Sensor
Figura 5.2: Esquema detallado de un sistema de control re-alimentado. - Com-

ponentes básicos
de Control, a que la salida siga a la entrada de referencia (que representa la salida

deseada).
Está claro que de este modo, se obtiene un sistema de control con un comporta-
miento totalmente automático, ya que no es precisa la intervención de un operador
para adaptar la salida a la entrada, de ahı́ el nombre con que también se conocen los
sistemas re-alimentados o de lazo cerrado: sistemas de control automático.
En el ejemplo expuesto anteriormente relativo a la caldera, la automatización del

sistema de calefacción se realiza con ayuda de un termostato, que detectando la tem-
peratura de la habitación, la compara con el valor de referencia o temperatura deseada
y produce, en el caso de que e(t) sea distinto de cero, un encendido del quemador de
la caldera. Cuando e(t) sea cero, el quemador se apaga.
De las caracterı́sticas estudiadas concernientes a los sistemas de control en lazo

abierto y cerrado se deduce que el control en lazo cerrado es necesario (además de
conveniente) en tres circunstancias concretas:
Cuando existan perturbaciones (externas o internas) que actúan sobre la planta.
Cuando no se conoce con exactitud el modelo matemático de la planta (y por tanto

no se puede determinar con exactitud cual es la ley de control más adecuada).
Cuando la señal de entrada (consigna) es cambiante con el tiempo y no se conoce

su valor futuro.
115
5.2.3. Sistemas de Control en Lazo Cerrado en Comparación con los

Sistemas en Lazo Abierto.
Una ventaja del sistema de control en lazo cerrado es que el uso de la re-alimentación
vuelve la respuesta del sistema relativamente insensible a las perturbaciones externas
y a las variaciones internas en los parámetros del sistema. Por tanto, es posible usar
componentes relativamente precisos y baratos para obtener el valor adecuado de una
planta determinada, en tanto que hacer eso es imposible en el caso de un sistema en
lazo abierto.
Desde el punto de vista de la estabilidad, el sistema de control en lazo abierto es más
fácil de desarrollar, porque la estabilidad del sistema no es un problema importante.
Por otra parte, la estabilidad es una función principal en el sistema de control en lazo
cerrado, lo cual puede conducir a corregir en exceso errores que producen oscilaciones
de amplitud constante o cambiante.
Debe señalarse que, para los sistemas en los que se conocen con anticipación las en-
tradas y en los cuales no hay perturbaciones, es aconsejable emplear un control en lazo
abierto. Los sistemas de control en lazo cerrado sólo tienen ventajas cuando se presen-
tan perturbaciones impredecibles y/o variaciones impredecibles en los componentes del
sistema. Observe que la valoración de la energı́a de salida determina en forma parcial
el costo, el peso y el tamaño de un sistema de control. La cantidad de componentes
usados en un sistema de control en lazo cerrado es mayor que la que se emplea para un
sistema de control equivalente en lazo abierto. Por tanto, el sistema de control en lazo
cerrado suele tener costos y potencias más grandes. Para disminuir la energı́a requerida
de un sistema, se emplea un control en lazo abierto cuando puede aplicarse. Por lo
general, una combinación adecuada de controles en lazo abierto y en lazo cerrado es
menos costosa y ofrecerá un desempeño satisfactorio del sistema general.
5.3. Acciones de Control.
En los inicios de la era industrial, el control de los procesos se llevó a cabo mediante
tanteos basados en la intuición y en la experiencia acumulada. Un caso tı́pico es el
control de acabado de un producto en el horno donde el operario era realmente el
“instrumento de control”que juzgaba la marcha del proceso por el color de la llama,
por el tipo de humo, el tiempo transcurrido y el aspecto del producto y decidı́a ası́ el
116
5.3 Acciones de Control.
momento de retirar la pieza; en esta decisión influı́a muchas veces la suerte, de tal modo
que no siempre la pieza se retiraba en las mejores condiciones de fabricación. Más tarde
el mercado empezó a exigir mayor calidad en las piezas fabricadas lo que condujo al
desarrollo de teorı́as para explicar el funcionamiento del proceso, de las que derivaron
estudios analı́ticos que a su vez permitieron realizar el control de la mayor parte de las
variables de interés en los procesos.
En la figura 5.3 se muestra un esquema general del bucle de control re-alimentado, la
función de transferencia del proceso normalmente incluye, además de su propia dinámi-
ca, los bloques correspondientes a actuadores y/o bloques de amplificación necesarios
para accionarlos. La mayorı́a de los controladores automáticos industriales son de tipo
electrónico, hidráulico, neumático o alguna combinación de éstos.
U (s) Planta
R(s) E(s) Y (s)
Gc (s) Amplif. Actuador Proceso b
+
-
G(s)
Sensor
Figura 5.3: Sistema de control industrial - Diagrama a bloques detallado
Para introducir el tema de los controladores resulta conveniente apoyarse en un

ejemplo. Supongamos una aplicación tı́pica como el calentamiento de agua en un tanque
por medio de una válvula de vapor. Un sistema de regulación en lazo abierto carece
de detector de señal de error e incluso a veces de controlador. Dada una tensión de
alimentación, una temperatura de entrada de agua, unas condiciones externas y una
demanda de agua constante, la temperatura de salida del agua permanecerá constante.
Si cambia cualquiera de estas condiciones, la temperatura del agua variará.
Vamos a progresar un poco introduciendo un elemento de control manual. El ope-
rario nota la temperatura de salida del agua con la mano y acciona la válvula de vapor
para mantener el agua a la temperatura deseada. Supongamos que en esas condiciones,
existiendo una temperatura constante en la salida, se produce un aumento en el caudal
de entrada de agua. Como la válvula de vapor sigue estando en la misma posición, el
equipo no llegará a calentar el mayor caudal de agua frı́a de entrada, por lo cual la
temperatura de salida disminuirá. Ahora bien, debido a la inercia del proceso, pasará
117
cierto tiempo hasta que el operario empiece a detectar que el agua está más frı́a. Cuan-
do éste note la disminución de temperatura deberá compararla con la temperatura que
desea y calcular mentalmente cuantas vueltas debe darle a la válvula de vapor y en que
sentido, y a continuación realizar la corrección, necesitando para toda esta operación,
un cierto tiempo. También pasa un cierto tiempo hasta que los efectos de la corrección
de la posición de la válvula se notan en la temperatura de salida y son sentidos por
el operador. Sólo entonces es capaz de saber si su primera corrección ha sido escasa o
excesiva. En este punto efectuará una segunda corrección, que al cabo de un tiempo
dará lugar a otro cambio de temperatura. El operador observará los resultados de esta
segunda corrección y realizará otra tercera, y ası́ sucesivamente, constituyendo el lazo
cerrado de control manual.
Es evidente que si el tanque contiene una gran cantidad de agua de tal modo que
esa masa considerable de lı́quido estabiliza y resiste los cambios que puedan causarse
a la temperatura por variaciones en el caudal de entrada o de salida; en la presión
del vapor, o en la temperatura ambiente, el operario deberı́a estar muy atento y le
serı́a casi imposible mantener la temperatura de salida del agua en un valor constante.
Se llega ası́ a la necesidad de introducir un dispositivo dentro del lazo con objeto de
automatizar el control. El controlador es el elemento encargado de procesar la
señal de error y generar otra capaz de disminuir su valor para conseguir la
máxima precisión.
Pero el controlador aún tiene más tareas. Cuando se plantea un problema de control,
por lo general se especifican un conjunto de restricciones que debe cumplir el sistema
para considerar que está operando adecuadamente. Estas restricciones están dadas en
términos de estabilidad, velocidad de respuesta y precisión, las tres premisas
básicas del control. Se dice que un sistema está controlado cuando todas ellas se
cumplen satisfactoriamente.
Desafortunadamente suele suceder que cuando se mejora alguna de ellas, una de las
dos restantes o ambas se degradan, por lo que se hace necesario establecer un compromi-
so que satisfaga, en la medida de lo posible, las especificaciones funcionales del sistema;
ası́ el controlador debe también garantizar una determinada estabilidad re-
lativa y una velocidad de respuesta dentro de los márgenes especificados.
El procedimiento mediante el cual el controlador genera la señal de control se de-
nomina acción de control.
118
5.3 Acciones de Control.
En general, el controlador debe mejorar las prestaciones del sistema, lo que supone:
Reducir los efectos de variaciones en los parámetros del sistema.
Reducir los efectos de las perturbaciones.
Reducir el error en estado estacionario.
Mejorar la respuesta transitoria, por ejemplo:
Haciendo que el sistema responda más rápido a cambios en la señal de refe-

rencia r(t).
Haciendo que la respuesta del sistema sea menos oscilante.
Haciendo que la respuesta transitoria presente un menor sobre impulso.
Dado que la planta Gp (s) ası́ como los elementos de medición de un sistema H(s)
son fijos, es decir, no los podemos alterar para ejecutar nuestra acción de control, sólo
nos queda modificar la manera en que manipulamos las señales dentro del lazo. El
estudio de los controladores, se aplica suponiendo una configuración de sistema de un
único lazo (o un sistema que se pueda reducir a esta configuración).
La acción de control se refiere a como se emplea la señal de actuación u(t) en los
elementos de control (controlador o regulador) para lograr la corrección de la salida.
En el control manual descrito en el ejemplo, el operador puede hacer las correcciones
en la válvula de vapor de diversas formas:
Puede abrir o cerrar instantáneamente la válvula
Puede abrir o cerrar la válvula lentamente, a una velocidad constante, mientras

se mantenga la desviación
Puede abrir la válvula en mayor grado cuando la desviación es más rápida
Puede abrir la válvula un número constante de vueltas, por cada unidad de des-
viación
Puede combinar varios de los métodos anteriores
De igual forma, en los sistemas industriales se emplea uno o una combinación de

los siguientes tipos de controladores:
119
1. Acción de Control todo-nada (ON/OFF)
2. Acción de Control proporcional (P)
3. Acción de Control proporcional-integral (PI)
4. Acción de Control proporcional-derivativo (PD)
5. Acción de Control proporcional-integral-derivativo (PID)
A continuación se analiza cada uno de ellos.
5.4. Control Todo-Nada (On-Off )
Este modo de control se caracteriza por tener dos posiciones fijas. Si u(t) es la salida
de control y e(t) la señal de error, su funcionamiento queda descrito tanto por la figura
5.4. como por su expresión matemática:
u(t)
u1
+u1 para e(t) > 0 e(t)

u(t) =
−u1 para e(t) < 0
−u1
Figura 5.4: Control todo-nada puro. - on-off
NOTA: La acción de control todo-nada es de naturaleza no lineal, por lo que los

sistemas a los cuales se aplica esta estrategia no pueden ser analizados mediante el uso
de funciones de transferencia. No obstante su ámbito de utilización está tan extendido
en las aplicaciones industriales que se incluye aquı́ para su estudio.
El control todo-nada puede ser útil en sistemas donde la oscilación inherente de estos
controladores alrededor de señales de error cero no ocasione problemas ni al elemento
final de control ni al sistema en sı́ mismo. Supóngase, por ejemplo, que se requiere
posicionar un servosistema mediante el cambio de giro en la rotación de un motor. Si el
error es positivo digamos que el motor debe corregir y girar a toda velocidad en sentido
horario, mientras que para errores negativos corrige y gira de igual manera pero en
120
5.4 Control Todo-Nada (On-Off )
sentido antihorario. Las consecuencias para el motor cuando alrededor de e(t) = 0−

tuviera que girar en un sentido y rápidamente en el contrario porque el error cambió de
signo e(t) = 0+ pueden ser, cuando menos, extremas. Es claro que para una aplicación
como ésta, un control encendido-apagado resulta inadecuado.
En muchas ocasiones es posible minimizar esta oscilación mediante estrategias adi-
cionales como puede ser el uso de banda muerta o la inclusión de lazos de histéresis.
Para controles encendido-apagado con banda muerta, la acción de control queda defi-
nida según se ve en la figura 5.5.
Obsérvese que el control encendido-apagado con banda muerta no actúa cuando
la señal de error se encuentra dentro del rango |e(t)| ≤ bm donde bm es el valor de
umbral de la banda muerta, la cual a su vez determina la exactitud del control. Si la
banda muerta es demasiado estrecha podemos caer nuevamente en el caso de un control
todo-nada puro, lo que provocarı́a nuevamente la presencia de oscilaciones alrededor de
errores cero. Si la banda muerta es muy amplia entonces se pierde exactitud.
u(t)
u1
+u1 para e(t) > bm bm
u(t) = 0 para |e(t)| ≤ bm e(t)
−u1 para e(t) < bm
−u1
Figura 5.5: Control todo-nada con banda muerta. -
Otra variación del control todo-nada es la que introduce un lazo de histéresis en la

toma de decisión. En la figura 5.6 se ilustra su funcionamiento. Nótese que sı́ el error
se desplaza de valores positivos a negativos, el lazo de histéresis conserva la acción de
control u(t) aún cuando el error esté por debajo de bm , y sólo conmuta a cero cuando
esté por debajo de −bm . Por otro lado, cuando el error se mueva de valores negativos
a positivos la acción de control seguirá siendo cero cuando el error se incremente por
encima de −bm y sólo conmutará de nuevo cuando alcance y supere bm .
La selección de este tipo de controles depende por lo general de la aplicación a la
cual está destinado. Casi siempre el control por banda muerta se usa en aplicaciones
donde es posible ejecutar acción de control tanto positiva como negativa. Tal serı́a el
caso de un posicionador por cambio en el sentido de giro de un motor, o un sistema
térmico que cuente con la posibilidad de calentamiento y enfriamiento.
121
u(t)
u1
u para e(t) > bm
u(t) = 1 e(t)
0 para e(t) < −bm
Figura 5.6: Control todo-nada con lazo de histéresis -
Un caso tı́pico de control todo-nada con un lazo de histéresis es el control automático

de nivel de lı́quido en sistemas de almacenamiento de agua caseros donde se acciona la
bomba cuando el nivel en el recipiente cae al 50 % y se apaga cuando se alcanza cerca
del 100 %.
5.5. Control Proporcional (P).
En este tipo de control la relación entre la salida del controlador u(t) y la señal de
error e(t) es:
u(t) = Kp e(t) (5.1)
o dicho con palabras “la acción de control es proporcional a la señal de error” y la

función de transferencia es por consiguiente, una constante:
U (s)
= Kp (5.2)
E(s)
donde Kp se denomina ganancia proporcional.
Cualquiera que sea el mecanismo real y la forma de aplicar la potencia a los ac-
cionamientos, el controlador proporcional es en esencia un amplificador de ganancia
ajustable, ya que existe una relación lineal continua entre el valor de la variable con-
trolada y la posición del elemento final de control.
Veamos cómo reacciona un sistema al ser excitado por un escalón de amplitud A.
Analizaremos la respuesta en régimen estacionario a entrada escalón, tanto para el
sistema en bucle abierto, como para el sistema en bucle cerrado.
En bucle abierto, a una señal de entrada en escalón de amplitud A, el proceso
responde con una salida:
122
5.5 Control Proporcional (P).
A
Y (s) = U (s)G(s) = G(s) (5.3)
s
y aplicando el teorema del valor final, la salida en régimen permanente será
G(s)
yss = lims→0 sY (s) = lims→0 sA = A · G(0) (5.4)
s
En bucle cerrado, con re-alimentación unitaria y añadiendo el controlador propor-

cional, la respuesta en estado estacionario yss a un escalón de magnitud A es:
A Kp G(s) Kp G(0)
yss = lims→0 sY (s) = lims→0 s = .A (5.5)
s 1 + Kp G(s) 1 + Kp G(0)
Se observa que para valores altos de Kp la salida del sistema prácticamente seguirá
a la señal de referencia, en efecto:
Kp G(0) ≫ 1 → yss ≈ A (5.6)
Luego un aumento de la ganancia del controlador permite REDUCIR el

error en estado estacionario. Sin embargo, para poder eliminar el error en estado
estacionario es necesario que la función de transferencia en lazo abierto contenga algún
elemento integrador (polo en s = 0) y el sistema sea estable, y el controlador proporcio-
nal no añade al sistema ningún elemento integrador, luego el control proporcional
NO PERMITE ELIMINAR el error en régimen estacionario.
Además, la utilización de valores altos de la ganancia para Kp puede provocar:
La aparición de saturación en algunos elementos, haciendo que el sistema entre

en régimen no lineal.
La inestabilidad del sistema en algunos casos.
En conclusión, si el sistema, debido a su naturaleza, requiere la eliminación de estos

inconvenientes resulta necesario combinar la acción de control proporcional con otras
alternativas.
123
5.6. Control Proporcional-Integral (PI).

5.6.1. Acción de Control Integral (I).
La caracterı́stica más importante de este tipo de control es que la acción correctora

se efectúa mediante la integral del error: el control integral proporciona una señal que
es función de “la propia historia de la señal de error” (la integral es una operación
acumulativa en el tiempo), permitiendo obtener una señal de control diferente de cero
aunque la señal de error sea cero (cosa que no ocurre en el controlador proporcional,
donde si la señal de error es cero, la acción de control es cero).
R1
En un controlador integral el valor de la salida u(t) resulta: u(t) = Ki 0 e(t)dt y la
U (s) Ki
función de transferencia correspondiente E(s) = s .
Obsérvese como el control integral introduce un polo en el origen en la función de
transferencia en lazo abierto, lo cual ocasiona un incremento de la exactitud del sistema,
permitiendo eliminar el error en estado estacionario ante entrada escalón. En efecto el
valor que toma la salida en estado estacionario yss es:
A Ki G(s)
yss = lims→0 sY (s) = lims→0 s =A (5.7)
s s + Ki G(s)
y entonces ess → 0.
Sin embargo, la acción de control integral puede empeorar de un modo substancial la
estabilidad relativa del sistema, aumentando el sobre impulso de la respuesta transitoria,
y pudiendo llegar a hacer que se vuelva inestable, debido al desplazamiento de los polos
de lazo cerrado hacia la derecha. Por ello puede resultar conveniente que la acción
integral se acompañe de otras acciones de control.
5.6.2. Acción de Control PI.
La acción de control PI genera una señal resultante de la combinación de la acción

proporcional y la integral conjuntamente:
Z t
u(t) = Kp e(t) + Ki e(t)dt
0
Z
Ki t
= Kp e(t) + e(t)dt
Kp 0
Z
1 t
= Kp e(t) + e(t)dt (5.8)
Ti 0
124
5.6 Control Proporcional-Integral (PI).
donde la constante Ti se denomina tiempo integral y se corresponde con el tiempo

requerido para que la acción integral iguale a la proporcional a error constante. Normal-
mente se expresa en minutos y son valores tı́picos admisibles en un regulador industrial
de 1 a 30 minutos.
La función de transferencia adoptará la forma:
U (s) Ki /Kp s + Ki /Kp 1 + 1/Ti

= Kp [1 + ] = Kp = Kp (5.9)
E(s) s s s
Vemos que la acción PI introduce un par polo-cero ubicados en el origen s = 0 y

en s = −Ki /Kp respectivamente. Si Kp ≫ Ki , entonces el cero estará muy próximo
al origen y la ganancia del controlador vendrá dada por Kp , por lo que al ser grande,
aumenta considerablemente la ganancia en lazo abierto del sistema, mejorando por
consiguiente la exactitud del sistema, sin modificar de manera importante la velocidad
de respuesta transitoria y la estabilidad del mismo porque el cero y polo están muy
cerca y su efecto tenderá a cancelarse.
5.6.3. Sintonización de Controladores PI.
Es evidente que no sirven unos parámetros Kp y Ti cualesquiera para obtener una

respuesta satisfactoria del sistema. Se deben obtener los valores más adecuados para los
parámetros, y estos valores dependerán de las caracterı́sticas de la planta. El proceso
mediante el cual se calculan los valores de los parámetros del controlador recibe el
nombre de sintonı́a.
El método más rudimentario de sintonı́a es prueba y error, consistente en:
Dar un valor elevado a Ti (por ejemplo 100 minutos) de forma que a efectos
prácticos, el controlador PI se comporte como P .
Ajustar Kp hasta obtener la forma de respuesta deseada, sin tener en cuenta el

ess .
Disminuir poco a poco Ti hasta el mı́nimo posible, de forma que se anule el ess pero
manteniendo la forma de respuesta deseada. Es decir, debe buscarse el mı́nimo
valor de Ti que no afecte de forma significativa al coeficiente de amortiguamiento.
125
5.7. Control Proporcional Derivativo (PD).

5.7.1. Acción de Control Derivativa (D)
La acción de control derivativa genera una señal de control proporcional a la deri-

vada de la señal de error:
de(t)
u(t) = Kd (5.10)
dt
Una de las caracterı́sticas más importantes y a la vez peligrosas de la acción deri-
vativa es su efecto de anticipación: En el lado positivo aparece la acción anticipativa,
consistente en producir una corrección antes de que la señal de error sea excesiva. La
derivada del error permite conocer la tendencia (crecimiento o decrecimiento).
En el lado negativo, supongamos que un sistema se encuentra en estado estacionario,
de modo que la entrada u(t) y la salida y(t) son iguales, y que el error en un deter-
minado instante sea cero. Si repentinamente se presenta una señal de error que varı́a
rápidamente aunque con amplitud moderada (por ejemplo ruido), la acción derivativa
actuará tan severamente como rápido fuera el cambio en la señal de error, tratando de
eliminar al mismo. Si la constante de acción derivativa Kd no se calcula adecuadamente,
la magnitud de la señal de control será de tal amplitud que puede llevar a la saturación
a alguno de los elementos integrantes del control e incluso dañarlo. Además y por otra
parte, en la ecuación se hace evidente que si la señal de error tiene un valor constante
(por tanto la derivada del error será cero), el control adoptará una actitud pasiva aún
cuando el error sea diferente de cero, y en esta situación el sistema nunca alcanzarı́a el
estado estacionario. Por estas razones, cuando se usa, la acción derivativa siempre se
acompaña por la acción de control proporcional, integral o ambas.
5.7.2. Acción de Control PD.
Si se combina el efecto de la acción de control proporcional con la derivativa se

dice que se tiene una acción control PD cuyo comportamiento está gobernado por la
siguiente ecuación:

de(t) Kd de(t) de(t)
u(t) = Kp e(t) + Kd = Kp e(t) + = Kp e(t) + Td (5.11)
dt Kp dt dt
la función de transferencia del controlador será:
U (s)
= Kp (1 + sTd ) (5.12)
E(s)
126
5.8 Control Proporcional Integral Derivativo (PID).
donde Td es el tiempo derivativo, habitualmente medido en minutos.

Si analizamos la función de transferencia del control PD vemos que introduce un
cero en s = −1/Kd . El cero del control PD por lo general se diseña para ubicarlo sobre
un polo indeseado de lazo abierto y su efecto tiende a modificar considerablemente el
comportamiento del sistema hablando en términos de la estabilidad (reduce el sobre
impulso), velocidad (la aumenta) y precisión (la aumenta). Sin embargo, cuando la
influencia del controlador es muy grande tiende a ofrecer una respuesta excesivamente
lenta.
A la hora de efectuar un diseño con un control PD hay que decantarse entre dos
prioridades: el cumplimiento de las especificaciones en régimen estacionario o el cum-
plimiento de las especificaciones en régimen transitorio.
5.7.3. Sintonización de Controladores PD
La sintonización del un controlador PD es dificultosa y su uso no está muy extendido

en el ámbito industrial, principalmente por que está desaconsejada cuando los procesos
se asemejan a sistemas de primer orden (la mayorı́a), en presencia de grandes retardos
y cuando la salida está afectada por ruido (situación muy común porque en el entorno
industrial las señales suelen ser de carácter eléctrico). No obstante, el procedimiento
más simple (prueba y error) es el siguiente:
Eliminar la acción derivativa (Td =0) y ajustar Kp hasta conseguir la forma de

onda deseada.
Aumentar la Kp conseguida e intentar restaurar la respuesta ajustando Td . Re-

petir hasta conseguir un valor de Kp tan grande como sea posible.
5.8. Control Proporcional Integral Derivativo (PID).

5.8.1. Acción de Control PID.
La acción de control PID genera una señal resultado de la combinación de las tres
acciones ya estudiadas.
Z t
de(t)
u(t) = Kp e(t) + Kd + Ki e(t)dt
d(t) 0
Z
de(t) 1 t
= Kp e(t) + Td + e(t)dt (5.13)
dt Ti 0
127
y la función de transferencia correspondiente es:

U (s) 1
= Kp 1 + sTd + (5.14)
E(s) sTi
El hecho de que el control PID introduzca dos ceros en la función de transferencia
de lazo abierto tiene como consecuencia que se alteren totalmente las trayectorias que
siguen las soluciones de la ecuación caracterı́stica respecto a las que seguı́an en la ecua-
ción caracterı́stica del sistema original. Como por lo general el valor de las constantes
de acción integral Ki y derivativa Kd son pequeñas en comparación con la constante
de acción proporcional Kp , la ubicación de los ceros del control PID se encuentra sobre
el eje real. La acción de control PID permite eliminar el error en estado estacionario,
logrando una buena estabilidad relativa del sistema de control.
5.8.2. Sintonización Experimental de Controladores PID
La sintonı́a de un algoritmo de control consiste en seleccionar valores adecuados

para sus parámetros. Por tanto, para el caso del controlador PID se trata de calcular
los valores idóneos de sus parámetros (Kp , Ti , Td ) de forma que se asegure que el
sistema completo se comporta siguiendo unas especificaciones previamente definidas.
En las primeras aplicaciones de control PID el ajuste se basaba únicamente en la propia
experiencia del operario o simplemente se utilizaban los ajustes del fabricante. En 1942,
Ziegler y Nichols propusieron técnicas empı́ricas que tuvieron una buena aceptación y
que han servido de base a métodos más recientes.
Los métodos empı́ricos o experimentales de ajuste de parámetros están especial-
mente orientados al mundo industrial, donde existen grandes dificultades para obtener
una descripción analı́tica de los procesos. Constan fundamentalmente de tres pasos:
Paso 1. Estimación de ciertas caracterı́sticas de la dinámica del proceso a controlar.
La estimación se puede efectuar en bucle abierto o en bucle cerrado.
Paso 2. Cálculo de los parámetros del controlador. Para ello se aplican las fórmulas
de sintonı́a, que son relaciones empı́ricas entre los parámetros del controlador elegido,
las caracterı́sticas del proceso estimadas en el paso anterior y la respuesta deseada del
sistema.
Paso 3. Dado que estos métodos permiten estimar valores aproximados para los
parámetros del controlador, normalmente será necesario un tercer paso (ajuste fino de
los parámetros), mediante observación de la respuesta del sistema en bucle cerrado.
128
5.8 Control Proporcional Integral Derivativo (PID).
5.8.3. Estimación en Bucle Abierto. Método de la Pendiente (Ziegler-

Nichols).
La estimación en bucle abierto se basa en que la mayorı́a de los procesos indus-

triales tienen respuesta monótona creciente estable a una entrada escalón. La similitud
entre las respuestas escalón de la mayorı́a de procesos y la respuesta de un proceso de
primer orden es un argumento válido para aceptar que un modelo de este tipo, aunque
simple, es una buena aproximación a los procesos industriales, generalmente de órdenes
muy superiores. Por tanto, si la respuesta en lazo abierto del sistema es similar a la
respuesta de un sistema de primer orden más un retardo (equivalente a decir que no
tiene integradores ni polos complejos conjugados), puede usarse el siguiente método de
sintonización:
Aproximar la planta real por otra de primer orden más un retardo. El modelo elegido
tiene tres parámetros (la ganancia en el estado estacionario K, la constante de tiempo
T y el retardo puro θ).
Ke−sθ
Geq (s) = (5.15)
Ts + 1
siendo θ el retardo y T la constante de tiempo del sistema de primer orden equivalente.
a) Hacer las lecturas correspondientes al 28,3 % de la salida (t2 ) y al 63,2 % (t6 ).
b) Calcular los parámetros del sistema equivalente de primer orden más retardo
aplicando las expresiones empı́ricas: K = valor final para entrada escalón unitario,
T = 1,5(t6 − t2 ), (5.16)
θ = t6 − T. (5.17)
Aplicar las fórmulas del primer método de Ziegler-Nichols para calcular los coefi-
cientes del controlador PID:
T
Kp = 1,2 (5.18)
Kθ
Ti = 2θ (5.19)
Td = 0,5θ (5.20)
Realizar un ajuste fino de los parámetros.
129
Ejemplo. Consideremos un sistema de segundo orden que se describe mediante la

función transferencial
1
G(s) = (5.21)
(5s + 1)(10s + 1)
Vamos a tratar de aproximar este sistema por uno de primero orden usando el
método descrito. A partir de la respuesta ante una señal escalón de amplitud unitario
se obtienen los tiempos en que la respuesta alcanza el 28.4 y el 63.2 % del valor en
estado estacionario, los cuales fueron t2 = 7,6 y t6 = 15,8. Es posible entonces escribir
las ecuaciones 5.16 y 5.17 como:
T = 1,5(15,8 − 7,6) = 12,3, (5.22)
θ = 15,8 − 12,3 = 3,5. (5.23)
estos son los valores de los parámetros correspondientes al sistema de primer orden
equivalente.
Finalmente, los coeficientes del controlador PID son:
12,3
Kp = 1,2 = 4,2, (5.24)
3,5
Ti = 2 × 3,5 = 7, (5.25)
Td = 0,5 × 3,5 = 1,75. (5.26)
5.9. Análisis del Sistema de Control
El análisis del sistema es un método para predecir la respuesta del sistema con base
al modelo matemático. El principal objetivo del análisis del sistema es la respuesta de
las siguientes dos cuestiones:
Es el sistema estable y si lo es, ¿cómo lo es?
Que tan rápida es la respuesta del sistema.
La estabilidad del sistema indica la respuesta natural. Como se mueve el motor de
una posición a otra, esto puede ocasionar un sobre impulso en la tarjeta ocasionando
tiempos crı́ticos antes de estabilizarse. La importancia del sobre impulso está directa-
mente relacionada con el grado de estabilidad, el cual es llamado amortiguamiento. Del
más bajo amortiguamiento, al más largo sobre impulso. Un sistema inestable causa que
130
5.9 Análisis del Sistema de Control
el motor oscile y nunca se estabilice. El grado de estabilidad es casi siempre expresado

en margen de fase; entre más grande sea el margen, mejor será la estabilidad.
La velocidad de respuesta indica que tanto le toma al sistema la ejecución de pe-
queñas correcciones que no cause saturación. En la mayorı́a de los casos, la respuesta
del sistema está caracterizada por el parámetro de frecuencia de cruce, el cual está
directamente relacionado con el tiempo de respuesta.
El análisis propuesto inicia con el modelo del sistema y deriva el margen de fase y
la frecuencia de cruce. Esto se puede realizar con el siguiente procedimiento.
5.9.1. Procedimiento de Análisis de Sistema
El procedimiento de análisis consiste de los siguientes pasos:
1. Iniciar con el modelo matemático del sistema y derivar L(s), la función de trans-
ferencia en lazo abierto. En un sistema simple con un simple lazo de retroalimen-
tación, L(s) es el producto de todos los elementos en el lazo. En sistemas más
complejos, derive la función de transferencia entre la entrada y la salida. Reorde-
ne los términos en el denominador para tenerla de la forma 1 + L(s). La función
resultante, L(s), es la función de transferencia en lazo abierto correspondiente.
2. Reemplace los parámetros s en L(s) por los parámetros jω. La función resultante
L(jω) es llamada respuesta en frecuencia en lazo abierto
3. Encuentre la frecuencia de cruce ωc del sistema. La frecuencia de cruce es aquella

en la cual la magnitud de L(jω) = 1.
|L(jω)| en ω = ωc (5.27)
La frecuencia de cruce indica la velocidad de respuesta, más alto valor de indica

respuesta más rápida. En general, la constante de tiempo de la respuesta, τ es
aproximadamente
1
τ= (5.28)
ωc
4. Encontrar la fase de L(jωc ). Dado que L(jω) es una función compleja, se encon-
trara su argumento, y se llamará el argumento como Φ.
131
Φ = arg[L(jωc )] (5.29)
el margen de fase del sistema está dado por:
Θ = 180 + Φ (5.30)
El parámetro Θ tiene la llave de la estabilidad y amortiguamiento del sistema.

El sistema es estable cuando el margen de fase Θ es positivo e inestable cuando
Θ es negativo. Los valores del margen de fase en el intervalo de 30 a 45 grados
indican una respuesta amortiguada; valores de margen de fase más pequeños
indican respuesta de bajo amortiguamiento.
5.9.2. Análisis de un Sistema de Control (Motor de CC).
El objetivo es determinar la frecuencia de cruce y el margen de fase de un siste-

ma de control dado. Primero se obtiene el modelo completo del sistema. Cuando un
amplificador es configurado como un alimentador de tensión, su modelo matemático
cambia como ya fue discutido. A continuación se discute el efecto del amplificador de
tensión en la estabilidad del lazo. Se tiene un sistema de control de posición utilizando
un amplificador de tensión. Tal como se ilustra en el sistema de la figura 5.7 donde
F (s) es el controlador, G(s) es la función de transferencia del retenedor de orden cero
introducido en el proceso de discretización, Kd es la ganancia del DAC, Kv es la ga-
nancia del amplificador de tensión, H(s) es la función de transferencia del motor y Kf
es la ganancia del sensor de velocidad.
Filtro DAC AMPL Motor
F (s) Kd G(s) Kv H(s) b
+
-
Encoder
Kf
Figura 5.7: Diagrama a bloque de servo motor - Amplificador de tensión
El motor que se controlará tiene los parámetros que se muestran en la tabla 5.1.
Se asume por adelantado que los parámetros del filtro son un controlador PD:
P = 100 (5.31)
132
5.9 Análisis del Sistema de Control
Tabla 5.1: Parámetros del motor - Servomotor sin escobillas de imán permanente
Parámetro Unidades Descripción

V
Kd = 0,0003052 cuentas Ganancia DAC
V
Kv = 4 V Amplificador de tensión
Nm
Kt = 0,24 A Constante de torque
V
Ke = 0,242 rad/seg Constate de tensión
Ra = 2,58 Ω Resistencia de armadura
Jm = 1,3 × 10−4 Kgm2 Momento de inercia
La = 0,00106 H Inductancia
cuentas
Kf = 636,62 rad Ganancia del encoder
D = 0,4 (5.32)
La función de transferencia resultante del filtro es
F (s) = 100 + 0,4s = 0,4(s + 250) (5.33)
Considerando la velocidad angular como salida, la función de transferencia del motor

de CC es:
1
Ω(s) Ke
= La Jm 2 R a Jm
(5.34)
V (s) Kt Ke s + Kt Ke s +1
sustituyendo en la ecuación 5.34 los valores de la tabla 5.1 tenemos
Ω(s) 4,1322
= (5.35)
V (s) (2,3726 × 10 )s + (5,7748 × 10−3 )s + 1
−6 2
factorizando en denominador de la ecuación 5.35 obtenemos

Ω(s) 4,1322
= (5.36)
V (s) (0,0053s + 1)(0,000445s + 1)
por lo que las constantes eléctrica Te y mecánica Tm del motor son:
Tm = 0,0053 seg. (5.37)
Te = 0,000445 seg. (5.38)
considerando la posición angular como salida, a partir de la ecuación 5.36 se puede

determinar el modelo:
Θ(s) 1741654,5
H(s) = = (5.39)
V (s) s(s + 187,6)(s + 2246,3)
133
La función de transferencia en lazo abierto considerando la posición como salida
L(s) = F (s)Kd G(s)Kv H(s)Kf (5.40)
considerando los parámetros dados en la tabla 5.1 y la ecuación 5.39, L(s) es igual a
541435,6(s + 250)
L(s) = (5.41)
s(s + 187,6)(s + 2246,3)
Para analizar la estabilidad del sistema, se encontrara la frecuencia de cruce wc

donde la magnitud de L(s) es igual a uno.
|L(jωc )| = 1 (5.42)
Cuando la condición de la ecuación (5.42) es aplicada a la ecuación (5.41) resulta
ωc = 268,1 rad/s (5.43)
Lo siguiente en encontrar el margen de fase Φ, de la función de transferencia en lazo

abierto en la frecuencia de cruce
Φ = Arg[L(jwc )] rad (5.44)
Para este caso, Φ es igual

o o o
268,1 268,1 268,1
Φ = tan−1 − 90o − tan−1 − tan−1 = −104,8o (5.45)
250 187,6 2246,3
Llevando el margen de fase a
Θ = 180o + Φ = 75,2o (5.46)
El resultado del análisis indica que el sistema es estable. El margen de fase de 75.2
grados representa un buen grado de amortiguamiento y la frecuencia de cruce de 268.1
rad/seg representa el tiempo de respuesta que es de aproximadamente de 3.7 ms.
⇒ Tarea 5.1.
134
5.10 Diseño del Control PID
5.10. Diseño del Control PID
Se iniciará asumiendo que todos los elementos del sistema son fijos y que su modelo
matemático es conocido. Como el amplificador, el sensor y la ganancia del DAC son
considerados fijos en este punto, se definirá una sola ganancia combinada por K. La
función de transferencia del motor es considerando la posición como salida H(s). Los
elementos del controlador que deben ser considerados ahora son el filtro F (s), y el
retenedor de orden cero representado por G(s). El diagrama a bloque resultante se
presente en la siguiente figura 5.8
Filtro Ganacia Motor
F (s)G(s) K H(s) b
+
-
Figura 5.8: Diagrama a bloques del sistema bajo diseño -
El objetivo del diseño es seleccionar los parámetros del filtro de tal manera que
produzca una respuesta deseada. La respuesta del servosistema está caracterizada por
la velocidad de respuesta y el nivel de estabilidad. La velocidad de respuesta está de-
terminada por la frecuencia de cruce ωc . Ésta es la frecuencia en la cual la magnitud
de la función de transferencia en lazo abierto es uno. El nivel de estabilidad está de-
terminado por el margen de fase Θ. Donde si Θ está entre 30 y 45 grados, la respuesta
del sistema es amortiguada y estable. El margen de fase más pequeño indica respuesta
de bajo amortiguamiento, y por lo tanto, grandes sobre impulsos. Pero si es mayor de
45 grados, la respuesta puede ser sobre amortiguada y lenta.
Se asumirá que el filtro es de tipo PID con coeficientes P , I y D.
I
F (s) = P + sD + (5.47)
s
Para un diseño preciso, se considerará la naturaleza digital del controlador. Cuando
el controlador opera con un periodo de muestreo T , el efecto del muestreo en el sistema
dinámico es aproximado a la de un retardo de medio periodo de muestreo. Esto está
expresado por G(s)
−sT
G(s) = e 2 (5.48)
135
Finalmente, el la ganancia combinada es representado como una ganancia K. Re-

sultando una función de transferencia en lazo abierto L(s)
L(s) = F (s)G(s)KH(s) (5.49)
Ahora se asume que el objetivo del diseño es expresado en términos de la frecuencia

de cruce wc , y el margen de fase Θ. Esto implica que
|L(jwc )| = 1 (5.50)
y que
Θ = 180 + Arg [L(jwc )] (5.51)
El proceso del diseño del sistema incluye la especificación de los parámetros wc , y

Θ y seleccionar los parámetros del filtro que satisfagan las ecuaciones (5.50) y (5.51).
Especificar el margen de fase es relativamente fácil. La constante de 45 grados es
un parámetro bueno para todo diseño. La frecuencia de cruce, como quiere que sea, es
más complicada. Idealmente, es el valor más grande posible, porque esto lleva a una
respuesta más rápida. La realidad es que el modelo matemático del motor y la carga
son sólo una aproximación. Esta aproximación es buena para bajas frecuencias. Pero
malas cuando la frecuencia se incrementa. Por esto, la validación de la aproximación está
limitada por el intervalo de frecuencia, donde el modelo es correcto. Por que el intervalo
no es conocido de antemano, una buena práctica para repetir en el diseño con pocas
interacciones, es iniciar con bajas frecuencias de cruce y gradualmente incrementarlas
hasta que una discrepancia entre el modelo y el sistema fı́sico se encuentre.
La segunda parte del diseño es encontrar las constantes del filtro, note que en la
ecuación (5.50) puede ser escrita a detalle como

I −sT
L(s) = P + sD + e 2 KH(s) (5.52)
s
El procedimiento para el diseño propuesto es proponer dos constantes y calcular

una tercera después I. Como el efecto de I es de bajas frecuencias, se asumirá que I no
tiene efecto en la magnitud en la ecuación (5.50), y que el efecto de I en la fase (5.51)
está limitado a un desvió de la fase de -5 grados.
Otra expresión de interés es el retardo asociado con el proceso de muestreo. La
función de retardo tiene una magnitud unitaria por lo tanto no tiene efecto en la
136
5.10 Diseño del Control PID
ecuación (5.50). Como quiera que sea el desvió de fase asociada con el retardo se
encuentra como
−jwc T
G(jwc ) = e 2 (5.53)
h −jwc T i −w T −180wc T o
c
Arg e 2 = rad = (5.54)
2 2π
La simplificación nos permite iniciar el proceso de diseño con P y D, y se escribe
la ecuación (5.50) y (5.51) como
|L(jwc )| = |(P + jwc D)KH(jwc )| = 1 (5.55)

−1 wc D 180wc T
Arg[L(jwc )] = Arg[H(jwc )] + tan − −5 (5.56)
P 2π
Θ = 180 + Arg[L(jwc )]

−1 wc D 180wc T
= 180 + Arg[H(jwc )] + tan − −5 (5.57)
P 2π
Si A = |H(jwc )| entonces de (5.55)

1
|P + jwc D| = (5.58)
KA
180wc T
Si B = Θ − 180 − Arg[H(jwc )] + 2π + 5 entonces de (5.57) tenemos

−1 wc D
tan =B (5.59)
P
Porque H(s) es conocida, la magnitud del argumento de H(jwc ) puede ser encon-
cos(B)
trada, llevando estas dos simples ecuaciones algebraicas (5.58) y (5.59) en P = KA
sen(B)
yD= ωc KA puede ser resueltas relativamente fácil.
Para sumar la constante I, se asumirá que el desvı́o causado por la constante
integral es de -5 grados, por lo que el arg(−5o ) = I/jωc P , despejando I tenemos
I = P ωc tan(5o ).
Considerando el sistema de control para el motor, sensor y amplificador utilizado
en la sección anterior, se toman los parámetros dados en la tabla 5.1.
rad
El objetivo del diseño es lograr una frecuencia de cruce de wc = 200 seg con un
margen de fase de Θ = 45o y un Ts = 0,001 seg.
La función de transferencia del motor es
4,1322 1741654,5
H(s) = = (5.60)
s(0,0053s + 1)(0,000445s + 1) s(s + 187,6)(s + 2246,3)
137
La ganancia combinada es
K = Kd Kv Kf = 0,7764 (5.61)
rad
La magnitud y el argumento de H(s) a la frecuencia de cruce de 200 seg son
encontrados de sustituir s = j200 en (5.60)
1741654,5
H(j200) = (5.62)
j200(j200 + 187,6)(j200 + 2246,3)
resultando en
A = |H(j200)| = 0,0141 (5.63)
Arg|H(j200)| = −141,9o (5.64)
El correspondiente ángulo B
B = 17,65o (5.65)
Finalmente las ganancias del PID son:

1 1
P = cos(B) = cos(17,65o ) = 87,04 (5.66)
AK (0,0141)(0,7764)
1 1
D= sen(B) = sen(17,65o ) = 0,1385 (5.67)
AKwc (0,0141)(0,7764)(200)
I = wc P tan(5) = (200)(90,4)tan(5o ) = 1523 (5.68)
5.11. Conclusiones
La utilización de un controlador en serie con la planta ofrece la capacidad de mo-

dificar la función de transferencia en lazo abierto de manera que puede mejorarse sig-
nificativamente el comportamiento del sistema en lazo cerrado. Si el comportamiento
deseado no puede obtenerse utilizando control proporcional, hay diversas alternativas.
La utilización de un controlador PI proporciona un aumento del número de tipo con
la correspondiente mejora de la capacidad de seguimiento en estado estacionario. El
controlador introduce un polo y un cero con el polo localizado en el origen del plano s
y el cero sobre el eje real negativo. La inserción del polo añade una integración en lazo
abierto y la presencia del cero suele ser útil con respecto a formular un comportamien-
to transitorio satisfactorio. Si se introduce un cero dominante en el camino directo, se
138
5.11 Conclusiones
puede utilizar un controlador PD para mejorar el comportamiento de un sistema en el

sentido de reducir notablemente el tiempo de respuesta mientras se mantiene un grado
satisfactorio de estabilidad relativa. Aunque no introduce integradores en el origen, su
capacidad para aumentar la ganancia de lazo puede también permitir un incremento
en el valor de un coeficiente estático de error. El modelo de función de transferencia
de un controlador PD ideal es una función no causal y los resultados obtenidos me-
diante simulación utilizando un modelo idealizado no son realistas porque entran en
juego consideraciones de ruido que enturbian el comportamiento. La utilización de un
controlador real exige la adición de al menos un polo y su colocación debe ser conside-
rada con cuidado para minimizar la amplificación de señales extrañas. Un controlador
PID tiende a combinar las caracterı́sticas del control PI y PD. La parte integral del
controlador incrementa el número de tipo del sistema. Un controlador PID es a me-
nudo efectivo en una situación en la cual el control PI es suficiente para producir el
comportamiento deseado en estado estacionario pero se busca la mejora adicional de
la respuesta transitoria. El PID en su versión continua ha sido de gran utilidad desde
el inicio del control automático y hasta nuestros dı́as que aún permanece vigente debi-
do a su gran versatilidad, simplicidad e intuición al momento de aplicarlo en sistemas
lineales. Cuando se trata de controlar alguna planta lo primero que debemos hacer es
evaluar la posibilidad de implementar el PID, si no resolvemos el problema combinarlo
con alguna otra técnica de control.
139
140
6
Técnicas de Control Discreto
Objetivo:
Al finalizar el estudio del cuarto tema los participantes manejarán técnicas de con-
trol discreto basándose por lo menos en tres técnicas revisadas en el curso, incluyendo
al menos el 80
6.1. Introducción
En este capı́tulo vamos a hacer una incursión por algoritmos y métodos de control
digital bien establecidos en la práctica industrial tales como los reguladores PID, las
conexiones anticipativas (feed-forward), predictores de Smith, PID autoajustables, etc.
La razón de incluir estos temas en un libro básicamente dedicado a la identifica-
ción y control adaptable; es nuestro convencimiento de que cualquier nuevo método o
enfoque de control, si pretende ganar un espacio en la práctica y no ser simplemente
un tema académico, debe compararse ventajosamente en algún sentido con las solu-
ciones clásicas. Esta comparación debe ser, además, lo más justa posible; es decir, se
trata de tomar como patrón la mejor variante clásica posible, en la que se incorporan
reguladores PID profesionales y un conjunto de adiciones o extensiones que en su con-
junto permiten dar respuestas satisfactorias a una muy amplia variedad de problemas
de control industrial.
También en este capı́tulo se va a tratar un tema más cercano al espı́ritu de los
restantes y que presenta un interés especial: algoritmos PID auto ajustables. Se trata
de una clase de control adaptable que ha recibido mucha atención en la literatura de
141
6. TÉCNICAS DE CONTROL DISCRETO
control reciente y cuya importancia es difı́cil exagerar. El lector se sorprenderá un poco

al comprobar que uno de los algoritmos PID auto ajustable que aquı́ propondremos,
consiste en un enfoque puramente heurı́stico que carece de una fundamentación teórica
adecuada. Sin embargo, como podrá comprobarse en los ejemplos que mostraremos, se
trata de una solución simple y sumamente efectiva.
Por último, en la mayorı́a de los textos de control digital existentes, se ofrece gene-
ralmente un tratamiento muy superficial del algoritmo PID y sus extensiones, en el que
se omiten muchos detalles importantes desde el punto de vista práctico. Es también
nuestra intención en este capı́tulo, hacer una modesta contribución a llenar ese vacı́o lo
cual será de gran utilidad al momento de llevar los conocimientos teóricos a la práctica.
Este capı́tulo está organizado en la forma siguiente: En 6.2 se presentan las variantes
más extendidas del regulador PID discreto y se hace un análisis comparativo de las
mismas. En 6.3 se propone una versión profesional de un algoritmo PID discreto que
incluye algunos detalles técnicos de mucho interés para la práctica. En 6.4 se discute
el tema del filtraje de las variables, necesario para lograr un comportamiento suave
del lazo de control. En 6.5 se ofrece una tabla para el ajuste de los parámetros de los
PID discretos según los criterios más conocidos. En 6.6 y 6.7 se discuten dos de las
estructuras de control más extendidas en la práctica a saber: reguladores en cascada
y reguladores de relación de variables. Por otra parte, en 6.8 y 6.9 se presentan dos
herramientas de control complementarias de los PID que cada vez adquieren mayor
relevancia dada su utilidad para mejorar la calidad y estabilidad de los lazos de control:
las conexiones feed-forward y los predictores de Smith. No de menor interés es el tema
tratado en 6.10: PID auto ajustables. Aunque se presentan varios métodos de auto
ajuste, el énfasis se pone en un algoritmo heurı́stico que sorprende por su magnı́fico
comportamiento y facilidad de realización.
Esperamos que los participantes sean capaces de manejar las técnicas de control
discreto en combinación del PID.
6.2. Algoritmos PID Discretos.
El regulador PID constituye, en sus distintas versiones, la solución más universal-

mente aceptada para los problemas de control en la industria. Se calcula que más del
142
6.2 Algoritmos PID Discretos.
95 % de los reguladores instalados, ya sean estos analógicos o digitales, constituyen una

u otra modificación del algoritmo PID.
Diversas explicaciones han sido dadas a este fenómeno. Desde nuestro punto de
vista, se trata de que el PID es el regulador “natural” por excelencia. En efecto, su
comportamiento imita al de un ser racional ante una toma de decisiones: tiene en
cuenta el estado actual (proporcional), la historia pasada (integral) y un pronóstico del
futuro (derivada) del error o desviación del comportamiento deseado.
La versión discreta del regulador PID tiene 2 formas principales conocidas como
posicional y de velocidad que han sido utilizadas indistintamente en la práctica, con-
tando cada una de ellas con defensores y detractores.
A continuación ofrecemos versiones de ambas formas con el objetivo de hacer una
comparación entre ambas, a despecho de que posteriormente introduciremos un algo-
ritmo que incluye una serie de modificaciones que le dan mucha mayor profesionalidad.
En la ecuación 6.1 se ofrece la forma posicional del algoritmo PID discreto:
" k
#
Tc X Td
u(k) = Kp e(k) + e(i) + [e(k) − e(k − 1)] + u(0) (6.1)
Ti Tc
i=1
donde u(k) es la variable de control, generalmente posición de una válvula, u(0) es

la posición inicial; Kp , Ti y Td son la ganancia, tiempo integral y tiempo derivativo
respectivamente, y Tc es el periodo de control.
La forma de velocidad del PID discreto se obtiene fácilmente a partir de (6.1),
calculando u(k) menos u(k − 1), con lo que se llega a:

Tc Td
∆u(k) = Kp [e(k) − e(k − 1)] + e(k) + [e(k) − 2e(k − 1) + e(k − 2)] (6.2)
Ti Tc
donde:
∆u(k) = u(k) − u(k − 1) (6.3)
ó
u(k) = u(k − 1) + ∆u(k) (6.4)
Una serie de estudios comparativos han sido publicados sobre las dos formas prin-
cipales del algoritmo PID discreto. Puede consultarse, por ejemplo, el libro de Astrom
y Witenmark (1984).
A continuación haremos algunos comentarios sobre el tema:
143
El algoritmo posicional requiere el chequeo de la sumatoria correspondiente al

modo integral para evitar su saturación. En el de velocidad no se requiere este
chequeo, pero por otra parte hay que establecer lı́mites a los incrementos de la
variable de control.
En el algoritmo posicional se requiere el conocimiento de la posición inicial del

actuador. En el de velocidad, si el actuador es de tipo incremental, como por
ejemplo un motor de pasos, no se requiere conocer la posición inicial. Si por otra
parte, se utiliza un algoritmo de velocidad asociado a un actuador posicional,
entonces de todas formas se requiere la posición inicial para poder efectuar el
cálculo (6.4).
El algoritmo posicional mantiene el significado intuitivo de los parámetros Kp , Ti

y Td semejante al de los reguladores PID analógicos, conocidos tradicionalmente
en la industria. En el caso del algoritmo de velocidad, el significado de dichos
parámetros se desvirtúa.
El algoritmo de velocidad trabaja con la segunda derivada del error, lo cual es

inconveniente en presencia de ruido y, por otra parte, puede dar lugar a un com-
portamiento imprevisto e inadmisible como por ejemplo, que se mande a cerrar
una válvula cuando el error está aumentando.
En resumen, recomendamos el algoritmo de posición, aun cuando requiere un cui-

dado especial con la sumatoria, para evitarse lo que se conoce como desborde (wind
up) del modo integral. El algoritmo de velocidad debe utilizarse cuando los actuadores
son de tipo incremental, por ejemplo, motores de pasos.
6.3. Versión Profesional del Algoritmo PID.
Un algoritmo PID digital verdaderamente profesional, capaz de trabajar en forma

confiable ante difı́ciles condiciones reales, incluye una serie de detalles que son obviados
en ocasiones y que pueden marcar la diferencia entre un buen y un mal comportamiento.
A continuación presentamos una versión que ha sido probada exhaustivamente en la
práctica con muy buenos resultados:
144
6.3 Versión Profesional del Algoritmo PID.

Ru Td ∆y(k)
u(k) = en (k) − + int(k) (6.5)
Bp Tc Ry
donde Ru = umax − umin es el intervalo del actuador a menudo 0 − 100 %. Ry =
ymax − ymin es el intervalo del transmisor con que se mide la variable en unidades
fı́sicas, por ejemplo: 0 − 100 C ◦ , 4,2 − 20 Kg/cm2 , etc.
yr (k) − yf (k)
en (k) = (6.6)
Ry
es el error normalizado, donde yr (k) es el valor de referencia, eventualmente filtrado
mediante un filtro exponencial de primer orden. yf (k) es el valor de la salida filtrada.
Bp es la banda proporcional. Se relaciona con la ganancia mediante Kp = Ru /Bp . En
muchas ocasiones Kp = 100/Bp .
Tc Ru
int(k) = int(k − 1) + en (k) (6.7)
Ti Bp
int(0) = u(0) (6.8)
int(k) representa al modo integral en el algoritmo PID. Su cálculo separado mediante

la expresión (6.7) permite, por una parte, inicializar este término con la posición inicial
del actuador, de manera que el modo integral es el que garantiza el “nivel” de la señal
de control, pudiendo considerarse los modos P y D como “desviaciones” de este nivel.
Por otra parte, el cálculo separado del modo integral, permite chequear en cada paso de
control que su valor esté dentro del rango de control, evitándose los problemas asociados
a la saturación del modo integral (integral wind up).
Nótese que en la expresión (6.5) del algoritmo se utiliza el incremento de la salida
∆y(k) en lugar del incremento del error. Este es un recurso conocido para evitar el lla-
mado “golpe de la derivada” cuando se realiza un cambio brusco del valor de referencia
yr (k) que puede provocar oscilaciones innecesarias. Considérese, por ejemplo:
e(k) = yr (k) − y(k) (6.9)
y
e(k − 1) = yr (k − 1) − y(k − 1) (6.10)
Si la referencia permanece constante, es decir yr (t) = yr (k − 1), entonces:
∆e(k) = −∆y(k) (6.11)
145
sea en este caso el uso del negativo del incremento de la salida es perfectamente equi-
valente al del incremento del error para conformar el modo derivativo del PID. No
obstante, si se produce un cambio de la referencia, tendremos que:
∆e(k) = −∆y(k) + ∆yr (k) (6.12)
A diferencia del cambio en la salida, que por naturaleza es lento dada la dinámica
del proceso, el cambio de la referencia es inmediato y brusco, lo cual significa que
el incremento del error y por ende la componente derivativa del regulador también
cambiará bruscamente. Este es precisamente el efecto desestabilizador que se pretende
evitar cuando se sustituye al incremento del error por el incremento de la salida en el
modo derivativo. La variable u(k) generalmente se encuentra en un rango normalizado
en la computadora (0 − 100) ó (0 − 1). Después, en el convertidor D/A se transforma en
una señal normalizada, p. ej. de 4 a 20 ma. Si el convertidor de salida es de 12 bits y el
rango interno de u(k) es 0 − 100, el valor de entrada al convertidor, se calcula mediante
la expresión:
u(k)
usal = × 4095 (6.13)
100
Es necesario tener en cuenta dos detalles que a menudo se confunden y que sin
embargo tienen un tratamiento distinto. El primero consiste en el signo de la ganancia
del proceso. Si este signo es positivo, es decir, a un aumento de la variable de control
corresponde un aumento de la salida, entonces el signo de Bp (o de Kp ) en el PID
debe escogerse positivo. En caso contrario, es decir, cuando la ganancia del proceso es
negativa, puede entonces escogerse Bp negativo y se obtiene el comportamiento estable
deseado.
El segundo aspecto que hay que tomar en consideración es la naturaleza de la válvula
de control. La expresión (6.13) es válida en el caso de que la válvula sea normalmente
cerrada (Acción Directa), que es la más frecuente. Existen casos en la práctica, no
obstante, de válvulas normalmente abiertas (Acción inversa), que cierran a medida que
aumenta la señal de control. En este caso, el valor que debe entregarse al convertidor
es:
u(k)
usal = 4095 × 1 − (6.14)
100
Cualquier regulador digital y en particular los PID, deben tener al menos 3 modos
de operación: 1- Respaldo (Back-up), 2- Manual y 3- Automático. En el modo Respaldo,
146
6.4 Filtraje de las Variables
el regulador sólo recibe las mediciones y el control se ejerce mediante otro dispositivo
externo. La salida del regulador no está fı́sicamente conectada a la entrada del proceso.
En el modo Manual, desde el regulador se puede actuar sobre la válvula cerrándola
o abriéndola. Es frecuente que para este fin se utilicen 2 teclas, una de incremento y
otra de decremento.
En el modo Automático, el regulador digital asume la función de control, calculando
el valor de la variable de control mediante la expresión (6.5) u otra similar. En este
modo el operador puede generalmente modificar el valor de referencia (set-point) de la
variable controlada.
Deben tomarse algunas previsiones en la inicialización y cambio del modo de un
regulador digital PID si se requiere un comportamiento suave y libre de saltos bruscos.
A continuación detallamos las más importantes:
Cuando se pasa del modo Respaldo al modo Manual, debe hacerse el valor
int(0) = u(0). Esto puede lograrse automáticamente si se mide la variable de
control u(t) (posición de una válvula, p. ej.) o manualmente, leyendo el valor de
u(t) que tiene el equipo de respaldo e insertándolo en la computadora.
El paso de modo manual a automático puede lograrse en una forma suave, si se

hace yr (0) = y(0) en el momento de tránsito. De esta forma el regulador “ve”
inicialmente un error igual a cero y no se producen saltos. Posteriormente la
referencia puede ser llevada suavemente al valor deseado.
Si estando en el modo Automático se pasa a Manual y se hacen algunas operacio-

nes de apertura o cierre de la válvula, estos cambios deben reflejarse en el término
int(t) del regulador PID, de manera que cuando se regrese al modo Automático,
el valor de la integral coincida con la posición de la válvula en ese momento.
6.4. Filtraje de las Variables
Para el buen funcionamiento de los reguladores PID o cualquier otro algoritmo de

control digital, se requiere el filtraje de las variables controladas, de manera que el ruido
presente en las señales no provoque un comportamiento excesivamente oscilatorio en
147
el control. Independientemente de los filtros de hardware existentes, generalmente es

conveniente el uso de dos tipos de filtros por software:
filtro para ruidos de alta frecuencia (inducción electromagnética, ruidos térmicos,

etc.).
filtro para ruidos de frecuencia media y baja (ruidos en el proceso, variaciones en

la composición de los materiales, falta de homogeneidad de los mismos, etc.).
Para el filtraje de los ruidos de alta frecuencia, generalmente se utiliza la prome-

diación de varias réplicas de la medición en cada perı́odo de muestreo. El perı́odo de
muestreo o de medición en cualquier sistema de control digital puede ser fijo y tan
pequeño como sea posible.
Para el filtraje de ruidos de frecuencia baja y media, se parte del concepto de Perı́odo
de Control, que puede coincidir con el perı́odo de muestreo, aunque generalmente es
un múltiplo de éste. Lo definimos como el intervalo de tiempo que transcurre entre
2 acciones sucesivas de control. Llamamos Tm y Tc a los perı́odos de muestreo y de
control respectivamente. En la figura 6.1 se representa esquemáticamente las relaciones
entre ambos perı́odos.
Tc 1 2 3 4 5
Tm 12 3 12 3 12 3 12 3 12 3
Figura 6.1: Periodos de muestreo - muestreo y control
El tipo de filtro para ruidos de frecuencias baja y media más utilizados en la práctica
es el llamado filtro exponencial de primer orden cuya expresión es:
yf (k) = αym (k) + (1 − α)yf (k − 1) (6.15)
donde α es un valor real en el intervalo 0-1. yf (k) y yf (k − 1) son los valores filtrados
en los perı́odos de muestreo k y k − 1 respectivamente. ym (k) es el valor medido en el
perı́odo k.
La ecuación (6.15) puede también ser expresada mediante:
n
X
yf (k) = α (1 − α)i ym (k − i) + (1 − α)n+1 yf (k − n − 1) (6.16)
i=0
148
6.4 Filtraje de las Variables
De la ecuación (6.16) se hace evidente el efecto del filtro exponencial como el de

una “ventana” decreciente exponencialmente que se mueve sobre las mediciones y que
le atribuye un peso decreciente a las mediciones más lejanas en el tiempo. La longitud
efectiva de esa ventana si consideramos convencionalmente que un peso menor que 0.01
es prácticamente despreciable, puede deducirse como sigue:
α(1 − α)i = 0,01 (6.17)
logα + ilogα(1 − α) = −2 (6.18)

−(2 + logα)
i≈ (6.19)
log(1 − α)
Por ejemplo para α = 0,6, el valor efectivo de la ventana es de 5 mediciones. Si apli-
camos transformada Z a la expresión (6.15) podemos obtener la función transferencial
del filtro exponencial:
Yf (z) = [1 − (1 − α)z −1 ] = αYm (z) (6.20)
Yf (z) α
= (6.21)
Ym (z) 1 − (1 − α)z −1
cuando z → 1 se obtiene:
Yf (z)
=1 (6.22)
Ym (z)
O sea, que el valor filtrado converge al valor de la medición si este se mantiene
constante durante un número suficientemente alto de perı́odos de muestreo.
Es importante tener en cuenta que el filtraje de las mediciones introduce un retardo
adicional en el lazo de control, cuyo efecto crece a medida que el parámetro α es menor.
Por otra parte se conoce que el efecto pernicioso del ruido es más notable sobre el modo
derivativo en un regulador PID. Debe existir entonces un compromiso entre el filtraje
de la señal y el retardo introducido que tiende a hacer inestable al lazo de control. Una
buena solución parece ser trabajar con 2 valores diferentes del coeficiente de filtraje,
uno mayor para los modos P e I y otro más pequeño para el modo D. Es decir, se
calculan 2 valores distintos de la variable de salida filtrada:
yf 1 = α1 ym (k) + (1 − α1 )yf 1 (k − 1) (6.23)
yf 2 = α2 ym (k) + (1 − α2 )yf 2 (k − 1) (6.24)
El error de regulación en el tiempo k que se utiliza para los modos P e I, se calcula:
149
e(k) = (yr1 (k) − yf 1 (k)) (6.25)
y el valor de ∆y(k) para el modo derivativo es entonces:
∆y(t) = yf 2 (t) − yf 2 (t − 1) (6.26)
La elección de los valores concretos del coeficiente α, debe hacerse en cada caso
particular según la siguiente heurı́stica: Para perı́odos de control largos (100 o más
perı́odos de muestreo) y señales ruidosas, se seleccionan valores pequeños de α (0.1
o menores). En situaciones intermedias (T c ≤ 5Tm ) y señales filtradas por hardware,
usualmente pueden escogerse valores de α > 0,4. En última instancia, en cada lazo de
control debe ajustarse experimentalmente el valor más adecuado de α.
6.5. Ajuste de los Parámetros de Reguladores PID Dis-

cretos.
Independientemente de que el ajuste de los parámetros de los reguladores PID

discretos puede hacerse utilizando algunos de los algoritmos de auto-ajuste disponibles
en la literatura, a continuación haremos referencia brevemente a algunas reglas de ajuste
clásicas, como las de Ziegler-Nichols y Cohen-Coon originalmente desarrolladas para
reguladores PID analógicos, pero que han sido adaptados al caso de los PID digitales.
Incluiremos también las reglas de ajuste de Smith-Murriel de desarrollo más reciente.
Las reglas de ajuste mencionadas se basan en la aproximación del proceso mediante un
modelo de 1er. orden con retardo:
ke−θs
F (s) = (6.27)
τs + 1
y el criterio de obtener una respuesta en lazo cerrado, ante un cambio en escalón de la

referencia, del tipo oscilatoria amortiguada, que posea además la caracterı́stica de que
la relación entre los dos primeros picos de la oscilación sea de 1/4 (1/4 decay ratio).
Este tipo de respuesta ha sido considerada tradicionalmente por los especialistas como
un buen compromiso entre velocidad de respuesta y magnitud del error. En el caso
de los reguladores discretos, el valor del parámetro (tiempo de retardo) se aumenta en
Tc /2, donde Tc es el perı́odo de control, para tener en cuenta el efecto del fijador de
150
6.6 Análisis de un Sistema en Tiempo Discreto.
orden cero (Sampler and Hold). Entonces es posible utilizar los parámetros que se dan
en la tabla 6.1, donde Kp es la ganancia del proceso, K la ganancia del regulador y Ti ,
Td son respectivamente los tiempos integral y derivativo.
Tabla 6.1: Ganancias del PID discreto - Diferentes métodos
Tipo Ziegler-Nichols Cohen-Coon Smith-Murriel

P KKp = (θ/τ )−1 KKp = (θ/τ )−1 + 0,333 KKp = 4,208(θ/τ )−0,956
KKp = 0,9(θ/τ )−1 KKp = 0,9(θ/τ )−1 + 0,082 KKp = 0,928(θ/τ )−0,946
PI
Ti /τ = 3,3(θ/τ ) Ti /τ = 3,33(θ/τ )[1 + θ/11τ ] Ti /τ = 0,928(θ/τ )0,583
KKp = 4,2(θ/τ )−1 KKp = 4,35(θ/τ )−1 + 0,27 KKp = 4,370(θ/τ )−0,950
P ID Ti /τ = 2(θ/τ ) Ti /τ = 2,5(θ/τ )[1+θ/5τ ]
1+0,6(θ/τ ) Ti /τ = 0,740(θ/τ )0,738
0,37(θ/τ )
Td /τ = 0,5(θ/τ ) Td /τ = 1+0,2(θ/τ ) Td /τ = 0,365(θ/τ )0,950
6.6. Análisis de un Sistema en Tiempo Discreto.
Una vez diseñado el control es necesario el análisis del modelo de la planta y el

controlador en el dominio discreto, para determinar si es estable y que efectos tienen
la cuantización y el tiempo de muestreo en la estabilidad del sistema.
6.6.1. El Controlador PID Digital.
El esquema de control PID analógico ha sido usado de manera exitosa en muchos

sistemas de control industrial por más de medio siglo. El principio básico del esquema de
control PID, es que actúa sobre la variable a ser manipulada a través de una apropiada
combinación de las tres acciones de control: acción de control proporcional; la acción
de control integral y la acción de control derivativa.
En situaciones donde muchas plantas se controlan directamente mediante un sistema
digital (este esquema de control puede comunicarse con cualquier otro sistema digital),
la mayorı́a de los lazos pueden manipularse mediante un sistema de control PID. Según
(Ogata, K.1996), un PID analógico puede ser adaptado a un sistema digital de la
siguiente manera.
La acción de control PID en controladores analógicos está dada por:
Z
1 1 de(t)
u(t) = K e(t) + e(t)dt + Td (6.28)
Ti 0 dt
151
donde e(t) es la señal al controlador, u(t) es la señal de salida del controlador, K es la

ganancia proporcional, Ti es en tiempo integral y Td es el tiempo derivativo.
Para obtener la función de transferencia impulso del controlador discreto PID, se
puede discretizar la ecuación (6.28) considerando el tiempo de control T . Al aproximar el
término integral mediante una sumatoria y el término derivativo mediante la diferencia
de dos puntos, se obtiene:

KT
e(0) + e(1) e(k − 1) + e(k)
u(k) = Ke(k) + + ··· +
Ti
2 2

e(k) + e(k − 1)
+ KTd (6.29)
T
o " #
k
T X e(h − 1) + e(h) Td
u(k) = K e(k) + + [e(k) − e(k − 1)] (6.30)
Ti 2 T
h=1
fs
lo cual es válido solo si fmax > 20, se define
e(h − 1) + e(h)
f (h) = , f (0) = 0 (6.31)
2
Entonces se escribe
( k ) ( k )
X e(h − 1) + e(h) X 1
Z =Z f (h) = F (z) (6.32)
2 1 − z −1
h=1 h=1
Pk
⇒ Tarea 6.1 Calcular la transformada Z de h=1 f (h).
Además se tiene que la transformada Z de f (h) es
1 + z −1
F (z) = Z {f (h)} = E(z) (6.33)
2
Por lo tanto ( k )
X e(h − 1) + e(h) 1 + z −1
Z = E(z) (6.34)
2 2(1 − z −1 )
h=1
Entonces la transformada Z de la ecuación (6.28) da como resultado

T 1 + z −1 T −1
U (z) = K 1 + + (1 − z ) E(z) (6.35)
2Ti 1 − z −1 Td
Esta última ecuación se puede rescribir como sigue

T T 1 Td −1
U (z) = K 1 − + + (1 − z ) E(z) (6.36)
2Ti Ti 1 − z −1 T
152
o
Ki
U (z) = [Kp + + Kd (1 − z −1 )]E(z) (6.37)
1 − z −1
donde
KT Ki
Kp = K − =K− (6.38)
2Ti 2
es la ganancia proporcional,
KT
Ki = (6.39)
Ti
es la ganancia integral y
KTd
Kd = (6.40)
T
es la Ganancia derivativa.
A esta función de transferencia del PID discreto se le conoce comúnmente como
forma posicional del esquema PID. Considerando los resultados de la sección anterior
se tiene que
Ti = 0,0572 Td = 0,00159 (6.41)
Si el tiempo de control es T = 0,001 seg. se tiene

(87,04)(0,001)
Kp = 87,04 − = 86,28 (6.42)
2(0,0572)
(87,04)(0,001)
Ki = = 1,52 (6.43)
0,0572
(87,04)(0,00159)
Kd = = 138,4 (6.44)
0,001
6.6.2. Cuantificación y Errores de Cuantificación.
Las principales funciones involucradas en la conversión analógico digital, son el

muestreo, la cuantificación de la amplitud y la codificación. Cuando el valor de cualquier
muestra cae entre dos estados de salida adyacentes, permitidos, se debe leer como
el estado de salida permitido más cercano al valor real de la salida. El proceso de
representación de una señal continua o analógica mediante un número finito de estados
discretos se denomina cuantificación de amplitud. Esto es cuantificación, significa la
transformación de una señal continua o analógica a un conjunto de estados discretos.
El estado de salida de cualquier muestra cuantificada se describe entonces mediante
un código numérico. El proceso de representar el valor de una muestra mediante un
153
código numérico, se denomina codificación. De este modo la codificación es el proceso

de asignación de una palabra o código digital a cada uno de los estados discretos. El
periodo de muestreo y los niveles de cuantificación afectan al desempeño de los sistemas
de control digital. De manera que éstos de deben determinar cuidadosamente.
En el sistema numérico estándar utilizado para el procesamiento de señales digitales
es el sistema binario. En este sistema numérico el grupo de códigos consiste en n pulsos
cada uno de los cuales indican ya sea encendido o apagado. En el caso de la cuantifica-
ción, los n pulsos pueden representarse en dos niveles de amplitud o estados de salida.
El nivel de cuantificación Q se define como el intervalo entre dos puntos adyacentes de
decisión y está dado mediante
F SR
Q= (6.45)
2n
donde FSR es el intervalo a escala completa. Observe que el bit que está más a la
izquierda del código binario natural tiene el mayor peso, la mitad de la escala completa
y se le conoce como el bit más significativo (MSB). El bit que está más a la derecha
tiene el menor peso, y se le conoce como el bit menos significativo. De ésta manera
F SR
LSB = (6.46)
2n
El bit menos significativo es el nivel de cuantificación Q. Puesto que el número de
bits de la palabra digital es finito. La conversión analógico-digital da como resultado
una resolución finita. Esto es, la salida digital puede adoptar solamente un número
finito de niveles, y por lo tanto, un número analógico se debe redondear al nivel digital
más cercano. Por consiguiente, toda conversión analógico digital involucra un error de
cuantificación. Dicho error de cuantificación varı́a entre 0 y 1/2Q. Este error depende
de la fineza del nivel de cuantificación y se puede hacer tan pequeño como se desee
haciendo más pequeño el nivel de cuantificación. En la práctica, existe un máximo para
el número n de bits. Y de ese modo siempre existe algún error debido a la cuantificación.
La incertidumbre presente en el proceso de cuantificación se conoce como ruido de
cuantificación. En el análisis numérico, el error resultante de despreciar los dı́gitos
remanentes se denomina error de redondeo. Debido a que el proceso de cuantificación
es un proceso de aproximación en el que la cantidad analógica se aproxima mediante
un número digital finito, el error de cuantificación es un error de redondeo. Es claro que
mientras más fino sea el nivel de cuantificación, más pequeño será el error de redondeo.
Para un nivel de cuantificación pequeño Q la naturaleza del error de cuantificación es
154
similar a la del ruido aleatorio. Y en efecto, el proceso de cuantificación actúa como una
fuente de ruido aleatorio. Según (Ogata, K.1996), si el nivel cuantificación Q es pequeño
comparado con la amplitud promedio de la señal de entrada, entonces la varianza del
ruido de cuantificación es un doceavo del cuadrado de cuantificación. En nuestro caso
se tiene que esta varianza es igual a un doceavo de cuenta, es decir 0.00013 radianes
de varianza del error de la posición, el cual no es significativo para el intervalo que se
maneja.
6.6.3. Análisis de Estabilidad del Sistema de Sistemas Discretos.
A continuación, se analiza la estabilidad del sistema de control en tiempo discreto,

para sistemas lineales e invariantes en el tiempo de una entrada y una salida; como lo
es nuestro caso. Se considerará el siguiente sistema con función de transferencia pulso
en lazo cerrado
C(z) G(z)
= (6.47)
R(z) 1 + G(z)
La estabilidad del sistema que define la ecuación anterior, ası́ coma la de otros tipos
de sistemas de control en tiempo discreto, puede determinarse por las localizaciones de
los polos en lazo cerrado en el plano z, o por las raı́ces de la ecuación caracterı́stica
P (z) = 1 + G(z) = 0 (6.48)
como sigue:
1. Para que el sistema sea estable, los polos en lazo cerrado o las raı́ces de la ecuación
caracterı́stica deben presentase en el plano z dentro del cı́rculo unitario. Cualquier
polo en lazo cerrado exterior al cı́rculo unitario hace inestable al sistema.
2. Si un polo simple se presenta en z = 1, entonces el sistema se convierte en

crı́ticamente estable. También el sistema se convierte en crı́ticamente estable si
sólo un par de polos complejos conjugados se presenta sobre el cı́rculo unitario en
el plano z. Cualquier polo múltiple en lazo cerrado sobre el cı́rculo unitario hace
al sistema inestable.
3. Los ceros en lazo cerrado no afectan la estabilidad absoluta y por lo tanto pueden
quedar en cualquier punto del plano z.
155
Entonces, un sistema de control en lazo cerrado en tiempo discreto lineal e invariante

con el tiempo de una entrada y una salida se vuelve inestable si cualquiera de los polos
en lazo cerrado se presenta por fuera del cı́rculo unitario y/o cualquier polo múltiple
en lazo cerrado se presenta sobre un cı́rculo unitario del plano z.
En el sistema mostrado en la figura 6.2, donde F (z) y H(s) son

Ki −1
F (z) = Kp + + Kd (1 − z ) (6.49)
1 − z −1
1741654,5
H(s) = (6.50)
s(s + 187,6)(s + 2246,3)
se define Gp (s) como
1 − e−T s 1741654,5
Gp (s) = (6.51)
s s(s + 187,6)(s + 2246,3)
Filtro Retenedor Sistema
1−e−T s
F (z) s H(s) b
+
-
Figura 6.2: Sistema de control digital - diagrama a bloques
Se determinará la estabilidad del sistema para Kp = 86,28 Ki = 1,52 y Kd = 138,4.

Primero se obtendrá la función de transferencia en z del retenedor de orden cero y el
sistema el cual denominaremos Gp (z), considerando un tiempo de muestreo de T =
0,001.

1 − e−T s 1741654,5
Z {Gp (s)} = Z (6.52)
s s(s + 187,6)(s + 2246,3)
0,000171z 2 + 0,0004094z + 5,173 × 10−5

Gp (z) = (6.53)
z 3 − 1,935z 2 + 1,022z − 0,08769
226,2z 2 − 363,1z + 138,4

F (z) = (6.54)
z2 − z
Entonces según la figura 6.2
G(z) = F (z)Gp (z), H(z) = 1 (6.55)
156
La función de transferencia en lazo cerrado para el sistema es:

C(z) G(z)
= (6.56)
R(z) 1 + G(z)H(z)
la ecuación caracterı́stica es
1 + G(z)H(z) = 0 (6.57)
z 5 − 2,896z 4 + 2,988z 3 − 1,223z 2 + 0,1256z + 0,007159 = 0 (6.58)
Usando el programa (MATLAB) se encontraron sus raı́ces de la ecuación anterior

y son:
z1 = 0,9812
z2 = 0,8612 + j0,2120
z3 = 0,8612 − j0,2120
z4 = 0,2324
z5 = −0,03991 (6.59)
En vista que las magnitudes de los polos del sistema en lazo cerrado están dentro
del cı́rculo unitario del plano z el sistema es estable. Se debe de tener especial cuidado
con los errores de cuantificación, errores por redondeo, dado que estos pueden mover
la posición de las raı́ces y ubicarlas fuera del cı́rculo unitario e inestabilizar el sistema.
En este caso no se tiene este problema debido a la resolución que se maneja.
Las caracterı́sticas de la respuesta transitoria del sistema de control en tiempo
discreto dependen del periodo de muestreo T . Un periodo de muestreo grande tiene
efectos dañinos sobre la estabilidad relativa del sistema. Como se ve en el análisis
precedente, para los valores dados de las constantes del PID digital, aumentar el periodo
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 los valores crı́ticos de las ganancias respecto a la estabilidad
sean mayores. De hecho, reducir el periodo de muestreo más y más tiende a hacer que
el sistema se comporte muy parecido a un sistema en tiempo continuo.
En el sistema mostrado en la figura 6.2 se puede observar que las raı́ces del sistema
dependen del periodo T . Si se aumenta el periodo T a 0.01 y se aplica el procedimiento
anterior se obtienen las raı́ces.
157
z1 = −0,5593 + j1,0950
z2 = −0,5593 − j1,0950
z3 = 0,8270
z4 = 0,1529
z5 = −0,00186 (6.60)
En donde, se puede ver que z1 y z2 están fuera del cı́rculo unitario del plano z y
por lo tanto el sistema es inestable en lazo cerrado.
6.7. Control en Cascada
Para comprender mejor el efecto del control en cascada, es conveniente recordar una
propiedad general del feed-back negativo. Supongamos un bloque de primer orden, con
constantes de tiempo T1 y ganancia K:
U (s) K Y (s)
T1 s+1
Figura 6.3: Sistema de primer orden - diagrama a bloques
Si en este bloque introducimos un regulador con ganancia K1 :
Yr (s) K Yb (s)
K1 T1 s+1
+
-
Figura 6.4: Sistema de control de sistema de primer orden - control proporcional
La función transferencial equivalente con respecto a yr será:
1 KK KK1
y(s) KK1
= T1 s+1
KK
= = 1+KK1
T1
(6.61)
yr (s) 1 + T1 s+1
1 T1 s + (1 + KK1 ) 1+KK1 s + 1
Los efectos sobre la función transferencial original son dos:
K1
Una reducción de la ganancia en el factor 1+KK1
158
6.7 Control en Cascada
Una reducción aún mayor de la constante de tiempo, que queda dividida por
(1 + KK1 ).
Este último efecto es el que se aprovecha en el control en cascada. Veámosle en un

ejemplo concreto. Supongamos un proceso consistente en un calentador, cuya variable
de control es un flujo de vapor que se gobierna mediante una válvula de control y la
variable controlada es la temperatura de un lı́quido. Este proceso puede controlarse
mediante uno de los dos esquemas que se muestran en las figuras 6.5 y 6.6
Pv T0
D1 D2
+ +
Td u Fv Ta
R G1 G2 b
+
-
Figura 6.5: Esquema de control estándar - diagrama a bloques
Pv T0
D1 D2
+ +
Td Fd u + Fv + Ta
R2 R1 G1 b G2 b
+ +
- -
Figura 6.6: Esquema de control en cascada - diagrama a bloques
G1 y G2 representan respectivamente las funciones transferenciales del flujo de vapor

con respecto a la posición de la válvula y la de la temperatura con respecto al flujo
de vapor. Pv y T0 representan las perturbaciones que influyen sobre este proceso que
son la presión del vapor y la temperatura inicial del lı́quido que actúan a través de
las funciones transferenciales D1 y D2 . R en el primer esquema representa a la función
transferencial del regulador mientras que R1 y R2 en el segundo representan al regulador
“esclavo” y al regulador “maestro” de la conexión en cascada. Nótese que la salida del
regulador R2 es el valor deseado del regulador de flujo R1 .
159
La función transferencial G1 , generalmente posee constantes de tiempo menores que

G2 . En el ejemplo mostrado, una perturbación en Pv es rápidamente asimilada por el
regulador “esclavo” y su efecto sobre la variable controlada Ta es fuertemente atenuado.
Por otra parte, una perturbación sobre la variable T0 que afecta directamente a Ta es
compensada más rápidamente, ya que el lazo esclavo disminuye la constante de tiempo
efectiva de la función transferencial G1 y hace que la acción correctora de Fv se realice
más rápidamente.
En la industria existe un número considerable de situaciones en las que el control
en cascada puede justificarse. Si se utilizan reguladores analógicos, un lazo en cascada
implica el uso de 2 reguladores, aparte de 2 sensores y transmisores. En el caso del
control digital, el control en cascada requiere solamente la medición, transmisión y
conversión A/D de una señal analógica adicional, pero el segundo regulador se realiza
por software. Es por esto que a partir de la difusión del control digital, los lazos en
cascada han ampliado su espectro de aplicaciones.
La realización de un lazo en cascada en forma digital tiene algunas especificaciones
que analizaremos a continuación:
El perı́odo de control del regulador esclavo debe ser igual o menor que el del
regulador maestro. Esto es consecuencia de la suposición inicial de que el sub-
proceso G1 tiene una dinámica más rápida que G2 .
El regulador R1 debe tener un comportamiento integral débil puesto que este

regulador debe tener una caracterı́stica de “servo” (seguimiento de referencia
variable). A menudo es suficiente con que R1 sea solamente un regulador P , lo
cual garantiza una mayor velocidad de respuesta.
El ajuste de los parámetros se hace siempre comenzando por el lazo esclavo, con
la cascada desconectada. Una vez lograda la estabilización del lazo esclavo, se
pasa al ajuste del maestro.
Los modos de operación de un lazo en cascada pueden ser hasta 5 (generalmente

4 son suficientes). Estos modos son:
Modo Back-Up: El regulador sólo recibe información de las mediciones, pero

en este modo no se puede actuar sobre el proceso.
160
6.8 Control de Relación
Lazo esclavo manual: Se puede actuar sobre la válvula (abrir o cerrar) desde
el regulador. La cascada está desconectada. Para pasar a este modo se debe
inicializar el modo integral del lazo interno en caso de que éste lo posea.
Lazo esclavo automático: El lazo interno se cierra, la referencia de este lazo
se puede variar normalmente. Para pasar a este modo es conveniente hacer
previamente la referencia igual a la salida del sub-proceso 4.
Lazo maesto en manual, esclavo en automático: En este modo, la salida
del regulador maestro se hace igual a la referencia del regulador esclavo. Se
puede actuar sobre la variable controlada principal, moviendo el valor de la
referencia, pero en este modo no necesariamente coinciden ambos valores.
Lazo en cascada: Se cierra el regulador maestro. Previamente debe hacerse
el valor de la referencia 2 igual a la variable controlada principal, para evitar
un cambio brusco de la posición de la válvula.
6.8. Control de Relación
A menudo en la industria resulta necesario controlar la relación de 2 variables.

Un ejemplo tı́pico es la relación aire/combustible en las calderas o la relación de 2
componentes en un proceso de mezcla, etc. El control de relación puede hacerse en
forma muy económica mediante un regulador digital siguiendo el esquema:
v2
G2
SPv1 v1
R v2 + B R G1
Figura 6.7: Esquema de control de relación - diagrama a bloques
La referencia para la regulación de v1 se calcula como una combinación lineal de la

variable v2 , es decir:
SPv1 = Rv2 + B (6.62)
donde R y B son los parámetros conocidos como “Ratio” y “Bias” respectivamente.

Resulta claro que en estado estacionario:
161
v1 = Rv2 + B (6.63)
si B = 0, entonces v1 = Rv2 .
El operador puede modificar el valor de los parámetros R y B. El control de relación
tiene en común con el control en cascada que la referencia de un regulador es calculado,
en este caso a través de un bloque lineal. En el caso de las cascadas, la referencia de
uno de los reguladores se calcula también, pero mediante un segundo regulador.
El regulador de relación tiene generalmente 4 modos de operación:
1. Respaldo: Sólo se miden las variables pero no se puede actuar.
2. Manual: El regulador se encuentra en modo manual. Antes de pasar a este modo

debe asegurarse que Int = u(0).
3. Automático: Se cierra el lazo, pero la referencia se mueve manualmente. Debe

asegurarse que inicialmente se cumple que SPv1 =v4 .
4. Ratio: Se calcula el SPv1 a través del bloque de relación. Debe inicializarse esta
conexión haciendo:
v1m
B=0 R= (6.64)
v2m
6.9. Conexiones Feed-Forward
El control mediante conexiones feed-forward o anticipativas está concebido como

una forma de mejorar la capacidad de la regulación de variables sometidas a fuertes
perturbaciones o también cuando existen fuertes interconexiones entre diversos lazos
de control de un mismo proceso tecnológico. Como su nombre lo indica. la conexión
feed-forward trata de anticiparse al efecto que sobre una variable determinada tiene
la variación de una perturbación que puede medirse o la variación de otra variable
de control, distinta a la utilizada propiamente en el lazo. La anticipación se logra
actuando inmediatamente sobre la válvula o elemento de acción final del lazo, antes de
que se produzca una desviación de la variable controlada. Las conexiones feed-forward
constituyen en general un complemento de la regulación normal por feed-back y no
un sustituto de ésta. Antes del surgimiento y popularización del control digital eran
raramente usadas, debido al costo adicional requerido y a la falta de flexibilidad del
162
6.9 Conexiones Feed-Forward
equipamiento analógico. En la actualidad, no obstante, el control por computadoras

permite la inclusión de conexiones feed-forward sin un incremento considerable del
costo (sólo el de las mediciones adicionales requeridas) y con un grado de flexibilidad
mucho mayor. En el esquema de la figura 6.8 se representa una conexión feed-forward
dentro de un lazo de control simple.
v b
FF G2
- +
yr + + + y
R G1 b
Figura 6.8: Controlador con conexión Feed-Forward - diagrama a bloques
∆y G2 (z) F F G1 (z)
= + (6.65)
∆v 1 + R(z)G1 (z) 1 + R(z)G1 (z)
∆y G2 (z) + F F G1 (z)
= (6.66)
∆v 1 + RG1 (z)
de donde se deduce:
G2 (z)
FF = (6.67)
G1 (z)
Si se aproximan G1 (z) y G2 (z) como dos funciones transferenciales de 1er orden
con retardo:
K1 z −p1
G1 (z) = (6.68)
1 − α1 z −1
K2 z −p2
G2 (z) = (6.69)
1 − α2 z −1
entonces:
K2 z −p2 (1 − α1 z −1 )
F F (z) = (6.70)
K1 z −p1 )(1 − α2 z −1 )
donde:
α1 = e−Ts /T1 , α2 = e−Ts /T2 (6.71)
163
finalmente:
∆u 1 − α1 z −1
= F F (z) = −KF F z (p1 −p2 ) (6.72)
∆v 1 − α2 z −1
K2
KF F = (6.73)
K1
En muchas ocasiones es suficiente sólo una compensación del valor estacionario y
entonces se hace F F = KF F .
Si se utiliza una compensación dinámica tal como lo expresamos mediante (6.72),
entonces hay que tomar en consideración la siguiente condición: Para que la compen-
sación tenga un sentido real es necesario que p1 ≤ p2 , es decir, el retardo en el canal
principal debe ser menor o igual que el retardo en el canal de la perturbación, pues
de otra manera habrı́a que utilizar predicciones de valores futuros de la perturbación.
Esto se comprende mejor observando la ecuación de diferencia asociada:
∆u(1 − αz −1 ) = −KF F z (p1 −p2 ) (1 − α1 z −1 )∆v (6.74)
∆u(t) = −KF F ∆v(t + p1 + p2 ) + αKF F ∆v(t + p1 + p2 − 1) + α2 ∆(t − 1) (6.75)
Resulta claro que si p1 − p2 > 0 entonces se requieren valores futuros o predicciones

de ∆v en el tiempo t. La compensación feed-forward puede utilizarse también como
se dijo antes para desacoplar lazos simples fuertemente acoplados. En la figura 6.9 se
muestra un ejemplo de esta situación. Este tipo de desacople puede sustituir en buena
medida, otro tipo de solución como el diseño de reguladores multivariables que es mucho
más compleja y de resultados muchas veces imprevisible.
6.10. Predictor de Smith
Como es conocido, uno de los factores que más afecta la calidad y estabilidad de
un sistema de control, ya sea este basado en un algoritmo PID u otro cualquiera,
es la presencia de “retardo puro” o “retardo por transporte” en el canal de control.
Muchas soluciones han sido intentadas para compensar el efecto negativo del retardo,
destacándose entre ellas por su sencillez y efectividad el llamado “Predictor de Smith”
conocido desde finales de los años 50. El uso generalizado de este concepto de control
tropezó, no obstante, con la dificultad de su realización mediante la tecnologı́a analógica
disponible en los años 50 y 60.
164
6.10 Predictor de Smith
-
Sp1 u1 + y1
R1 b
G11 b
+ +
- +
b
G12
F F1 F F2
b
G21
- +
Sp2 + + y2
R2 b
G22 b
+ u2
-
Figura 6.9: Esquema de control para el desacople de procesos - diagrama a bloques
En la actualidad, con el uso generalizado de técnicas digitales de control, el Predictor

de Smith adquiere cada vez mayor popularidad y vigencia. El Predictor de Smith en
su forma original, supone la modelación del proceso a controlar mediante una función
transferencial de primer orden con retardo:
Ke−θs
G(s) = (6.76)
Ts + 1
No obstante, pueden utilizarse otros modelos más complejos y generales como el

de 2do. orden sobre-amortiguado u oscilatorio, sin que se introduzcan dificultades es-
peciales o se modifique la idea esencial del método. En la figura 6.10 se representa un
esquema de control que incluye un Predictor de Smith.
En el esquema Kp , θp y Tp representan la ganancia, retardo y constante de tiempo
del proceso y Km , θm y Tm los parámetros correspondientes del modelo. Nótese que
por conveniencia se han representado en bloques separados el retardo real e−θp s y el
retardo del modelo e−θm s .
Como puede apreciarse, existen 2 conexiones de realimentación en el esquema de
control propuesto. Una conexión interna que realimenta la salida del modelo sin retardo
y otra externa con la que se trata de compensar la diferencia entre la salida real y la
salida del modelo que puede ser consecuencia de la inexactitud natural del modelo o del
efecto de perturbaciones que actúan sobre la salida real y que no han sido consideradas
165
+
yr Kp ypi + yp
R(s) b
Tp s+1 e−θp s +
b
+ +
- -
Km
ymi ym -
Tm s+1
b
e−θm s
Figura 6.10: Predictor de Smith - diagrama a bloques
en el modelo. La conexión interna es la que tiende a compensar el efecto del retardo, pues
la acción de control se anticipa como resultado de la predicción de la salida mediante
el modelo utilizado.
La función transferencial en lazo cerrado correspondiente a la estructura de la figura
6.10, resulta:
R(s)Kp −θp s
Yp (s) Tp s+1 e
= R(s)Kp −θp s
(6.77)
Yr (s) + R(s)K m R(s)Km −θm s
1+ Tp s+1 e Tm s+1 − Tm s+1 e
Si suponemos un modelo perfecto, es decir:
θp = θm (6.78)
Kp = Km (6.79)
Tp = Tm (6.80)
entonces la expresión (6.77) se simplifica a:
RKp
Yp (s) Tp s+1
= RKp
e−θp s (6.81)
Yr (s) 1 + Tp s+1
Nótese que ahora el término de retardo no aparece en el denominador de la función

transferencial, es decir, no afecta a la estabilidad del lazo de control, con lo que se logra
el objetivo principal.
166
6.11 PID Autoajustable
6.11. PID Autoajustable
En esta sección, sin pretender agotar el tema, lo que no serı́a posible dada la diver-
sidad de enfoques propuestos, presentaremos dos variantes totalmente distintas en su
concepción y que tienen en común su simplicidad y facilidad de realización.
6.11.1. PID Autoajustable Basado en un Margen de Fase Prefijado.
Este método utiliza el criterio clásico de margen de fase como criterio de diseño
(Banyasz y Keviczky, 1982) y parte de la descripción del proceso mediante la función
de transferencia discreta:
Y (z) b1 z −(k+1)
Gp (z) = = (6.82)
U (z) 1 − a1 z −1 − a2 z −2
correspondiente a un sistema de segundo orden con k + 1 pasos de retardo.

Supongamos además que el regulador tiene la estructura:
p0 − p1 z −1 − p2 z −2 P (z)
Gr (z) = −1
= (6.83)
1−z 1 − z −1
que corresponde a la de un PID en su versión de velocidad. En efecto, tenemos las

siguientes equivalencias:
Tc Td
p0 = Kp 1 + + (6.84)
Ti Tc

Td
p1 = Kp 1 + 2 (6.85)
Tc
Kp Td
p2 = (6.86)
Tc
donde Kp , Ti , Td y Tc son respectivamente la ganancia, el tiempo integral, el tiempo
derivativo y el perı́odo de control.
La idea central de este regulador consiste en escoger al polinomio P (z) en la forma:

P (z) = p0 1 − p′1 z −1 − p′2 z −2 = p0 1 − a1 z −1 − a2 z −2 (6.87)
donde:
p1
p′1 = = a1 (6.88)
p0
p2
p′2 = = a2 (6.89)
p0
167
La función de transferencia del sistema en lazo abierto L(z) será entonces:
b1 p0 z −(k+1) b1 p0 −k
L(z) = Gp (z)Gr (z) = −1
= z −1 z (6.90)
1−z 1 − z −1
Nótese que se trata de la función de transferencia de un integrador en serie con un
elemento de retardo puro y con una ganancia:
KI = b1 p0 (6.91)
Consideremos ahora la función de transferencia de un sistema continuo equivalente

al descrito mediante (6.90):
L(s) = Lf (s)LI (s)Lk (s) (6.92)
donde:
1 1 − e−T s
Lf (s) = (6.93)
T s
corresponde a un fijador de orden cero y T es el perı́odo de muestreo.
KI 1
LI (s) = (6.94)
T s
y
Lk (s) = e−sT k (6.95)
son las funciones de transferencia del integrador y del elemento de retardo puro.
⇒ Tarea 6.2
A partir de (6.93), (6.94) y (6.95), haciendo s = jw y con algunas transformaciones
simples, pueden determinarse las caracterı́sticas de amplitud y fase vs. frecuencia del
sistema en lazo abierto. Ellas son:

KI sen wT2
A(w) = wT
(6.96)
wT 2
y
wT π
φ(w) = − (2k + 1) − (6.97)
2 2
De acuerdo con el criterio de Nyquist, el sistema en lazo cerrado correspondiente
tendrá un determinado margen de fase φa , si se cumple:
φ(w) = −π + φa (6.98)
168
para
A(w) = 1 (6.99)
wT
Utilizando ahora los resultados (6.96) y (6.97), con x = 2 , se obtiene de (6.99):
2x2 x
KI = = 2x (6.100)
|sen(x)| |sen(x)|
x
El cociente |sen(x)| puede aproximarse muy bien por 1 para valores de x pequeños
y por tanto:
KI ≈ 2x (6.101)
De la ecuación (6.98), al mismo tiempo, se llega a:
π − 2φa
x= (6.102)
2(2k + 1)
Sustituyendo (6.102) en (6.101) obtenemos entonces:
2(π − 2φa ) π − 2φa

KI = = (6.103)
2(2k + 1) 2k + 1
y considerando un margen de fase de 60 grados (π/3) que resulta adecuado en la mayorı́a

de los casos, tenemos:
π/3 1
KI = ≈ (6.104)
2k + 1 2k + 1
Teniendo en cuenta a (6.88), (6.89), (6.91) y (6.104), se llega a las siguientes ecua-
ciones:
1
p0 = (6.105)
b̂1 (2k + 1)
p1 = â1 p0 (6.106)
p2 = â2 p0 (6.107)
donde por b̂1 , â1 , â2 deben interpretarse como las estimaciones de estos parámetros
obtenidas en tiempo real mediante cualquier variante del método de mı́nimos cuadrados
recursivos.
De acuerdo con (6.83), la ley de control se calcula mediante:
u(t) = p0 e(t) − p1 e(t − 1) − p2 e(t − 2) + u(t − 1) (6.108)
donde e(t) es el error igual a yref (t) − y(t).
169
A pesar de la extraordinaria simplicidad de este regulador se ha reportado un com-

portamiento adecuado del mismo en varios ejemplos simulados con sistemas de primero
y segundo orden y varios perı́odos de retardo (Banyasz y Keviczky, 1982).
6.11.2. PID Autoajustable Basado en Asignación de Polos.
A continuación expondremos un algoritmo PID autoajustable que se basa en una

asignación de los polos de la función de transferencia en lazo cerrado (Aguado y Campos,
1983). Se parte de un modelo de la planta con la estructura:
y(t) b1 z −1
Gp (z −1 ) = = (6.109)
u(t) 1 − a1 z −1 − a2 z −2
y un regulador PID de velocidad, cuya función de transferencia tiene la forma :
r1 + r2 z −1 + r3 z −2
Gr (z −1 ) = (6.110)
1 − z −1
El polinomio caracterı́stico en lazo cerrado se calcula haciendo 1 + Gp Gr = 0 y se

llega a la expresión:
a1 − a2 + b1 r2 −2 b1 r1 − a1 − 1 −1 1
z −3 + z + z + =0 (6.111)
b1 r3 + a2 b1 r3 + a2 b1 r3 + a2
Imponemos ahora la condición de que el sistema en lazo cerrado tenga un polo triple,
de valor a, que como es lógico, debe estar en la zona de estabilidad. Esto equivale a
suponer que el polinomio caracterı́stico del sistema tenga la forma:
(z −1 − a)3 = z −3 − 3az −2 + 3a2 z −1 − a3 (6.112)
Igualando los coeficientes de las ecuaciones (6.111) y (6.112) y resolviendo, se obtiene

para los coeficientes del regulador las expresiones:
1 3
r1 = (1 + a1 − ) (6.113)
b1 a
1 3
r2 = (a2 − a1 + 2 ) (6.114)
b1 a
1 1
r3 = − (a2 + 3 ) (6.115)
b1 a
170
Si tenemos en cuenta la estructura convencional del regulador PID discreto, en su

variante de velocidad:
Tc Td
∆u(t) = Kp [(e(t) − e(t − 1)) + e(t) + (e(t) − 2e(t − 1) + e(t − 2))] (6.116)
Ti Tc
donde Tc es el perı́odo de control y haciendo:
Kp Tc
Ki = (6.117)
Ti
y
Kp Td
Kd = (6.118)
Tc
las constantes Ki , Kd y Kp se calculan fácilmente a partir r1 , r2 y r3 , mediante las
fórmulas:
Kp = −(r2 + 2r3 ) (6.119)
Ki = r1 + r2 + r3 (6.120)
Kd = r3 (6.121)
El algoritmo desarrollado hasta aquı́ resulta suficientemente simple y tiene además

la ventaja de que requiere un solo parámetro de diseño: la posición del polo triple a.
Es posible, además, la utilización de este algoritmo para sistemas con más de un paso
de retardo mediante el cálculo de predicciones explı́citas de la salida.
6.11.3. Enfoque Heurı́stico para la Realización de un PID Autoajus-

table.
Un algoritmo reportado por Marsik (1983), basado en un razonamiento puramente

heurı́stico y que apenas puede justificarse teóricamente, pero que sin embargo ha dado
excelentes resultados prácticos, será expuesto a continuación.
El método parte de la definición de un “ı́ndice de oscilación” κ, que se define:
fe
κ= (6.122)
fv
donde fe y fv son respectivamente las frecuencias de cruce por cero del error de regu-
lación y de su primera diferencia, respectivamente. En general, para cualquier proceso
de regulación se cumple:
fe ≥ fv ≥ 0 (6.123)
171
o también:
0≤κ≤1 (6.124)
Se ha probado experimentalmente que en la mayorı́a de los casos prácticos, un

proceso de regulación cercano al óptimo se obtiene para κ = 0,4. Supongamos para el
regulador la siguiente estructura:
t
X
u(t + 1) = α(t)γ(t)∆e(t) + α(t)β(t)e(t) + α(i)e(i) (6.125)
i=1
donde e(t) es el error de regulación y:
∆e(t) = e(t) − e(t − 1) (6.126)
La estructura de (6.125) corresponde a la de un PID discreto con parámetros varia-

bles. Los parámetros α(t), β(t) y γ(t) se relacionan con los parámetros habituales del
PID mediante las expresiones:
Kp = αβ (6.127)
Ti = βTc (6.128)
γ
Td = Tc (6.129)
β
donde Tc es el perı́odo de control.
En el trabajo de Marsik se da el siguiente procedimiento recursivo para el cálculo
del coeficiente α:
0,5
∆α(t) = 0,5fv α(t) −1 (6.130)
κ(t)
que debe converger al valor óptimo de α cuando κ ≈ 0,4.
Un problema clave del algoritmo es el cálculo en tiempo real del ı́ndice de oscilación
κ(t). Para ello fue necesario acudir a una vieja expresión dada por Rice (1944) que
calcula el número de cruces por un determinado nivel de una señal gaussiana continua:
s
1 σv2
fe = (6.131)
π σe2
donde σv2 y σe2 son respectivamente las varianzas del error de regulación y de su primera
derivada. En una forma análoga:
s
1 σa2
fv = (6.132)
π σv2
172
donde σa2 es la varianza de la segunda derivada del error (o aceleración).

Considerando que tanto el error de regulación como su primera y segunda diferencias
se comportan como variables aleatorias con distribución gaussiana con media cero, una
estimación plausible de las varianzas respectivas, puede ser:
t
1 X
σe2 = e(i)2 (6.133)
t−1
i=1
t
1 X
σv2 = ∆e(i)2 (6.134)
t−1
i=1
t
1 X 2
σa2 = ∆e e(i)2 (6.135)
t−1
i=1
donde ∆2 e(i) = e(i) − 2e(i − 1) + e(i − 2) representa la segunda diferencia o aceleración

del error de regulación.
Sustituyendo (6.131) y (6.132), (6.133), (6.134) y (6.135) en (6.122) se llega a la
expresión: Pt 2
i=1 (∆e(i))
κ(t) = qP Pt (6.136)
t
i=1 e(i)2 i=1 (∆e(i))2
La inclusión de un mecanismo análogo al olvido exponencial para descontar el efecto
de los datos más viejos, puede lograrse si las sumatorias en (6.136) se sustituyen por
las sumas filtradas:
(e2 (t) + τ (t)e2 (t − 1))
e2 (t) = (6.137)
1 + τ (t)
(∆e(t))2 + τ (t)v 2 (t − 1)
(∆e(t))2 = (v 2 (t)) = (6.138)
1 + τ (t)
(∆2 e(t))2 + τ (t)a2 (t − 1)
(∆2 e(t))2 = (a2 (t)) = (6.139)
1 + τ (t)
la constante de tiempo del filtro se calcula mediante:
s
2π v 2 (t − 1)
τ (t) = = 2π (6.140)
fv (t) a2 (t − 1)
Los valores de fe (t), fv (t) y κ(t) pueden ahora definirse como:

s
1 v 2 (t)
fe (t) = (6.141)
π e2 (t)
173
s
1 a2 (t)
fv (t) = (6.142)
π v 2 (t)
v 2 (t)
κ(t) = q (6.143)
a2 (t)e2 (t)
Sustituyendo (6.142) y (6.143) en (6.130) se obtiene la siguiente expresión para el

incremento del coeficiente α:
s  q 
0,5α(t) a2 (t) 0,5 a2 (t)e2 (t)
∆α(t) =  − 1 (6.144)
π v 2 (t) v 2 (t)
Para determinar las reglas de adaptación de los parámetros γ(t) y β(t), vamos a
escribir la ecuación (6.125) en la siguiente forma ligeramente modificada:
t
X
u(t) = [α(i)(e(i) + β(i)∆e(i) + γ(i)∆2 e(i))] (6.145)
i=0
De acuerdo con Marsik (1983), la adaptación de los parámetros γ(i) y β(i), puede
hacerse en una forma eficiente imponiendo la condición de que la energı́a efectiva de
control aportada por las tres componentes del regulador sea igual, lo cual se traduce a
la condición: q q q
β(i) ∆e(i)2 = γ(i) ∆2 e(i)2 = e(i)2 (6.146)
de donde se deduce fácilmente:

s s
e2 (t) v 2 (t)
β(t) = , γ(t) = (6.147)
v 2 (t) a2 (t)
Las modificaciones principales que hemos introducido son las siguientes:
El algoritmo se usa como una herramienta opcional para el ajuste del algorit-
mo PID posicional descrito mediante la ecuación (6.1), usando las relaciones de
transformación dadas en (6.127), (6.128) y (6.129) y no como un algoritmo autóno-
mo de control como fue concebido por el autor. Entonces, dado un conjunto de
parámetros del PID, es necesaria una inicialización adecuada de los parámetros
α, β y γ que garantice una transición suave cuando la opción de auto-ajuste se
conecte.
174
6.12 Conclusiones
El comportamiento del lazo cerrado cuando se usan los parámetros del PID cal-
culados mediante el algoritmo de Marsik, resulta en algunos casos excesivamente
oscilatorio. Esto se debe, en nuestra opinión, a la relación demasiado rı́gida que
se establece entre los tiempos integral y derivativo calculados. Hemos obtenido
un comportamiento más flexible mediante la introducción de un nuevo parámetro
en el cálculo del tiempo integral:
T i = ξβTc (6.148)
donde ξ, al que llamamos “factor de oscilación” ,asume valores mayores que 1.

Hemos comprobado que valores de ξ en el rango 1-10 son suficientes en la mayorı́a
de los casos simulados, aunque en los casos de sistemas con comportamiento
de tipo integrador, se requieren valores de ξ mucho mayores (de hasta 100 o
más). Para escoger el valor concreto de ξ en un caso especı́fico la siguiente regla
puede usarse: Comenzar probando con ξ = 5 y si el comportamiento del lazo es
excesivamente oscilatorio, ir incrementando poco a poco el valor de ξ hasta llegar
al comportamiento deseado.
6.12. Conclusiones
En este capı́tulo hemos visto con detalle los PID discretos haciendo énfasis en las
consideraciones prácticas que se deben de tomar para garantizar el éxito de la aplicación,
también hemos tratado algunas variaciones en el lazo de control como lo son el control
en cascada, las conexiones feed-forward y el predictor de Smith los cuales estudian
algunas alteraciones de los sistemas de control en la práctica y como tratarlos para
disminuir su efecto en el controlador PID. Finalmente se trata con PID auto ajustable
los cuales con apoyo con el método de mı́nimos cuadrados se logra una forma de control
adaptable.
En los últimos años numerosos enfoques han sido utilizados con el fin de encon-
trar un procedimiento de auto-ajuste suficientemente confiable para los parámetros de
los reguladores PID. Distintos criterios de ajuste se han empleado con mayor o menor
éxito: garantizar un margen de fase prefijado, uso de la regla de Ziegler-Nichols par-
tiendo de oscilaciones provocadas en el proceso, minimización de un criterio cuadrático,
asignación de polos, auto ajuste basado en razonamientos heurı́sticos que han sido los
175
que han arrojado mejores resultados. En numerosas simulaciones el algoritmo PID auto
ajustable mediante la asignación de un polo triple en la función de transferencia de lazo
cerrado, ha mostrado su eficacia para la regulación de sistemas de hasta tercer orden.
El algoritmo de auto-ajuste, con algunas modificaciones, ha sido probado exitosa-
mente en una gran variedad de ejemplos simulados, incluyendo modelos de hasta cuarto
orden con retardo, ası́ como en casos prácticos reales. En el transcurso de este capı́tulo
tenemos herramienta de gran utilidad para controlar sistemas dinámicos que cambian
con el tiempo y las condiciones del medio ambiente.
176
7
Conclusiones Generales
7.1. Conclusiones Generales
Hasta aquı́ hemos aprendido diferentes aspectos de la Ingenierı́a de Control Au-

tomático, para la identificación y control de procesos que aunque no son todo si son los
más significativos y que mejores resultados han arrojado. En el capı́tulo uno aprendimos
a identificar sistemas adaptándolo a modelos de primer y segundo orden con retardo
ya que casi todos los sistemas lineales de cualquier orden se pueden aproximar a estos
modelos, pero la aproximación involucra algunos errores que pudieran ser significativos
al momento del análisis, en contra parte suelen ser muy sencillos y rápidos de aplicar.
En el capitulo dos se aprendieron dos modalidades del método de mı́nimos cuadrados
para la identificación de sistemas discretos en tiempo real, este método es muy útil para
el ajuste de controladores en lı́nea, además de no requerir de mucho esfuerzo compu-
tacional para su implementación y que debido a las grandes avances en sistemas de
computo han tenido un gran auge en los últimos años. El tema de PID tanto discretos
como continuos se trataron en los capı́tulos cuatro y cinco ası́ como sus extensiones y
combinaciones con algunas otras técnicas de control; me confieso un ferviente admira-
dor de este modesto método de control que ha sido capaz de resistir durante décadas
a los embates de académicos y teóricos, sin que se haya podido demostrar que el PID
sea óptimo la realidad demuestra todos los dı́as su vigencia y efectividad y es una de
las herramientas más poderosas que podemos utilizar. En el capitulo cinco aprendimos
una breve pero jugosa introducción a la identificación y control mediante redes neuro-
nales, el cual abre un nuevo espacio para trabajar con sistemas no-lineales y generalizar
177
7. CONCLUSIONES GENERALES
la identificación de sistemas, sobre este tema hay mucho trabajo por realizar. Con lo
aprendido hasta aquı́ podemos aplicar los métodos clásicos de la ingenierı́a de control
automático.
178

Manual IngCtrlAuto

Cargado por

Copyright:

Formatos disponibles

Manual IngCtrlAuto

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

Manual IngCtrlAuto

Cargado por

Copyright:

Formatos disponibles

Ingenierı́a de Control Automático

Guillermo Ronquillo Lomeli

El control automático ha desempeñado una función vital en el avance de la

1. Introducción a la Ingenierı́a de Control 1

1.9.2. Teorema de la Convolución Discreta. . . . . . . . . . . . . . . . . 44

2. Métodos Clásicos de Identificación de Procesos 55

3. Identificación de Sistemas Mediante el Método de Mı́nimos Cuadra-

4. Algoritmos de Raı́z Cuadrada para la Identificación de Modelos Dis-

5. Técnicas Clásicas de Control de procesos 111

5.9.2. Análisis de un Sistema de Control (Motor de CC). . . . . . . . . 132

6. Técnicas de Control Discreto 141

7. Conclusiones Generales 177

1.1. Respuesta en frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

1.24. Respuesta a la señal exponencial . . . . . . . . . . . . . . . . . . . . . . 53

2.1. Sistemas de primer orden. . . . . . . . . . . . . . . . . . . . . . . . . . . 60

3.1. Planta SISO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

4.1. Matriz triangular de dimensión n + 1 . . . . . . . . . . . . . . . . . . . . 103

5.1. Diagrama de bloques de un sistema de control en lazo abierto . . . . . . 113

5.6. Control todo-nada con lazo de histéresis . . . . . . . . . . . . . . . . . . 122

6.1. Periodos de muestreo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148

1.1. Transformadas de Laplace básicas - Más usuales. . . . . . . . . . . 10

2.1. Relaciones de n con los cocientes Ta /Tb y Te /Tb - Sistemas aperiódicos 67

3.1. Coeficientes de olvido exponencial - Filtro exponencial . . . . . . . 89

5.1. Parámetros del motor - Servomotor sin escobillas de imán permanente133

6.1. Ganancias del PID discreto - Diferentes métodos . . . . . . . . . . . 151

La planta es el primer factor que se ha de tener en cuenta, en relación con los

1.2. Modelos Matemáticos

Los modelos son construcciones abstractas utilizadas para predecir el comporta-

1.3. Sistemas Lineales Invariantes en el Tiempo y Causa-

Dejando a un lado todas las cuestiones relacionadas con la estructura y constitución

Matemáticamente la descripción externa de un sistema se puede llevar a cabo de

Ecuaciones diferenciales lineales, si f es una función lineal.

Ecuaciones diferenciales no lineales, si f es una función no lineal.

Existe otro camino alternativo para definir la linealidad de un sistema, y es hacerlo

f(r1 + r2 ) = f(r1 ) + f(r2 ) (1.3)

Homogeneidad: Si una entrada r(t) produce a la salida y(t), entonces la entrada

f(αr1 ) = αf(r1 ) (1.4)

Por ejemplo: y = 2x1 + x2 − 4x3

Por tanto, no cumple la propiedad de superposición y ya no puede ser lineal. Tam-

αf (x1 ) = α(x1 + 4) = αx1 + 4α

tampoco cumple la propiedad de homogeneidad. Obsérvese que aunque la función es

Algunas ecuaciones no lineales pueden ser aproximadas a ecuaciones lineales.

La resolución de ecuaciones diferenciales no lineales es extremadamente complicada

dicho instante t = 0 hasta el momento actual. Se puede demostrar que si la ecuación

Desde el punto de vista matemático la respuesta libre de un sistema lineal es una

1.4. La Transformada de Laplace

El planteamiento de la transformada de Laplace (matemático francés) consiste en

donde f (t) es la función a transformar, F (s) es la función transformada y L denota

Obsérvese que el lı́mite inferior de integración se especifica como 0− para permitir

1.4.1. Teoremas Básicos acerca de la Transformada de Laplace

Traslación en el dominio de la frecuencia: Si L[f (t)] = F (s), entonces

Cambio de escala en el dominio del tiempo: Si L[f (t)] = F (s), entonces

Derivación en el dominio del tiempo: Si L[f (t)] = F (s), entonces, L[ dfdt(t) ] =

finito a pesar de la no-existencia de un lı́mite de f (t) cuando t tiende a infinito.

1.4.2. Pares de Transformadas más Usuales.

Tabla 1.1: Transformadas de Laplace básicas - Más usuales.

f (t) F (s) f (t) F (s)

1.4.3. Transformada inversa de Laplace. Expansión en fracciones par-

Se define la transformada inversa de Laplace como:

La resolución de esta integral suele ser complicada y el esfuerzo requerido para