Control Autom atico I

Notas basadas principalmente

en Goodwin etal. [2001]
Por Virginia Mazzone
INGENIER

IA EN AUTOMATIZACI

ON Y CONTROL INDUSTRIAL
http://iaci.unq.edu.ar
Universidad Nacional de Quilmes
Roque Saenz Pe na 352, Bernal
Buenos Aires, Argentina
Notas de CAUT1 - II

Indice general
3. Modelos Matem aticos en Control 1
3.1. El por qu e de los modelos matem aticos en control . . . . . . . . . . . . . . . . 1
3.2. Complejidad de modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.3. Construcci on de modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
3.4. Modelos en Espacio de Estado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
3.4.1. Caso General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.4.2. Espacio de Estado Lineal . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.5. Linealizaci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
3.6. Escalamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.7. Resumen de tipos de modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.8. M as ejemplos de modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
4. Se nales y Sistemas de Tiempo Continuo 17
4.1. Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
4.2. Funciones transferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
4.2.1. Modelo en ecuaci on diferencial de orden superior . . . . . . . . . . . . 18
4.2.2. Funci on de transferencia de sistemas con retardo . . . . . . . . . . . . 19
4.2.3. Modelo del retardo temporal . . . . . . . . . . . . . . . . . . . . . . . . 20
4.3. Diagramas de bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.3.1. Funci on transferencia a lazo cerrado . . . . . . . . . . . . . . . . . . . . 22
4.3.2. Reducci on de un diagrama en bloque . . . . . . . . . . . . . . . . . . . 22
4.4. Gr acas de ujo de se nal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.5. Estabilidad de funciones transferencia . . . . . . . . . . . . . . . . . . . . . . . 26
4.6. Respuesta din amca de sistemas LTI . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.6.1. Polos, Ceros y Respuesta Temporal . . . . . . . . . . . . . . . . . . . . . 28
4.7. Polos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.7.1. Sistema de Primer Orden . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.7.2. Sistemas de segundo orden . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.7.3. Ceros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.7.4. Obtenci on experimental de modelos . . . . . . . . . . . . . . . . . . . . 37
4.8. Respuesta en Frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.8.1. Respuesta en R egimen Permanente a una Entrada Sinusoidal . . . . . 40
4.8.2. Diagrama de Bode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.8.3. Filtrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Bibliografa 45
III

Indice general Notas de CAUT1 - IV

Indice de guras
3.1. Circuito el ectrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2. Modelo simplicado de un motor c.c . . . . . . . . . . . . . . . . . . . . . . . . 5
3.3. Salida no lineal, y
nl)
(t), y linealizada, y
l
(t). . . . . . . . . . . . . . . . . . . . . 7
3.4. P endulo invertido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.5. Diagrama de los dos cuerpos libres del sistema . . . . . . . . . . . . . . . . . . 11
3.6. Tanques interconectados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.7. Diagrama de bloques del sistema simulado para comparar los resultados . . . 13
3.8. Representaci on en SIMULINK del sistema linealizado . . . . . . . . . . . . . . 13
3.9. Representaci on en SIMULINK del sistema no lineal . . . . . . . . . . . . . . . . 14
3.10. Estados linealizados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.11. Estados no lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3.12. Comparaci on entre los estados aproximados y los reales . . . . . . . . . . . . 15
4.1. Aproximaci on de Pad e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4.2. Aproximaci on de Pad e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.3. Aproximaci on de Pad e para un retardo unitario, con distintos valores de p =
q. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
4.4. Diagrama en bloques a lazo cerrado . . . . . . . . . . . . . . . . . . . . . . . . 22
4.5. Reglas del algebra de los diagramas de bloques . . . . . . . . . . . . . . . . . . 23
4.6. Gr aca de ujo se se nal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.7. Diagrama de bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.8. Gr aca de ujo de se nal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.9. Indicadores de la respuesta escal on . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.10. Respuesta al escal on de un s sistema de primer orden . . . . . . . . . . . . . . 29
4.11. Respuesta al escal on de dos sistemas de primer orden . . . . . . . . . . . . . . 29
4.12. Ubicaci on de polos y respuesta al escal on de un sistema de segundo orden . . 30
4.13. Sobreerror en funci on de para un sistema dado por (4.9) . . . . . . . . . . . 32
4.14. Respuesta a escal on variando y mismo
n
. . . . . . . . . . . . . . . . . . . 33
4.15. Respuesta a escal on variando
n
y mismo . . . . . . . . . . . . . . . . . . . 33
4.16. Din amica de un cero m as r apido que el polo m as lento . . . . . . . . . . . . . 34
4.17. Din amica de un cero m as lento que el polos lento y de un cero NMF . . . . . 34
4.18. Din amica de un cero m as lento que el polos lento y de un cero NMF . . . . . 35
4.19. Gr acos de y(t) y v(t) para ver las cotas usadas en la demostraci on. . . . . . . 36
4.20. Comparaci on entre la entrada y la salida . . . . . . . . . . . . . . . . . . . . . . 41
V

Indice de guras Notas de CAUT1 - VI

Captulo 3
Modelos Matem aticos en Control
El dise no de un sistema de control tpicamente requiere un delicado balance entre limi-
taciones fundamentales y soluciones de compromiso. Para poder lograr esto, es necesario
tener una comprensi on del proceso en cuesti on. Esta comprensi on usualmente se captura
en un modelo matem atico. Teniendo un modelo, es posible predecir el impacto de distintos
dise nos posibles sin comprometer al sistema real.
En este captulo vamos a discutir brevemente c omo
elegir el nivel adecuado de complejidad de un modelo;
obtener modelos de una planta dada
linealizar modelos no lineales;
No discutiremos en detalle c omo obtener modelos matem aticos en forma analtica. La
derivaci on de modelos matem aticos es una disciplina compleja en s misma, elementos de
la cual se estudian, por ejemplo, en las asignaturas Procesos y M aquinas Industriales I y II.
3.1. El por qu e de los modelos matem aticos en control
Para muchos problemas es posible encontrar un controlador adecuado simplemente me-
diante prueba y error. Sin embargo, en muchos casos el enfoque de prueba y error no es
factible, debido a complejidad, eciencia, costo, o a un seguridad.
En particular, es imposible mediante prueba y error responder a cuestiones como las
siguientes antes de hacer pruebas:
Dada una planta y un objetivo deseado de operaci on, qu e controlador puede alcan-
zarlo? Se puede alcanzar el objetivo propuesto con alg un controlador?
Dados un controlador y una planta, c omo operar an en lazo cerrado?
Por qu e un lazo dado opera de la forma que lo hace? Puede mejorarse? Con qu e con-
trolador?
C omo cambiara la operaci on si se cambiaran los par ametros del sistema, o si las per-
turbaciones fueran mayores, o si fallara alg un sensor?
Para responder sistem aticamente a estas cuestiones necesitamos modelos matem aticos.
Los modelos matem aticos nos brindan los medios de capturar el comportamiento de
un sistema sujeto a condiciones iniciales, entradas de control y perturbaciones mediante un
conjunto de ecuaciones matem aticas.
3. Modelos Matem aticos en Control Notas de CAUT1 - 2
La importancia de los modelos matem aticos radica en que pueden ser
simulados en situaciones hipot eticas,
ensayados en estados que seran peligrosos en el sistema real, y
usados como base para sintetizar controladores.
Decidir cu al es un modelo nominal sensible no suele ser f acil. Por el momento, diagamos
que se debe capturar las caractersticas de control pertinentes de la din amica de la planta y
no lineales de la planta.
Ejemplo 3.1. Considere un tubo donde el ujo de agua debe ser controlado. A tal efecto, una
v alvula est a instalada y el control de entrada u(t) es la se nal que conduce el posicionador
de la v alvula. Suponiendo que la tubera est a siempre llena de agua, entonces es claro que el
modelo de esta planta est a dominada por la din amica de la v alvula, ya que es la unica fuente
de la din amica en el problema. La rigidez de la v alvula y la saturaci on podra ser problemas
importantes para este problema de control.
3.2. Complejidad de modelos
Al construir un modelo es importante tener en cuenta que todo proceso real es complejo,
por lo que cualquier intento de construir una descripci on exacta de la planta es usualmente
una meta imposible de alcanzar.
Afortunadamente, la realimentaci on usualmente nos permite tener exito a un con mode-
los muy simples, siempre y cuando estos capturen las caractersticas esenciales del proble-
ma.
Es importante destacar que los modelos empleados para control usualmente dieren de
los utilizados, por ejemplo, para dise no del proceso.
Los sistemas reales pueden ser arbitrariamente complejos, por lo que todo modelo de-
ber a ser necesariamente una descripci on aproximada del proceso. Introducimos tres deni-
ciones para claricar este enunciado.
Modelo nominal. Es una descripci on aproximada de la planta que se usa para el dise no de
control.
Modelo de calibraci on. Es una descripci on m as exhaustiva de la planta. Incluye caractersti-
cas no usadas en el dise no de control pero que tienen directa inuencia en el desem-
pe no alcanzado.
Error de modelo. Es la diferencia entre el modelo nominal y el modelo de calibraci on. Los
detalles de este error podran ser desconocidos, pero podran disponerse de cotas apro-
ximadas.
3.3. Construcci on de modelos
Para la construcci on de modelos dos enfoques diferenciados :
Experimental. Se basa en pensar al sistema como una caja negra. En este enfoque se postula
una determinada estructura de modelo, a la que que se varan los par ametros, bien va
prueba y error, o bien va alg un algoritmo, hasta que la el comportamiento din amico
del modelo se ajusta al observado en la planta mediante ensayos.
3. Modelos Matem aticos en Control Notas de CAUT1 - 3
Analtico. Se basa en el uso de leyes fsicas (conservaci on de masa, energa y momento).
El modelo se obtiene a partir de las leyes fenomenol ogicas b asicas que determinan las
relaciones entre todas las se nales del sistema.
En la pr actica, es com un combinar una caja negra y las leyes para construir un modelo.
Las leyes fsicas a menudo son cruciales para comprender las principales din amicas (inclu-
yendo caractersticas dominantes), no lineales y un tiempo considerable variaciones en un
sistema dado. Por lo tanto, ayudar a a tomar una decisi on inicial sobre la complejidad del
modelo. Por otro lado, el enfoque de caja negra permite ajustar los modelos de secciones de
la planta donde las leyes fsica son complejas.
Ejemplo 3.2. Consideremos un tanque cilndrico de area A que descarga a trav es de un ori-
cio en el fondo. Los principios fsicos indican que el ujo de descarga q
2
puede modelarse
razonablemente como q
2
(t) = K
_
h(t), donde h es el nivel de lquido en el tanque y K una
constante a determinar, por ejemplo, usando principios fsicos.
Figura de Dorf & Bishop (2000).
Por ejemplo, se mide h(t) cada T segun-
dos, donde T se elige tal que la varia-
ci on [h(t) h(t T)[ sea peque na. As,
q
2
(t) [h(t) h(t T)[A/T, y K podra
estimarse haciendo una regresi on lineal
de q
2
(t) sobre
_
h(t) para distintos va-
lores de t.
Vemos en este ejemplo como el modelo nal combina conocimiento fsico con mediciones
experimentales.
Los modelos relevantes en control son a menudo bastante simples en
comparaci on al proceso verdadero, y usualmente combinan razonamien-
to fsico con datos experimentales.
Otra consideraci on de relevancia pr actica es la inclusi on del actuador en el proceso de
modelado. Los actuadores son, en general, bastante alineales, y usualmente tienen su propia
din amica que, a veces, puede hasta dominar otras caractersticas del proceso (como suele
pasar con v alvulas, actuadores hidr aulicos, recticadores controlados)
As, de aqu en m as, cuando nos reramos al modelo de la planta, entenderemos que este
modelo tambi en incluye los actuadores, cuando sea necesario.
3.4. Modelos en Espacio de Estado
Una herramienta muy utilizada para modelar plantas es la descripci on en variables de es-
tado. Las variables de estados forman un conjunto de variables internas, tal que si se conocen
estas variables en alg un momento, cualquier salida de la planta y(t) se puede calcular para
todo tiempo futuro, como funci on de las variables de estado y valores presentes y futuros
de la entrada
3. Modelos Matem aticos en Control Notas de CAUT1 - 4
3.4.1. Caso General
Si expresamos el vector de variables de estado elegido x, la forma general de un modelo
en espacio de estado viene dado por
Para sistemas de tiempo continuo
dx
dt
= f (x(t), u(t), t)
y(t) = g(x(t), u(t), t)
Para sistemas de tiempo discretos
x[k + 1] = f
d
(x[k], u[k], k)
y[k] = g
d
(x[k], u[k], k)
Dado que la descripci on en espacio de estado es una ecuaci on diferencial vectorial de primer
orden, facilita la soluci on num erica a varios problemas de control.
3.4.2. Espacio de Estado Lineal
Decimos que un sistema es lineal si cumple con el principio de superposici on. Lo que
implica que dadas dos condiciones iniciales x
01
y x
02
produce respuestas h
01
(t) y h
02
(t)
respectivamente con entrada nula, y con entradas u
1
(t) y u
2
(t) produce h
11
(t) y h
12
(t) res-
pectivamente, con condiciones iniciales nulas. Entonces la respuesta a entrada u
1
(t) + u
2
(t)
con condiciones iniciales x
01
+ x
02
es h
01
(t) + h
02
(t) + h
11
(t) + h
12
(t).
Decimos que un sistema es invariante en el tiempo si la respuesta a una entrada corrida
en el tiempo es simplemente la respuesta original corrida en el tiempo, es decir, si una en-
trada u
1
(t) produce una respuesta g
1
(t), luego una entrada u
2
(t) = u
1
(t +) produce una
respuesta g
2
(t) = g
1
(t +).
Para el caso lineal e invariante en el tiempo, el espacio de estado viene dado por
dx(t)
dt
= Ax(t) + Bu(t)
y(t) = Cx(t) + Du(t)
(3.1)
donde A, B, C y D son matrices de dimensi on apropiada.
Veamos un ejemplo de construcci on del espacio de estado para un cicuito el ectrico.
Ejemplo 3.3. Consideremos el circuito el ectrico de la Figura 3.1, y modelemos la tensi on
v(t).
+
R
1
C L
i(t)
v
f
(t) R
2
v(t)
Figura 3.1: Circuito el ectrico
Aplicando mayas y Kirchoff obtenemos las ecuaciones
3. Modelos Matem aticos en Control Notas de CAUT1 - 5
v(t) = L
di(t)
dt
v
f
(t) v(t)
R
1
= i(t) + C
dv(t)
dt
+
v(t)
R
2
que reordenando resulta
di(t)
dt
=
1
L
i(t)
dv(t)
dt
=
1
C
i(t) +
_
1
R
1
C
+
1
r
2
C
_
(t) +
1
R
1
C
v
f
(t)
(3.2)
Las Ecuaciones (3.2) tienen la misma forma que las Ecuaciones (3.1) si elegimos como
variables de estado x
1
(t) = i(t) y x
2
(t) = v(t), es decir el vector de estado resulta x(t) =
_
x
1
(t) x
2
(t)

T
y la salida y = v(t) = x
2
(t). Si expresamos (3.2) en forma matricial tenemos
A =
_
0
1
L

1
C

_
1
R
1
C
+
1
R
2
C
_
_
; B =
_
0
1
R
1
C
_
; C =
_
0 1

; D = 0
Ejemplo 3.4. Consideremos un motor de corriente continua. Sea v
a
(t) la tensi on del circuito
de armadura, (t) el angulo de salida. Un diagrama esquem atico de este sistema es el que
se muestra en la Figura 3.2.
R
i
a
(t)
(t)
v
a
(t)
v
w
(t)
Figura 3.2: Modelo simplicado de un motor c.c
Sea
J - la inercia del eje

e
(t) - el torque el ectrico
i
a
(t) - corriente del armadura
k
1
, k
2
- constantes
R - resistencia del armadura
Aplicando los principios de la fsica, las variables est an relacionados por
1
J

(t) =
e
(t) = k
1
i
a
(t)
v

(t) = k
2

(t)
i
a
(t) =
v
a
(t) k
2

(t)
R
que combinando estas ecuaciones dan lugar a la ecuaci on diferencial de segundo orden
J

(t) = k
1
v
a
(t) k
2

(t)
R
. (3.3)
Para expresar la ecuaci on (3.3) en espacio de estado, basta con elegir como variables de
estados a x
1
(t) = (t) y x
2
(t) =

(t). Ahora el modelo (3.3) puede ser expresado como
_
x
1
(t)
x
2
(t)
_
=
_
_
0 1
0
k
1
k
2
RJ
_
_
_
x
1
(t)
x
2
(t)
_
_
_
0
k
1
RJ
_
_
(3.4)
1
Para m as detalle ver ejemplo2.2 pp 42 y 43 de Franklin etal. [1991]
3. Modelos Matem aticos en Control Notas de CAUT1 - 6
3.5. Linealizaci on
Aunque casi todo sistema real tiene caractersticas no lineales, muchos sistemas pueden
describirse razonablemente por modelos lineales al menos dentro de ciertos rangos de
operaci on.
Como normalmente un sistema de control opera en las cercanas de un equilibrio, se
hace una linealizaci on alrededor de este equilibrio. El resultado es un modelo lineal, mucho
m as simple, pero adecuado para el dise no de control.
Para un mismo sistema no lineal, la linealizaci on alrededor de distintos puntos de equi-
librio dar a, en general, distintos modelos linealizados.
Consideramos la linealizaci on del modelo general en ecuaciones de estado
x(t) = f
_
x(t), u(t)
_
y(t) = g
_
x(t), u(t)
_ (3.5)
alrededor de un punto de equilibrio, o punto de operaci on.
Un punto de equilibrio est a denido por un triplo de valores constantes (x

, u

, y

) que
satisfacen
0 = f
_
x

, u

_
y

= g
_
x

, u

_
.
Vamos a considerar la linealizaci on del sistema alrededor de un punto de equilibrio (alter-
nativamente, tambi en podra ser alrededor de una trayectoria).
Si las funciones f y g son sucientemente regulares, las ecuaciones (3.5) pueden aproxi-
marse por
x(t) f (x

, u

) +
f
x

,u

x(t) +
f
u

,u

u(t),
y(t) g(x

, u

) +
g
x

,u

x(t) +
g
u

,u

u(t),
(3.6)
donde x(t)
.
= x(t) x

y u(t)
.
= u(t) u

.
Como f (x

, u

) = 0 = x

y g(x

, u

) = y

, de (3.6) obtenemos nalmente el sistema

(incremental) linealizado
x(t) = Ax + B u
y = C x + Du.
(3.7)
Si las variables x R
n
, u R
m
, y R
p
, entonces A, B, C, D son matrices las matrices
Jacobianas de f y g evaluadas en el punto de operaci on, es decir,
A
.
=
f
x

,u

R
nn
, B
.
=
f
u

,u

R
nm
, C
.
=
g
x

,u

R
pn
, D
.
=
g
u

,u

R
pm
.
(3.8)
Si las variables x, u, e y son escalares (o sea, R), entonces A, B, C y D son tambi en
escalares y representan las pendientes de las supercies f y g en el punto de operaci on.
Ejemplo 3.5. Consideremos un sistema cuyo modelo viene dado por
dx(t)
dt
= f (x(t), u(t)) =
_
x(t) +
(u(t))
2
3
(3.9)
3. Modelos Matem aticos en Control Notas de CAUT1 - 7
Supongamos que la entrada u(t) vara alrededor de u = 2. Hallar un punto de operaci on
con u

= 2 y linealizar el modelo alrededor de este.

El punto de operaci on se calcula de (3.9) con u

= 2 y
dx(t)
dt
= 0, es decir

(u

)
2
3
= 0 x

=
16
9
Ahora el modelo linealizado es el desarrollo de Taylor de (3.9)
dx(t)
dt
=
1
2

x(t) +
2u

3
U(t)
=
3
8
x(t) +
4
3
u(t)
Podemos apreciar el comportamiento cualitativo de la aprximaci on lineal comparando la
simulaci on de ambos considerando como entrada una constante igual a 2 m as un incremento
cuya amplitud vara, Figura 3.3. Podemos ver que el error de linealizaci on aumenta cuando
es sistema se aleja del punto de operaci on alrededor del cual se linealiz o.
0 1 2 3 4 5 6 7 8 9 10
1.4
1.6
1.8
2
2.2
2.4
2.6
2.8
Tiempo [seg.]
u(t)
y
nl
(t)
y
l
(t)
Figura 3.3: Salida no lineal, y
nl)
(t), y linealizada, y
l
(t).
Los modelos lineales da un comportamiento cualitativo de los sistemas no linea-
les alrededor de los puntos de operaci on.

Esto nos permite utilizar estrategias de
control lineal, con el debido cuidado de no apartarse demasiado del punto de ope-
raci on.
Veamos otro ejemplo, un poco m as complejo que el anterior, de dos variables de estado.
Ejemplo 3.6. Levitador magn etico. La Figura 3.6 muestra el esquema de un sistema de sus-
pensi on magn etica, en el que una bola de material ferromagn etico de masa m se levita
mediante un electroim an controlado por fuente de corriente. donde g es la aceleraci on de la
gravedad, y(t) es la posici on de la bola, e i(t) la corriente de excitaci on del electroim an. Los
par ametros L
0
y a son constantes positivas.
3. Modelos Matem aticos en Control Notas de CAUT1 - 8
i
m
y
v
mg
El movimiento de la bola se puede aproximar por la
ecuaci on diferencial no lineal
y(t) g +
L
0
a
2m(a + y(t))
2
[i(t)]
2
= 0, (3.10)
Deseamos obtener un modelo incremental linealizado alrededor de un punto de equili-
brio denido por la corriente i(t) = i

.
Punto de equilibrio. En el punto de equilibrio inducido por la corriente constante i(t) = i

,
necesariamente y(t) = constante, es decir, y(t) = 0 = y(t). As, de (3.10) obtenemos
0 =
L
0
a
2m(a + y

)
2
[i

]
2
g y

L
0
a
2mg
i

a.
Ecuaciones de estado NL. Deniendo las variables de estado x
1
.
= y, x
2
.
= y, y la entrada
u
.
= i, obtenemos de (3.10) las ecuaciones de estado en la forma (3.5),
_
x
1
(t)
x
2
(t)
_
=
_

_
x
2
(t)
g
L
0
a
2m(a + x
1
(t))
2
[u(t)]
2
_

_
=
_
f
1
(x
2
(t))
f
2
(x
1
(t), u(t))
_
y(t) = x
1
(t) = g(x
1
(t)).
(3.11)
Jacobianos y modelo linealizado.
f
x
=
_
_
f
1
x
1
f
2
x
2
f
2
x
1
f
2
x
2
_
_
=
_
_
0 1
L
0
au
2
m(a + x
1
)
3
0
_
_
,
g
x
=
_
g
x
1
g
x
2
_
=
_
1 0

f
u
=
_
_
f
1
u
f
2
u
_
_
=
_
_
0

L
0
au
m(a + x
1
)
2
_
_
,
g
u
= 0
Con los valores num ericos L
0
= 0,01H, a = 0,05m, m = 0,01kg, g = 9,81m/s
2
, y i

= 2A,
obtenemos y

= 0,050963. Con x
1
= y

y u = i

en (4.4), obtenemos el modelo incremental

lineal
x =
_
0 1
194,327 0
_
x +
_
0
9,81
_
u
y(t) =
_
1 0

x.
3.6. Escalamiento
Un factor importante antes de trabajar con un modelo es hacer una buena selecci on de
los factores de escala (unidades) para las variables y el tiempo
2
.
Un buen escalamiento har a los c alculos m as simples y m as precisos y disminuir a enor-
memente los problemas de simulaci on en computador.
2
Ver 2.6 en Franklin etal. [1991]
3. Modelos Matem aticos en Control Notas de CAUT1 - 9
Ejemplo 3.7. Volvamos al ejemplo anterior para ilustrar el procedimiento en concreto. Las
ecuaciones del sistema incremental lineal obtenido pueden escribirse de la forma
x
1
= x
2
x
2
= 194,327x
1
9,81u.
(3.12)
Para este sistema tan simple las magnitudes de los par ametros no est an tan mal, pero
a un as es bueno en la pr actica tratar de tener constantes entre 0,1 y 100, o entre 0,1 y 10 si
es posible, mediante una cuidadosa selecci on de escala, es decir las unidades en que medir
las variables.
Denamos las variables normalizadas
z
1
=
x
1
x
01
, z
2
=
x
2
x
02
, v =
u
u
0
, =
0
t. (3.13)
El escalamiento de tiempo cambia la diferenciaci on:
dx
dt
=
dx
d(/
0
)
=
0
dx
d
.
Este escalamiento en x
1
y x
2
y el uso de (3.19) en (3.25) da
(
0
x
01
)
dz
1
d
= x
02
z
2
(
0
x
02
)
dz
2
d
= (194,327x
01
) z
1
(9,8u
0
)v,
o sea,
dz
1
d
=
x
02

0
x
01
z
2
dz
2
d
=
194,327x
01

0
x
02
z
1

9,8u
0

0
x
02
v.
Si tomamos la posici on en cm, resulta x
01
= 0,01; la velocidad en dm/s da x
02
= 0,1. As, si
elegimos
0
= 10, tenemos
dz
1
d
= z
2
dz
2
d
= 1,94327 z
1
(9,81u
0
)v.
Finalmente, tomando u
0
= 1/9,81 = 0,102, llegamos al sistema normalizado
dz
1
d
= z
2
dz
2
d
= 1,94327 z
1
v,
que es un modelo con par ametros bastante mejor escalados que el original. Mucho mejor pa-
ra manipulaci on y simulaci on digital. Cualitativamente, ambos modelos son equivalentes.
3. Modelos Matem aticos en Control Notas de CAUT1 - 10
3.7. Resumen de tipos de modelos
Los modelos se clasican de acuerdo a propiedades de las ecuaciones en la que se basan.
Por ejemplo:
Atributo Atributo antag onico Determina si. . .
SISO MIMO . . . las ecuaciones del modelo tienen una
entrada y una salida.
Lineal No lineal . . . las ecuaciones del modelo son linea-
les en las variables del sistema.
Invariante en el tiempo Variante en el tiempo . . . los par ametros del modelo son cons-
tantes.
Continuo Discreto . . . las ecuaciones del modelo describen
su comportamiento en cada instante de
tiempo, o s olo en muestras discretas.
Entrada-salida Espacio de estados . . . las ecuaciones dependen s olo de las
entradas y las salidas, o tambi en de va-
riables de estado.
3.8. M as ejemplos de modelos
Los ejemplos que presentamos a continuaci on fueron obtenidos de los ejemplos de uno
de los Tutoriales de Control para MATLAB de la Carnagie Mellon University (http://www.
engin.umich.edu/group/ctm/). Antes de estudiar dichos modelos, repasemos las si-
guientes deniciones:
Un modelo matem atico de un sistema din amico se dene como un conjunto de ecua-
ciones que representan la din amica del sistema con precisi on o, al menos, bastante
bien.
La funci on transferencia de un sistema descrito mediante una ecuaci on diferencial li-
neal e invariante en el tiempo (LTI) se dene como el cociente-entre la transformada
de Laplace de la salida y la transformada de Laplace de la entrada bajo la suposici on
de que todas las condiciones iniciales son nulas.
Ejemplo 3.8. La Figura 3.4 muestra un carro con un p endulo invertido, impulsado por una
fuerza F. Determinar las ecuaciones din amicas del movimiento, y linealizar alrededor del
angulo del p endulo, = 0.
x

m, I
F
m
Figura 3.4: P endulo invertido
3. Modelos Matem aticos en Control Notas de CAUT1 - 11
Si calculamos la sumatoria de las fuerzas en el diagrama de cuerpos libres, Figura 3.5,
del carro en la direcci on horizontal, obtenemos la siguiente ecuaci on de movimiento:
M x + b x + N = F (3.14)
m, I
F
P

x
x
N
P
I

x
mg
N
b x
I

2
l
m
Figura 3.5: Diagrama de los dos cuerpos libres del sistema
Si ahora calculamos la sumatoria de las fuerzas del p endulo del diagrama de cuerpos
libres en la direcci on horizontal, obtenemos una ecuaci on para N
N = m x + ml

cos ml

2
sin (3.15)
Si sustituimos (4.4) en la ecuaci on (4.1), obtenemos la primer ecuaci on de este sistema
(M + m) x + b x + ml

cos ml

2
sin = F (3.16)
Para obtener la segunda ecuaci on de movimiento, sumemos las fuerzas perpendiculares
al p endulo. Resolviendo el sistema a lo largo de este eje obtenemos la siguiente ecuaci on
P sin + N cos mg sin = ml

+ m x cos (3.17)
Para deshacernos de los t erminos P y N de (3.9), sumemos los momentos alrededor del
centro del p endulo para obtener
Pl sin Nl cos = I

(3.18)
Combinando (3.9) y (3.25), obtenemos la segunda ecuaci on din amica
(I + ml
2
)

+ mgl sin = ml x cos (3.19)

Ahora linealicemos las ecuaciones (4.5) y (3.19) alrededor de = . Si suponemos que
el p endulo se mueve unos pocos grados alrededor de , podemos aproximar cos = 1,
sin y

2
0. Por lo que las dos ecuaciones linealizadas son
ml x =(I + ml
2
)

mgl
F =(M + m) x + b x + ml

(3.20)
Para obtener la funci on de transferencia del sistema linealizado, es necesario calcular
la transformada de Laplace del sistema de ecuaciones diferenciales (3.20). Notar que este
sistema tiene dos salidas, x(t) y (t), pero si es nuestro inter es controlar el angulo , consi-
der emoslo nuestra salida. As nuestra fucni on de transferencia resulta
(s)
F(s)
=
ml
q
s
s
3
+
b(I+ml
2
)
q
s
2

(M+m)mgl
q
s
bmgl
q
con q = [(M + m)(I + ml
2
) ml
2
]
3. Modelos Matem aticos en Control Notas de CAUT1 - 12
Ejemplo 3.9. La Figura 3.6 muestra un sistema de tanques interconectados cuyo objetivo
es modelar y linealizar alrededor del punto de opreaci on dado por un caudal de entrada
constante Q.
h
1
q
i
q
o
bomba2
bomba 1
h
2
q
12
Figura 3.6: Tanques interconectados
Planteamos las ecuaciones de conservaci on de masa. Suponiendo que el area A de los
tanques es constante, y la misma en ambos tanques, tenemos que
dh
1
(t)
dt
=
1
A
(q
i
q
12
) y
dh
2
(t)
dt
=
1
A
(q
12
q
o
) (3.21)
donde q
i
es el caudal de entrada al primer tanque, q
12
el caudal entre tanques, y q
o
el caudal
de salida del segundo tanque. Las alturas de nivel de lquido en los tanques son h
1
y h
2
.
El ujo q
12
entre los dos tachos puede ser aproximado por la velocidad del caudal en
cada libre de la diferencia de altura entre los tanques por el area de secci on. As,
q
12
= A
s
_
2g(h
1
(t) h
2
(t)) = k
_
h
1
(t) h
2
(t) y q
o
= k
_
h
2
(t), (3.22)
donde k = A
s
_
2g.
Por lo que si reemplazamos (3.22) en (3.21)), obtenemos las siguientes ecuaciones de
estados
_

h
1

h
2
_
=
_
_
1
A
_
q
i
k
_
h
1
(t) h
2
(t)
_
1
A
_
k
_
h
1
(t) h
2
(t) k

h
2
_
_
_
=
_
F
1
(h, q
i
)
F
2
(h, q
i
)
_
= F(h, q
i
) (3.23)
Fijando el caudal de entrada en el valor constante q
i
= Q y resolviendo las ecuaciones
algebraicas que surgen de (3.23) con

h = 0, obtenemos el punto de equilibrio

h

h
1
= 2

h
2
y

h
2
=
_
Q
k
_
2

h
1
= 2
_
Q
k
_
2
. (3.24)
Ahora linealizaremos el sistema (3.23) alrededor de (4.4); para ello calculamos los Jaco-
bianos correspondientes vistos en la clase te orica.
A =
F
h

h=

h
q
i
=Q
=
_

k
2A

h
1
h
2
k
2A

h
1
h
2
k
2A

h
1
h
2

k
2A

h
1
h
2

k
2A

h
2
_

h=

h
q
i
=Q
=
_

k
2
2AQ
k
2
2AQ
k
2
2AQ

k
2
AQ
_
B =
F
q
i

h=

h
q
i
=Q
=
_
1
A
0
_
3. Modelos Matem aticos en Control Notas de CAUT1 - 13
j
-
-
?
-
-
-
-
Sist. Lineal
Sist.No Lineal
Comparacion
Q
q
i
Q + q
i
Sist.No Lineal
Figura 3.7: Diagrama de bloques del sistema simulado para comparar los resultados
Entonces el sistema linealizado resulta
_

h
1

h
2
_
=
_

k
2
2AQ
k
2
2AQ
k
2
2AQ

k
2
AQ
_
_
h
1
h
2
_
+
_
1
A
0
_
q
i

(3.25)
donde las variables h
1
, h
2
y q
i
representan valores incrementales alrededor de los valores
de equilibrio

h
1
,

h
2
yQ.
Simulaci on
El sistema linealizado que obtuvimos en (3.25) es un modelo aproximado que describe la
din amica del sistema original en un entorno del punto de operaci on (3.24). Para comparar
la aproximaci on dada por el modelo linealizado con el modelo no lineal, simulamos juntos
ambos sistemas en el esquema que se muestra en el diagrama de bloques de la Figura 4.3.
Para simular el sistema linealizado (3.25) en SIMULINK usamos el diagrama de la Figura
3.8 tomando A = 10, A
s
= 1, g = 9,8 y Q = 2. La din amica de los estados h
1
y h
2
la
podemos ver en la Figura 3.10 cuando la entrada es un valor constante de perturbaci on,
q
i
= 0,5.
Step
Scope
s
1
s
1
K
Gain2
1/A
Gain1
K
Gain
2
Figura 3.8: Representaci on en SIMULINK del sistema linealizado
Podemos, tambi en representar en SIMULINK el sistema no lineal, Figura 3.9, donde Fcn
es la ecuaci on matem atica expresada en la ecuaci on (3.23) como F
1
(h, q
i
) y Fcn1 como
F
2
(h, q
i
).
La din amica de los estados que resulta de dicha simulaci on la observamos en la Figura
3.11. La comparaci on entre la aproximaci on y los estados reales, la observamos en la Figu-
ra 3.12. Podemos observar una peque na desviaci on de los estados que aproximamos con
3. Modelos Matem aticos en Control Notas de CAUT1 - 14
Scope1
s
1
s
1
f(u)
Fcn1
f(u)
Fcn
F+0.5
Constant3
Figura 3.9: Representaci on en SIMULINK del sistema no lineal
0 5 10 15 20 25 30
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
Tiempo
h1(t)
h2(t)
Figura 3.10: Estados linealizados
0 5 10 15 20 25 30
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
0.6
0.65
Tiempo
h1(t)
h2(t)
Figura 3.11: Estados no lineales
respecto a los reales, esto se debe a que el sistema lineal es una buena aproximaci on en un
entorno del punto de operaci on. Si tomamos valores de q
i
menores, la aproximaci on es
mejor. Siempre que utilicemos modelos linealizados debemos tener en cuenta que no pode-
mos alejarnos del punto de operaci on ya que si as fuera, el sistema linealizado no estara
describiendo nuestro sistema original.
3. Modelos Matem aticos en Control Notas de CAUT1 - 15
0 5 10 15 20 25 30
0.1
0.2
0.3
0.4
0.5
0.6
Tiempo
h1(t) real
h2(t) real
h1(t)
h2(t)
Figura 3.12: Comparaci on entre los estados aproximados y los reales
3. Modelos Matem aticos en Control Notas de CAUT1 - 16
Captulo 4
Se nales y Sistemas de Tiempo Continuo
Los sistemas que vamos a considerar est an descriptos por modelos lineales, invariantes
en el tiempo, en tiempo continuo.

Estos pueden siempre representarse por una ecuaci on
diferencial ordinaria de la forma
d
n
y(t)
dt
n
+ a
n1
d
n1
y(t)
dt
n1
+ + a
0
y(t) = b
m
d
m
u(t)
dt
m
+ + b
0
u(t). (4.1)
En este captulo veremos
transformada de Laplace que convierte una ecuaci on diferencial lineal en ecuaciones
algebraicas,
funciones transferencia, diagramas de bloques y gr acas de ujo de se nal,
m etdos para analizar estabilidad de sistemas din amicos,
respuesta din amica de sistemas LTI, respuesta al escal on,
obtenci on experimentalmente modelos elementales, y
respuesta en frecuencia, diagrama de Bode.
4.1. Transformada de Laplace
El estudio de una ecuaci on diferencial descripta anteriormente puede realizarse de va-
rias formas. De todos los m etodos para estudiar ecuaciones diferenciales lineales, una herra-
mienta muy util es la la transformada de Laplace, que convierte el problema de ecuaciones
diferenciales lineales en un problema de ecuaciones algebraicas.
Para una se nal en tiempo continuo y(t) denida para t [0, ), se dene la transforma-
da de Laplace
Ly(t) = Y(s) =
_

0

e
s
y() d. (4.2)
L
1
[Y(s)] = y(t) =
1
2 j
_
+j
j
e
st
Y(s)ds (4.3)
El par est a bien denido si existe R y una constante positiva x < tal que
[y(t)[ < ke
t
; t 0
La regi on 1 lleva en nombre de regi on de convergencia.
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 18
Una propiedad muy util de la transformada de Laplace es la de la transformada de la
derivada de una funci on,
L y(t) = sY(s) y(0

).
Este resultado es utilizdo para convertir ecuaciones diferenciales en ecuaciones algebraicas
en la variable s.
Ejemplo 4.1. Consideremos el modelo de un motor de corriente continua viene dado por
J

(t) =
k
1
R
[v
a
(t) k
2
(t)]
donde
J momento de inercia del eje
k
1
, k
2
constantes
R resitencia del armadura
Aplicando la transformada de Laplace a ambos miembros se obtiene
Js
2
(s) s(0

)

(0

) =
k
1
R
[V
a
(s) k
2
(s(s) (0

)]
Si consideramos las condiciones iniciales nulas, es decir

(0

) = (0

) = 0, J = R = k
1
= 1,
k
2
= 2, y aplicamos un escal on unitario en t = 0, tenemos
(s) =
_
1
s
2
+ 2s
_
V
a
(s)
=
_
1
s
2
+ 2s
_
1
s
Si expandimos en fracciones simples y aplicamos la tabla de anti-transformada, resulta
(s) =
1
4(s + 2)
+
1
2s
2

1
4s
(t) =
1
4
e
2t
+
1
2
t
1
4
4.2. Funciones transferencia
La funci on de transferencia de un sistema lineal e invariante en el tiempo se dene como
la transformada de Laplace de la respuesta impulsional, con todas las condiciones iniciales
nulas.
4.2.1. Modelo en ecuaci on diferencial de orden superior
Consideremos nuevamente el modelo lineal descipto por la ecuaci on diferencial de orden
superior (4.1). Aplicando la transformada de Laplace la convertimos en la siguiente ecuaci on
algebraica
s
n
Y(s) + a
n1
s
n1
Y(s) + + a
0
Y(s) = b
m
s
m
U(s) + + b
0
U(s) + f (s, x
0
),
donde f (s, x
0
) es una funci on de las condiciones iniciales. En el caso que las condiciones
iniciales son nulas y(0

) = 0, y(0

) = 0, . . . tenemos
Y(s) = G(s)U(s), donde G(s) =
B(s)
A(s)
, y donde (4.4)
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 19
B(s) = b
m
s
m
+ b
m1
s
m1
+ + b
0
,
A(s) = s
n
+ a
n1
s
n1
+ + a
0
.
(4.5)
La funci on G(s) es la funci on transferencia del sistema. Es una representaci on entrada-
salida del modelo y muy utilizada en problemas de dise no de control.
Denamos algunas t erminos pertinentes a funciones transferencia. Consideremos la fun-
ci on de transferencia dada en las ecuaciones (4.4) y (4.5). Por simplicidad, supongamos que
B(s) y A(s) no se anulan simult anemente para un ismo valor de s.
Ceros del sistema: son las races de A(s) = 0.
Polos del sistema: son las races de B(s) = 0.
Grado relativo: es la diferencia en grados n m entre numerador y denominador.
Funci on transferencia propia: si m n.
Funci on transferencia estrictamente propia: si m < n.
Funci on transferencia bipropia: si m = n.
Funci on transferencia impropia: si m > n.
Nota 4.1. Los sistemas reales son mayoritariamente estrictamente propias. Sin embargo, al-
gunos m etodos de dise no de controladores obtienen funciones de transferencia bipropia o
hasta impropios. Para ser implementados, estos controladores son llevados a la forma pro-
pia, por ejemplo agregando en el denominador factores de forma (
i
s + 1), con
i
R.
4.2.2. Funci on de transferencia de sistemas con retardo
En general, vamos a considerar funciones transferencia racionales y propias, que corres-
ponden a sistemas lineales, invariantes en el tiempo y de dimensi on nita (orden nito).
Una excepci on de gran importancia en la pr actica es el caso de sistemas con retardo entre
entrada y salida. Estrictamente, estos sistemas tienen dimensi on innita. Sin embargo, su
representaci on mediante funci on transferencia es a un tratable, aunque deja de ser racional.
La funci on transferencia de un retardo de T segundos es de la forma
G(s) = e
sT
y(t) = u(t T).
Ejemplo 4.2 (Sistema intercambiador de calor.). Un ejemplo simple de un sistema con retar-
do es el intercambiador de calor de la gura.
La funci on tranferencia entre la entrada
(tensi on aplicada al elemento calefactor)
y la salida (temperatura sensada) es apro-
ximadamente de la forma
G(s) =
Ke
sT
(s + 1)
.
Notar que K, T y dependen de la velocidad del ventilador, que puede ser variable. Aun-
que muy simple, este tipo de modelo es muy com un en aplicaciones de control de procesos.
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 20
4.2.3. Modelo del retardo temporal
Consideremos un retardo temporal puro, T , la transformada de Laplace correspondiente
es e
Ts
. Esta transformada no podemos utilizarla como funci on transferencia dado que no se
trata de cociente de polinomios. En esta secci on buscaremos una forma de aproximarla tal
que se trate de una transferencia racional propia. Para nuestro inter es, sistemas de control, la
aproximaci on debe ser buena a bajas frecuencias, s = 0. El medio m as com un para hallar esta
aproximaci on se atribuye a Pad e y est a basado en ajustar la expansi on en serie de la funci on
trascendental e
Ts
a la de una funci on racional, donde el grado del polinomio numerador
es p y el del denominador es q. El resultado se llama aproximaci on (p, q) de Pad e a e
Tt
. Para
nuestros prop ositos utilizaremos solo el caso p = q.
Ejemplo 4.3. Para ilustrar el proceso, empecemos con la aproximaci on (1, 1) cuando T = 1.
En este caso deseamos elegir b
0
, b
1
y a
0
de modo que el error
e
s

b
0
s + b
1
a
0
s + 1
=
sea peque no. Para la aproximaci on de Pad e expandimos e
s
y la funci on racional en una
serie de McLauren y ajustamos los t erminos. Las series son
e
s
= 1 s +
s
2
2

s
3
3!
+
s
4
4!
. . . ,
b
0
s + b
1
a
0
s + 1
= b
1
+ (b
0
a
0
b
1
)s a
0
(b
0
a
0
b
1
)s
2
+ a
2
0
(b
0
a
0
b
1
)s
3
+ . . .
Ajustando coecientes, debemos resolver las ecuaciones
b
1
= 1,
b
0
a
0
b
1
= 1,
a
0
(b
0
a
0
b
1
) =
1
2
,
a
2
0
(b
0
a
0
b
1
) =
1
6
,
Ahora observamos que tenemos un n umero innito de ecuaciones pero solamente tres
par ametros. La aproximaci on de Pad e se determina cuando se ajustan los tres primeros coe-
cientes, con lo cual tenemos
e
s

=
1
s
2
1 +
s
2
1/2 1/2
Figura 4.1: Aproximaci on de Pad e
Si suponemos p = q = 2, tenemos cinco par ametros, y es posible una mejor aproxima-
ci on. Para este caso tenemos
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 21
e
s

=
1
s
2
+
s
2
12
1 +
s
2
+
s
2
12
2
-2
3 -3
Re(s)
Im(s)
Figura 4.2: Aproximaci on de Pad e
Para una aproximaci on general tenemos, seg un Golub and Loan [1996]: dado un retardo
R
pq
tal que
R
pq
(s) =
N
pq
(s)
D
pq
(s)
donde
N
pq
(s) =
p

k=0
(p + q k)!p!
(p + q)!(p k)!k!
(s)
k
y D
pq
(s) =
q

k=0
(p + q k)!q!
(p + q)!(q k)!k!
s
k
Notemos que R
p0
= 1 s + . . . + (1)
p
s
p
p!
es el polinomio de Taylor de orden p de e
s
.
La Figura 4.3 muestra la aproximaci on del retardo considerando sistintos ordenes. Se
puede observar que adem as de la aproximaci on existe un salto en t = 0, este salto podra
evitarse considerando p < q.
0 0.5 1 1.5 2 2.5 3
1
0.5
0
0.5
1
1.5


Step Response
Time (sec)
A
m
p
l
i
t
u
d
e
orden 15
orden 3
orden 2
orden 1
Figura 4.3: Aproximaci on de Pad e para un retardo unitario, con distintos valores de p = q.
4.3. Diagramas de bloques
Debido a su simplicidad, los diagramas de bloques se eplean, con frecuencia, por los inge-
nieros de control para modelar todo tipo de sistema. Capturan la esencia del sistema en un
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 22
formalismo gr aco abstracto de simple manipulaci on. Representan el ujo y procesamiento
de las se nales dentro del sistema.
Figura del curso ME155A, Prof. Astr om, UCSB 2001.
Los diagramas de bloques permiten ver la simi-
laridad esencial entre distintos tipos de sistemas
(independizan del dominio fsico).
Otro formalismo gr aco con esta propiedad son
los diagramas de enlaces (bond graphs).
El diagrama en bloques es una representaci on gr aca de las funciones que lleva a cabo ca-
da componente y el ujo de se nales. Tal diagrama muestra las relaciones existentes entre los
diversos componentes. Un bloque es un smbolo para representar la operaci on matem atica
que sobre la se nal de entrada hace le bloque para producir la salida. Las funciones de trans-
ferencia de componentes por lo general se introducen en los bloques correspondientes, que
se conectan mediante echas para indicar la direcci on del ujo de se nales.
- -
Y(s) U(s)
G(s)
El cociente entre la salida Y(s) y la
se nal de entrada U(s) se denomina
funci on transferencia: G(s) =
Y(s)
U(s)
.
4.3.1. Funci on transferencia a lazo cerrado
Sea el lazo de la Figura 4.4, calculemos la funci on de transferencia a lazo cerrado de dicho
diagrama.
j - -

6
-

E(s) R(s) Y(s)

G(s)
H(s)
Y(s) = E(s)G(s) (4.6)
E(s) = R(s) Y(s)H(s) (4.7)
Figura 4.4: Diagrama en bloques a lazo cerrado
Reemplazando (4.7) en (4.6) obtenemos que la funci on transferencia a lazo cerrado viene
dada por
Y(s)
R(s)
=
G(s)
1 + G(s)H(s)
4.3.2. Reducci on de un diagrama en bloque
Un diagrama en bloque complicado que contenga muchos lazos de realimentaci on se
simplica mediante un reordenamiento paso a paso mediante las reglas del algebra de los
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 23
diagramas de bloques. Algunas de estas reglas importantes aparecen en la Figura 4.5, seg un
Ogata [1997].
h - -
6
-
G
B

A AG B
g - - -

6
G
A
B
AG B
1
G

- -
- -
G
A AG
G
AG
- -
-
G
A
AG
AG
- -
-
G
A
A
AG
- -
- -
A
A
AG
1
G
G
g - - -
6

A B

G
1
G
2
G
1
G
2
g - - - - -
6

B A
1
G
2
Figura 4.5: Reglas del algebra de los diagramas de bloques
Ejemplo 4.4. Calculemos la funci on de transferencia
Y(s)
R(s)
de la gura a continuaci on
j j j - - - - - - - -
6

?
H
2
G
4
G
2
G
1
G
3
G
4
H
3
H
1
+
+ +

+

R(s)
Y(s)
Utilizando las reglas de la Figura 4.5, obtenemos
h h
h
- -

?
- - - -
-
6

- - -
- -
H
2
G
4
G
2
G
1
+

G
3
G
4
1G
3
G
4
H
1
+

R(s) Y(s)
H
3
G
1
H
3
+

R(s) Y(s)
G
2
G
3
G
4
1G
3
G
4
H
1
+G
2
G
3
H
2
R(s) G
1
G
2
G
3
G
4
1G
3
G
4
H
1
+G
2
G
3
H
2
+G
1
G
2
G
3
G
4
H
3
Y(s)
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 24
4.4. Gr acas de ujo de se nal
Una regla extendida para la reducci on de cualquier diagrama de bloques fue dada por
S.J. Mason (1953-1956), quien relacion o el gr aco al algebra matricial de las ecuaciones que
representan. Mason deni o una trayectoria a trav es de un diagrama de bloques como una
secuencia de componentes conectados, pasando la trayectoria desde una variable a otra sin
pasar a trav es de ning un componente m as de una vez. Deni o una ganancia de trayectoria
como el producto de las ganancias que componen la trayectoria. Una trayectoria que sale de
una variable y regresa a la misma variable se dene como trayectoria de lazo, y la ganancia de
la trayectoria asociada se llama ganancia de lazo.
Ejemplo 4.5. Consideremos el siguiente conjunto de ecuaciones algebraicas y la gr aca de
ujo correspondiente como se ve en la Figura 4.6.
y
2
= a
12
y
1
+ a
32
y
3
y
3
= a
23
y
2
+ a
43
y
4
y
4
= a
24
y
2
+ a
34
y
3
+ a
44
y
4
y
5
= a
25
y
2
+ a
45
y
4
a
44
y
1
y
2
y
3
y
4
y
5
a
12
a
23
a
32
a
43
a
34
a
24
a
25
a
45
Figura 4.6: Gr aca de ujo se se nal
En el gr aco de ujo y
1
es el nodo de entrada y consideremos a y
5
como el nodo de
saldida. Las trayectorias directas son tres y la gananca de cada trayectoria dirtecta es: para y
1

y
2
y
3
y
4
y
5
es a
12
a
23
a
34
a
45
, para y
1
y
2
y
4
y
5
es a
12
a
24
a
45
y para y
1
y
2
y
5
la ganancia es a
12
a
25
. Las trayectorias de lazo son cuatro, con ganancia de trayectoria de lazo
a
23
a
32
, a
34
a
43
, a
44
y a
24
a
43
a
32
. Las trayectorias de la lazo que no se tocan son aquellas que no
comparten un nodo com un, en este caso el unico par es a
23
a
32
y a
44
.
La f ormula que permite obtener la relaci on entre la entrada y la salida de un dia-
grama de ujo de se nal con N trayectorias directas y L trayectorias de lazo es, Kuo
[1996]
Y
U
=
N

k=1
M
k

(4.8)
en donde
M
k
= ganancia directa k- esima entre u e y.
= 1-(suma de las ganancias de todas las ganancias de lazo individuales )
+ (suma de los productos de las ganancias de lazo combinadas de a dos que
no se tocan) - (suma de los productos de las ganancias dee lazo combinadas
de a tres que no se tocan) + .

k
la pero que no toca la trayectoria directa k- esima.
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 25
Ejemplo 4.6. Consideremos nuevamente la Figura 4.6 y utilizando (4.8) calcularemos la re-
laci on entre y
1
e y
5
. Para ello tenemos,
M
1
= a
12
a
23
a
34
a
45

1
= 1
M
2
= a
12
a
24
a
45

2
= 1
M
3
= a
12
a
25

3
= 1 a
34
a
43
a
44
y = 1 (a
23
a
32
+ a
34
a
43
+ a
44
+ a
24
a
43
a
32
) + a
23
a
32
a
44
. Ahora la relaci on resulta
y
5
y
1
=
M
1

1
+ M
2

2
+ M
3

=
a
12
a
23
a
34
a
45
+ a
12
a
24
a
45
+ (a
12
a
25
)(1 a
34
a
43
a
44
)
1 (a
23
a
32
+ a
34
a
43
+ a
44
+ a
24
a
43
a
32
) + a
23
a
32
a
44
La regla de Mason para el caso especial donde todas las trayectorias directas y trayecto-
rias de lazo se tocan pueden denirse como sigue Franklin etal. [1991] :
La ganancia de un sistema realimentado est a dada por la suma de las ganancias
de las trayectorias directas dividida por 1 menos la suma de las ganancias de lazo.
Ejemplo 4.7. Una aplicaci on de esta regla se puede ilustrar con el diagrama de bloques de
la Figura 4.7. En este caso, las trayectorias directas y sus ganancias est an dadas por
G
1
i i - - - - -
-
?
-

>
G
3
G
4
G
2
G
6
G
5
y u 1 2 3 4 5
6
7
8
9
Figura 4.7: Diagrama de bloques
Trayectorias Ganancia
123459 G
1
G
2
G
5
12369 G
1
G
6
Trayectorias de lazo Ganancia
2382 G
1
G
3
23472 G
1
G
2
G
4
y la ganancia total, o la funci on transferencia total, est a dada por la regla en la forma
Y
U
=
G
1
G
2
G
5
+ G
1
G
6
1 G
1
G
3
G
1
G
2
G
4
Ejemplo 4.8. Consideremos el lazo del Ejemplo 4.4. El gr aco de ujo de se nal equivalente
a la es el que se muestra en la Figura 4.8.
R(s) 1 G
2
G
3
G
4
1 G
1

H
2
G
4
H
1
H
3
Figura 4.8: Gr aca de ujo de se nal
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 26
Ahora, calculanso la ganancia la trayectoria directa y las de lazo tenemos
M
1
= G
1
G
2
G
3
G
4

1
= 1
y = 1 (G
3
G
4
H
1
G
1
G
2
G
3
G
4
H
3
G
2
G
3
H
2
), resultado as
Y(s)
R(s)
=
M
1

=
G
1
G
2
G
3
G
4
1 G
3
G
4
H
1
+ G
1
G
2
G
3
G
4
H
3
+ G
2
G
3
H
2
4.5. Estabilidad de funciones transferencia
Estabilidad entrada-salida.
1
Decimos que un sistema es estable entrada-salida, o BIBO
estable, si toda entrada acotada produce una salida acotada.
Teorema 4.1 (Estabilidad entrada-salida). Un sistema lineal, estacionario y de tiempo conti-
nuo es estable entrada-salida si todos los polos de su funci on transferencia tienen parte real
negativa.
Estabilidad Inestabilidad
0

j
Regi on de estabilidad entrada-salida para los
polos de G(s).
Desafo: Asumiendo una funci on transferencia racional y propia, demostrar el Teorema.
Ayuda:
1. Mostrar que si todos los polos de G(s) tienen parte real negativa, entonces la antitrans-
formada g(t) (respuesta al impulso del sistema) es absolutamente integrable, es decir,
_

0
[g()[ d < M; para alguna M > 0.
2. Mostrar que si g(t) es absolutamente integrable, entonces para toda entrada acotada
u(t) la salida
y(t) = L
1
G(s)U(s)
=
_
t
0
g(t )u()d =
_
t
0
g()u(t )d
es acotada o sea, el sistema es estable entrada-salida.
4.6. Respuesta din amca de sistemas LTI
El estudio de la respuesta al impulso (Delta de Dirac) se debe a que la funci on de trans-
ferencia de un sistema continuo en el tiempo es la transformada de Laplace de su respuesta
1
Tambi en Estabilidad BIBO, del ingl es Bounded-Input Bounded-Output, (entrada acotada/salida acotada).
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 27
al impulso con condiciones iniciales nulas. Es muy com un estudiar el comportamientos de
la din amica de los sistemas usando la respuesta al escal on, es decir U(s) = 1/s, por lo que
Y(s) = G(s)
1
s
Es muy util denir una serie de par ametros que describen algunas propiedades rele-
vantes de la din amica de los sistemas. Para estas deniciones, consideraremos funciones de
transferencia estables teniendo como respuesta al escal on la Figura 4.9:
Tiempo
y

+ M
p
y

+
y

k
r
y

t
s
y

t
r
t
p
M
u
Figura 4.9: Indicadores de la respuesta escal on
valor en el r egimen estacionario, y

: el valor nal de la respuesta al escal on (esto no

tiene sentido si el sistema tiene polos en el semiplano derecho (SPD).
Tiempo de crecimiento, t
r
o t
c
: el tiempo que transcurre hasta el instante en el cual la
respuesta al escal on alcanza, la primer vez, el valor k
r
y

. La constante k
r
vara seg un
el autor, com unmente se toma tanto 0,9 o 1.
Sobre error, M
p
: el m aximo valor por el que la respuesta el escal on excede su valor
nal. Generalmente se expresa como un porcentaje de y

.
subvalor, M
u
: el m aximo (valor absoluto) por el que la respuesta al escal on pasa por
debajo del cero.
Tiempo de establecimiento, t
s
o t
e
: el tiempo transcurrido hasta que la respuesta al
escal on ingresa (sin dejarlo en tiempo subsiguiente) a una banda , alrededor del
valor nal. Esta banda de amplitud , generalmente se dene como un porcentaje de
y

, variando 2 % a 5 %
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 28
4.6.1. Polos, Ceros y Respuesta Temporal
Consideremos una funci on de transferencia general
G(s) = K

m
i=1
(s
i
)

n
j=1
(s
j
)
donde
j
C y
i
C. Supongamos que no existe i y j tales que
j
=
i
, los valores

1
,
2
, ,
m
son los ceros y
1
,
2
, ,
n
son los polos de la funci on transferencia.
Nos centraremos principalmente en l los ceros que se encuentran cerca del eje imaginario
y en los polos del SPD, ya que juegan un papel importante en el comportamiento din amico
de los sistemas.
Las Funciones de transferencia que poseen todos sus ceros y polos en el semiplano iz-
quierdo se las llama Funciones de Transferencia de Mnima Fase.
Veamos el comportamiento transitorio debido a polos. Cualquier funci on de transferen-
cia escalar racional, puede desarrollarse en fracciones simples, donde cada t ermino tendr a un
polo simple real, un par complejo conjugado o m ultiple combinaciones con polos repetidos.
Es por eso para entender el efecto de los polos en el desempe no del transitorio se reduce a
entender el transitorio debido a polos de primer orden y segundo orden y sus interacciones.
4.7. Polos
Una funci on de transferencia puede ser expandida en fracciones simples, cada t ermino
tendr a un polo real, o un par de complejos conjugados, o m ultiple combinaciones con po-
los repetidos. As, el estudio del desempe no de los polos en el estado transitorio se reduce
a comprender el transitorio debido a un polo simple y polos de segundo orden, y c omo
interactuan.
4.7.1. Sistema de Primer Orden
La respuesta a un escal on unitario de un sistemas de primer orden
G(s) =
K
s + 1
viene dada por
y(t) = L
1
U(S) G(s) = L
1
_
K
s( s + 1)
_
= L
1
_
K
s

K
s + 1
_
= K(1 e

).
La Figura 4.10 muestra la se nal y(t). Notar que el valor en r egimen permanente de y(t), y

,
en el caso de existir, est a dado por el teorema del valor nal
y

= lm
t
y(t) = lm
s0
s G(s) U(s)
..
1
s
= G(0) = K
.
Ejemplo 4.9. Consideremos una funci on transferencia del tipo
H(s) =
p
s + p
La Figura 4.11 muestra la respuesta temporal de dos sistemas de primer orden cunado el
polo p se acerca al eje j. Se puede apreciar que la respuesta es cada vez m as lenta.
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 29





Step Response
Time (sec)
A
m
p
l
i
t
u
d
e
y

0.632 y
0
Figura 4.10: Respuesta al escal on de un s sistema de primer orden
H
1
(s)
0 1 2 3 4 5 6
0
0.2
0.4
0.6
0.8
1
2 1.5 1 0.5 0 0.5 1
1
0.5
0
0.5
1
0 1 2 3 4 5 6
0
0.2
0.4
0.6
0.8
1
H
2
(s)
2 1.5 1 0.5 0 0.5 1
1
0.5
0
0.5
1
Step Response
Time (sec)
A
m
p
l
i
t
u
d
e
PoleZero Map
Real Axis
I
m
a
g
i
n
a
r
y

A
x
i
s
Step Response
Time (sec)
A
m
p
l
i
t
u
d
e
PoleZero Map
Real Axis
I
m
a
g
i
n
a
r
y

A
x
i
s
Figura 4.11: Respuesta al escal on de dos sistemas de primer orden
4.7.2. Sistemas de segundo orden
Dada la funci on de transferencia
G(s) =

2
n
s
2
+ 2
n
s +
2
n
(4.9)
El comportamiento din amico del sistema de segundo orden se describe en funci on de dos
par ametros y .
Sistemas sobreamortiguados > 1 En este caso los polos son reales y diferentes. El
comportamiento din amico responder a a la suma del comportamiento de dos sitemas
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 30
de primer orden. M as a un, cuando 1, una de las dos exponenciales decae m as
r apido que la otra, por lo que podra despreciarse la exponencial que decae m as r apido
y el comportamiento entonces se aproximar a a un sistema de primer orden. Es decir,
si [p
2
[ [p
1
[
2
, para una soluci on aproximada se puede despreciar el polo en p
1
Sistemas crticamente amortiguados = 1 Los dos polos de este sistema son iguales.
Para una entrada escal on, la salida se escribe como
Y(s) =

2
n
(s +
n
)
2
s
=
1
s

1
s +
n

n
(s +
n
)
2
lo que implica que
y(t) = 1 e

n
t
(1 +
n
t) para t 0
Sistemas subamortiguados 0 < < 1 El par ametro es conocido como el factor de
amortiguamiento y
n
, como la frecuencia natural. Denimos tambi en la frecuencia natu-
ral de amortiguamiento,
d
como

d
=
n
_
1
2
Los polos polos complejos conjugados de este sistema, s
1
y s
2
, pueden expresarse la la
forma
s
1,2
=
n
j
d
=
n
e
j()
donde es el angulo tal que cos = , Figura 4.12.
j
d
j
d

n

Step Response
Time (sec)
A
m
p
litu
d
e
T
d

t
p
t
r

y

+M
p

Figura 4.12: Ubicaci on de polos y respuesta al escal on de un sistema de segundo orden
Para este sistema, la transformada de Laplace de su respuesta al escal on viene dada
por
Y(s) =

2
n
(s
2
+ 2
n
s +
2
n
)s
=

2
n
[(s +
n
)
2
+
2
d
]s
.
Desarrollando en fracciones simples obtenemos
Y(s) =
1
s

s +
n
(s +
n
)
2
+
2
d

n
(s +
n
)
2
+
2
d
=
1
s

1

1
2
_
_
1
2
s +
n
(s +
n
)
2
+
2
d

d
(s +
n
)
2
+
2
d
_
2
Si tom aramos en cuenta la constante de tiempo
i
=
1
p
i
se dice que p
1
es m as r apido que p
2
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 31
Que si aplicamos la transformada de Laplace inversa, obtenemos
y(t) = L
1
Y(s) = 1
e

n
t

1
2
sen(
d
t +)
Las caractersticas de la respuesta al escal on unitario de este sistema son las mostra-
das en la Figura 4.12, donde y

= 1 y T
d
= 2/
d
. Tambi en podemos calcular los
indicadores descriptos en la Figura 4.9:
Tiempo de crecimiento
Para este caso tomaremos k
r
= 1, entonces hacemos y(t) = y

n
t

1
2
sen(
d
t +) = 0
y obtenemos
t
r
=

1,8

n
Sobre valor
El m aximo valor de la salida, M
p
ocurre en el tiempo t
p
, que se puede calcular deri-
vando e igualando a cero y(t), entonces
dy(t)
dt
=
e

n
t

1
2
[
n
sen(
d
t +) +
d
cos(
d
t +)] = 0
Notar que

d

n
= tan, Figura 4.12, as se obtiene
d
t
p
= , resultando el tiempo de
pico
t
p
=

d
=
T
d
2
El sobrevalor se calcula como M
p
= y(t
p
) 1, y como sen( +) = sen() =

n
,
de Figura 4.12, se obtiene
M
p
= e

1
2
La Figura 4.13 muestra los valores de sobreerror que toma el sistema para distintos ,
por ejemplo un = 0,6 produce un sobreerror del 10 %.
Tiempo de establecimiento
Para un error en el r egimen estacionario de 1 %, necesitamos conocer el mnimo t
s
tal
que [e(t)[ 0,01 t t
s
. Una aproximaci on v alida resulta
e

n
t
s
= 0,01, por lo que t
s
=
4,6

n
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 32
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
10 %
20 %
30 %
40 %
50 %
60 %
70 %
80 %
90 %
100 %

M
p
Figura 4.13: Sobreerror en funci on de para un sistema dado por (4.9)
De aqu en m as, nos referiremos a polos r apidos que se encuentran m as lejos del eje j que
el resto de los polos del sistema. Que es equivalente a decir que los transitorios asociados a
los polos r apidos se extinguen m as r apido que los asociados al resto de los polos. Por otro
lado, llamaremos polos dominantes o lentos a aquellos que est an m as cerca del eje j que el
resto.
Si, por ejemplo, los polos del sistema son 1; 2 j6; 4; 5 j3, diremos que el
polo dominante es -1 y los m as r apidos son5 j3.
Ejemplo 4.10. Consideremos funciones de transferencia del tipo
H(s) =

2
n
s
2
+ 2
n
s +
2
n
.
Primero jamos el valor de
n
= 2 y variamos , de las expresiones de sobrevalor y tiempo
de establecimiento, se desprende que para valores de cercanos a 1 el sobrevalor tiende
a cero y el tiempo de establecimiento, cuando 0 toma valores cada vez m as grandes,
Figura 4.14.
Si ahora jamos = 0,5 y variamos solo
n
, notamos que en el sobrevalor no tiene
incidencia, ya que solo depende de , pero el tiempo de establecimiento se hace cada vez
m as peque no para valores de
n
cada vez m as grandes, Figura 4.15.
4.7.3. Ceros
El efecto debido a los ceros de la funci on transferencia es m as sutil que el efecto de los
polos. En una forma paralela a la denici on de los polos, denimos ceros r apidos y lentos.
Para ilustrar el comportamiento de los ceros, consideremos el siguiente ejemplo.
Ejemplo 4.11. Consideremos un sistema con funci on transferencia dada por
H(s) =
s + c
c(s + 1)(0,5s + 1)
(4.10)
Esta estructura nos permite estudiar el efecto de un cero, sin modicar la ubicaci on de los
polos ni la ganancia est atica. En este sistema observamos que tiene dos modos naturales: e
t
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 33
0 2 4 6 8 10
0
0.5
1
1.5
1 0.5 0 0.5
3
2
1
0
1
2
3
2
1
3
0.4
1
3
0.2
0.8
2
0.2
0.4
0.8
0 2 4 6 8 10
0
0.5
1
1.5
1 0.5 0 0.5
3
2
1
0
1
2
3
2
1
3
0.4
1
3
0.2
0.8
2
0.2
0.4
0.8
PoleZero Map
Real Axis
I
m
a
g
i
n
a
r
y

A
x
i
s
Step Response
Time (sec)
A
m
p
l
i
t
u
d
e
Step Response
Time (sec)
A
m
p
l
i
t
u
d
e
PoleZero Map
Real Axis
I
m
a
g
i
n
a
r
y

A
x
i
s
Figura 4.14: Respuesta a escal on variando y mismo
n
1.5 1 0.5 0 0.5
3
2
1
0
1
2
3
2
1
3
0.5
1
3
0.25
0.75
2
0.25
0.5
0.75
0 2 4 6 8 10
0
0.5
1
1.5
0 2 4 6 8 10
0
0.5
1
1.5
1.5 1 0.5 0 0.5
3
2
1
0
1
2
3
2
1
3
0.5
1
3
0.25
0.75
2
0.25
0.5
0.75
PoleZero Map
Real Axis
I
m
a
g
i
n
a
r
y

A
x
i
s
Step Response
Time (sec)
A
m
p
l
i
t
u
d
e
Step Response
Time (sec)
A
m
p
l
i
t
u
d
e
PoleZero Map
Real Axis
I
m
a
g
i
n
a
r
y

A
x
i
s
Figura 4.15: Respuesta a escal on variando
n
y mismo
y e
2t
que viene de los polos -1 y -2 respectivamente. El primero de estos modos estar a au-
sente en la respuesta cuando c se acerque a -1. Lo mismo con el segundo modo cuando c se
acerque a -2, Figura 4.16.
Para una representar una situaci on m as general, veamos la Figura 4.16, Figura 4.17 y
Figura 4.18. Podemos ver que un cero r apido, [c[ 1, no tiene un impacto signicativo
en la respuesta transitoria. Cuando el cero es lento y estable, se obtiene un signicativo
sobreerror, que se torna dram atico cuanto m as cerca de origen se encuentra. Por ultimo cabe
remarcar la existencia de subvalor cuando el cero es lento e inestable.
Para comprender mejor el por qu e de la existencia de subvalor para ceros lentos e inesta-
bles veremos algunos lemas que nos mostrar an, al menos matem aticamente, como aparece.
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 34
0 1 2 3 4 5 6
0
0.2
0.4
0.6
0.8
1
4 3 2 1 0 1 2
3
2
1
0
1
2
3
0 1 2 3 4 5 6
0
0.2
0.4
0.6
0.8
1
4 3 2 1 0 1 2
3
2
1
0
1
2
3
Step Response
Time (sec)
A
m
p
l
i
t
u
d
e
PoleZero Map
Real Axis
I
m
a
g
i
n
a
r
y

A
x
i
s
Step Response
Time (sec)
A
m
p
l
i
t
u
d
e
PoleZero Map
Real Axis
I
m
a
g
i
n
a
r
y

A
x
i
s
Figura 4.16: Din amica de un cero m as r apido que el polo m as lento
0 1 2 3 4 5 6
1
0.5
0
0.5
1
4 3 2 1 0 1 2
2
1
0
1
2
0 1 2 3 4 5 6
0
0.5
1
1.5
4 3 2 1 0 1 2
2
1
0
1
2
Step Response
Time (sec)
A
m
p
l
i
t
u
d
e
PoleZero Map
Real Axis
I
m
a
g
i
n
a
r
y

A
x
i
s
Step Response
Time (sec)
A
m
p
l
i
t
u
d
e
PoleZero Map
Real Axis
I
m
a
g
i
n
a
r
y

A
x
i
s
Figura 4.17: Din amica de un cero m as lento que el polos lento y de un cero NMF
Lema 4.1. Sea H(s) una funci on estrictamente propia en variable de Laplace s, con regi on
de convergencia s > con h(t) su correspondiente funci on temporal, es decir
H(s) = Lh(t)
Luego, para cualquier z
0
tal que z
0
> , tenemos
_

0
h(t)e
z
0
t
dt = lm
sz
0
H(s) (4.11)
Demostraci on. De la denici on de transformada de Laplace tenemos que, para todo s de la
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 35
0 1 2 3 4 5 6
0.2
0
0.2
0.4
0.6
0.8
3 2 1 0 1 2 3 4
2
1
0
1
2
0 1 2 3 4 5 6
0.2
0
0.2
0.4
0.6
0.8
3 2 1 0 1 2 3 4
2
1
0
1
2
Step Response
Time (sec)
A
m
p
l
i
t
u
d
e
PoleZero Map
Real Axis
I
m
a
g
i
n
a
r
y

A
x
i
s
Step Response
Time (sec)
A
m
p
l
i
t
u
d
e
PoleZero Map
Real Axis
I
m
a
g
i
n
a
r
y

A
x
i
s
Figura 4.18: Din amica de un cero m as lento que el polos lento y de un cero NMF
regi on de convergencia de la transformada, es decir s > ,
H(s) =
_

0
h(t)e
st
dt
El resultado (4.11) surge ya que z
0
pertenece a la regi on de convergencia.
Ilustraremos el lema con un ejemplo
Ejemplo 4.12. Consideremos la se nal y(t) = e
2t
t 0, la transformada de Laplace es
Y(s) =
1
s 2
para s > 2
Consideremos ahora
I(z
0
) =
_

0
e
z
0
t
y(t) z
0
= 3 I(3) =
_

0
e
3t
e
2t
=
_

0
e
t
= 1
Notemos que seg un el lema es Y(3) =
1
32
= 1.
Pero, si tomamos z
0
= 1, luego Y(1) = 1 y I(1) es . Esto tambi en est a de acuerdo al
lema ya que z
0
= 1 no pertenece a la regi on de convergencia.
El siguiente Lema nos aporta la relaci on entre ceros y ciertos indicadores de la din amica
del sistema, como es el subvalor.
Lema 4.2 (Ceros de No mnima fase y subvalor). . Supongamos un sistema lineal, estable
con funci on transferencia H(s) con ganancia est atica 1 y un cero en s = c, donde c R
+
.
Supongamos tambi en que la respuesta al escal on, y(t), tiene un tiempo de establecimiento
t
s
(verFigura 4.9), es decir 1 + [y(t)[ 1 ( 1), t t
s
. Luego y(t) presenta
subvalor M
u
que verica
M
u

1
e
ct
s
1
(4.12)
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 36
Demostraci on. Denamos v(t) = 1 y(t), Figura 4.19, luego V(s) = (1 H(S))
1
s
. La regi on
de convergencia de V(s) est a dada por s > 0. As c est a dentro de esa regi on y podemos
aplicar el Lema anterior
V(c) =
1 H(c)
c
=
1
c
=
_

0
v(t)e
ct
dt
Separando el intervalo de integraci on en [0, t
s
] (t
s
, ) tenemos
0 5 10 15 20
0.2
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
0 5 10 15 20
0.5
0
0.5
1
y(t) v(t)=1y(t)
M
u

M
u

t
s

t
s

Figura 4.19: Gr acos de y(t) y v(t) para ver las cotas usadas en la demostraci on.
_
t
s
0
[v(t)[e
ct
dt +
_

t
s
[v(t)[e
ct
dt
1
c
De la denici on de t
s
, tenemos que [v(t)[ 1, t t
s
. Adem as
m ax
t0
v(t) = V
max
= 1 + M
u
> 0
entonces obtenemos
1
c

_
t
s
0
V
max
e
ct
dt +
_

t
s
e
ct
dt = V
max
1 e
ct
s
c
+
e
ct
s
c
y reemplazando V
max
se obtiene la Ec. 4.12.
Observar que si ct
s
1 y 1, la Ec. 4.12 se simplica a
M
u
>
1
ct
s
El lema anterior establece que, cuando un sistema tiene ceros de fase no mnima, existe un
compromiso entre tener un a respuesta r apida y tener subvalor.
Un resultado similar puede obtenerse en el caso de existir ceros reales en el semiplano iz-
quierdo con magnitud menor que la parte real de los polos dominantes del sistema. Veamos
el siguiente Lema.
Lema 4.3 (Ceros lentos y sobrevalor). Supongamos un sistema lineal, estable con funci on
transferencia H(s) con ganancia est atica 1 y un cero en s = c, con c < 0. Denamos v(t) =
1 y(t) donde y(t) es la respuesta al escal on unitario. Supongamos tambi en:
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 37
1. El sistema tiene polo(s) dominante(s) con parte real p, con p > 0.
2. El cero y el polo dominante est an relacionados por
:=

c
p

1
3. El valor de de la denici on del tiempo de establecimiento t
s
es elegido tal que exista
K > 0 que verique
[v(t)[ < Ke
pt
t t
s
Luego la respuesta al escal on tendr a sobrevalor que est a acotado inferiormente por
M
p

1
e
ct
s
1
_
1
K
1
_
(4.13)
Demostraci on. Tenemos que
V(s) = L[v(t)] = (1 H(s))
1
s
=
_

0
v(t)e
st
dt
Notemos que la regi on de convergencia de V(s) est a dada por s > p. As c se encuen-
tra dentro de dicha regi on y por lo tanto aplicar el Lema.
1
c
=
_

0
v(t)e
ct
dt =
_
t
s
0
v(t)e
ct
dt +
_

t
s
v(t)e
ct
dt.
El mnimo valor que toma v(t) en el intervalo [0, t
s
] es M
p
y adem as v(t) > Ke
pt
, t > t
s
.
Por lo que ambas integrales de la derecha pueden ser reemplazadas por sus mnimos valores
1
c
M
p
_
t
s
0
e
ct
dt K
_

t
s
e
(p+c)t
dt
1
c
M
p
_
t
s
0
e
ct
dt + K
_

t
s
e
(p+c)t
dt
Resolviendo las integrales se obtiene Ec. 4.13.
Notemos que si ct
s
1 y K 1, luego la cota vendr a dada por
M
p

1
ct
s
El Lema anterior establece que, cuando un sistema estable tiene ceros lentos, existe un
compromiso entre obtener un respuesta r apida y tener sobrevalor.
4.7.4. Obtenci on experimental de modelos
Muchos sistemas en la pr actica pueden describirse aproximadamente con un modelo
muy simple, de primer o segundo orden. A menudo estos modelos simples son sucientes
para realizar un primer dise no de control.
Estos modelos simples pueden obtenerse mediante ensayos experimentales sobre el sis-
tema. La idea es proponer la estructura apropiada, por ejemplo un primer orden con retardo
G(s) =
Ke
sT
s + 1
,
y luego inferir los valores de los par ametros K, T, de la respuesta del sistema a lazo abierto
del sistema. Es com un emplear la respuesta al escal on.
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 38
Existen t ecnicas m as advanzadas de estimaci on de modelo mediante ensayos experimen-
tales, conocidas como t ecnicas de identicaci on de sistemas.
Estas t ecnicas permiten estimar en forma optimizada tanto los par ametros como la es-
tructura m as apropiada para un modelo del sistema, inclusive para sistemas inestables a lazo
abierto.
Para un tratamiento actualizado de identicaci on de sistemas ver por ejemplo
Lennart Ljung, System Identication, 2nd edn. Prentice Hall, 1999.
Veremos ahora c omo identicar en forma elemental sistemas de primer y segundo orden
a partir de la respuesta al escal on.
Primer orden con retardo
0 2 3 4 5
0
0.1
0.2
0.3
0.4
0.5
T
63
T

T
0
y
0
u
0
u
f
y
f
Medir:
u
0
nivel inicial de entrada.
u
f
nivel nal de entrada.
y
0
nivel inicial de salida.
y
f
nivel nal de salida.
T
0
tiempo de cambio de la entrada.
T

tiempo en que la salida comienza a

responder.
T
63
tiempo en que la salida alcanza el
63,2 % de y
f
y
0
.
Calcular:

K =
y
f
y
0
u
f
u
0
; = T
63
T

T
r
= T

T
0
Transferencia estimada:

G(s) =

Ke
s

T
r
s + 1
Segundo orden subamortiguado
0 1 2 3 4 5 6 7 8 9 10
0
0.2
0.4
0.6
0.8
1.0
1.2
y
0
u
0
u
f
y
f
A
1
A
n
T

Medir:
u
0
nivel inicial de entrada.
u
f
nivel nal de entrada.
y
0
nivel inicial de salida.
y
f
nivel nal de salida.
A
1
amplitud de un pico arbitrario.
A
n
amplitud del pico No. n contando
desde el pico 1.
T

tiempo entre dos picos sucesivos.

4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 39
Calcular:

=
1
n1
log (A
1
/A
n
)
_
4
2
+
_
1
n1
log (A
1
/A
n
)

2
;

T
n
=
T

2
_
1

2
;

K =
y
f
y
0
u
f
u
0
.
Transferencia estimada:

G(s) =

K

T
2
n
s
2
+ 2

T
n
s + 1
Segundo orden sobreamortiguado
(M etodo de Harriott)
0 1.6 2.0 2.4 2.8 3.2
0
0.1
0.2
0.3
0.4
0.5
y
/
y
73
T
73
T
/
T
0
y
f
u
f
y
0
u
0
Medir:
u
0
nivel inicial de entrada.
u
f
nivel nal de entrada.
y
0
nivel inicial de salida.
y
f
nivel nal de salida.
T
0
tiempo de escal on de entrada.
T
73
tiempo en que la salida alcanza
73 % de y
f
y
0
.
y
/
nivel de salida en el tiempo T
/
=
T
0
+
T
73
T
0
2,6
.
Calcular:

K =
y
f
y
0
u
f
u
0
;
tot
=
T
73
T
0
1,3
; y
f r
=
y
/
y
0
y
f
y
0
Obtener
rat
de y
f r
del gr aco
Nota: si y
f r
resulta mayor a 0,39
o menor a 0,26, la respuesta es
probablemente de segundo orden
subamortiguada, o de orden mayor.
Calcular

1
=
rat

tot
y
2
=
tot

1
.
Transferencia estimada:

G(s) =

K
(
1
s + 1)(
2
s + 1)
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 40
4.8. Respuesta en Frecuencia
La respuesta en r egimen permanente de un sistema a se nales sinusoidales en un rango
de frecuencia es lo que se conoce como la respuesta en frecuencia del sistema.
Estudiaremos la respuesta de un sistema cuando la entrada es una sinusoidal. La raz on
de estudiar dicha respuesta es que contiene informaci on de otras se nales. Esto se puede
apreciar desde el an alisis de Fourier, que dice que cualquier se nal peri odica denida en un
intervalo [t
0
, t
f
] pude representarse como una combinaci on lineal de ondas sinusoidales de
frecuencia 0,
0 f
, 2
0 f
, 3
0 f
, donde
0 f
= 2/(t
f
t
0
) es conocida como la frecuen-
cia fundamental. El Principio de Superposici on nos permite combinar la respuesta a ondas
sinusoidales individuales para determinar la respuesta de la onda compuesta.
4.8.1. Respuesta en R egimen Permanente a una Entrada Sinusoidal
Consideremos un sistema con funci on de transferencia estable G(S) de orden n ( es decir,
con nn polos con parte real negativa). Entonces la respuesta en r egimen permanente a una
se nal
u(t) = Asen(t) es y
rp
(t) = A[G( j)[ sen(t +())
donde G( j) = [G( j)[e
j()
, es decir [G( j)[es la magnitud y () la fase de G( j).
Demostraci on. La entrada sinusoidal puede escribirse como
sen(t) =
e
jt
e
jt
2j
Entonces podemos obtener la respuesta a las entradas u(t) = e
jt
y u(t) = e
jt
, y aplicando
superposici on obtendremos la respuesta a la entrada sinusoidal.
La transformada de Laplace de e
jt
es Le
jt
=
1
sj
. As
Y(s) = G(s)
1
s j
. .
Lu(t)
desarrollado en fracciones simples Y(s) =
G( j
s j
+
n

i=1
r
i
s p
i
donde p
i
, i = 1, n son los polos de G(s) y r
i
los correspondientes residuos
r
i
= lim
sp
i
Y(s)(s p
i
)
Entonces
y(t) = L
1
_
G( j)
s j
_
+
n

i=1
L
1
_
r
i
s p
i
_
= G( j)e
j[t
+
n

i=1
r
i
e
p
i
t
De igual manera calculamos la respuesta para la entrada u(t) = e
jt
. Luego superponiendo
ambas y calculando la respuesta en r egimen permanente (y
rp
(t) = lm

y(t)), resulta
y(t) =
1
2j
_
G( j)e
jt
G(j)e
jt
_
=
1
2j
_
[G( j)[e
j(t+())
[G( j)[e
j(t+())
_
=[G( j)[ sen(t +())
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 41
La respuesta en r egimen permanente de un sistema G(s) a una senoide de
frecuencia es una senoide de igual frecuencia, con amplitud multiplicada
por la magnitud de G( j) y desfasaje igual a la fase de G( j).
Ejemplo 4.13. Dado un sistema con funci on transferencia
G(s) =
1
0,5 s
2
+ 1,5 s + 1
,
la respuesta en r egimen permanente dada una entrada u(t) = sen(t) viene dada por
y
rp
(t) = [G( j)[ sen(t +),
con
[G( j)[ =

1
0,5j
2
+ 1,5j + 1

=
1
[1,5j + 0,5[
=
1
_
1,5
2
+ 0,5
2
0,63
=G( j) = arctan
_
(G( j))
(G( j))
_
= arctan(3) 71,5
o
( 1,25rad)
La Figura 4.20 muestra la se nal de entrada y salida. Notar que existe un transitorio quen
no calculamos.
0 1 2 3 4 5 6 7 8 9 10
1
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
Linear Simulation Results
Time (sec)
A
m
p
l
i
t
u
d
e
Figura 4.20: Comparaci on entre la entrada y la salida
4.8.2. Diagrama de Bode
Los diagramas de Bode consisten de un par de gr acas:
1. La magnitud [G( j)[ versus la frecuencia angular .
2. La fase (), tambi en como funci on de .
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 42
Los diagramas de Bode se suelen gracar en ejes especiales.
El eje de abscisas es logartmico en , es decir, lineal en log(), donde el logaritmo
es de base 10. As se consigue una representaci on compacta sobre un rango amplio de
frecuencias. La unidad del eje es la d ecada, es decir, la distancia entre y 10 para
cualquier valor de .
La magnitud de la respuesta en frecuencia se mide en decibeles [dB], es decir, unidades
de 20 log [G( j)[.
La fase se mide en escala lineal en radianes o grados.
Los programas como MATLAB y SCILAB poseen comandos especiales
3
para calcular y
gracar diagramas de Bode. Sin embargo, existen reglas muy simples que permiten esbozar
estos diagramas pr acticamente sin hacer c alculos.
Dada la funci on transferencia
G(s) = K

m
i=1
(
i
s + 1)
s
k

n
i=1
(
i
s + 1)
, entonces
20 log [G( j)[ = 20 log [K[ 20k log [[ +
m

i=1
20 log [
i
j+ 1[
n

i=1
20 log [
i
j+ 1[
(4.14)
Por otro lado, la fase de G( j) resulta
G( j) = K k

2
+
m

i=1
(
i
j+ 1)
n

i=1
(
i
s + 1) (4.15)
As vemos de (4.4) y (4.5) que el diagrama de Bode de cualquier funci on transferencia
puede obtenerse sumando y restando magnitudes (en dB) y fases de factores simples.
Una ganancia simple K tiene magnitud y fase constantes. El diagrama de magnitud
es una lnea horizontal en 20 log [K[ dB y la fase es una lnea horizontal en 0 rad (si
K > 0).
El factor s
k
tiene un diagrama de magnitud que es una lnea recta con pendiente igual
a 20k dB/d ecada, y fase constante igual a k/2. Esta lnea cruza el eje horizontal de 0
dB en = 1.
El factor
i
s + 1 tiene un diagrama de magnitud que puede aproximarse asint otica-
mente de la siguiente manera:
para [
i
[ 1, 20 log [
i
j+1[ 20 log(1) = 0 dB, es decir, para bajas frecuen-
cias la magnitud es una lnea horizontal (la asntota de baja frecuencia).
para [
i
[ 1, 20 log [
i
j + 1[ 20 log [
i
[ dB, es decir, para altas frecuen-
cias la magnitud es una lnea recta de pendiente 20 dB/d ecada que corta el eje de
0 dB en = [
i
[
1
(la asntota de alta frecuencia).
el diagrama de fase es m as complicado. Aproximadamente cambia a lo largo de
dos d ecadas. Una d ecada por debajo de [
i
[
1
la fase es 0 rad. Una d ecada por
arriba de [
i
[
1
la fase es signo(
i
)/2 rad. Uniendo ambos puntos por una
lnea recta da signo(
i
)/4 para la fase en = [
i
[
1
. Es una aproximaci on
basta.
3
Por ejemplo: bode, ltiview.
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 43
Para
i
complejo, a
i
= (
i
) + j(
i
), la fase del diagrama de Bode del factor (
i
s +1)
corresponde a la fase del n umero complejo [1 (
i
)] + j(a
i
)
Ejemplo 4.14. Consideremos la funci on transferencia
G(s) = 640
(s + 1)
(s + 4)(s + 8)(s + 10)
.
Para dibujar la aproximaci on asint otica del diagrama de Bode primero llevamos a G(s) a
una forma en que los polos y los ceros no aporten ganancia est atica,
G(s) = 2
(s + 1)
(0,25s + 1)(0,125s + 1)(0,1s + 1)
.
Usando las reglas aproximadas obtenemos el diagrama siguiente.
Diagrama de Bode exacto (lnea gruesa) y aproximado (lnea na).
4.8.3. Filtrado
En un amplicador ideal la respuesta en frecuencia debera ser constante, G( j) =
K, , es decir, toda componente de frecuencia debera pasar sin cambio de fase ni distor-
si on de amplitud.
Denimos:
La banda de paso es el rango de frecuencias sobre el cual la amplicaci on (o atenua-
ci on) es aproximadamente constante, con un corrimiento de fase aproximadamente
proporcional a .
la banda de corte es el rango de frecuencias que son ltradas. En este rango de fre-
cuencias [G( j)[ tiene un valor peque no comparado con el valor sobre la banda de
paso.
la(s) banda(s) de transici on son los rangos de frecuencias intermedias entre una banda
de paso y una de corte.
la frecuencia de corte
c
es el valor de frecuencia tal que [G( j)[ =

G/

2, donde

G
es respectivamente
4. Se nales y Sistemas de Tiempo Continuo Notas de CAUT1 - 44
[G(0)[ para ltros pasa-bajos y corta-bandas,
[G()[ para ltros pasa-altos,
el m aximo valor de [G( j)[ en la banda de paso, para ltros pasa-bandas.
el ancho de banda B

es una medida del rango de frecuencias en la banda de paso (o

de corte). Se dene como B

=
c2

c1
, donde
c2
>
c1
0. En esta denici on

c1
y
c2
son las frecuencias de corte a cada lado de la banda de paso o de corte. Para
ltros pasa-bajos
c1
= 0.
Respuesta en frecuencia de un ltro pasa-bandas.
Bibliografa
Sistemas de Control Autm atico. Pearson Prentice Hall, 1996.
Gene F. Franklin, J.David Powel, and Abbas Emami-Naeini. Control de Sistemas Din amicos
con Retroalimentaci on. Addison-Wesley Iberoamericana, 1991.
Gene H. Golub and Charles F. Van Loan. Matrix Computations. Johns Hopkins, 1996.
G. Goodwin, S. Graebe, and M. Salgado. Control System Design. Prentice Hall, 2001.
Katsuhiko Ogata. Ingeniera en Control Moderno. Pentice Hall, 1997.
45