Sistemas de Control

Profesor: Dr. Eduardo Viera Riquelme

 Temario
Unidad 1: Introducción a los Sistemas de Control Automático
1.1 Objetivos de un Sistema de Control
1.2 Componentes de un Sistema de Control y terminología utilizada para su descripción.
1.3 Tipos de Sistemas de Control
1.4 Sistemas de Control Directo y Sistemas de Control Retroalimentados
Unidad 2: Representación de Señales
2.1 Señales Fundamentales.
2.2 Transformada de Laplace
Unidad 3: Modelado Matemático de Sistemas de Control
3.1 Introducción
3.2 Concepto de Sistema Lineal.
3.3 Función de Transferencia y Respuesta Impulso
3.4 Diagramas de Bloques
 Temario
Unidad 1: Introducción a los Sistemas de Control Automático
1.1 Objetivos de un Sistema de Control
1.2 Componentes de un Sistema de Control y terminología utilizada para su descripción.
1.3 Tipos de Sistemas de Control
1.4 Sistemas de Control Directo y Sistemas de Control Retroalimentados
Unidad 2: Representación de Señales
2.1 Señales Fundamentales.
2.2 Transformada de Laplace
Unidad 3: Modelado Matemático de Sistemas de Control
3.1 Introducción
3.2 Concepto de Sistema Lineal.
3.3 Función de Transferencia y Respuesta Impulso
3.4 Diagramas de Bloques
 Temario

Unidad 4: Controladores
4.1 Controladores No lineales (On/Off).
4.2 Controladores Lineales Clásicos y de Mayor uso (P, P.I., P.I.D.)
Unidad 5: Análisis de Estabilidad
5.1 Definiciones Fundamentales
5.2 Criterio de Estabilidad de Routh

Unidad 6: Instrumentación
6.1 Introducción
6.2 Simbología sistemas Hidráulicos y Neumáticos
6.3 P&ID
 Reglas del Curso

• Para el desarrollo de actividades evaluativas NO HABRÁ EXTENSIONES DE TIEMPO más que las
señalas por actividad.

• La copia será calificada con nota 1,0 y será comunicado a la dirección del departamento.

• Para las inasistencias a laboratorio t/o cualquier calificación, estás deberán ser visadas ante la
dirección del departamento, en un plazo no más allá de una semana después de la falta. De lo
contrario se calificará con nota mínima.

• El uso de teléfonos celulares NO ESTÁ PERMITIDO.

• Habrá tres calificaciones, dos pruebas con ponderación de 30% cada una y un trabajo de 30%
 Introducción a los Sistemas de Control

¿Qué es un Sistema?

Es la interacción e interconexión de diversos componentes y/o señales que poseen un

comportamiento que evoluciona en el tiempo. El cual para poder ser controlado debe
tener una relación causal entre las componentes de este.

Entrada (t) Salida (t)

Sistema (t)
 Introducción a los Sistemas de Control
¿Qué es un Sistema de Control?

Un sistema de control es un conjunto de dispositivos encargados de administrar, ordenar,

dirigir o regular el comportamiento de otro sistema, con el fin de obtener los resultados
deseados.

En un sistema de control pueden identificarse 4 partes: Medición, Acción, Control, y

Referencia.

???

Entrada (t) Salida (t)

Sistema (t)
 Introducción a los Sistemas de Control
Ejemplo

𝑡
− 𝑉
𝐿 𝑡 =𝐴 1−𝑒 ℎ (m)
 Introducción a los Sistemas de Control
Ejemplo

1
𝑦 𝑡 =1− − 𝑒 −𝜉𝜔𝑛 𝑡 sin 𝜔𝑛 1 − 𝜉2 𝑡 + 𝜃
1 − 𝜉2
 Retroalimentación
Perturbación
Ejemplo 𝑛
Variable
Acción de Manipulada
control Perturbación
Elemento Planta
Algoritmo
∑ Control
Final ∑
Referencia 𝑒 =𝑟∓𝑏 Control 𝑢𝑜𝑚 Proceso
(Consigna) r

Sensor
Señal Primaria de (Retroalimentación)
Retroalimentación Salida (t)
 Sensores

Sensor

Conversor
 Sensores

Sensor

Conversor
Movimiento Movimiento
Circular Lineal
 Elementos Finales de Control

Elemento
Final
Control
 Controlador On-Off

Elemento
Final
Control

2.00

Temperatura

0.00
2.00

Termostato

0.00
0.00 10.00m 20.00m 30.00m 40.00m 50.00m
Controlador Continuo
 Análisis de Señales
¿Qué son las Señales?
• Ente físico que lleva un mensaje o información,
• Su representación matemática es una función univaluada en el tiempo.
 Análisis de Señales
¿Qué son las Señales?
• En sí, todos tenemos nociones intuitivas de señales.
• Las señales permiten describir un gran número de fenómenos físicos.
• Dado esto, es necesario tener medios analíticos, que permitan desarrollar un
mejor entendimiento de fenómenos asociados a la generación de estas señales.
dado esto, es necesario tener medios analíticos, que permitan desarrollar un mejor
entendimiento de fenómenos asociados a la generación de estas señales.

Señales Típicas de Circuito RC

 Análisis de Señales
¿Qué son los Sistemas?
• Conjunto de objetos que pueden interactuar con el propósito de alcanzar un objetivo
determinado.. 𝑥(𝑡) 𝑦(𝑡)
Entrada Sistema Salida

𝑥(𝑡) 𝑦(𝑡) 𝑔(𝑡)

Entrada Sistema 1 Sistema 2
 Análisis de Señales

Señales Clasificación y Representación

• En Tiempo continuo y en Tiempo discreto.
• Par e Impar.
• Periódicas y No Periódicas.
• Determinísticas y Aleatorias.
• De Energía y de Potencia.
Análisis de Señales

Señales Continuas y Discretas

 Análisis de Señales

Se sabe que entonces que x[n] será la representación de una señal discreta pero esta proviene de:
𝑥 𝑛 = 𝑥 𝑛𝑇𝑠 = 𝑥(𝑡) ฬ → 𝑥 𝑛 ~𝑥 𝑡 , 𝑛 ∈ ℤ
𝑡 = 𝑛𝑇𝑠

Siendo 𝑇𝑠 el periodo de muestreo y 𝑛 el tiempo discreto (número de muestra).

 Análisis de Señales

Se sabe que entonces que x[n] será la representación de una señal discreta pero esta
proviene de:
𝑥(𝑡) = sin(2𝜋𝑡)
 Análisis de Señales

Se sabe que entonces que x[n] será la representación de una señal discreta pero esta
proviene de:
𝑥 𝑛 = sin(2𝜋[𝑛])
Transformaciones de la Variable Independiente
Transformaciones de la Variable Independiente
 Transformaciones de la Variable Independiente

Inversión de tiempo:
Transformaciones de la Variable Independiente
Transformaciones de la Variable Independiente

Escalamiento de una señal:

Señales Periódicas

Fig.3 –Señal Periódica

Señales Pares e Impares

Fig.3 –Señal Periódica

Señales Pares e Impares

Fig.4 –Señal Par

Fig.4 –Señal Impar

Señales Pares e Impares
Otro aspecto importante es que una señal se pueden
descomponer en o separar en dos señales, una de las cuales
puede ser impar y la otra par.
Señales de Energía y Potencia

(1)

(2)
Señales de Energía y Potencia

(3)

(4)
Señales de Energía y Potencia

(3)

(4)
 Valor Medio de una Señal
Cuando señal varia en el tiempo es necesario representarla a través de un valor que la
represente total o parcialmente. El valor medio cumple este cometido.
Si una señal s(t) toma valores 𝑆1 , 𝑆2 , … 𝑆𝑛 en intervalos de tiempo ∆𝑡1 , ∆𝑡2 , … , ∆𝑡𝑛
Entonces el valor medio ponderado esta dador por:

∆𝑡1 𝑆1 , ∆𝑡2 𝑆2 , … , ∆𝑡𝑛 𝑆𝑛

𝑆𝑚𝑒𝑑 =
∆𝑡1 , ∆𝑡2 , … , ∆𝑡𝑛
𝑛
σ𝑛𝑖=1 𝑆𝑖 ∆𝑡𝑖 1
𝑆𝑚𝑒𝑑 = = ෍ 𝑆𝑖 ∆𝑡𝑖
σ𝑛𝑖=1 ∆𝑡𝑖 𝑡
𝑖=1
Ahora bien, dado que esta ecuación es de naturaleza discreta, es posible expandirla en el
tiempo considerando que la diferencia de intervalos es infinitesimal, es decir podemos
reemplazarla por:
1 𝑡
𝑆𝑚𝑒𝑑 = න 𝑠 𝑡 𝑑𝑡
𝑡 𝑜
 Valor Medio de una Señal

Si consideramos la señal senoidal:

Podemos deducir que su valor medio es nulo, es decir: 𝑆𝑚𝑒𝑑 = 0𝑉

 Recordatorio – Números Complejos

Se define un par ordenado de número en a, −b ∀ 𝑎 𝑦 𝑏 ∈ ℝ

Además sabemos:
(𝑎, 𝑏) + (𝑐, 𝑑) = (𝑎 + 𝑐), (𝑏 + 𝑑)
𝑎, 𝑏 𝑐, 𝑑 = 𝑎𝑐 − 𝑏𝑑, 𝑎𝑑 + 𝑏𝑐
Definición:
0,1 = 𝑖 → 𝑎, 𝑏 → 𝑎, 0 + 0, 𝑏 = 𝑎 + 𝑏 = 𝑎 + 𝑖𝑏

Sea:
𝑖 2 = 𝑖 ∙ 𝑖 = 0,1 0,1 = 0, −1 , 0 + 0 = −1,0 = −1

𝑖
(𝑎, 𝑏)
𝑏

𝑎 𝑅
 Recordatorio – Números Complejos

Definición:
𝑓 θ = 𝑒 𝑖𝜃 𝑖
(𝑎, 𝑏)
𝑔 θ = cos θ + sin(θ)
𝑏
Si:
θ
𝑓 θ =𝑔 θ
𝑎 𝑅
Derivamos:
𝑓 ′ θ = 𝑒 𝑖𝜃 𝑖
𝑔′ θ = −sin θ + 𝑖 cos 𝜃 /[𝑖 2 = −1]
𝑔 θ = 𝑖 ∙ 𝑖 ∙ sin(θ) + 𝑖 ∙ cos(θ)
𝑔 θ = 𝑖 cos 𝜃 + 𝑖 ∙ sin 𝜃 = 𝑖𝑔 θ
𝑔′ θ = 𝑖𝑔 θ
Nota:
𝑓′ θ = 𝑖𝑓 θ
θ ≠ 𝛼 → θ 𝑡 𝑦 𝛼 = 𝑐𝑡𝑒.
Identidad de Euler

𝑒 𝑖𝜃 = cos θ + sin(θ)
Recordatorio – Números Complejos

Definición:
𝑓 θ = 𝑒 𝑖𝜃
𝑔 θ = cos θ + sin(θ)
Si:
𝑓 θ =𝑔 θ
Derivamos:
𝑓 ′ θ = 𝑒 𝑖𝜃 𝑖
𝑔′ θ = −sin θ + 𝑖 cos 𝜃 /[𝑖 2 = −1]
𝑔 θ = 𝑖 ∙ 𝑖 ∙ sin(θ) + 𝑖 ∙ cos(θ)
𝑔 θ = 𝑖 cos 𝜃 + 𝑖 ∙ sin 𝜃 = 𝑖𝑔 θ
𝑔′ θ = 𝑖𝑔 θ
𝑓′ θ = 𝑖𝑓 θ

Identidad de Euler

𝑒 𝑖𝜃 = cos θ + sin(θ)
Señal Exponencial Compleja y
Senoidal

(3)
 Señal Exponencial Compleja y
Senoidal
Dada la ecuación: 𝑦(𝑡) = 𝐶𝑒 𝛼𝑡
%Exponencial Creciente %Exponencial Decreciente
t = 0:0.5:10; t = 0:0.5:10;
C=1; C=1;
a=1; a=-1;
y = C*exp(a*(t/2)); y = C*exp(a*(t/2));
plot(t,y) plot(t,y)
title('y(t)=C*exp(-at)'); title('y(t)=C*exp(-at)');
xlabel('t (segundos)'); xlabel('t (segundos)');
ylabel('y(t)'); ylabel('y(t)');
grid on; grid on;
 Señal Exponencial Compleja y Senoidal

Ejemplo Real de 𝑦 𝑡 = 𝐶𝑒 𝛼𝑡 ∀ 𝛼 ∈ 𝑎 > 1, 𝑎 < 1

Circuito RC modelado en
Simulink, donde:
• R = 10𝑘Ω
• 𝐶 = 10𝜇𝐹
• 𝑉𝑖 𝑡 = 1V@2Hz
 Señal Exponencial Compleja y
Senoidal
Ahora bien considerando otro tipo de señales exponenciales, en este caso la exponencial
compleja de forma:

𝑥 𝑡 = 𝑒 𝑗𝜔0 𝑡

Señal que posee una parte compleja y otra imaginaría.

Para demostrar que esta señal es periódica se establece que:

𝑥 𝑡 = 𝑒 𝑗𝜔0 (𝑡+𝑇) → 𝑒 𝑗𝜔0 (𝑡+𝑇) = 𝑒 𝑗𝜔0 𝑡 𝑒 𝑗𝜔0 𝑇

Para que esta sea periódica 𝑒 𝑗𝜔0 𝑇 = 1 esto sucede si y solo si:

𝜔0 = 0 → 𝑥 𝑡 = 1 ∀ 𝑇
2𝜋
𝜔0 ≠ 0 → 𝑇0 =
𝜔0
 Señal Exponencial Compleja y
Senoidal
Por otro lado las señales Senoidales de la forma:
𝑥 𝑡 = 𝐴𝑐𝑜𝑠 𝜔0 𝑡 + 𝜑

Donde:
𝑇0 = 2𝜋/𝜔0 • 𝜔0 = 2𝜋𝑓0
Frecuencia
Fundamental
𝐴cos(𝜑) → 0

𝐴cos(𝜑) t = [0:0.01:3];
y = cos((pi*n)+pi*3/2);
plot(t,y);
title('y(t) = Acos(Wo*t+phi)');
xlabel('t(rad)');
ylabel('y(t)');
ylim([-1.5 1.5]);
grid on;
 Señal Exponencial Compleja y
Senoidal

Estas señales se relación por medio la relación de Euler que dice:

𝑒 𝑗𝜔0 𝑡 = cos 𝜔0 𝑡 + 𝑗sin 𝜔0 𝑡

De manera similar, la ecuación anterior de la señal senoidal se puede escribir como:

𝐴 𝑗𝜑 𝑗𝜔 𝑡 𝐴 −𝑗𝜑 −𝑗𝜔 𝑡
𝐴𝑐𝑜𝑠 𝜔0 𝑡 + 𝜑 = 𝑒 𝑒 0 + 𝑒 𝑒 0
2 2

De aquí se observa que ambas componentes poseen amplitudes complejas.

𝐴𝑐𝑜𝑠 𝜔0 𝑡 + 𝜑 = 𝐴ℜℯ 𝑒 𝑗(𝜔0 𝑡+𝜑) → 𝑃𝑎𝑟𝑡𝑒 𝑅𝑒𝑎𝑙

𝐴𝑠𝑖𝑛 𝜔0 𝑡 + 𝜑 = 𝐴ℐ𝓂 𝑒 𝑗(𝜔0 𝑡+𝜑) → 𝑃𝑎𝑟𝑡𝑒 𝐶𝑜𝑚𝑝𝑙𝑒𝑗𝑎
 Señal Exponencial Compleja y
Senoidal

Relación Geométrica de la relación de Euler.

𝑒 𝑗𝜔0 𝑡 = cos 𝜔0 𝑡 + 𝑗sin 𝜔0 𝑡
 Señal Exponencial Compleja y
Senoidal
Ejemplo de Senoidal a varias frecuencias, manteniendo relación entre
ellas cumpliendo: 𝜔1 > 𝜔2 > 𝜔3 𝑦 𝑇1 > 𝑇2 > 𝑇3
%Senoidal varias
frecuencias
t = [0:0.01:5];
y1 = cos(2*pi*t);
plot(t,y1);
hold on;
y2 = cos(pi*t);
plot(t,y2);
hold on;
y3 = cos(pi/2*t);
plot(t,y3);
%hold on;
title('y(t) con f=2pi, pi,
y pi/2');
xlabel('t(rad)');
ylabel('y(t)');
ylim([-1.5 1.5]);
grid on;
hold off
 Señal Exponencial Compleja y
Senoidal

Considerando una exponencial compleja 𝐶𝑒 𝑎𝑡 donde 𝐶 es representado en coordenadas

polares y 𝑎 en rectangulares.
𝐶 = 𝐶 𝑒 𝑗𝜃
𝑎 = 𝑟 + 𝑗𝜔0
Por lo que:
𝐶𝑒 𝑎𝑡 = 𝐶 𝑒 𝑗𝜃 𝑒 𝑟+𝑗𝜔0 𝑡 = 𝐶 𝑒 𝑟𝑡 𝑒 𝑗 𝜔0 𝑡+𝜃

Donde aplicando la relación de Euler la función se expande a:

𝐶𝑒 𝑎𝑡 = 𝐶 𝑒 𝑟𝑡 cos 𝜔0 𝑡 + 𝜃 + 𝑗 𝐶 𝑒 𝑟𝑡 sen 𝜔0 𝑡 + 𝜃

De donde se desprende que si r=0, la parte real e imaginaria son senoidales:

 Señal Exponencial Compleja y
Senoidal
si 𝑟 > 0 , estás señales se multiplican por una exponencial creciente, y inverso
comportamiento tendrá 𝑟 < 0.

%%%%% FUNCIÓN EXPONENCIAL COMPLEJA (influencia de los

parámetros) %%%%%%%%%% FUNCIÓN EXPONENCIAL COMPLEJA
(influencia de los parámetros) %%%%%
%%% Definición de Funciones a Gráficar%%%%
clear all; % Elimina variables utilizadas en otras
rutinas
t = -3*10^(-3): 10^(-5): 3*10^(-3); % Base de tiempos
am = 0.5; % Módulo de la amplitud compleja
fase = pi; % Fase de la amplitud compleja
r = 0.5*10^3; % Parte real del coeficiente del
exponente
A = am*exp(1i*fase); % Amplitud compleja
T = 10^(-3); % Periodo de la función
f = 1/T; % Frecuencia
w = 2*pi*f; % Frecuencia angular
s = r + 1i*w; % Coeficiente del exponente
env = A*exp(r*t); % Envolvente superior
y = A*exp(r*t).*cos(w*t + fase);% Función
 Señal Exponencial Compleja y
Senoidal
%%%Segunda Parte Definición Gráfico %%%
subplot (2, 1, 1); % Recuadro parte real
plot (t, y, 'b', 'LineWidth', 1); % Curva en azul de grosor 2
hold on;
plot (t, env, 'r'); % Envolvente de la parte superior (en rojo)
plot (t, -env, 'r'); % Envolvente de la parte inferior (en rojo)
xlabel ('t', 'FontName', 'Arial', 'Fontsize', 14); % Abscisas
ylabel ('Parte real (r > 0)', 'FontName', 'Arial', 'Fontsize', 11); % Ordenadas
grid on; % Malla
axis ([-2*10^(-3), 2*10^(-3), -3, 3]); % Área de dibujo
set (gca, 'xtick', [0], 'XTickLabel', {'0'}, 'FontName', 'Arial', 'Fontsize', 11);
set (gca, 'ytick', [-0.5 0.5], 'YTickLabel', {' -a'; ' a'}, 'FontName',
'Arial','Fontsize', 11);
title ('Exponenciales crecientes', 'FontName', 'Arial', 'Fontsize', 12) % Título
r = -0.5*10^3; % Parte real del coeficiente del exponente
env = A*exp(r*t); % Envolvente superior
y = A*exp(r*t).*cos(w*t + fase);% Función
subplot (2, 1, 2); % Recuadro parte real
plot (t, y, 'b', 'LineWidth', 1); % Curva en azul de grosor 2
hold on;
plot (t, env, 'r'); % Envolvente de la parte superior (en rojo)
plot (t, -env, 'r'); % Envolvente de la parte inferior (en rojo)
xlabel ('t', 'FontName', 'Arial', 'Fontsize', 11); % Abscisas
ylabel ('Parte real (r < 0)', 'FontName', 'Arial', 'Fontsize', 11); % Ordenadas
grid on; % Malla
axis ([-2*10^(-3), 2*10^(-3), -3, 3]); % Área de dibujo
set (gca, 'xtick', [0], 'XTickLabel', {'0'}, 'FontName', 'Arial', 'Fontsize', 11);
set (gca, 'ytick', [-0.5 0.5], 'YTickLabel', {' -a'; ' a'}, 'FontName',
'Arial','Fontsize', 11);
title ('Exponenciales amortiguadas', 'FontName', 'Arial', 'Fontsize', 12)% Título
hold off;
clear all; % Elimina las variables utilizadas en esta rutina
 Señal Exponencial Compleja y
Senoidal
Respecto de las señales exponenciales complejas y senoidales en tiempo discreto, y las en
tiempo tienen algunas diferencias.
𝐞𝐣𝛚𝟎 𝐭 (Tiempo Continuo) 𝒆𝒋𝝎𝟎 𝒏 (Tiempo Discreto)
Señales distintas para distintos Señales idénticas para valores de 𝜔0 separados por
Valores de 𝜔0 múltiplo de 2𝜋

𝜋𝑚
Periódica para cualquier 𝜔0 Periodica sólo si 𝜔0 = para algunos enteros 𝑁 >
𝑁
0y𝑚
𝜔0
Frecuencia fundamental 𝜔0 Frecuencia fundamental
𝑚

Periodo Fundamental Periodo Fundamental

• 𝜔0 = 0: Indefinido • 𝜔0 = 0: Indefinido
2𝜋 2𝜋
• 𝜔0 ≠ 0: 𝜔 • 𝜔0 ≠ 0: 𝑚
0 𝜔0
 Señal Exponencial Compleja y
Senoidal

Secuencias senoidales
discretas a diferentes
frecuencias, mostrando el
efecto de no muestreo en
tiempos que NO SON
ENTEROS. Las funciones
graficadas son:
𝜋
𝑦[𝑛] = 𝐴cos( 𝑛)
8
𝑦[𝑛] = 𝐴cos(𝜋𝑛)
𝜋
𝑦[𝑛] = 𝐴cos( 𝑛)
2
𝑦[𝑛] = 𝐴cos(2𝜋)
 Señal Exponencial Compleja y
Senoidal
% senoidales discretas a diferentes
frecuencias
% senoidales discretas a diferentes
% Continuación
frecuencias
n = [0:32];
n = [0:32];
y = cos(pi/2*n);
y = cos(pi*n/8);
subplot(2,2,3);
subplot(2,2,1);
stem(n,y);
stem(n,y);
xlim([0 32]);
xlim([0 32]);
ylim([-1.25 1.25]);
ylim([-1.25 1.25]);
title('y[n] = cos(pi/2*n)');
title('y[n] = cos(pi*n/8)');
xlabel('n (samples)');
xlabel('n (samples)');
ylabel('y[n]');
ylabel('y[n]');
grid on;
grid on;
hold on;
hold on;
n = [0:32];
n = [0:32];
%y = cos(8*pi*n/31);
y = cos(pi*n);
y = cos(2*pi*n);
subplot(2,2,2);
subplot(2,2,4);
stem(n,y);
stem(n,y);
xlim([0 32]);
xlim([0 32]);
ylim([-1.25 1.25]);
ylim([-1.25 1.25]);
title('y[n] = cos(pi*n)');
title('y[n] = cos(2*pi*n)');
xlabel('n (samples)');
xlabel('n (samples)');
ylabel('y[n]');
ylabel('y[n]');
grid on;
grid on;
hold on;
hold off;
 Funciones Especiales
Impulso Unitario (discreto)
Se define como:
0, 𝑛≠0
𝛿 𝑛 =൜
1, 𝑛=0

%Delta Dirac o impulso Unitario

x = -1:0.1:1;
y = dirac(x);
idx = y == Inf; % Busca infinito
y(idx) = 1; % Valor finito a
usar
stem(x,y);
title('Impulso discreto');
xlabel('n (samples)');
ylabel('d[n]');
grid on;
 Funciones Especiales
Escalón Unitario (discreto)
Se define como:
0, 𝑛<0
𝑢 𝑛 =൜
1, 𝑛≥0

% Escalón Unitario discreto

u=[zeros(1,10), ones(1,11)];
n=-10:10;
stem(n,u);
title('Escalón discreto');
xlabel('n (samples)');
ylabel('u[n]');
ylim([-1.2 1.2]);
grid on;
 Funciones Especiales
Estas dos funciones se relación por medio de:
𝛿 𝑛 =u 𝑛 −u 𝑛−1
Es decir 𝛿 𝑛 es la primera diferencia del escalón discreto.
Por otro lado el escalón 𝑢 𝑛
𝑛

𝑢𝑛 = ෍ 𝛿𝑚
𝑚=−∞
Es decir, el escalón discreto es el inverso, es decir, la sumatoria de impulsos
que conforman el escalón.
Respecto del escalón unitario en tiempo continuo, este puede ser definido
como:
𝑡
𝑢 𝑡 = න 𝛿(𝜏)𝑑𝜏
−∞
 Funciones Especiales

De lo anterior se sugiere de manera análoga al caso discreto que el impulso unitario es la primera
derivada del escalón.
𝑑𝑢(𝑡)
𝛿 𝑡 =
𝑑𝑡
La problemática de esta función es que es discontinua en t=0, lo que implica que no es
diferenciable, por lo que se pude aproximar el escalón como:
𝑑𝑢∆ (𝑡)
𝛿∆ 𝑡 =
%Escalòn Continuo
𝑑𝑡
t = (-0.2:0.01:1)';
unitstep = t>=0;
plot(t,[unitstep]);
title('Escalón
continuo');
xlabel('t
(segundos)');
ylabel('u(t)');
ylim([-0.2 1.2]);
xlim([-0.2 1]);
grid on; Derivada de 𝑢∆ (𝑡)
Aproximación del escalón 𝑢∆ (𝑡)
 Interpretación de S

Las Ecuaciones Diferenciales Ordinarias y Parciales son las herramientas que nos permiten modelar
en el tiempo diversos fenómenos físicos

𝑑2 𝑦 𝑑 𝑛−1 𝑦 𝑑𝑦
𝑎𝑛 𝑡 2 + 𝑎𝑛−1 𝑡 𝑛−1 + ⋯ + 𝑎1 𝑡 + 𝑎0 𝑡 𝑦 = 𝑏0 𝑟 𝑡
𝑑𝑡 𝑑𝑡 𝑑𝑡

• El orden de una ED es el orden de la mayor derivada de esta.

• El grado de una ED es el exponente de la mayor derivada de la ecuación.

2
𝑑ℎ
𝐴 = 𝐶𝑞2 𝑎2 (2𝑔ℎ)
𝑑𝑡
 Interpretación de S

En una ecuación diferencial, se considera que desde el punto de vista de sistema se encuentra

𝑑𝑛 𝑑 𝑛−1 𝑑𝑦
𝑎𝑛 𝑛 + 𝑎𝑛−1 𝑛−1 + ⋯ + 𝑎1 + 𝑎0 𝑦 = 𝑏0 𝑟 𝑡
𝑑𝑡 𝑑𝑡 𝑑𝑡

Sistema Salida Entrada

Entrada (t) Salida (t)

Sistema (t)
 Interpretación de S

En una ecuación diferencial, se considera que

desde el punto de vista de sistema se encuentra

𝑑𝑛 𝑑 𝑛−1 𝑑
𝑎𝑛 𝑛 + 𝑎𝑛−1 𝑛−1 + ⋯ + 𝑎1 + 𝑎0 𝑦 = 𝑏0 𝑟 𝑡
𝑑𝑡 𝑑𝑡 𝑑𝑡

Entrada (t) Salida (t)

Sistema (t)
 Interpretación de S

𝑑𝑛 𝑑 𝑛−1 𝑑 El termino g(t) es el sistema es el sistema

𝑎𝑛 𝑛 + 𝑎𝑛−1 𝑛−1 + ⋯ + 𝑎1 + 𝑎0 𝑦 = 𝑏0 𝑟 𝑡
𝑑𝑡 𝑑𝑡 𝑑𝑡 o modelo matemático representativo del
evento físico en estudio, Resolver una
𝑔(𝑡)𝑦(𝑡) = 𝑏0 𝑟 𝑡
ecuación diferencial supone determinar
una expresión para la variable
Entrada (t) Salida (t) dependiente y(t) libre de derivadas.
Sistema (t)
La Transformada de Laplace, busca
ℒ 𝑔(𝑡) = 𝐺 𝑠 → 𝑠 = 𝑠 + 𝑗𝜔 convertir las derivadas en una expresión
compleja basada en el número S, en un
dominio diferente al tiempo
𝑗𝜔 = 𝕀

𝜎=ℝ
 Interpretación de S
𝑏𝑚 𝑠 𝑚 + 𝑏𝑚−1 𝑠 𝑚−1 + 𝑏1 𝑠 + 𝑏0 −𝜔𝑠
ℒ 𝑔(𝑡) = 𝐺 𝑠 = 𝐾 𝑒
𝑎𝑛 𝑠 𝑛 + 𝑎𝑛−1 𝑠 𝑛−1 + 𝑎1 𝑠 + 𝑎0

G(s) será considerado un sistema línea, invariante en el tiempo (LIT) con:

• 𝐾= Factor de proporcionalidad del sistema.

• 𝑏𝑚 𝑠 𝑚 + 𝑏𝑚−1 𝑠 𝑚−1 + 𝑏1 𝑠 + 𝑏0 = Numerador.
• 𝑎𝑛 𝑠 𝑛 + 𝑎𝑛−1 𝑠 𝑛−1 + 𝑎1 𝑠 + 𝑎0 = Denominador.
• 𝑒 −𝜔𝑠 = Retardo Inherente del Sistema (En este curso siempre será unitario).

La utilidad de la transformada de Laplace, radica en la conversión de una ecuación diferencial

ordinaria, lineal en una expresión polinómica, en base a la ecuación presentada se puede
considerar:
Las raíces del polinomio serán los ceros los
Ceros (𝑧𝑛 ) que son representados por círculos en el
𝑠 + 𝑧0 𝑠 + 𝑧1 plano 𝕀ℝ y las raíces del polinomio del
𝐺 𝑠 =𝐾 denominador serán los polos, los cuales se
𝑠 + 𝑝0 𝑠 + 𝑝0 Polos (𝑝𝑛 )
representa por una X en el plano 𝕀ℝ
 Trasformada de Laplace
Definición ∞
ℒ 𝑔(𝑡) = 𝐺 න 𝑔(𝑡)𝑒 −𝑠𝑡 𝑑𝑡 = 𝐺 𝑠 ∀ 𝑠 ∈ ℂ, 𝑦 𝑠 = 𝑠 + 𝑗𝜔
0

1 𝑐+𝑗∞
ℒ −1 𝐺(𝑠) = 𝑔 𝑡 = න 𝐺 𝑠 𝑒 𝑠𝑡 𝑑𝑠 ∀ 𝑡 > 0
2𝜋𝑗 𝑐−𝑗∞

Existencia de la transformada:

Si ℒ 𝑔(𝑡) es convergente, es decir es continua en los tramos 𝑡 > 0 o si 𝑒 −𝜎𝑡 𝑓(𝑡) ⇒ 𝑡 → ∞

Es decir, f(t) es de orden exponencial si ∃ 𝜎 ∈ +ℝ, es decir que 𝑓(𝑡) → ∞ cuando 𝑡 → ∞

 Trasformada de Laplace
Entonces, podemos concluir que si existe el límite de convergencia para 𝑔(𝑡) → 0 cuando 𝑡 → ∞ a
un valor de 𝜎 > 𝜎𝑐 y el limite → ∞ para 𝜎 < 𝜎𝑐 , el valor de 𝜎𝑐 se llama “Abscisa de Convergencia”
Si la función:
𝑓 𝑡 = 𝐴𝑒 −𝛼𝑡 → lim 𝑒 −𝜎𝑡 𝐴𝑒 −𝛼𝑡
𝑡→∞

En este caso el limite tiende a cero si 𝜎 > −𝛼 aquí la abscisa de convergencia 𝜎𝑐 = 𝛼. Entonces la
transformada ℒ 𝑓(𝑡) = 𝐺(𝑠) converge si y solo si 𝜎 > 𝜎𝑐,
 Trasformada de Laplace

Entonces, si 𝑓 𝑡 = 𝐴𝑒 −𝛼𝑡 , se puede decir que ℒ 𝑓(𝑡) = 𝐺 𝑠

∞
𝐴
ℒ 𝑓(𝑡) = න 𝐴𝑒 −𝛼𝑡 𝑒 −𝑠𝑡 𝑑𝑡 = 𝐺 𝑠 =
0 𝛼+𝑠

Interpretación de los Diagramas de Polos y Ceros

 Trasformada de Laplace
Interpretación de los Diagramas de Polos y Ceros

Sean las funciones 𝑔1 𝑡 = 𝑒 −0,5𝑡 y 𝑔2 𝑡 = 𝑒 −2𝑡

Calculemos las transformadas de Laplace para

𝑔1 𝑡 y 𝑔2 𝑡

1
𝐺1 𝑠 =
(𝑆 + 0,5)

1
𝐺2 𝑠 =
(𝑆 + 2)

Intuitivamente se aprecia que los polos que están más

Cercanos al eje imaginario, son sistemas que llegan más rápido
a la estabilidad o mejor dicho régimen permanente. Desde el
eje Real o de las abscisas.
Trasformada de Laplace
 Trasformada de Laplace
Concepto Intuitivo de Estabilidad
 Trasformada de Laplace
Concepto Intuitivo de Estabilidad
 Trasformada de Laplace
Propiedades:

La transformada de Laplace, es una transformación lineal entre dos funciones entre 𝐷𝑜𝑚 𝑡 y funciones entre
𝐷𝑜𝑚 𝑠 . Esto implica un cambio de la dependencia del funciones, por ejemplo:

Sea la ecuación representativa de tensión eléctrica instantánea:

𝑉 = 𝐼𝑅

Como función depediente del tiempo, esta expresión queda:

𝑉(𝑡) = 𝐼(𝑡)𝑅

Aplicando la transformada de Laplace a la expresión:

ℒ 𝑉(𝑡) = 𝑉(𝑆) = 𝐼(𝑆)𝑅

 Trasformada de Laplace
Propiedades:

La suma de funciones es la adición de dos transformadas de Laplace:

𝑓1 𝑡 + 𝑓2 𝑡 → 𝐹1 𝑆 + 𝐹2 𝑆

La multiplicación de una funciones por una constante es la multiplicación de la constante por la transformada de
la función:
𝑎𝑓 𝑡 → 𝑎𝐹 𝑆

Una función retrasada en el tiempo 𝑇 se comporta como:

𝑓(𝑡 − 𝑇) → 𝑒 −𝑇𝑠 𝐹(𝑆)

La primera derivada de una función se convierte en 𝑆 multiplicada por la función transformada menos el valor
inicial de la función en 𝑡 = 0.

𝑑
𝑓 𝑡 → 𝑠𝐹 𝑆 − 𝑓(0)
𝑑𝑡
 Trasformada de Laplace
Propiedades:
La transformada para al integral de una función inicial de la función en 𝑡 = 0.

𝑡
1
න 𝑓 𝑡 𝑑𝑡 → 𝐹 𝑆 − 𝑠𝑓 0
𝑆
0
𝑑
Donde 𝑓(0) es el valor inicial de la primera derivada de 𝑓(𝑡) en 𝑡 = 0
𝑑𝑡
Ejemplo:
Sistema masa, resorte amortiguador

𝑑2𝑥 𝑑𝑥
𝑚 +𝐶 + 𝑘𝑥 = 𝑓 𝑡 → ℒ 𝑓 𝑡 = 𝐹(𝑆)
𝑑𝑡 𝑑𝑡

𝑑𝑥(0)
𝑚 𝑆2𝑋 𝑆 − 𝑆𝑥 0 − + 𝐶 𝑆𝑥 𝑆 − 𝑥 0 + 𝑘𝑋 𝑆 = 𝐹 𝑆
𝑑𝑡

𝑋(𝑆) 1
=
𝐹(𝑆) 𝑚𝑆 2 + 𝑐𝑆 + 𝑘
 Trasformada de Laplace
Respecto de la Transformada Inversa de Laplace
1 𝑐+𝑗∞
ℒ −1 𝐺(𝑠) = 𝑔 𝑡 = න 𝐺 𝑠 𝑒 𝑠𝑡 𝑑𝑠 ∀ 𝑡 > 0
2𝜋𝑗 𝑐−𝑗∞
 Trasformada de Laplace
Respecto de la Transformada Inversa de Laplace
1 𝑐+𝑗∞
ℒ −1 𝐺(𝑠) = 𝑔 𝑡 = න 𝐺 𝑠 𝑒 𝑠𝑡 𝑑𝑠 ∀ 𝑡 > 0
2𝜋𝑗 𝑐−𝑗∞
Sea la ecuación diferencial:
𝑑2𝑥 𝑑𝑥
𝑚 +𝐶 + 𝑘𝑥 = 𝑓 𝑡 → ℒ 𝑓 𝑡 = 𝐹(𝑆)
𝑑𝑡 𝑑𝑡

Su “SOLUCIÓN” o RESPUESTA TEMPORAL se desarrollará en función a la Transformada de Laplace, por lo

que:
ℒ 𝑓 𝑡 =𝐹 𝑆

𝑑𝑥(0)
𝑚 𝑆2𝑋 𝑆 − 𝑆𝑥 0 − + 𝐶 𝑆𝑥 𝑆 − 𝑥 0 + 𝑘𝑋 𝑆 = 𝐹 𝑆
𝑑𝑡

𝑋(𝑆) 1
=
𝐹(𝑆) 𝑚𝑆 2 + 𝑐𝑆 + 𝑘
 Trasformada de Laplace
Considerando para este sistema una entrada al escalón

Sea la ecuación diferencial:

𝑡 > 0, 1 1
𝑈 𝑡 =൝ →ℒ 𝑈 𝑡 →
𝑆
𝑡 < 0, 0

Ya que esta herramienta se utiliza para la obtención de la solución de la EDO

𝑌(𝑆) 1 1 1
𝐻 𝑆 = →𝑌 𝑆 =𝐻 𝑆 𝑋 𝑆 →𝑌 𝑆 = =
𝑋(𝑆) 𝑚𝑆 2 + 𝑐𝑆 + 𝑘 𝑆 𝑚𝑆 3 + 𝑐𝑆 2 + 𝑘𝑆

Ahora, se aplica la transformada inversa de Laplace:

ℒ −1 𝑌 𝑆 = 1 − cos(0,707𝑡)
 Trasformada de Laplace
Ejercicios:

Transforma a 𝑆 o 𝑇 según corresponda:

4
𝑆+6

2
𝑆3

2𝑆
𝑆2 + 9
 Trasformada de Laplace
Descomposición en Fracciones Parciales
𝐺(𝑆) tiene polos distintos
𝑃(𝑆) 𝑃(𝑆)
𝐺 𝑆 = =
𝑄(𝑆) 𝑆 + 𝑝1 𝑆 + 𝑝2 … 𝑆 + 𝑝𝑛

La descomposición entonces es:

𝐴 𝐵 𝑁
𝐺 𝑆 = + +⋯
𝑆 + 𝑝1 𝑆 + 𝑝2 𝑆 + 𝑝𝑛

𝐺(𝑆) tiene 𝑛 polos repetidos

𝑃(𝑆) 𝑃(𝑆)
𝐺 𝑆 = =
𝑄(𝑆) 𝑠+𝑝 𝑛

La descomposición entonces es:

𝐴 𝐵 𝑁
𝐺 𝑆 = + 2+⋯ 𝑠+𝑝 𝑛
𝑆+𝑝 𝑠+𝑝
 Diagramas de Bloque
Descomposición en Fracciones Parciales
𝐺(𝑆) tiene polos distintos
𝑃(𝑆) 𝑃(𝑆)
𝐺 𝑆 = =
𝑄(𝑆) 𝑆 + 𝑝1 𝑆 + 𝑝2 … 𝑆 + 𝑝𝑛

La descomposición entonces es:

𝐴 𝐵 𝑁
𝐺 𝑆 = + +⋯
𝑆 + 𝑝1 𝑆 + 𝑝2 𝑆 + 𝑝𝑛

𝐺(𝑆) tiene 𝑛 polos repetidos

𝑃(𝑆) 𝑃(𝑆)
𝐺 𝑆 = =
𝑄(𝑆) 𝑠+𝑝 𝑛

La descomposición entonces es:

𝐴 𝐵 𝑁
𝐺 𝑆 = + 2+⋯ 𝑠+𝑝 𝑛
𝑆+𝑝 𝑠+𝑝
82
MatLab
Aplicaciones L=Fs

X=Fe N
SP e m
+
 CONTROL
PID
ACTUADOR H(S)

SENSOR
(4-20)mA

Diagrama de Bloques

Reducción Diagrama de Bloques

83
MatLab
¿Ahora como estimamos el sistema?
Al realizar una prueba al escalón unitario podemos ver la respuesta del
sistema, esto utilizando el comando ‘step’
84
MatLab - Simulink
Para facilitar el trabajo de los sistemas, es posible trabajar con
una herramienta denominada Simulink

Simulink está basado en bloques, donde principalmente la estructura de

trabajo está dada por:

Librería de
Bloques

Modelo
85
MatLab - Simulink
¿Cómo es la lógica de funcionamiento?
Analicemos un ejemplo… resolver en simulink la integral:

𝑦 = න 𝑒 𝑥 𝑑𝑥 → 𝑦 = 𝑒 𝑥 + 𝑐
Resultado
Matlab
(Workspace)

𝑒𝑥 න 𝑑𝑥

Entrada Desarrollamos Resultado

Revisamos la Simulink
(Excitación) La función para luego
salida
(𝑥) valores Operar (Integramos)
O resultado
Lineales con
Rampa de
pendiente
1 (1,2,3…n)
86
MatLab - Simulink
¿Y que hacemos ahora con nuestra T.F.?
Realicemos la prueba al escalón:
𝑦(𝑠) 𝑎2 𝑆 2 + 𝑎1 𝑆 + 𝑎0
ℎ(𝑠) → = 3
𝑥(𝑠) 𝑏3 𝑆 + 𝑏2 𝑆 2 + 𝑏1 𝑆 + 𝑏0
1
Si el escalón 𝑈(𝑠) = 𝑆 se procede a reemplazar en 𝑥(𝑠)

𝑎2 𝑆 2 + 𝑎1 𝑆 + 𝑎0 1
𝑦(𝑠) =
𝑏3 𝑆 3 + 𝑏2 𝑆 2 + 𝑏1 𝑆 + 𝑏0 𝑆

Gráficamente esto se representa en Simulink como:

𝑥(𝑠) ℎ(𝑠) 𝑦(𝑠)

Escalón Función de Respuesta

unitario Transferencia
87
MatLab - Simulink
¿Y que hacemos ahora con nuestra T.F.?
Usamos el bloque “Idmodel” para invocar (callback) de la función de
transferencia realizada y guardada en el workspace,
88
MatLab - Simulink
¿Y que hacemos ahora con nuestra T.F.?
Respuesta obtenida en Simulink,
89
MatLab - Simulink
¿Qué es control? ¿que es PID?
La definición de retroalimentación ya la conocemos por ende podemos ver
de un lazo de control que:

Elemento
Final Control
Controlador F.T. (Planta)
Sp

Perturbación

Sensor/Transmisor
90
MatLab - Simulink
Algoritmos de Control – Controlador PID
Características principales algoritmo PID:
• Controlador clásico, aparece el concepto de error de control, o
resultante de la comparación de la variable controlada con una
consigna.
• Algoritmo de control basado en retroalimentación.
• Algoritmo que entrega la señal o respuesta de control en base
a tres componentes. La acción proporcional, integral y
derivativa.
• Acción proporcional, acción que es proporcional a la magnitud
de error de control.
• Acción integral, acción que es proporcional a la integral de la
magnitud del error de control.
• Acción integral, acción que es proporcional a la derivada de la
magnitud del error de control.
91
MatLab - Simulink
Algoritmos de Control – Controlador PID
El controlador PID es con mucho el algoritmo de control más común. La mayoría de los
lazos de realimentación se controlan mediante este algoritmo u otro con pequeñas
variaciones. Se implementa de muchas formas diferentes, como un controlador único o
como parte de un paquete DDC (Control Digital Directo) o un sistema de control de
procesos distribuido jerárquico. Muchos miles de ingenieros de instrumentación y
control en todo el mundo están usando tales controladores en su trabajo diario. El
algoritmo PID se puede contemplar desde muchas direcciones diferentes. Se puede ver
como un dispositivo que puede operarse con unas pocas reglas heurísticas, pero que
también puede estudiarse analíticamente.

La presente expresión muestra en su forma sistémica y según (KJ Åström, T Hägglund)

donde u es la señal de control y e es el error de control (𝑒 = 𝑦𝑠𝑝 − 𝑦). La señal

de control es así una suma de tres términos: el término-𝑃 (que es proporcional al el
término-𝐼 (que es proporcional a la integral del error), y el término-𝐷
(que es proporcional a la derivada del error). Los parámetros del controlador son la
ganancia proporcional 𝐾, el tiempo integral 𝑇𝑖, y el tiempo derivativo 𝑇𝑑.
92
MatLab - Simulink
Algoritmos de Control – Controlador PID

En el caso de la acción proporcional En el caso del control proporcional

puro, la ley de control dada por la Ecuación se reduce a

la acción de control es simplemente proporcional al error de control. La

variable 𝑢𝑏 es una polarización o un reset. Cuando el error de control 𝑒 = 0,
la señal de control toma el valor 𝑢(𝑡) = 𝑢𝑏. La polarización 𝑢𝑏 a menudo se
fija a (𝑢𝑚𝑎𝑥 + 𝑢𝑚𝑖𝑛)/2, pero puede algunas veces ajustarse manualmente de
forma que el error de control estacionario es cero en un punto de consigna
dado.
93
MatLab - Simulink
Algoritmos de Control – Controlador PID

Simulación de un sistema en lazo cerrado con control proporcional. La función

de transferencia del proceso es 𝐺(𝑠) = (𝑠 + 1)−3 . El diagrama superior muestra
el punto de consigna 𝑦𝑠𝑝 = 1 y la salida del proceso 𝑦 para diferentes valores
de la ganancia del controlador 𝐾. El diagrama inferior muestra la señal de
control u para diferentes ganancias del controlador.
94
MatLab - Simulink
Algoritmos de Control – Controlador PID
La función principal de la acción integral es asegurarse de que la salida del proceso
coincide con el punto de consigna en estado estacionario. Con control proporcional, hay
normalmente un error de control en estado estacionario. Con acción integral, un
pequeño error positivo conducirá siempre a una señal de control creciente, y un error
negativo dará una señal de control decreciente sin tener en cuenta lo pequeño que sea el
error. La siguiente expresión muestra que el error en estado estacionario
siempre será cero con acción integral. Suponga que el sistema está en estado
estacionario con una señal de control constante (𝑢0) y un error constante (𝑒0). Se sigue
de la Ecuación que la señal de control viene entonces dada por

Mientras 𝑒0 = 0, esto claramente contradice la hipótesis de que la señal de control

𝑢0 es constante. Un controlador con acción integral siempre dará error cero en
estado estacionario.

De donde
Que corresponde a un controlador PI
95
MatLab - Simulink
Algoritmos de Control – Controlador PID
La simulación de un sistema en lazo cerrado con control proporcional e integral. La
función de transferencia del proceso es 𝐺(𝑠) = (𝑠 + 1)−3 , y la ganancia del
controlador es 𝐾 = 1. El diagrama superior muestra el punto de consigna 𝑦𝑠𝑝 = 1 y la
salida del proceso y para diferentes valores del tiempo integral 𝑇𝑖. El diagrama inferior
muestra la señal de control 𝑢 para diferentes tiempos integrales.
96
MatLab - Simulink
Algoritmos de Control – Controlador PID
Las propiedades de la acción integral se ilustran en el gráfico anterior, que muestra una
simulación de un sistema con control 𝑃𝐼. La ganancia proporcional es constante, 𝐾 =
1, y se cambia el tiempo integral. El caso 𝑇𝑖 = ∞ corresponde a control proporcional
puro. Este caso es idéntico al caso 𝐾 = 1 de la gráfico en respuesta proporcional,
donde el error en estado estacionario es del 50%. El error en estado estacionario se
elimina cuando 𝑇𝑖 tiene valores finitos. Para grandes valores del tiempo de integración,
la repuesta se mueve lentamente hacia el punto de consigna. La aproximación es casi
exponencial con constante de tiempo 𝑇𝑖 /𝐾𝐾𝑝. Dicha aproximación es más rápida para
valores más pequeños de 𝑇𝑖 pero es también oscilatoria.

El objetivo de la acción derivativa es mejorar la estabilidad en lazo cerrado El

mecanismo de inestabilidad se puede describir intuitivamente como sigue. A causa de la
dinámica del proceso, llevará algún tiempo antes de que un cambio
en la variable de control sea detectable en la salida del proceso. Así, el sistema de
control tardará en corregir un error. La acción de un controlador con acción
proporcional y derivativa se puede interpretar como si el control se hiciese proporcional
a la salida predicha del proceso, donde la predicción se hace extrapolando el error por la
tangente a la curva del error como se muestra en la gráfica del error. La estructura
básica de un controlador PD es
97
MatLab - Simulink
Algoritmos de Control – Controlador PID

Interpretación de la acción derivativa como control predictivo, donde la predicción se

obtiene por extrapolación lineal.

Al aplicar series de Taylor para la linealización de la curva en el punto

Se obtiene:
98
MatLab - Simulink
Algoritmos de Control – Controlador PID
La señal de control es casí proporcional a una estimación del error de control en el
tiempo Td hacia adelante, donde se obtiene la estimación por extrapolación lineal.
En el gráfico siguiente se muestran las propiedades de la acción derivativa, que muestra
una simulación de un sistema con control PID.
La ganancia del controlador y el tiempo de integración se mantiene constante,
K = 3 y Ti = 2, y se cambia el tiempo derivativo Td. Para Td = 0 tenemos control
PI puro. El sistema en lazo cerrado es oscilatorio con los parámetros escogidos.
Inicialmente el amortiguamiento aumenta cuando el tiempo derivativo aumenta
pero disminuye otra vez cuando el tiempo derivativo se hace demasiado grande.
99
MatLab - Simulink
Algoritmos de Control – Controlador PID
La acción derivativa fue también originalmente implementada utilizando un sistema
de primer orden tal como se muestra en el diagrama de bloques de la Figura, en donde la
transformada de Laplace de la salida está dada por

Simulación de un sistema en lazo cerrado con control proporcional, integral, y derivativo.

La función de transferencia del proceso es 𝐺(𝑠) = (𝑠 + 1)−3 . , la ganancia del controlador
es 𝐾 = 3, y el tiempo integral es 𝑇𝑖 = 2. El diagrama superior muestra el punto de
consigna 𝑦𝑠𝑝 = 1 y la salida del proceso y para diferentes valores del tiempo derivativo Td.
El diagrama inferior muestra la señal de control 𝑢 para diferentes tiempos derivativos

El sistema así tiene la función de transferencia

𝑠𝑇
𝐺(𝑠) =
(1 + 𝑠𝑇)
100
MatLab - Simulink
Algoritmos de Control – Resumen Controlador PID

Kp

e(t) Ki + u(t)
+ +
E(s) - + U(s)
S

Kd*S
101
MatLab - Simulink
Comprobemos el Algoritmo
En Simulink para la función de transferencia:
1 Realiza el gráfico para
𝐻 𝑠 = K=5; K=0,2; K=0,5 en un
𝑆 3 + 3𝑆 2 + 3𝑆 + 1
controlador solo
proporcional
102
MatLab - Simulink
Probando el control en nuestra F.T. (Inestable)
103
MatLab - Simulink
Probando el control en nuestra F.T. (Sintonizado)
104
MatLab - Simulink
Sintonización – Método Curvas Reactivas Ziegler and Nichols

Curva “S” para parámetros 𝐿:Retardo y 𝑇:Constante de Tiempo

105
MatLab - Simulink
Sintonización – Método Curvas Reactivas Ziegler and Nichols

Curva “S” para parámetros 𝐿:Retardo y 𝑇:Constante de Tiempo

106
MatLab - Simulink
Sintonización – Método Curvas Reactivas Ziegler and Nichols

Resultado para parámetros P=2, I=0,4 y D=2,9

107
MatLab
Recordando
108
MatLab

Neuronas
• Hay más de cien mil millones de ellas en el cuerpo.

• Procesador sencillo de información.

• Poseen dendritas como canal de entrada de la información.

• El Soma que su órgano de computo.

• El Axón que es el canal de salida y comunicación con otras neuronas.

Estructura básica de una neurona.

109
MatLab

Redes neuronales artificiales

• Un conjunto de entradas 𝑥𝑗 y unos pesos sinápticos 𝑤𝑖𝑗 .

𝑗 = 1, … , 𝑛

• Una regla de propagación ℎ𝑖 dada por el conjunto de pesos

sinápticos.
ℎ𝑖 𝑥1 , … , 𝑥𝑛 ; 𝑤𝑖1 , … , 𝑤𝑖𝑛

• Como regla de propagación más usada, se utiliza la combinación

lineal del entradas y pesos sinápticos.
𝑛

ℎ𝑖 𝑥1 , … , 𝑥𝑛 ; 𝑤𝑖1 , … , 𝑤𝑖𝑛 = ෍ 𝑤𝑖𝑛 𝑥1

𝑖=1

• Suele ser habitual añadir al conjunto pesos un parámetro 𝜃𝑖

denominado umbral, el cual se sustrae al potencial post-
sináptico.
110
MatLab

ℎ𝑖 𝑥1 , … , 𝑥𝑛 ; 𝑤𝑖1 , … , 𝑤𝑖𝑛 = ෍ 𝑤𝑖𝑛 𝑥1 − 𝜃𝑖

𝑖=1

• Una función de activación la cual representa simultáneamente la

salida de la neurona y su estado de activación 𝑦𝑖 .
𝑛

𝑦𝑖 = 𝑓𝑖 ℎ𝑖 = 𝑓𝑖 ෍ 𝑤𝑖𝑗 𝑥𝑗
𝑗=0

Neuronas Discretas
Neuronas con función de activación discreta
𝑛

1 𝑠𝑖 ෍ 𝑤𝑖𝑗 𝑥𝑗 ≥ 𝜃𝑖
𝑗=0
𝑦𝑖 = 𝑛

0 𝑠𝑖 ෍ 𝑤𝑖𝑗 𝑥𝑗 < 𝜃𝑖
𝑗=0
111
MatLab

Neuronas continua sigmoide

• Neuronas con función de activación continua en forma
sigmoidea.
1
𝑦𝑖 = − σ𝑛
→ 𝑦𝑖 ∈ 0,1
1+𝑒 𝑗=1 𝑤𝑖𝑗 𝑥𝑗 −𝜃𝑖

σ𝑛
𝑗=1 𝑤𝑖𝑗 𝑥𝑗 −𝜃𝑖 − σ𝑛
𝑗=1 𝑤𝑖𝑗 𝑥𝑗 −𝜃𝑖
𝑒 −𝑒
𝑦𝑖 = ∈→ 𝑦𝑖 −1,1
σ𝑛
𝑗=1 𝑤𝑖𝑗 𝑥𝑗 −𝜃𝑖 − σ𝑛
𝑗=1 𝑤𝑖𝑗 𝑥𝑗 −𝜃𝑖
𝑒 +𝑒

• Las ecuaciones mostradas son diferenciables y continuas,

características muy importantes para algunas reglas de
aprendizaje como en el caso de la retro propagación del error o
(Back propagation).
112
MatLab
x1 Sinápsis
wi1
Cuerpo celular Axón
x2 wi2 yi

xj wij ∑ f( )
Salida
win 𝑛
Entradas -1 Ɵi
𝑦𝑖 = 𝑓𝑖 ℎ𝑖 = 𝑓𝑖 ෍ 𝑤𝑖𝑗 𝑥𝑗
xn
Umbral 𝑗=0
Dendritas
Estructura de una neurona artificial

Estructura de una neurona artificial multicapa o perceptrón multicapa .

113
MatLab

FUNCIONES DE ACTIVACIÓN
114
MatLab

Generación de red neuronal artificial

• Obtención datos representativos del modelo.

• Discriminación de variables a utilizar para modelación de la red.

• Modelación de red neuronal a través de MatLab.

• Incorporación de la RNA (Red Neuronal Aritificial) a Simulink.

• Reemplazar controlador.
115
MatLab
El algoritmo Backpropagation para redes multicapa es una
generalización del algoritmo de mínimos cuadrados. Ambos algoritmos
realizan su labor de actualización de pesos y ganancias con base en
el error medio cuadrático. La red Backpropagation trabaja bajo
aprendizaje supervisado y por tanto necesita un conjunto de
instrucciones de entrenamiento que le describa cada salida y su valor
de salida esperado.
116
MatLab
117
MatLab

σ𝑛𝑖=0 𝑂𝑖 − 𝐶𝑖 2
𝑅𝑀𝑆 =
𝑛
118
MatLab
Implementación Controlador Neuronal
Salida
Controlador
Entrada (Salida de RNA)
Controlador
(Entrada a RNA)

Salida Sistema

Controlador
PID

Set Point

Controlador RNA
119
MatLab
Consideraciones:

Para el desarrollo del Controlador Neuronal, es necesario establecer el patrón de

comportamiento que necesitamos, lo que implica que la RNA deberá seguir un
comportamiento o el desarrollo de una señal en especifico, es decir deberemos
realizar un “ajuste” del controlador.

Por ende tenemos que considerar que para el entrenamiento de la RNA, es

necesario saber que reemplazaremos el controlador, lo que implica que
debemos tener la entrada y salida de este como se muestra en el diagrama
anterior.

Una vez que esto se realiza, es necesario que considerar que la RNA reemplazará
al controlador tal como se muestra en la figura anterior.
120
MatLab
¿Cuáles son los pasos?
• Desarrollamos arquitectura de RNA.

• Realizamos el entrenamiento de ella.

Gráfico índica que el resultado del

entrenamiento tiene una presión de la
RNA entrenada en un 99,9% respecto
de la señal de entrenamiento o la
salida de esta.
Lo que implica que el entrenamiento
ha sido resulto de buena manera. A
través del algoritmo Backpropagation.
121
MatLab
¿Cuáles son los pasos?
• Tomamos los datos de entrenamiento y los ajustamos a matrices que tengan
igual número de filas y columnas (ambas señales),

dim 𝐶𝑖𝑛 = dim 𝐶𝑜𝑢𝑡

Tal cuál el gráfico donde se presenta la entrada y salida el controlador, es decir,

las señales patrones que nos permitirán entrenar y configurar la RNA.
122
MatLab
¿Cuáles son los pasos?
• Finalmente realizamos el reemplazo en Simulink mediante el comando
“gensim”. Obteniendo la respuesta de nuestro controlador. El cual se muestra
en la figura en comparación a la respuesta del controlador PID.

• Al calcular el error de la señal a través del error a través de la raíz cuadrática

del error

σ𝑛𝑖=0 𝑂𝑖 − 𝐶𝑖 2
𝑅𝑀𝑆 = = ±0,5%
𝑛