CAPÍTULO 7

SISTEMAS MULTIVARIABLES

7.1. Introducción
El estudio sobre el diseño y análisis de sistemas de control multivariables o MIMO (en inglés
Multivariable Inputs, Multivariable Outputs) empieza en este capı́tulo con una introducción a
los sistemas multivariables y los problemas de control que presentan. Aquı́ fundamos las bases
para un tratamiento sobre aspectos de diseño del controlador para este tipo de sistemas.

Los capı́tulos preliminares han estado asociados con sistemas caracterizados por una entrada
y por una salida, conocido por sus siglas en inglés SISO, pero es importante recordar que
en muchos casos prácticos existen más de una variable que debe ser controlada, ası́ como
varias variables que pueden ser manipuladas. Por lo cual, el sistema considerado tiene múltiples
entradas y múltiples salidas, haciéndolo multivariable por naturaleza. De hecho, los procesos
quı́micos más importantes son a menudo de naturaleza multivariable: calderas, mezclas, plantas
de papel, columnas de destilación, reactores quı́micos, intercambiadores de calor, redes de
distribución de vapor, sistemas de aire acondicionado, entre otros. Muchos asuntos no triviales,
que se han encontrado hasta ahora en nuestra discusión sobre los sistemas de entradas únicas
y de una sola salida, ahora se acrecientan cuando se van a diseñar controladores para estos
sistemas multivariables.

Una de las caracterı́sticas tı́picas en los sistemas multivariables es el fenómeno de la interacción.

La interacción está relacionada con el efecto que cada variable manipulada tiene sobre las
diferentes variables controladas, es una caracterı́stica inherente de los procesos multivariables.
Se manifiesta por el hecho de que una variable de entrada afecta en mayor o menor grado a
todas las variables de salida, lo que dificulta la operación del proceso y el diseño de su sistema de
control. Por lo tanto, cualquier metodologı́a de diseño de control multivariable deberı́a tener en
cuenta la interacción. Si en muchos casos no se hace ası́ es porque la interacción es despreciable y
el control se aborda con n controladores independientes como si el proceso estuviera compuesto
de n procesos monovariables.
217 camacho, rosales y rivas

Cuando las interacciones son severas, la selección de la estrategia más conveniente de control
toma dificultad. Por lo cual, es posible que no podamos decidir objetivamente la combinación
más apropiada entre las variables controladas y las variables manipuladas.

Una de las formas de resolver la interacción es a través de los desacopladores. Las formulaciones
de control por desacoplo que mejor contemplan estas caracterı́sticas son las que se basan
en una representación del proceso mediante una matriz de funciones de transferencia con
retardos (Marlı́n, 1995, Ogunnaike and Harmon Ray, 1994). Aun ası́, el control por desacoplo
también se puede abordar usando otros enfoques como el control por realimentación de estados
(Albertos and Sala, 2004), el cual necesita de una representación en espacio de estados donde
el tratamiento de los retardos de tiempo es más complejo.

Los sistemas multivariables presentan otras caracterı́sticas, además de la interacción, que

los diferencian de los sistemas monovariables y dificultan el diseño de las estrategias de control.
Entre estas se encuentran la existencia de ceros multivariables en el semiplano derecho y la
presencia de retardos de tiempo diferentes para cada par entrada - salida.

7.2. Enfoques de Control

Esta sección muestra de una manera breve distintos enfoques de esquemas de control para
sistemas multivariables. El problema de control MIMO se maneja por dos enfoques:

7.2.1. Control descentralizado o control diagonal

Utiliza múltiples controladores de lazo único, es decir, cada salida individual está conectada
a una entrada única que forma una red de múltiples lazos. En primer lugar, podemos considerar
que la interacción es despreciable y el control se puede considerar compuesto por n controladores
independientes, como si el proceso estuviera compuesto de n procesos monovariables, Figura
7.1(a).

En el caso de que la interacción este presente pudiésemos seguir utilizando la estructura

descentralizada, pero ahora todos y cada uno de los controladores se diseñan incorporando los
efectos que los otros lazos tienen sobre el correspondiente proceso aparente (Vázquez et al.,
1999, Vázquez and Morilla, 2002). Antes de llevar a cabo el diseño de un control descentra-
lizado es importante escoger un apareamiento adecuado entre las variables de entrada y salida
que presente la menor interacción posible (Salgado and Yuz, 2009). Una de las medidas más
utilizadas para resolver este problema es la RGA (Relative Gain Array) Bristol, (1966).
Sistemas Multivariables 218

Figura 7.1 (a) Esquema de Control descentralizado

T L

Figura 7.1 (b) Ejemplo de proceso multivariable con un esquema de control descentralizado.
219 camacho, rosales y rivas

7.2.2. Control Centralizado

Utiliza todas las entradas y salidas de proceso simultáneamente para determinar todas las
variables manipuladas.

La figura 7.2 (a) muestra el sistema de control multivariable centralizado (Lieslehto, 1996,
Wang, 2003, Liu et al., 2007). Como en el caso anterior, si el problema de apareamiento no
tiene tanta importancia, o pudiéramos decir que hay ausencia de interacción, o en otras palabras
desacoplamiento total de variables. Esta es una caracterı́stica deseable en muchas aplicaciones.
En primer lugar, porque ello facilitarı́a la labor de los técnicos a la hora de decidir cuáles son
los valores de referencia que permitirı́an alcanzar ciertos objetivos en un sistema de control
multivariable, y en segundo lugar porque permitirı́a mejorar de forma aislada las respuestas del
sistema.

Otra opción que tendrı́amos es utilizar una estructura centralizada, pero si la interacción
es importante, se incorpora una red de desacoplo en serie con el proceso con la intención de
eliminar o reducir la interacción, e indirectamente facilitar el diseño de los controladores del
sistema de control, véase la Figura 7.2 (b) (Skogestad and Postlethwaite, 2005, Ogunnaike and
Harmon Ray, 1994, Goodwin et al., 2001, Waller et al., 2003, Albertos and Sala, 2004).

Figura 7.2 (a) Sistema de control centralizado

Sistemas Multivariables 220

F Control
Centralizado
T

Figura 7.2 (b). Ejemplo de Proceso multivariable con un esquema de control centralizado.

La siguiente tabla muestra una comparación entre los enfoques tratados en esta sección, se
podrá ver las ventajas y desventajas que cada uno de ellos tiene.

Tabla 7.1 Comparación de enfoques de control multivariable

Enfoque Ventajas Desventajas
Descentralizado Usualmente usa un algoritmo No maneja lazo cruzado
simple. interacción.
Fácil de entender por el personal No usa criterios de optimización
de la planta. para las variables manipuladas.
Los diseños de control son Hay muchas posibilidades de
estándar configuraciones de control
El mantenimiento de un lazo no No controla las restricciones de
afecta los otros lazos entrada eficientemente

Centralizado Puede manejar el lazo cruzado Puede ser difı́cil de entender por
de interacción los operadores de planta
Puede incorporar restricciones a El algoritmo de control y el
la entrada directamente cálculo pueden ser complejos.
Puede proporcionar un uso Fallo del control central afecta el
óptimo de las variables resto de los otros los lazos
manipuladas
221 camacho, rosales y rivas

A continuación, consideraremos técnicas para caracterizar las interacciones y seleccionar la

configuración de control MIMO más adecuada.

7.3. Interacción y apareamiento de variables

A continuación, en la figura 7.3 se muestran esquemas de sistemas SISO y MIMO. Por
conveniencia, se asume que el número de variables manipuladas es igual al número de variables
controladas.

Perturbaciones Perturbaciones

M1 (s) C1 (s)
Proceso Proceso
M(s) C(s)
M2 (s) C2 (s)

Figura 7.3 Esquemas de sistemas SISO y MIMO.

En general, un cambio en una variable manipulada, por ejemplo, M1 , afectará C1 y C2 ,

debido a la interacción propia dentro del proceso, al igual que un cambio en M2 hará lo
equivalente sobre las variables controladas. En la figura 7.4 se muestra cómo cambios en las
variables manipuladas tiene un efecto directo sobre una variable controlada, y un efecto indirecto
sobre la otra. Este fenómeno puede ocasionar por un lado desestabilización del sistema de control
y por otro lado hace la sintonización de los controladores una tarea difı́cil.

Históricamente las técnicas de desacoplo han sido usadas como una forma de combatirla.
En contraposición hay sistemas donde los acoplamientos se emplean deliberadamente para
aumentar el rendimiento, como ocurre en los sistemas de control de algunas dinámicas aéreas
(Wang, 2003).

Otro aspecto a tener en cuenta es el adecuado apareamiento entre variables.

Sistemas Multivariables 222

Figura 7.4 Efecto de la interacción

7.3.1. Análisis de diagrama de bloques

Partamos del sistema multivariable mostrado en la figura 7.5:

Perturbaciones

M1 (s) Proceso C1 ( s )
M 2 (s) C2 ( s )
Figura 7.5 Sistema multivariable 2 × 2

Hagamos un análisis donde podamos descomponer el sistema en funciones de transferencia

a lazo abierto como se muestra a continuación:

C1 (s)
= Gp11 (s) (7.1)
M1 (s)
C2 (s)
= Gp21 (s) (7.2)
M1 (s)
C1 (s)
= Gp12 (s) (7.3)
M2 (s)
C2 (s)
= Gp22 (s) (7.4)
M2 (s)
Las ecuaciones anteriores pueden ser usadas para determinar el efecto de un cambio en M1
ó M2 . Del principio de superposición, se asume que cambios simultáneos en M1 (s) y M2 (s)
223 camacho, rosales y rivas

tienen efecto aditivo sobre cada variable controlada:

C1 (s) = Gp11 (s) M1 (s) + Gp12 (s) M2 (s) (7.5)

C2 (s) = Gp21 (s) M1 (s) + Gp22 (s) M2 (s) (7.6)

y podemos representarla de manera matricial de manera compacta:

     
C1 (s) M1 (s) Gp11 (s) Gp21 (s)
C(s) = ; M(s) = ; y Gp (s) = (7.7)
C2 (s) M2 (s) Gp12 (s) Gp22 (s)
Con lo cual, de manera matricial, podemos representar el sistema de la siguiente manera

C(s) = Gp (s)M(s) (7.8)

Ahora bien, si quisiéramos usar un esquema de control para el sistema MIMO (2 × 2) que
estamos describiendo, conseguimos dos posibilidades para aparear las variables manipuladas
con las variables controladas, las siguientes figuras muestran ambas opciones.

-
R1 (s) + E1 (s) M1 (s) C1 (s)
GC1 Gp11
+
+

Gp12

Gp21

+
R2 (s) + E2 (s) M2 (s) + C2 (s)
GC2 Gp22
-

Figura 7.6 Configuración 1-1; 2-2.

Al producirse perturbaciones que afecten el valor final de alguna de las variables controladas,
los controladores actúan simultáneamente hasta que se alcance un nuevo estado de equilibrio.
Sistemas Multivariables 224

-
R1 (s) + E1 (s) M1 (s) C1 (s)
GC1 Gp11
+
+

Gp12

Gp21

+
R2 (s) + M2 (s) + C2 (s)
GC2 Gp22
E2 (s)
-

Figura 7.7 Configuración 1-2; 2-1.

Veamos qué pasa si, por ejemplo, tuviésemos una columna de destilación, tı́picamente tiene 5
variables controladas y cinco manipuladas. Variables controladas (VC): XD , XB , P, hB , hD .;
Variables manipuladas (VM): D, B, R, QD , QB .

Figura 7.8 Esquema de una torre de destilación.

225 camacho, rosales y rivas

Obsérvese que, en este caso, con este número de variables pudiera existir 120 diferentes
posibilidades de apareamiento, posiblemente algunas no tengan sentido, pero lo importante que
se debe resaltar es que a medida que el sistema tiene más variables se hace más difı́cil escoger
apropiadamente el mejor par de variables.

Tratemos de mostrar a partir de la figura 7.9 lo que se conoce como lazo oculto y a partir
del cual podremos determinar la interacción o como ésta es el resultado de lazos que no vemos
pero que están presentes, los lazos más oscuros representan los lazos ocultos.

-
R1 (s) + E1 (s) M1 (s) C1 (s)
GC1 Gp11
+
+

Gp12

Gp21

+
R2 (s) + E2 (s) M2 (s) + C2 (s)
GC2 Gp22
-

Figura 7.9 Lazo oculto

De la Figura 7.9 se pude deducir lo siguiente, la función de transferencia entre la variable

controlada y manipulada depende de si los otros lazos están abiertos o cerrados.

Supongamos que la Gc2 (s) está fuera de servicio o está colocado en posición manual, por lo
cual M2 (s) = 0. De la Ec.n (7.5) nos queda:

C1 (s)
= Gp11 (s); M2 (s) = 0 (7.9)
M1 (s)
Si ambos lazos están cerrados, entonces las contribuciones a C1 (s) de los dos lazos se agregan
juntos

C1 (s) = Gp11 (s)M1 (s) + Gp12 (s)M2 (s) (7.10)

Sistemas Multivariables 226

Sin embargo, si el segundo controlador está en el modo automático con R2 (s) = 0, entonces,
a partir del diagrama de bloques se obtiene:

M2 (s) = E2 (s)Gc2 (s) (7.11)

E2 (s) = R2 (s) − C2 (s) = −C2 (s) (7.12)

De la ecuación 7.6, reemplazando, nos queda:

C2 (s) = Gp21 (s) M1 (s) − Gp22 (s) Gc2 (s) C2(s) (7.13)

Ordenado la ecuación previa, se obtiene el siguiente resultado:

Gp21 (s) M1 (s)

C2 (s) = (7.14)
1 + Gc2 (s) Gp22(s)
De la figura 7.9, la señal desde el segundo lazo al primer lazo, viene dada por

Gp12 (s) M2 (s) = −Gp12 (s) Gc2(s) C2 (s) (7.15)

Con lo cual

Gp21 (s)M1 (s)

C1 (s) = Gp11 (s) M1 (s) − Gp12 (s) Gc2 (s) (7.16)
1 + Gc2 (s) Gp22 (s)
Si M2 (s) 6= 0, control en automático.

C1 (s) Gp12 (s) Gp21 (s) Gc2(s)

= Gp11 (s) − (7.17)
M1 (s) 1 + Gc2 (s)Gp22 (s)
Y nos queda

Gp12 (s) Gp21 (s) Gc2(s)

= término de interacción (7.18)
1 + Gc2 (s) Gp22 (s)
La conclusión de esta ecuación que puede ser extendida para otros lazos, se observa que el
ajuste de los controladores no se puede hacer en forma independiente.

No se pueden sintonizar los controladores de cada lazo de manera independiente, de hacerlo

no se podrá estimar el comportamiento del controlador, de esta manera es necesaria una
sintonización simultánea. Otro aspecto importante es que, debido a las interacciones en el
proceso producidas por los lazos ocultos, la tarea de seleccionar el apareamiento entre variables,
para estos sistemas de múltiples lazos de control, se vuelve difı́cil. El lazo oculto de realimentación
causa dos problemas potenciales:

1. Tiende a desestabilizar el sistema de lazo cerrado.

2. Hace la sintonización del controlador más difı́cil.

227 camacho, rosales y rivas

En los procesos como los tratados en este capı́tulo, se observa que una variable manipulada
puede afectar a más de una variable controlada y, viceversa, una variable controlada puede
depender de más de una variable manipulada. Las interacciones entre lazos de control, establecen
el cómo diseñar el sistema de control, el cómo se aparean las variables manipuladas y controladas
para formar los lazos correctos de regulación determina el diseño.

Cuando las interacciones entre lazos de control son fuertes, las técnicas de control de una
entrada y una salida no ofrecen buenos resultados. Hay que acudir a técnicas de control
multivariable que son más complejas. La más asequible, y la que se aplicará en este caso,
es la basada en desacopladores, estos son elementos de control que reducen la intensidad de las
interacciones.

En la siguiente sección se mostrará un método sencillo y práctico que permite estudiar

el problema del apareamiento entre variables controladas y variables manipuladas y sugerir
una forma en que estas se puedan relacionar. Un incorrecto apareamiento produce un pobre
desempeño y reduce los márgenes de estabilidad.

7.4. Método de Bristol

Una alternativa para cumplir con las especificaciones de desempeño y diseño con una
estructura de control fácil de implementar considera establecer el conveniente apareamiento, de
manera independiente, entre las entradas y salidas. En concordancia con esto, para el análisis y
diseño de los controladores descentralizados se presenta la matriz de ganancia relativa (RGA).
La matriz de ganancia relativa (RGA), fue propuesta por Bristol (1966). Históricamente, el uso
de la matriz RGA se ha enfocado en esquemas de control descentralizado (diagonal).

Por definición, la matriz Λ está definida como sigue:

u1 u2 u3 u4
RGA = Λ =   (7.19)
λ11 λ12 . . . λ1n
 
c1  
 λ21 λ22 . . . λ2n 
c2  
 
c3  
 .. .. . 
c4  . . . . . .. 
λn1 λn2 . . . λnn

Para calcular cada termino de la matriz, se realiza el cociente entre la ganancia de la función
de transferencia en lazo abierto sobre la ganancia de la función de transferencia a lazo cerrado.
 
∂ Ci /∂ Mi M = cte
ganancia a lazo abierto
λij =   = (7.20)
ganancia a lazo cerrado
∂ Ci /∂ Mi C = cte
Sistemas Multivariables 228

La RGA tiene las siguientes propiedades:

1. Es normalizada.

2. Es adimensional.

3. La suma de los elementos de cada columna y de cada fila es 1.

4. RGA es una medición de la sensibilidad que tiene a pequeños cambios de las matrices de
ganancias K.

Consideremos, por ejemplo, un sistema 2 × 2. Siguiendo lo establecido en la ecuación

7.20. comenzaremos por la determinación de las ganancias a lazo abierto. Denominemos estas
ganancias como K :
     
 
K11 K12  ∆ C1 /∆ M1 M2 = cte ∆ C1 /∆ M2 M1 = cte 
 
K= =  (7.21)
     
K21 K22  
∆ C2 /∆ M1 M2 = cte ∆ C2 /∆ M2 M1 = cte

Y definamos K ∗ como la matriz de ganancias a lazo cerrado:

     
 
∗
K11 ∗
K12  ∆ C1 /∆ M1 C2 = cte ∆ C1 /∆ M2 C1 = cte 
 
K =
∗ =  (7.22)
     
∗
K21 ∗
K22  
∆ C2 /∆ M1 C2 = cte ∆ C2 /∆ M2 C1 = cte

Para obtener Λ procedemos a relizar el cociente entre ganancias:

   ∗ ∗

λ11 λ12 K11 /K11 K12 /K12
Λ= =  (7.23)
∗ ∗
λ21 λ22 K21 /K21 K22 /K22

Veamos cómo podemos aplicar esto a un sistema 2×2. La representación en estado estacionario
viene dada por:

C1 = K11 M1 + K12 M2 (7.24)

C2 = K21 M1 + K22 M2 (7.25)

Comencemos con el cálculo de λ11 , consideramos entonces que para determinar la ganancia
a lazo abierto K11 , para este caso M2 (s) es constante
 
∂ C1 /∂ M1 M2 = cte = K11 (7.26)
229 camacho, rosales y rivas

La ganancia a lazo cerrado, la podemos obtener a partir de:

C2 = K21 M1 + K22 M2 (7.27)

Despejando la variable manipulada M2 , se obtiene:

C2 − K21 M1
M2 = (7.28)
K22
Sustituyendo en ecuación 9.24, se obtiene:
C2 − K21 M1
C1 = K11 M1 + K12 (7.29)
K22
∗
Ahora para obtener K11 hacemos C2 constante, dado que esta es la ganancia a lazo cerrado.
 
K12 K21 K11 K22 − K12 K21 ∗
∂ C1 /∂ M1 C2 = cte = K11 − = = K11 (7.30)
K22 K22
   
∗ K 12 K 21
∂ C1 /∂ M1 C2 = cte = K11 = K11 1 − (7.31)
K11 K22
De manera similar
 
∗ K11 K22 − K12 K21
K12 = ∂ C1 /∂ M2 C2 = cte = (7.32)
K21
 
∗ K11 K22 − K12 K21
K21 = ∂ C2 /∂ M1 C1 = cte = (7.33)
K12
 
∗ K11 K22 − K12 K21
K22 = ∂ C2 /∂ M2 C1 = cte = (7.34)
K11
Y los términos de la matriz RGA son entonces
K11 1 K11 K22
λ11 = = = (7.35)
∗
K11 K12 K21 K11 K22 − K12 K21
1−
K11 K22
K12 K12 K21
λ12 = ∗
=− (7.36)
K12 K11 K22 − K12 K21
K21 K12 K21
λ21 = ∗
=− (7.38)
K21 K11 K22 − K12 K21
K22 K11 K22
λ22 = ∗
=− (7.39)
K22 K11 K22 − K12 K21
Es de resaltar, que los términos de la matriz RGA pueden ser obtenidos solamente de las
ganancias a lazo abierto del proceso. Lo cual facilita el cálculo de la misma.
Sistemas Multivariables 230

Generalizando, se obtiene G(s). Esta corresponde a una matriz cuadrada n×n, que representa
las funciones de transferencia a lazo abierto del proceso, esta matriz tiene la forma:
 
G11 (s) G21 (s) . . . Gn1 (s)
 
 
 G12 (s) G22 (s) . . . Gn2 (s) 
 
G(s) =   (7.39)
 
 .. .. .. 
 . . . 
G1n (s) G2n (s) . . . Gnn (s)

A partir de esta matriz, podemos obtener la matriz de ganancias en estado estacionario

haciendo que G(0).

Λ(G(s)) = G(s) × (G(s)−1 )T = K(K −1 )T (7.40)

Este producto se conoce como el producto Hadamard o Schur (Seborg et al, 2011). El método
requiere solamente información de estado estacionario y nos da la siguiente información.

1. Medida de la interacción del proceso.

2. Una forma de realizar el apareamiento de las variables.

Consideraciones de RGA

En particular, las siguientes reglas con respecto al apareamiento de variables manipuladas

- variables controladas (Skogestad y Postlethwaite, 2005) son importantes tener presente:
1. Es preferible un apareamiento tal que los elementos diagonales de la matriz RGA sean
cercanos a uno ya que este apareamiento está relacionado con una relación dominante de
la planta. En esta situación, la apertura o el cierre del lazo i no tiene efecto sobre el lazo
j.
2. Evite apareamientos que generen elementos negativos en la matriz RGA. Esta condición
está estrechamente relacionada con sistemas que no pueden garantizar estabilidad. Esto
significa que las ganancias de lazo abierto y de lazo cerrado entre Ci y Mi tienen signos
diferentes. Por lo tanto, abrir o cerrar el lazo i tiene un efecto adverso sobre el comportamiento
del lazo j. McAvoy, (1983) y Shinskey, (1996) sostienen que, si este es el caso, los lazos
de control interactúan intentando “luchar entre sı́”, por lo cual el sistema de lazo cerrado
puede volverse inestable.
3. Si los valores en los elementos diagonales de la matriz RGA son muy altos positivos, mucho
mayor a 1, indica que va a existir dificultad para diseñar los controladores diagonales.
Cuando los valores aumentan mucho por ende aumenta el grado de la interacción. La
interacción se vuelve más severa cuando los valores de los términos de la matriz (λ) tienden
a ∞, si este fuese el caso serı́a imposible controlar ambas salidas de forma independiente
(Skogestad y Postlethwaite, 2005).
231 camacho, rosales y rivas

Ejemplo 7.1 Dada la siguiente columna de destilación

x1

x2

Figura 7.10 Columna de destilación

Se obtiene la siguiente matriz en estado estacionario:

 
87.8 -86.4
Gp (0) =  
108.2 -109.6

La matriz RGA nos da

L V
Λ = K(K −1 )T =  
x1 35.1 -34.1
 
x2 -34.1 35.1

De acuerdo a estos resultados en primer lugar existe una fuerte interacción (L, x1 ) y (V, x2 )
y lo que no debemos hacer es aparear (L, x2 ) y (V, x1 ) porque el sistema se harı́a inestable.

Ejemplo 7.2 Dado el sistema

 
1 −2
Gp (0) =  
3 4

u1 u2
Λ = K(K −1 )T =  
x1 0.4 0.6
 
x2 0.6 0.4

Para este caso parece que el mejor aparemiento se logra con (u1 , x2 ) y (u2 , x1 ), pero dado
que ambas son tan cercanas es probable que no sea muy eficiente la elección, o cualquiera de
ellas pudiese funcionar.

Ejemplo 7.3 Se tiene que la matriz de ganancia relativa viene dada por:
Sistemas Multivariables 232

u1 u2 u3 u4
 
x1 0.93 0.15 0.08 -0.16
 
 
x2 
 -0.01 -0.43 0.29 1.15 
 
 
x3 
 -0.14 3.31 -0.27 -1.91 

 
x4 0.22 -2.03 0.90 1.92
Para este caso parece que el mejor aparemiento se logra con (u1 , x1 ), (u2 , x3 ), (u3 , x4 ), (u4 , x2 )
con una mayor interacción de (u2, x3 ).

En resumen, se puede dar las siguientes recomendaciones:

1. Si Λ(G(s)) es diagonal, entonces no hay interacción dado que el sistema es triangular.

2. Si todos los elementos de Λ(G(s)) son positivos, se selecciona el par más dominante,
más cercano a uno. Para aparear las variables controladas y manipuladas, y minimizar el
efecto de la interacción, agrupe aquellas cuyo valor ganancia relativa sea positiva y más
cercano a la unidad.

3. Si algún valor de Λ(G(s)) es negativo significa que hay problemas de estabilidad al pasar
de lazo abierto a lazo cerrado y viceversa para ese lazo. Evitar en plantas estables parear
entradas y salidas que corresponden a elementos negativos de su RGA.

4. Valores de los elementos de Λ(G(s)) fuera del rango [0 1] evidencian un sistema altamente
sensible a cambios de parámetros. Por otro lado, si 0 < λ < 1, en este rango, la interacción
entre los dos lazos es mayor cuando λ = 0.5, (McAvoy, 1981, Shinskey, 1996).

5. Cuando hay entradas extras y la suma de los elementos en una columna de la RGA es
pequeña, entonces se puede eliminar esa entrada. Cuando hay salidas extras y la suma
de los elementos en una fila del RGA es pequeña, entonces se puede dejar esa salida sin
control.

7.5. Diseño de desacopladores: reducción de la interacción

En el caso de que las interacciones sean muy fuertes y desfavorables, es preciso acudir a
sistemas de control especı́ficos para procesos multivariables que presentan una estructura mucho
más compleja. Uno de estos sistemas de control multivariables es el que incluye desacopladores
para eliminar, o al menos reducir, las interacciones. La figura 7.11 muestra un esquema de
control donde aparece un nuevo bloque entre los controladores y el proceso que es el bloque
que contiene los desacopladores, más adelante en esta sección indicarlos como obtenerlos.
Como lo mencionamos en el párrafo anterior, el objetivo de este esquema es reducir la
interacción, agregando al controlador un elemento denominado desacoplador, el cual es el bene-
ficio inicial provisto por este. Las interacciones del sistema a lazo cerrado son eliminadas, y
consecuentemente la estabilidad del sistema de control a lazo cerrado es determinada por la
233 camacho, rosales y rivas

Q
R1 - v1
V1 C1
C D G
+
R2 + æ Gc11 0 … 0 ö æ D11 D12 … D1n ö æ G p11 G p12 … G p1n ö
ç ÷ V2 ç ÷ v2 ç ÷ C2
ç 0 Gc22 ⋯ 0 ÷ ç D21 D22 ⋯ D2 n ÷ ç G p21 G p22 ⋯ G p2 n ÷
ç ⋮ ç ⋮ ⋮ ÷
⋮ - ⋮ ⋱ ⋮ ÷ ⋮ ç ⋮ ⋮ ⋱ ⋮ ÷
⋮ ç
⋮ ⋱
÷
ç ÷ ç ÷
+
ç 0
è 0 … Gcnn ÷ø è Dn1 Dn 2 … Dnn ø ç Gp
è n1 G pn 2 … Gnn ÷ø ⋮
Vn vn
Rn - Cn
K

Figura 7.11 Sistema de control con desacopladores.

estabilidad del lazo individual, adicionalmente un cambio de referencia o setpoint para una
variable controlada no produce efectos sobre la otra variable controlada.

En práctica estos beneficios teóricos pueden no llevarse a cabo totalmente debido a imperfecciones
o incertidumbres en el modelo y al hecho que en algunos casos los desacopladores ideales no
pueden ser fı́sicamente realizables

-
R1 (s) E1 (s) M11 + M1 + C1 (s)
GC1 Gp11
+ M11
+ +

Gp12
C12
M21
D11

C21
D12 Gp21
M12

+ +
R2 (s) + E2 (s) + C2 (s)
GC2 Gp22
M22 M2 C22 +
-

Figura 7.12 Sistema tı́pico de desacoplamiento sistema 2 × 2.

Sistemas Multivariables 234

De la anterior figura, lo que queremos es reducir o eliminar el efecto del lazo oculto sobre
el sistema, de tal manera de eliminar la interacción

Gp21 (s) M11 (s) + Gp22 (s) M21 (s) = 0 (9.41)

Reemplazando M21 (s) = D21 (s) M11 (s) y factorizando nos queda:


Gp21 (s) + Gp22 (s) D21 (s) M11 (s) = 0 (9.42)

Y para resolver la ecuación anterior, M11 (s) es distinto de cero, por lo cual


Gp21 (s) + Gp22 (s) D21 (s) = 0 (9.43)

Con lo cual resulta:

Gp21 (s)
D21 (s) = (9.44)
Gp22 (s)
Gp12 (s)
D12 (s) = (9.45)
Gp11 (s)

Las ecuaciones anteriores son similares a las encontradas para esquemas de control por acción
precalculada (feedforward ) esto quiere decir que al ellos considerar los modelos de las funciones
de lazo oculto pueden eliminar su efecto considerándolos como perturbaciones. Debemos tener
presente que al ser relaciones de dos funciones de transferencia es posible que el mismo sea no
realizable.

Podemos igualmente considerar que estos desacopladores pueden ser estáticos, si solo tomamos
en cuenta las ganancias de las funciones de transferencia, ellos pueden ser tomados como
desacopladores dinámicos como sistemas adelanto/atraso y también pueden considerarse como
sistemas con retardo.

Ejemplo 7.4 Columna de destilación modelo Wood and Berry.

Este es un caso muy utilizado en la literatura. Ella presenta diferentes retardos que la hacen
una planta interesante, se puede observar con los retardos son diferentes para cada una de las
funciones de transferencia.
 12,8 −18,9 −3s 
e−s e
 16,7s + 1 21,0s + 1 
 
Gp (s) =  
 6,6 −19,4 −3s 
−7s
e e
10,9s + 1 14,4s + 1

Calcule la matriz de ganancia relativa.

Determine el apareamiento de las variables.

¿Es necesario diseñar desacopladores?

235 camacho, rosales y rivas

Ejemplo 7.5 Fraccionador de aceite

El modelo del fraccionador de aceite ha sido ampliamente utilizado para probar diferentes
estrategias de control para columnas de destilación. Este proceso cuenta con tres variables
controladas: la composición de tope (Y1 [mol]), la composición de fondo (Y2 [mol]) y la temperatura
de fondo (Y3 [◦ C]. Las variables manipuladas son la razón de flujo de tope (U1 (mol/s)) la razón
de flujo de fondo (U2 (mol/s)) y el flujo de vapor en el fondo (U3 (mol/s)). Los valores de los
retardos y las constantes de tiempo se expresan en segundos. La dinámica del proceso puede ser
descrita de la siguiente manera (N. Rico y E.F. Camacho, 2000):
 
4.05e−27s 1.77e−28s 5.88e−27s
    
Y1 (s)  1 + 50s 1 + 60s 1 + 50s   U1 (s)
     
    5.39e −18s
5.72e−14s
6.9e −15s  
 
 Y2 (s)  =  ∗ U (s) 
   1 + 50s 1 + 60s 1 + 40s   2 
     
 
Y3 (s)  4.38e−20s 4.42e−22s 7.9  U3 (s)
1 + 33s 1 + 44s 1 + 19s
 
U1 U2 U3
  Y1
 
 2.1 -0.73 -0.35 
 
Λ= 
 Y2

 3.45 0.92 -3.381
 
  Y3
-4.51 0.8 4.68

Diseñe un sistema de desacopladores.

Use un esquema PID, y simule el sistema completo en Matlab.

Ejemplo 7.6 Sistema de 4 tanques.

El sistema fı́sico está constituido por un proceso de cuatro tanques que implementa el proble-
ma de control propuesto por K. H. Johansson (2000). Se compone de cuatro tanques de agua
interconectados entre sı́ de tal manera que la salida del desagüe de los tanques superior es se
vierte en los inferiores. El flujo se suministra a los tanques a través de dos circuitos mediante dos
bombas situadas simétricamente. Cada circuito consta de una válvula de tres vı́as que distribuye
el caudal suministrado por cada bomba entre los tanques superiores e inferiores. Por lo tanto,
el sistema dispone de cuatro entradas, que son las bombas (FY01, FY02) y las posiciones de
las válvulas de tres vı́as (LV01, LV02), y de cuatro salidas, que son los niveles de los tanques
(LT01, LT02, LT03 y LT04).
Sistemas Multivariables 236

Las ecuaciones que definen el modelo del proceso son:

dh1 a1 p a3 p γ 1 k1
= − 2gh1 + 2gh3 + v1
dt A1 A1 A1

dh2 a2 p a4 p γ 2 k2
= − 2gh2 + 2gh4 + v2
dt A2 A2 A2

dh3 a3 p (1 − γ2 )k2
= − 2gh3 + v2
dt A3 A3

dh4 a4 p (1 − γ1 )k1
= − 2gh4 + v1
dt A4 A4

Tanque 3 Tanque 4

Bomba 1 Bomba 2

Tanque 1 Tanque 2

Figura 7.13 Sistema de 4 tanques

237 camacho, rosales y rivas

Los valores de las constantes son:

A1 , A3 [cm2 ] = 28 A2 , A4 [cm2 ] = 32

a1 , a3 [cm2 ] = 0,071 a2 , a4 [cm2 ] = 0,057

kc [V /cm] = 0,5 g[cm/s2] = 981

Para fase mı́nima:

h10 ; h20 [cm] = 12,263; 12,783 v10 ; v20 [V ] = 3; 3

h30 ; h40 [cm] = 1,63394; 1,40904 k1 ; k2 [cm3 /V s] = 3,33; 3,35

1 ; 2 = 0,7; 0,6

Linealización

Al linealizar las ecuaciones del sistema presentadas anteriormente obtenemos:

s
Ai 2hi0
Ti = ; i = 1, 2, 3, 4
ai g

   
1 A3 γ 1 k1
− 0 0  0 
 T1 T3 A1     A1 
  h1  
 
 A4     γ 2 k2

 0 1      
 − 0
T4 A2   h2   0 
 V1
dh  T2    

A2

= 





+
   
dt  1   h3   
(1 − γ3 )k2  V2
 0 0 − 0     0 
 T3     A3 
   
  h4  
 1   (1 − γ1 ) k1 
0 0 0 − 0
T4 A4
 
h1
 
  
kc 0 0 0  h2 


y =   
 
0 kc 0 0  
 h3 
 
h4
Sistemas Multivariables 238

Las ecuaciones también pueden ser expresadas en funciones de transferencia, como sigue:

A3 T1 γ1 k1 T1
h1 (s) = h3 (s) + u1 (s)
T3 A1 (T1 S + 1) A1 (T1 S + 1)

A4 T2 γ2 k2 T2
h2 (s) = h4 (s) + u2 (s)
T4 A2 (T2 S + 1) A2 (T2 S + 1)

(1 − γ2 )k2 T3
h3 (s) = u2 (s)
A3 (T3 S + 1)

(1 − γ1 )k1 T4
h4 (s) = u1 (s)
A4 (T4 S + 1)

Al aplicarse la fórmula: G(s) = C(SI − A)−1 B + D se obtiene:

 2,595 1,492 
 62,35s + 1 (62,35s + 1)(22,76s + 1) 
 
G(s) =  
 1,414 2,84 
(90,63s + 1)(30,089s + 1) 90,63s + 1

Matriz de ganancias relativas

A partir de ecuación anterior, se obtiene la matriz de ganancias en estado estacionario:

 
2,595 1,492
K= 
1,414 2,84

Usando el producto Schur, procedemos a determinar la matriz RGA

 
1,401 −0,401
Λ = K(K −1 )T =  
−0,401 1,401

Con lo cual se decide que el mejor acoplamiento es la entrada uno con salida uno, y entrada
dos con la salida dos.

Desacoplamiento

Se hace uso del desacoplamiento simplificado o ideal, la matriz de desacoplamiento es re-

presentada de la forma:
 
1 D12 (s)
D(s) =  
D21 (s) 1
239 camacho, rosales y rivas

G21 (s) G12 (s)

Donde: D21 (s) = − D12 (s) = −
G22 (s) G11 (s)

Por tanto:
 
0,57498
1 −
 22,761 S + 1 
 
D(s) =  
 0,49788 
− 1
30,089 S + 1
El diagrama esquemático para este proceso queda como:

-
R1 (s) E1 (s) M11 + M1 + C1 (s)
GC1 Gp11
+ M11
+ +

Gp12
C12
M21
D11

C21
D12 Gp21
M12

+ +
R2 (s) + E2 (s) + C2 (s)
GC2 Gp22
M22 M2 C22 +
-

Figura 7.14 Sistema de control con los desacopladores.

Sistemas Multivariables 240

7.6. Estrategias para Reducir Interacción

A sabiendas que el proceso de interacción entre las variables manipuladas y controladas
puede resultar indeseables. Cuando la interacción en el lazo de control es un problema, se tiene
las alternativas.

1. Seleccione diferentes variables controladas o manipuladas.

2. Re sintonizar uno o varios PID, tomando en cuenta la interacción del proceso.

3. Hacer uso de desacopladores para reducir el proceso de interacción.

4. Las interacciones de lazos pueden ser reducidas escogiendo controladores alternativos y

variables manipuladas, lo cual tiende a ser un arte más que una ciencia.

7.7. Sintonización de Controladores tipo PID

1. Si un lazo es mucho más rápido que el otro (digamos, la constante de tiempo dominante,
o la constante de tiempo de la aproximación de primer orden más tiempo muerto, es cinco
veces menor), el lazo rápido se sintoniza primero, con el otro en el manual. Entonces el
lazo lento se sintoniza con el lazo más rápido en automático.

2. Si ambos lazos tienen aproximadamente la misma velocidad de respuesta, y una variable es

más importante de controlar que la otra, desactive el lazo menos importante estableciendo
una pequeña ganancia y un tiempo de reinicio largo. Esto reducirá el efecto del lazo menos
importante en la respuesta del lazo más importante, ya que el lazo desintonizado parecerá
estar abierto.

3. Si ambos lazos tienen aproximadamente la misma velocidad de respuesta y ambas varia-

bles son de la misma importancia, cada controlador debe ser sintonizado con el otro lazo
en manual. Entonces el efecto de la interacción debe ser considerado para ajustar.

7.8. Retardos Múltiples

Es común encontrar sistemas MIMO con cada entrada retardada una cantidad dada. En
otras palabras, el efecto de una entrada Mi (i = 1, . . . , p) sobre las salidas de un sistema esta
retardado t unidades de tiempo. En este caso es posible recurrir a igualar los retardos para tener
como resultante un único retardo. Con este propósito se redefinen las entradas, retardando las
entradas más rápidas hasta hacerlas igual a la entrada con efecto más lento.
241 camacho, rosales y rivas

    
y1 (s) g11 (s)e−str1 g12 (s)e−str2 . . . g1k (s)e−strk . . . g1p (s)e−strp u1 (s)
     
     
 y2 (s)   g21 (s)e−str1 g22 (s)e−str2 . . . g2k (s)e−strk . . . g2p (s)e−strp   u2 (s) 
     
     
 .     . 
 .   g31 (s)e−str1 g32 (s)e−str2 . . . g3k (s)e−strk . . . g3p (s)e−strp   . 
 .     . 
     
 =    (7.46)
   g41 (s)e−str1 g42 (s)e−str2 . . . g4k (s)e−strk . . . g4p (s)e−strp   
 yk (s)     uk (s) 
     
     
 .   .. .. .. .. .. ..   . 
 ..   . . . . . .   .. 
     
     
yp (s) gq1 (s)e−str1 gq2 (s)e−str2 . . . gqk (s)e−strk . . . gqp (s)e−strp up (s)

Lo podemos reescribir como:

    
y1 (s) g11 (s) g12 (s) . . . g1k (s) . . . g1p (s) e−str1 u1 (s)
     
     −str2 
 y2 (s)   g21 (s) g22 (s) . . . g2k (s) . . . g2p (s)   e u2 (s) 
     
     
 .     .. 
 .   g31 (s) g32 (s) . . . g3k (s) . . . g3p (s)   
 .     . 
     
 =    (7.47)
   g41 (s) g42 (s) . . . g4k (s) . . . g4p (s)   −strk 
 yk (s)     e uk (s) 
     
     
 .   .. .. .. .. .. ..   .. 
 ..   . . . . . .   . 
     
     
yp (s) gq1 (s) gq2 (s) . . . gqk (s) . . . gqp e−strp up (s)
Sistemas Multivariables 242

u1 y1
v1 e−tu1 e−tr1

u2 y2
v2 e−tu2 e−tr2
.. .. ..
..
vk
. uk
.
e−trk
..
.. G ..
..
.. .. yq
.. . ..
. up ..
vp e−tup e−trp

Sistema con múltiples retardos

Sistema con retardo único

Figura 7.15 Esquema multivariable para sistemas con retardos múltiples.

Ejemplo 7.7 Dado el sistema multivariable descrito por la matriz G(s)

 
−6 −s 3
 s + 1e e−2s 
 3s + 1 
G(s) =  
 12 5 
e−s e−2s
s+1 5s + 1

La matriz anterior permite escribir:

 
 −6 3  −s 
MAP(s)  s+1 3s + 1  e SNP(s)
 =

 
 
 12 5 
CO(s) e−2s DPM(s)
s+1 5s + 1

Ésta última expresión indica que la primera entrada tiene menos retardo, en consecuencia se
redefinirá un nuevo conjunto de entradas v(s) = [v1 (s)e−s v2 (s)]2 , donde la primera entrada
tiene un retardo de 1 min tal que SNP(s)= V1 (s)e−s y DPM(s)= v2 (s). Ası́, se tiene que,
243 camacho, rosales y rivas

   
  −6 3  −s  −6 3  −2s 
−s
MAP(s)  s+1 
3s + 1  e v1 (s)e  s+1 
3s + 1  e v1 (s)
  = 
   =
   
 12 5   12 5 
CO(s) e−2s v2 (s) −2s
e v2 (s)
s+1 5s + 1 s+1 5s + 1
 
−6 3  
 s+1 3s + 1  v1 (s)
  −2s  .
=   e
 12 5 
v2 (s)
s+1 5s + 1
donde claramente las salidas MAP(s) y CO(s) están retardadas en 2 min respecto de las nuevas
entradas v1 (s) y v2 (s).

7.9. RGA para Sistemas No Cuadrados

Estos casos se dan cuando el número de entradas y difiere del número de salidas. Cuando
existe más entradas que salidas, es combeniente eliminar entradas hasta tener un número igual
al de salidas. Por otra parte, en el caso de tener más salidas que entradas, se recomienda eliminar
las salidas hasta tener un número igual al de entradas. Hay que considerar que en el último
caso, habrı́a salidas no controladas.

Matemáticamente, la matriz G(s) no es cuadrada, por ende, no se puede determinar G(s)−1

ni tampoco Λ G(s).

No obstante, la pseudoinversa de G(s) se introduce como G(s)+ . En matemáticas, y en

particular álgebra lineal, la pseudoinversa A+ de una matriz A es una generalización de la
matriz inversa. El tipo de matriz pseudoinversa más conocida es la llamada Pseudoinversa
de Moore - Penrose, que fue descrita independientemente por E. H. Moore en 1920, Arne
Bjerhammar en 1951 y Roger Penrose en 1955. El término de la pseudoinversa de una matriz,
generalmente se usa para referirse a la pseudoinversa de Moore - Penrose.

Un uso común de la pseudoinversa es el de computar una solución de “ajuste óptimo” (por

cuadrados mı́nimos) de un sistema de ecuaciones lineales que no posee solución única. Otro
uso es hallar la solución de norma mı́nima (Euclı́dea) de un sistema de ecuaciones lineales
con múltiples soluciones. La pseudoinversa facilita el enunciado y la prueba de resultados del
álgebra lineal.

La pseudoinversa de una matriz G(s)+ q.p cuyo rango es {G(s)} = r esta dada por:

1. Si r = p = q; entonces G(s)+ = G(s)−1

2. Si r = p ≤ q; entonces G(s)+ = [G(s)T G(s)]−1 G(s)T , se conoce como inversa por la

izquierda.
Sistemas Multivariables 244

3. Si r = q ≤ p; entonces G(s)+ = G(s)T [G(s) G(s)T ]−1 , se conoce como inversa por la
derecha.

4. Si r < mı́n{q, p}; entonces G(s)+ = Vr Σ−1 T T

r Ur , donde Ur es la conjugada transpuesta de
−1 T
Ur y Vr Σr Ur es la descomposición en valores singulares.

De esta descripción se procede a definir el RGA como Λ G(s) = G(0) × G(0) b T , en donde,
b T = G(0)
G(0) b + . Tomando esto en cuenta, en el caso de tener más entradas que salidas, podrı́a
dejarse de considerar aquellas entradas correspondientes a las columnas en el RGA donde la
suma de sus elementos es mucho menor que 1. Similarmente, cuando se tiene más salidas que
entradas, no se controları́an aquellas salidas correspondientes a las filas en el RGA donde la
suma de sus coeficientes es mucho menor que 1.

Ejemplo 7.8 Un proceso quı́mico tiene 5 salidas y 13 entradas. De éstas hay que escoger las
5 mejores utilizando el procedimiento descrito anteriormente.

Para solucionar el problema se cuenta con G(0), donde,

 
0.7878 1.1489 2.6640 −3.0928 −0.0703
 0.6055 0.8814 −0.1079 −2.3769 −0.0540 
 
 1.4722 −5.0025 −1.3279 8.8609 0.1824 
 
 −1.5477 −0.1083 −0.0872 0.7539 −0.0551 
 
 2.5653 6.9433 2.2032 −1.5170 8.7714 
 
 1.4459 7.6959 −0.9927 −8.1797 −0.2565 
 
G(0) = 
T
 0.0000 0.0000 0.0000 0.0000 0.0000 

 0.1097 −0.7272 −0.1991 1.2574 0.0217 
 
 0.3485 −2.9909 −0.8223 5.2178 0.0853 
 
 −1.5899 −0.9647 −0.3648 1.1514 −8.5365 
 
 0.0000 0.0002 −0.5397 −0.0001 0.0000 
 
 −0.0323 −0.1351 0.0164 0.1451 0.0041 
−0.0443 −0.1859 0.0212 0.1951 0.0054

Dado que rango {G(0)} = 5; G(0)† = G(0)T

(G(0).G(0)T )−1 , con lo que Λ resulta ser

245 camacho, rosales y rivas

 
0.1275 −0.0755 0.5907 −0.1215 0.0034
 0.0656 −0.0523 0.0030 0.1294 0.0002 
 
 0.2780 0.0044 0.0463 0.4055 −0.0060 
 
 0.3684 −0.0081 0.0009 0.0383 −0.0018 
 
 −0.0599 0.9017 0.2079 −0.1459 0.0443 
 
 0.1683 0.4042 0.1359 0.1876 0.0089 
 
Λ =
T
 0.0000 0.0000 0.0000 0.0000 0.0000 
 0.0014 −0.0017 0.0013 0.0099 0.0000 
 
 0.0129 −0.0451 0.0230 0.1873 −0.0005 
 
 0.0374 −0.1277 −0.0359 0.1163 0.9516 
 
 0.0000 0.0000 −0.0268 0.0000 0.0000 
 
 −0.0001 −0.0001 0.0000 0.0001 0.0000 
−0.0002 0.0002 0.0001 0.0001 0.0000

De este resultado se genera un vector con las sumas de cada columna de Λ el que resulta
ser [0,77 0,15 0,73 0,40 0,95 0,85 0,00 0,01 0,18 0,94 0,03 0,00 0,00], de donde se puede ver que las
entradas 1, 3, 5, 6, y 10 tiene asociados los mayores coeficientes y por tanto deberı́an ser
consideradas las entradas del sistema. Con estas nuevas entradas se confecciona una nueva
matriz Λ con la que se determinan los pares de variables definitivos para utilizar controladores
monovariables.

7.10. Sensibilidad y el AGR

Consideremos una matriz G(0) p.p con inversa G(0)−1 y matriz RGA Λ(G). Podemos decir
que los cambios relativos entre gij (0) y gbij (0) y los λij (0) vienen dados por:

dλij (G) dgij (G)

= (1 − λij (G)) (7.48)
λij (G) gij (G)
 
dλij (G) λij (G) − 1 db
gij (G)
= (7.49)
λij (G) λij (G) gij (G)
b

Lo anterior indica que, si una matriz tiene grandes valores de λ, es decir su ı́ndice de
interacción es elevado, entonces, pequeños cambios de sus elementos se reflejarán notoriamente
en su RGA.

Ejemplo 7.9 En Espinoza (2017) se propone el siguiente sistema:

 
1.00 1.05
G(0) =  
0.95 1.00

Se pide determinar el RGA, y que pasa al aumentar g21 de 0.95 a 1.00.

Sistemas Multivariables 246

 
400 −420
G−1 (0) =  
−380 400
 
400 −399
Λ(G) =  
−399 400

El cambio del parámetro se puede considerar en

 
1.00 1.05
G1 (0) =  
1.00 1.00
 
−20 21
Λ(G1 ) =  
21 −20

De aquı́ se observa la gran variación o el error como se incrementa para pequeños errores
en G(0), obsérvese que el nivel de interacción es muy grande como puede apreciarse de Λ(G).

En resumen, hemos discutido en este capı́tulo diferentes aspectos relacionados con los sistemas
multivariable. El énfasis estuvo relacionado con los sistemas de control descentralizado. Se
calculó matriz de ganancias relativas como una forma de conocer la interacción y el mejor par de
variables que puedan ir acompañadas. Se presentó un método para el diseño de desacopladores.
Y se presentan varios ejemplos que pueden ayudar al lector a entender mejor los conceptos.
 BIBLIOGRAFÍA - CAPÍTULO 7

[1] Albertos, Pedro, Antonio, Sala. Multivariable Control Systems: An Engineering

Approach. Springer - Verlag. Londres. 2004.

[2] Amezquita - Brooks Luis A, Carlos E. Ugalde - Loo, Eduardo Liceaga - Castro, Jesús
Liceaga - Castro. The Evolution of the Relative Gain Array Matrix: The
Multivariable Structure Function. PHYSCON 2013, San Luis Potos1, Mexico, 26
- 29th August, 2013.

[3] Balaguer P. N.A. Wahab, M.R. Katebi R. Vilanova. Multivariable PID Control Tu-
ning: A Controller Validation Approach 2008 IEEE International Conference on
Emerging Technologies and Factory Automation. 289 - 294.

[4] Ben - Israel, Adi; Thomas N.E. Greville (2003). Generalized Inverses. Springer - Verlag.
ISBN 0-387-00293-6.

[5] Bjerhammar, Arne (1951). Application of calculus of matrices to method of least

squares; with special references to geodetic calculations. Trans. Roy. Inst. Tech.
Stockholm 49.

[6] Espinoza José R. C. Apuntes Control Multivariable. Universidad de Concepción Fa-

cultad de Ingenierı́a Depto. de Ingenierı́a Eléctrica. 7ma edición. 2017.

[7] Estremera Ernesto Toledo, Ania Lussón Cervantes, Irina Bausa Ortiz. Estudio compa-
rativo en sistemas multivariables con retardo: modificaciones del Predictor de
Smith y Control Predictivo. RIELAC, Vol. XXXVIII 2/2017 p. 49 - 64.

[8] González Miguel E. Francisco Vázquez, Fernando Morilla. Control Multivariable

Centralizado con Desacoplo para Aerogeneradores de Velocidad Variable.
revista - riai. Vol. 7, Núm. 4, Octubre 2010, pp. 53 - 64.

[9] Johansson Karl Henrik - The Quadruple-Tank Process: A Multivariable

Laboratory Process with an Adjustable Zero- IEEE TRANSACTIONS ON
CONTROL SYSTEMS TECHNOLOGY, VOL. 8, NO. 3, MAY 2000 456 - 465.
Sistemas Multivariables 248

[10] Marlin T., Process Control, Mc Graw - Hill, 1995.

[11] Moore, E. H. (1920). On the reciprocal of the general algebraic matrix. Bulletin of
the American Mathematical Society 26 (9): 394 - 395. doi:10.1090/S0002-9904-1920-03322-
7.

[12] Morilla Fernando, Juan Garrido b, Francisco Vázquez. Control Multivariable por
Desacoplo. Revista Iberoamericana de Automática e Informática industrial 10 (2013)
3 - 17.

[13] Morilla Fernando, Francisco Vázquez, Juan Garrido. Centralized PID Control by
Decoupling for TITO Processes. 2008 IEEE International Conference on Emerging
Technologies and Factory Automation. Pages: 1318 - 1325.

[14] Ogunnaike, B. A. y W. Harmon Ray (1994). Process dynamics, modeling and control.
Oxford University Press, New York.

[15] Ospina Manuel Alejandro Alarcón 1, Moisés Oswaldo Bustamante Rúa 2 Diseño de un
sistema de control centralizado para un circuito de molienda en húmedo en la
industria cementera colombiana. Prospect. Vol. 13, No. 2, Julio - Diciembre de 2015,
págs. 7 - 15

[16] Penrose, Roger (1955). A generalized inverse for matrices. Proceedings of the
Cambridge Philosophical Society 51: 406 - 413. doi:10.1017/S0305004100030401

[17] Seborg Dale E., Thomas F. Edgar, Duncan A. Mellichamp, Francis J. Doyle III. Process
Dynamics and Control. Third Edition. John Wiley & Sons, Inc. 2011. USA.

[18] Smith, C. A., and A. B. Corripio, Principles and Practice of Automatic Process
Control, New York, John Wiley & Sons, Inc., 1997.

[19] Normey Rico J and Camacho E F, Multivariable generalised predictive controller

based on the Smith predictor. IEE Proceedings - Control Theory Applications, 2000.
147(5): p. 538-546.

[20] Camacho Oscar Q. Apuntes de Control de Procesos Industriales. 2014 Escuela

Politécnica Nacional, Quito.