Control de Posiscion de una

Mesa Equilibrista con dos

Servomotores

Position Control of a
Balancing Table with two
Servomotors
Alexander Israel Silvetre Vergara
Universidad Estatal Peninsula de Santa Elena
Facultad de Electrónica y Automatización
Santa Elena, Ecuador

CONTROL DISCRETO.

Diseño de Control Óptimo

Autor:
Silvestre V. Alexander

2024-07-01
 Control Optimo

Alexander Silvestre Vergara

2024-07-01
 Resumen

Aquı́ va un resumen.
 Abstract

Aquı́ va un resumen en inglés.

Índice general

1 LINEALIZACIÓN DEL SISTEMA. 2

1.1 Modelo Matemático . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Linealización MATLAB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1 Función de Transferencia. . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Representación en Espacio Estado . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1 Forma Canónica Controlable . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2 Forma Canónica Observable . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Observabilidad y Controlabilidad del sistema. . . . . . . . . . . . . . . . . . . 6
1.4.1 Controlabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.2 Observabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2 Regulador Cuadrático Lineal. LQR 8

2.1 Fundamentos del Regulador Cuadrático Lineal (LQR) . . . . . . . . . . . . . 8
2.2 Desarrollo del Diseño del controlador LQR . . . . . . . . . . . . . . . . . . . . 9
2.2.1 Modelado del Sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.2 Modelo en Simulink . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3 Implementación del LQR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3.1 Definición de Funciones de Transferencia . . . . . . . . . . . . . . . . . 10
2.3.2 Conversión a Espacio de Estado . . . . . . . . . . . . . . . . . . . . . 10
2.3.3 Verificación de Observabilidad y Controlabilidad . . . . . . . . . . . . 10
2.3.4 Diseño del Controlador LQR . . . . . . . . . . . . . . . . . . . . . . . 10
2.4 Resultados y Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

3 Estimador Cuadrático Lineal. LQE 13

3.1 Modelo del Sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.1.1 Modelo en Simulink . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.2 Diseño del LQE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3 Implementación del LQE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3.1 Definición de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.3.2 Resolución de la Ecuación de Riccati . . . . . . . . . . . . . . . . . . . 14
3.3.3 Cálculo de la Ganancia del Estimador . . . . . . . . . . . . . . . . . . 14
3.3.4 Simulación y Validación . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.4 Resultados y Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3.5 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.6 Anexos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

4 Regulador Cuadrático Gausiano. LQG 17

4.1 Relación entre LQR y LQE . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.1.1 Estimador Cuadrático Lineal (LQE) . . . . . . . . . . . . . . . . . . . 17
4.1.2 Derivación del LQG . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2 Modelo en Simulink . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.3 Implementación del LQE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.3.1 Implementación del LQR . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.3.2 Combinación del LQR y LQE para Obtener el LQG . . . . . . . . . . 19
4.3.3 Simulación y Validación . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.3.4 Resultados y Análisis . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.4 Resultados y Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.4.1 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.4.2 Anexo: Código Fuente . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

1
Capı́tulo 1

LINEALIZACIÓN DEL SISTEMA.

1.1 Modelo Matemático
Para derivar las ecuaciones de movimiento acopladas, se tienen en cuenta las
siguientes, se tienen en cuenta los siguientes supuestos:

Figura 1.1: Sistema

• Todas las fricciones y torques resultantes entre la bola y la placa se des-

cartan para simplificar las ecuaciones del sistema.

• La bola nunca pierde contacto con la mesa. Esto permite evitar disconti-
nuidades en la señal de posición de la bola.

• La bola se mueve libremente sobre la placa sin deslizarse.

Las dos últimas hipótesis imponen una restricción sobre la aceleración de

rotación de la placa.
Utilizando el método de Lagrange y la relación entre el ángulo de la placa
y el ángulo del motor, las ecuaciones no lineales del sistema para la dirección
X y la dirección Y se pueden escribir de la siguiente manera [1]:

mb g rb rM
ẋb = sin (gx ) (1.1)
(mb rb2 + Jb ) Lx
mb g rb rM
ẏb = sin (gy ) (1.2)
(mb rb2 + Vb ) Ly
Para simplificar el control de un sistema tan altamente no lineal, podemos
utilizar la aproximación de la función seno para ángulos pequeños:

sin (gx ) ≈ gx , sin (gy ) ≈ θy

Entonces, las ecuaciones diferenciales se pueden linealizar alrededor del pun-

to de operación (xb = 0, yb = 0) y las ecuaciones (1) y (2) se convierten en:

2
 mb grb2 rM
xb = ϑx = KBBT,X ϑx
(mb rb2 + Jb ) Lx
mb grb2 rM
ÿb = ϑy = KBBT,Y ϑy
(mb rb2 + Jb ) Ly
con
mb grb2 rM
KBBT X =
(mb rb2 + Jb ) Lx
mb grb2 rM
KBBT,Y =
(mb rb2 + Jb ) LY
Tomando la transformada de Laplace de (4), obtenemos la función de transfe-
rencia:
Xb (s) KBBT X
GBBT,X (s) = =
gx (s) s2
En Y -dirección, la función de transferencia se puede escribir como:
Yb (s) KBBT,Y
GRBT,Y (s) = =
ϑy (s) s2

1.2 Linealización MATLAB

La parte en la que se centra el estudio es el siguiente que se observa en la
figura:

Figura 1.2: Sistema en Estudio

Procedemos a obtener los valores desde la planta real construida con sims-
cape tal como se muestra en la siguiente figura:

3
 Figura 1.3: Captación de Datos

La comparación entre la linealización y dos funciones de transferencia ob-

tenidas a través de SistemIdentification se muestra en la siguiente figura:

Simulated Response Comparison

datos_Medidos (y1)
0.06 G_eq: 91.41%
Amplitude

0.04
y1

0.02

0
1 2 3 4 5 6
Time (seconds)

Simulated Response Comparison

0.1
datos_Medidos (y1)
0.08 G_eq2: 80.67%
Amplitude

0.06
y1

0.04

0.02

0
1 2 3 4 5 6
Time (seconds)

Figura 1.4: Porcentaje de parentesco de linealización del sistema.

Por supuesto se elige la que tiene mayor parentezco del 91,41 %

1.2.1 Función de Transferencia.

Con la herramienta de SystemIdentification con Ts = 5 ms y de segundo

orden se pudo obtener la siguiente función de transferencia [2].

2,287
Geq = (1.3)
0,05s3 + s2

4
 Figura 1.5: Comparación de función transferencia.

1.3 Representación en Espacio Estado

Representación en el espacio de estados en formas canónicas. Considérese un
sistema definido mediante [3]:
(n)
y +a1 (n−1) + · · · + an−1 ẏ + an y = b0 (n) + b1 (n−1) u + · · · + bn−1 u̇ + bn u

donde u es la entrada e y es la salida. Esta ecuación también puede escribirse

como:
Y (s) b0 sn + b1 sn−1 + · · · + bn−1 s + bn
= n
U (s) s + a1 sn−1 + · · · + an−1 s + an
A continuación se presentan las representaciones en el espacio de estados del
sistema, en su forma canónica controlable y en su forma canónica observable.

1.3.1 Forma Canónica Controlable

      
ẋ1 0 1 0 ··· 0 x1 0
      
 ẋ2   0 0 1 ··· 0   x2   0 
 ..   .. .. .. ..   ..   ..
      
 . = .  .  +  u

   . . .    .
 ẋ   0
 n−1   0 0 ··· 1  x
  n−1  
  0 

ẋn −an −an−1 −an−2 · · · −a1 xn 1 (1.4)
 
x1
x2 
  
.. .. .. 
y = bn − an b0 .bn−1 − an−1 b0 . · · · .b1 − a1 b0   + b0 u
.. 
. 


xn

       
x˙3 −20 0 0 x3 1
x˙2  =  1 0 0 x2  + 0 u
       

x˙1 0 1 0 x1 0
  (1.5)
h i x3
y = 0 0 45,74 x2 
 

x1

5
1.3.2 Forma Canónica Observable
      
ẋ1 0 0 · · · 0 −an x1 b n − an b 0
ẋ2   1 0 · · · 0 −an−1   x2   bn−1 − an−1 b0
      
 
= . .
 ..   .. ..  .  +  .. u
.   .. ..
 .  
. .  .   .
 
 
ẋn 0 0 · · · 1 −a1 xn b 1 − a1 b 0
 
x1 (1.6)
 
 x2 
 .. 
h i 
y = 0 0 · · · 0 1  .  + b0 u
 
 x 
 n−1 
xn

       
x˙3 −20 1 0 x3 0
x˙2  =  0 0 1 x2  +  0  u
       

x˙1 0 0 0 x1 45,74
  (1.7)
h i x3
y = 1 0 0 x2 
 

x1

Esta última ecuación 1.7 es la que mayormente se usa para representar

sistemas en espacio de estado, pero haremos uso de ambas para calcular las
ganancias del control óptimo [3].

Figura 1.6: Modelo Espacio Estado

1.4 Observabilidad y Controlabilidad del sistema.

Verificamos si el sistema es observable y controlable para aplicar control por
realimentación de estados.

1.4.1 Controlabilidad
h i
C = AB · · · A n−1 (1.8)
B

6
  
1 −20 400
C = 0 1 −20 (1.9)
 

0 0 1

En donde rango(C) = 3, entonces es controlable el sistema.

1.4.2 Observabilidad
 
C
 .. 
O=
 CA . 
 (1.10)
n−1
CA

 
0 45,74 0
O= 0 45,74 0  (1.11)
 

45,74 0 0

En donde rango(O) = 3, entonces el sistema es observable.

7
Capı́tulo 2

Regulador Cuadrático Lineal. LQR

El Regulador Cuadrático Lineal (LQR) es una técnica de control óptimo utilizada am-
pliamente en el diseño de controladores que minimizan una función de costo cuadrática. Esta
técnica es conocida por su capacidad para proporcionar estabilidad y rendimientos óptimos
en sistemas de control. En este artı́culo, exploraremos la aplicación del LQR en un sistema
mecánico con un grado de libertad en el eje x(t).

El sistema en cuestión consiste en una configuración donde una bola se desplaza a lo

largo de una plataforma horizontal, cuya posición está controlada por el ángulo θ1 (t) de un
brazo rotatorio. La dinámica del sistema puede describirse mediante las variables de estado
x(t) y θ1 (t), junto con la señal de control v(t), que influye directamente en el movimiento
del brazo rotatorio.

Para validar la eficacia del controlador LQR, se realizaron simulaciones del sistema en el
entorno de Simulink de MATLAB. Este entorno de simulación permite modelar y analizar
el comportamiento dinámico del sistema bajo diferentes condiciones de operación y ajustes
del controlador.

Figura 2.1: Descripción de la imagen

La aplicación del LQR a este sistema permite diseñar un controlador que minimice una
función de costo, tı́picamente una combinación ponderada del desplazamiento x(t), el ángu-
lo θ1 (t) y la señal de control v(t). Al hacerlo, se busca optimizar la respuesta del sistema,
asegurando que la bola se mantenga en una posición deseada mientras se minimiza el es-
fuerzo de control.

2.1 Fundamentos del Regulador Cuadrático Lineal (LQR)

El Regulador Cuadrático Lineal (LQR) es un método de control óptimo que busca minimizar
una función de costo cuadrática, la cual generalmente incluye términos relacionados con el
estado del sistema y el esfuerzo de control. La función de costo tı́pica es de la forma:
Z ∞
J= (xT Qx + uT Ru) dt
0
donde x es el vector de estado, u es la señal de control, Q es una matriz de peso para los
estados, y R es una matriz de peso para las entradas de control.
La solución del problema de LQR implica resolver la ecuación de Riccati, la cual es
una ecuación diferencial matricial no lineal. La ecuación algebraica de Riccati es clave para
encontrar la matriz de ganancia K del controlador LQR. La ecuación es:

AT P + P A − P BR−1 B T P + Q = 0

8
 donde P es la solución de Riccati. Una vez que se tiene P , la ganancia del controlador
se obtiene como:

K = R−1 B T P
El LQR proporciona un diseño de controlador que garantiza la estabilidad del sistema
si Q y R se eligen adecuadamente. Además, es robusto ante ciertas perturbaciones y mode-
lado de incertidumbres. Minimiza la función de costo definida, lo que resulta en un balance
óptimo entre el rendimiento del sistema y el esfuerzo de control.

Se utiliza en sistemas de control de vuelo, control de robots, y estabilización de sistemas

mecánicos y eléctricos. En MATLAB, puedes implementar LQR utilizando la función lqr y
configurando las matrices Q y R para obtener los resultados deseados.

2.2 Desarrollo del Diseño del controlador LQR

2.2.1 Modelado del Sistema
Para aplicar el LQR a nuestro sistema, primero debemos representar la dinámica del sistema
en el espacio de estados. El modelo de espacio de estados está dado por:

ẋ(t) = Ax(t) + Bu(t) (2.1)

y(t) = Cx(t) + Du(t) (2.2)
donde A, B, C y D son matrices que describen la dinámica del sistema.

2.2.2 Modelo en Simulink

Para el diseño y simulación del controlador LQR en el sistema de control del plato balancea-
do con dos servomotores, se empleó Simulink, una herramienta versátil que permite integrar
el modelo del sistema mecánico con los componentes electrónicos y realizar simulaciones
detalladas bajo diversas condiciones. La Figura 3.2 muestra el modelo implementado en
Simulink, el cual incluye el sistema mecánico del plato balanceado, los servomotores, y los
sensores necesarios para la retroalimentación.

Este entorno proporciona la flexibilidad para ajustar parámetros del sistema y optimizar
el control mediante el controlador LQR implementado. A continuación se describe el proce-
so de integración y configuración del controlador LQR en Simulink:

Figura 2.2: Modelo Espacio Estado

9
2.3 Implementación del LQR
El controlador LQR diseñado previamente se integró en el modelo de Simulink para controlar
la posición del plato balanceado. Los parámetros del controlador LQR, como la matriz de
ponderación Q y R, fueron ajustados según las especificaciones de desempeño del sistema.

2.3.1 Definición de Funciones de Transferencia

Se definieron las funciones de transferencia del sistema, que incluyen el servomotor y el
plato-esfera en el eje x:

G_1 = tf(180/5, [50e-3 1]); % Función de transferencia del servomotor

G_2 = tf(0.06354, [1 0 0]); % Función de transferencia del plato-esfera en el eje x
G = G_2 * G_1; % Sistema completo: G(s) = X(s) / V1(s)

2.3.2 Conversión a Espacio de Estado

Las funciones de transferencia se convirtieron a la forma canónica controlable para el diseño
del controlador LQR:
num = 2.287;
den = [0.05 1 0 0];
[A, B, C, D] = tf2ss(num, den); % Forma canónica controlable

2.3.3 Verificación de Observabilidad y Controlabilidad

Se verificó la observabilidad y controlabilidad del sistema, aspectos fundamentales para
asegurar la efectividad del controlador LQR:

obs = [C; C*A; C*(A^2)]; % Matriz de observabilidad

if rank(obs) == 3
disp(’El sistema es observable.’);
else
disp(’El sistema no es observable.’);
end

cont = [B A*B (A^2)*B]; % Matriz de controlabilidad

if rank(cont) == 3
disp(’El sistema es controlable.’);
else
disp(’El sistema no es controlable.’);
end

2.3.4 Diseño del Controlador LQR

Se aplicó el método de control LQR para obtener las ganancias óptimas que minimizan la
función de costo definida, asegurando un desempeño óptimo del sistema:
R1 = 1;
Q1 = 100 * (C’ * C); % Matriz de ponderación Q para el LQR
[K1, S1, P1] = lqr(A’, C’, Q1, R1); % Cálculo de la ganancia K del LQR

La Figura 3.2 muestra la salida de la señal del modelado del sistema del plato balanceado
con dos servomotores. Esta representación gráfica es fundamental para verificar la respuesta
controlada y estable del sistema bajo diversas condiciones operativas.

10
 0.08

0.06

0.04

0.02
X(t)

-0.02

-0.04

-0.06
Señal salida Observador

-0.08
0 2 4 6 8 10 12 14 16 18 20
Tiempo (s)

Figura 2.3: Respuestas del sistema con el LQR

2.4 Resultados y Discusión

En las simulaciones, el LQR mostró una excelente capacidad para controlar el estado del
sistema, incluso en presencia de perturbaciones. Las trayectorias del estado controlado coin-
cidieron estrechamente con las trayectorias deseadas, demostrando la efectividad del contro-
lador.
Las gráficas de la respuesta del sistema indican que el LQR mejora significativamente la
precisión del control en comparación con otros métodos de control clásicos. Esto se debe a
la capacidad del LQR para optimizar la respuesta del sistema minimizando la función de
costo. La gráfica a continuación muestra el modelo aplicado al sistema real.

Figura 2.4: Implementación del control LQR en el sistema real

11
 0.08

0.06

0.04

0.02
X(t)

-0.02

-0.04

-0.06
Señal salida Observador

-0.08
0 2 4 6 8 10 12 14 16 18 20
Tiempo (s)

Figura 2.5: Implementación del control LQE en el sistema real

2.5 Conclusiones
El LQR es una herramienta esencial en el diseño de sistemas de control, especialmente
cuando se busca optimizar el rendimiento y la estabilidad del sistema. En el contexto del
sistema de pelota y mesa de equilibrio, el LQR permite obtener una respuesta óptima del
sistema, minimizando el esfuerzo de control y garantizando que la bola se mantenga en la
posición deseada.
En el siguiente capı́tulo, exploraremos la integración del LQR con el LQE para formar el
controlador LQG y analizaremos su desempeño en el sistema de pelota y mesa de equilibrio.

12
Capı́tulo 3

Estimador Cuadrático Lineal. LQE

En este capı́tulo, desarrollaremos el diseño y la implementación del Estimador Cuadrático
Lineal (LQE) aplicado al sistema de pelota y mesa de equilibrio con dos servomotores y un
grado de libertad en el eje x. El LQE, junto con el Regulador Cuadrático Lineal (LQR), forma
el Controlador Lineal Cuadrático Gaussiano (LQG). Este estimador se usa para obtener el
estado del sistema a partir de mediciones ruidosas, mejorando la precisión del control y la
estabilidad del sistema.

3.1 Modelo del Sistema

El sistema de pelota y mesa de equilibrio es un sistema no lineal que, para efectos de
diseño del LQE, se linealiza alrededor de un punto de operación. La dinámica del sistema
se representa mediante ecuaciones de estado:

ẋ(t) = Ax(t) + Bu(t) + w(t)

y(t) = Cx(t) + Du(t) + v(t)

Donde:
• x(t) es el vector de estado (posición y velocidad de la pelota).
• u(t) es el vector de entrada (comandos de los servomotores).
• y(t) es el vector de salida (mediciones de la posición de la pelota).
• w(t) es el ruido del proceso.
• v(t) es el ruido de medición.

3.1.1 Modelo en Simulink

Para el diseño y simulación del sistema, se utilizó Simulink, tal como se muestra en la Figura
3.1. El modelo incluye el sistema mecánico, los servomotores y los sensores. Este entorno
permite realizar simulaciones del sistema bajo diversas condiciones y ajustar parámetros
para optimizar el control.

Figura 3.1: Modelo del sistema en Simulink LQE

13
3.2 Diseño del LQE
El objetivo del LQE es estimar el vector de estado x̂(t) utilizando las mediciones y(t). La
ecuación del observador se expresa como:
˙
x̂(t) = Ax̂(t) + Bu(t) + L(y(t) − ŷ(t))

ŷ(t) = C x̂(t)
Donde L es la ganancia del estimador, diseñada para minimizar el error de estimación
e(t) = x(t) − x̂(t).
La ganancia L se determina resolviendo la ecuación de Riccati asociada al problema de
estimación:
P C T V −1 CP − (AP + P AT ) + W = 0
Donde:

• P es la solución de Riccati.
• W es la matriz de covarianza del ruido del proceso.
• V es la matriz de covarianza del ruido de medición.

La ganancia del estimador es:

L = P C T V −1

3.3 Implementación del LQE

3.3.1 Definición de Matrices
Las matrices A, B, C, W , y V se definen a partir del modelo del sistema linealizado. A
continuación, se presentan los parámetros de un modelo tı́pico:

A = [...]; % Matriz del sistema

B = [...]; % Matriz de control
C = [...]; % Matriz de salida
D = [...]; % Matriz de transmisión directa
W = [...]; % Matriz de covarianza del ruido del proceso
V = [...]; % Matriz de covarianza del ruido de medición

3.3.2 Resolución de la Ecuación de Riccati

Se resuelve la ecuación de Riccati para obtener la matriz P :

[P, L, G] = care(A’, C’, W, V);

3.3.3 Cálculo de la Ganancia del Estimador

La ganancia L se calcula utilizando la matriz P :
L = P * C’ * inv(V);

3.3.4 Simulación y Validación

Se realizan simulaciones para validar el desempeño del LQE. La simulación implica generar
datos ruidosos y comparar los estados estimados con los estados reales.

14
 0.08

0.06

0.04

0.02
X(t)

-0.02

-0.04

-0.06
Señal salida Observador

-0.08
0 2 4 6 8 10 12 14 16 18 20
Tiempo (s)

Figura 3.2: Respuestas del sistema con el LQE

3.4 Resultados y Discusión

En las simulaciones, el LQE mostró una excelente capacidad para estimar el estado del
sistema, incluso en presencia de ruido de medición significativo. Las trayectorias del estado
estimado coincidieron estrechamente con las trayectorias del estado real, demostrando la
efectividad del estimador.
Las gráficas de la respuesta del sistema indican que el LQE mejora significativamente la
precisión del control en comparación con el uso de solo el LQR. Esto se debe a la capacidad
del LQE para filtrar el ruido de las mediciones y proporcionar estimaciones precisas del
estado. La grafica a continuacion muestra el modelo aplicado al sistema real.

Figura 3.3: Implementación del control LQE en el sistema real

15
 0.08

0.06

0.04

0.02
X(t)

-0.02

-0.04

-0.06
Señal salida Observador

-0.08
0 2 4 6 8 10 12 14 16 18 20
Tiempo (s)

Figura 3.4: Implementación del control LQE en el sistema real

3.5 Conclusiones
El LQE es una herramienta esencial en el diseño de sistemas de control, especialmente
cuando las mediciones están contaminadas por ruido. En el contexto del sistema de pelota y
mesa de equilibrio, el LQE permite obtener estimaciones precisas del estado, lo que mejora
el rendimiento del controlador LQR y resulta en un controlador LQG robusto y eficiente.
En el siguiente capı́tulo, integraremos el LQE con el LQR para formar el controlador LQG
y analizaremos su desempeño en el sistema de pelota y mesa de equilibrio.

3.6 Anexos
El código MATLAB utilizado para la implementación del LQE y las simulaciones se encuen-
tra en el Anexo A.

16
Capı́tulo 4

Regulador Cuadrático Gausiano. LQG

El Regulador Cuadrático Gausiano (LQG) es una técnica de control óptimo que combina
el Regulador Cuadrático Lineal (LQR) y el Estimador Cuadrático Lineal (LQE). Es amplia-
mente utilizado en sistemas de control donde se requiere un rendimiento óptimo en presencia
de ruido y perturbaciones. El LQG ofrece una solución efectiva y robusta, especialmente en
sistemas dinámicos lineales.

4.1 Relación entre LQR y LQE

Regulador Cuadrático Lineal (LQR)
El LQR es un método de control óptimo que minimiza una función de costo cuadrática,
logrando un equilibrio entre el rendimiento y el esfuerzo de control. El objetivo principal del
LQR es determinar la ley de control u(t) que minimiza el siguiente costo:
Z ∞
J= (xT Qx + uT Ru) dt
0

donde:
• x(t) es el vector de estado,
• u(t) es el vector de control,
• Q y R son matrices de ponderación que determinan la penalización del estado y del
esfuerzo de control, respectivamente.

4.1.1 Estimador Cuadrático Lineal (LQE)

El LQE, también conocido como filtro de Kalman, es un algoritmo que estima el estado de un
sistema dinámico lineal en presencia de ruido. La estimación se realiza minimizando el error
cuadrático medio. El filtro de Kalman se basa en un modelo del sistema y en mediciones
ruidosas para proporcionar una estimación óptima del estado.

4.1.2 Derivación del LQG

El LQG combina el LQR y el LQE en un marco unificado. La ley de control resultante del
LQG utiliza las estimaciones del estado proporcionadas por el LQE para aplicar la ley de
control óptima derivada del LQR. La combinación se realiza de la siguiente manera:

1. Diseño del LQR: Determinación de la ley de control óptima u(t) = −Kx(t) utili-
zando el controlador LQR.
2. Diseño del LQE: Estimación del estado x̂(t) mediante el filtro de Kalman.
3. Controlador LQG: Aplicación de la ley de control utilizando la estimación del estado,
u(t) = −K x̂(t).

Las ecuaciones clave que describen el LQG son:

ẋ(t) = Ax(t) + Bu(t) + w(t)

y(t) = Cx(t) + v(t)

donde w(t) y v(t) son ruido de proceso y ruido de medición, respectivamente.

17
4.2 Modelo en Simulink
Para el diseño y simulación del controlador LQG, se utilizó Simulink, como se ilustra en
la Figura 4.1. El modelo integra el sistema mecánico, los servomotores, los sensores y el
estimador LQE junto con el controlador LQR. Este entorno proporciona una plataforma
flexible para realizar simulaciones del sistema bajo diversas condiciones y ajustar parámetros
para optimizar el desempeño del control.
En el modelo, el estimador LQE se encarga de estimar los estados del sistema a partir de
las salidas medidas, mientras que el controlador LQR utiliza estas estimaciones para calcular
las señales de control que se envı́an a los servomotores. Esto permite una implementación
efectiva del controlador LQG, que combina las ventajas del control óptimo y la estimación
de estados.

Figura 4.1: Modelo del sistema en Simulink con controlador LQG

4.3 Implementación del LQE

Definición de Matrices
Las matrices A, B, C, W , y V se definen a partir del modelo del sistema linealizado. A
continuación, se presentan los parámetros de un modelo tı́pico:

A = [...]; % Matriz del sistema

B = [...]; % Matriz de control
C = [...]; % Matriz de salida
D = [...]; % Matriz de transmisión directa
W = [...]; % Matriz de covarianza del ruido del proceso
V = [...]; % Matriz de covarianza del ruido de medición

Resolución de la Ecuación de Riccati

Se resuelve la ecuación de Riccati para obtener la matriz P :

[P, L, G] = care(A’, C’, W, V);

Cálculo de la Ganancia del Estimador

La ganancia L se calcula utilizando la matriz P :
L = P * C’ * inv(V);

18
4.3.1 Implementación del LQR
Definición de Matrices
Las matrices Q y R son matrices de pesos del estado y de la entrada, respectivamente:

Q = [...]; % Matriz de pesos del estado

R = [...]; % Matriz de pesos de la entrada

Diseño del Controlador LQR

El controlador LQR se diseña para minimizar un ı́ndice de rendimiento cuadrático, que
equilibra el desempeño y el esfuerzo de control. El problema de LQR se resuelve para obtener
la ganancia de retroalimentación K:

[K, S, E] = lqr(A, B, Q, R);

4.3.2 Combinación del LQR y LQE para Obtener el LQG

El sistema LQG se forma combinando el controlador LQR y el filtro de Kalman (LQE):

% Sistema en espacio de estados para el LQG

A_lqg = [(A - B*K) (B*K); zeros(size(A)) (A - L*C)];
B_lqg = [B; zeros(size(B))];
C_lqg = [C zeros(size(C))];
D_lqg = D;

% Simulación del sistema LQG

sys_lqg = ss(A_lqg, B_lqg, C_lqg, D_lqg);
initial(sys_lqg, [1; 1; 0; 0]);

4.3.3 Simulación y Validación

Se realizan simulaciones para validar el desempeño del LQG. La simulación implica generar
datos ruidosos y comparar los estados estimados con los estados reales.

19
 0.08

0.06

0.04

0.02
X(t)

-0.02

-0.04

-0.06
Señal salida Observador

-0.08
0 2 4 6 8 10 12 14 16 18 20
Tiempo (s)

Figura 4.2: Modelo Espacio Estado

4.3.4 Resultados y Análisis

4.4 Resultados y Discusión

Durante las simulaciones, el controlador LQG demostró una capacidad destacada para es-
timar el estado del sistema y mejorar significativamente la precisión del control, incluso en
condiciones adversas con ruido de medición considerable. La comparación entre las trayecto-
rias del estado estimado y el estado real validó la efectividad del estimador y del controlador.
El análisis reveló que el LQG ofrece mejoras significativas en la precisión del control
en comparación con el enfoque LQR, gracias a su capacidad para filtrar el ruido de las
mediciones y proporcionar estimaciones precisas del estado, optimizando ası́ el rendimiento
del sistema.
Se presenta a continuación la implementación del control LQG en el sistema real, junto
con la respuesta correspondiente del sistema:

Figura 4.3: Implementación del control LQG en el sistema real.

20
 0.08

0.06

0.04

0.02
X(t)

-0.02

-0.04

-0.06
Señal salida Observador

-0.08
0 2 4 6 8 10 12 14 16 18 20
Tiempo (s)

Figura 4.4: Respuesta del sistema controlado con LQG.

4.4.1 Conclusiones
El Regulador Cuadrático Gausiano (LQG) proporciona una solución efectiva y robusta para
sistemas de control lineales en presencia de ruido. La combinación del LQR y el LQE permite
obtener un rendimiento óptimo y una estimación precisa del estado, mejorando significati-
vamente el comportamiento del sistema comparado con la aplicación de cada método por
separado. El LQG se aplica en una amplia gama de aplicaciones industriales y de ingenierı́a,
demostrando su importancia en el campo del control automático.

4.4.2 Anexo: Código Fuente

El código MATLAB utilizado para la implementación y simulación del LQG es el siguiente:

21
Bibliografı́a
[1] M. Hamdoun, M. B. Abdallah, M. Ayadi, F. Rotella, and I. Zambettakis, “Functional
observer-based feedback controller for ball balancing table,” SN Applied Sciences, vol. 3,
no. 6, p. 614, 2021.
[2] L. Ljung, System identification toolbox: User’s guide. Citeseer, 1995.

[3] K. Ogata, Modern Control Engineering. Prentice Hal, 5 ed., 2010.

22