Memoria TFG

TRABAJO FIN DE GRADO
Control digital en el espacio de estados

de un prototipo de motor de corriente
continua con Arduino Due
Alumno: Javier Ferrandiz Brotons

Tutor: Adolfo Hilario Caballero
GRADO EN INGENIERÍA ELÉCTRICA
Convocatoria de defensa: julio de 2016

Resumen
Se diseñará un control digital por realimentación de la salida (observador + controlador) con

acción integral sobre la velocidad de un motor de corriente continua. El modelo del motor
se indentificará a partir de ensayos experimentales. El control se validará con LabVIEW. La
implementación digital final se realizará con Arduino Due. Se analizará la aplicación del filtro
de Kalman en el diseño del controlador por realimentación de la salida.
Quiero agradecer a Adolfo Hilario Caballero, profesor de Ingeniería de Control en la UPV
Campus de Alcoy, por su ayuda a la hora de realizar este Trabajo Fin de Grado, prestándome
material docente y los diagramas de bloques utilizados en este documento.
iii
Índice general
Resumen iii
Índice general v
1 Introducción 1
1.1 Espacio de estado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Rudolf E. Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Tiempo discreto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4 Algoritmo anti-windup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.1 Algoritmo Back calculation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.2 Algoritmo Clamping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.5 Plan de trabajo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Implementación digital del controlador 9

2.1 Realimentación de la salida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Realimentación de la salida con observador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Realimentación de la salida con observador y filtro de la medida . . . . . . . . . . . . . . . . . . . . . . . 11
2.4 Realimentación de la salida con filtro de Kalman. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.5 Implementación en un computador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5.1 Realimentación de la salida con observador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5.2 Realimentación de la salida con observador y filtro de la medida . . . . . . . . . . . . . . . . . . . . . . 16
2.5.3 Realimentación de la salida con el filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.6 Arduino due . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3 Resultados obtenidos 21
3.1 Modelo matemático por identificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Representación en el espacio de estados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3 Diseño del controlador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.1 Observador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3.2 Observador con filtro de la medida. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.3.3 Filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
v
Índice general
3.4 Arduino Due . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

3.5 Monitorización del Arduino . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.5.1 Controlador con observador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.5.2 Controlador con observador más filtro de la medida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.5.3 Controlador con filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4 Conclusiones 43
5 Anexos 45
Bibliografía 47
vi
Índice de figuras
1.1. Diagrama de bloques de la representación matricial en el espacio de estados . . 3

1.2. Diagrama de bloques del controlador con saturación de la acción de control . . 6
2.1. Diagrama de bloques del control digital por realimentación de la salida con acción
integral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2. Diagrama de bloques del observador . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3. Diagrama de bloques real, con filtro y ruido . . . . . . . . . . . . . . . . . . . . 12
2.4. Diagrama de bloques con filtro de Kalman . . . . . . . . . . . . . . . . . . . . . 15
2.5. Arduino due . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.1. Escalones en la referencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

3.2. Resultado de la simulación en LabVIEW . . . . . . . . . . . . . . . . . . . . . . 22
3.3. Datos desviados y recortados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.4. Comparación entre F.d.T. y respuesta real del motor . . . . . . . . . . . . . . . 24
3.5. Diferencia de ambas respuestas y RMSE . . . . . . . . . . . . . . . . . . . . . . 25
3.6. Diagrama de bloques con observador . . . . . . . . . . . . . . . . . . . . . . . . 29
3.7. Simulación del diagrama de bloques con observador . . . . . . . . . . . . . . . . 30
3.8. Diagrama de bloques real, con filtro y ruido . . . . . . . . . . . . . . . . . . . . 31
3.9. Simulación del controlador con observador y del controlador con observador más
filtro de la medida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.10. Simulación del controlador con filtro de Kalman y del controlador con observador
más filtro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.11. Simulación del filtro de Kalman, aplicando Back calculation y sin anti-windup
mode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.12. Sustitución del controlador por la placa de Arduino . . . . . . . . . . . . . . . . 35
3.13. Escalones de la referencia para la monitorización . . . . . . . . . . . . . . . . . 36
3.14. Monitorización del controlador con observador . . . . . . . . . . . . . . . . . . . 36
3.15. Monitorización del controlador con observador más filtro de la medida . . . . . 37
3.16. Monitorización del controlador con filtro de Kalman . . . . . . . . . . . . . . . 38
3.17. Monitorización del controlador con filtro de Kalman aplicando anti − windup . 40
3.18. Monitorización del controlador con filtro de Kalman más rápido con awm Back
Calculation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
vii
Capítulo 1
Introducción
En el siguiente documento se va a explicar cómo realizar el control digital de la

velocidad de un motor de corriente continua mediante el espacio de estados, utilizan-
do la realimentación de la salida con acción integral. Además se analizará que ocurre
al aplicar este método.
El periodo clásico de la teoría de control, caracterizado por el análisis del dominio de la fre-
cuencia, se mantiene con fuerza actualmente, y ahora estamos en una fase “neo-clásica” – con
el desarrollo de varias técnicas sofisticadas para sistemas multivariables. Pero concurrente con
ello, está el periodo moderno, que empezó a finales de los años 50 y principios de los 60.
La teoría moderna de control fue introducida por los soviéticos con el lanzamiento del Sputnik
en 1957. Este logro de la tecnología soviética centró la atención de los científicos e ingenieros en
general, y a la comunidad del control automático en particular, sobretodo hacia la URSS. Por
consenso global, Moscú fue la localización apropiada para el primer congreso de la Federación
Internacional del Control Automático en 1960.
Los científicos e ingenieros de sistemas de control descubrieron un enfoque diferente a la teoría
de control que el enfoque con el que estaban familiarizados. Las ecuaciones diferenciales fueron
reemplazadas por funciones de transferencia para describir la dinámica de los procesos.
En pocos años de esfuerzo frenético, la teoría de control occidental había absorbido y dominado
este nuevo enfoque del “espacio de estado” para el análisis y diseño de los sistemas de control,
los cuales ahora se han convertido en la base de gran parte de la teoría de control moderna.
El concepto de espacio de estado ha ocasionado un impacto enorme en el pensamiento de
estos científicos e ingenieros de control, que trabajan en la frontera de la tecnología. Estos
conceptos han sido también utilizados con bastante éxito en un gran número de proyectos de
alta tecnología–el proyecto del US Apollo es un buen ejemplo de ello. Sin embargo, la mayoría
de los sistemas de control implementados en la actualidad son diseñados por métodos de una
época anterior.
Muchos ingenieros de control colegiados en antiguos métodos han sentido que el enfoque del
espacio de estado moderno es matemáticamente esotérico y más adecuado para la investigación
avanzada que para el diseño de sistemas de control prácticos.
Gran parte del diseño práctico de la ingeniería está realizado con la ayuda de los computadores.
Los sistemas de control no son una excepción. No sólo son equipos utilizados en línea, imple-
1
Capítulo 1. Introducción
mentación en tiempo real de leyes de control de realimentación–en aplicaciones tan diversas

como los pilotos automáticos de los aviones y controles de procesos químicos–pero son también
utilizados extensamente para realizar los cálculos de diseño. En efecto, uno de las mayores ven-
tajas del diseño del espacio de estado sobre el dominio de la frecuencia es que los primeros son
más adecuados para la implementación por parte de los equipos digitales (Friedland 2012).
Las ventajas de la teoría moderna frente a la clásica son:
Se puede representar de forma sencilla sistemas MIMO (Multiple-Input, Multiple-Output),

sistemas con varias entradas y varias salidas.
Teoría más adecuada para tratar no linealidades muy acusadas de la planta.
El diseño se puede abordar mediante síntesis.
No obstante a las ventajas que presenta, como ya se ha dicho la mayoría de sistemas de control
que se utilizan en la actualidad se basan en la teoría clásica. Esto se debe a la complejidad
matemática que presenta la teoría moderna.
1.1 Espacio de estado

Los métodos de espacio de estado son la piedra angular de la teoría de control moderna. La
principal característica del espacio de estado es la caracterización de los procesos de interés
por ecuaciones diferenciales en vez de funciones de transferencia. Esto podría parecer como
un regreso al periodo clásico donde las ecuaciones diferenciales también constituían los medios
de representar el comportamiento de los procesos dinámicos. Pero en el periodo clásico los
procesos eran simples suficiente para ser caracterizados por una única ecuación diferencial de
orden pequeño. En el enfoque moderno el proceso está caracterizado por sistemas de orden n
en el espacio de estados, que tendrán n ecuaciones lineales de primer orden. En principio no
hay límite para el orden de los sistemas y en la práctica el único límite para el orden es que
la disponibilidad del software informático sea capaz de realizar los cálculos necesarios de forma
fiable.
El espacio de estados es el conjunto de todos los posibles estados de un sistema lineal, cada
uno de los estados corresponde a un único punto en el espacio de estados.
Los sistemas lineales que aparecen tienen la siguiente forma, donde se puede destacar u(t) que
es la entrada del sistema, y(t) que es la salida del sistema, xi (t) que son las variables de estado,
y las constantes ai , bi , ci y d que son parámetros que definen la representación en el espacio de
estados.
ẋ1 (t) = a11 x1 (t) + a12 x2 (t) + . . . + a1n xn (t) + b1 u(t)

ẋ2 (t) = a21 x1 (t) + a22 x2 (t) + . . . + a2n xn (t) + b2 u(t)
.. (1.1)
.
ẋn (t) = an1 x1 (t) + an1 x2 (t) + . . . + ann xn (t) + bn u(t)
y(t) = c1 x1 (t) + c2 x2 (t) + . . . + cn xn (t) + du(t) (1.2)
Considerando la ecuación (1.1) y (1.2) podemos obtener la representación matricial del espacio
de estados:
2
1.2 Rudolf E. Kalman
ẋ(t) = Ax(t) + Bu(t)

(1.3)
y(t) = Cx(t) + Du(t)
Se puede ver que x(t) es el vector de estado y ẋ(t) es la derivada del vector de estado. A, B,
C y D son matrices donde A es la matriz de estado, B la matriz de entrada, C la matriz de
salida y D la matriz de transferencia directa. En sistemas donde sólo existe una entrada y una
salida, D es un escalar. Además, cabe considerar que en la mayoría de los sistemas utilizados
D = 0. En la figura 1.1 se puede ver el diagrama de bloques de la representación matricial de
la ecuación (1.3).
u(t) ẋ(t) x(t) + y(t)

+
Z
+
B C
+
Figura 1.1: Diagrama de bloques de la representación matricial en el espacio de estados
Hay infinitos conjuntos de variables de estado, por lo que puede haber infinitos conjuntos de
matrices para representar el mismo sistema.
Existen 3 métodos diferentes para el cálculo de las ecuaciones de estado de un sistema lineal.
Estos son:
Cuando se conocen las ecuaciones físicas del sistema.
Cuando se conoce el diagrama de bloques detallado del sistema lineal.
Cuando solo se dispone de la ecuación diferencial o la función de transferencia.
En esta memoria se analizará el tercer método ya que se ha hecho una simulación en LabVIEW y
en MATLAB para la obtención de la función de transferencia correspondiente a nuestro motor,
sección 3.1.
1.2 Rudolf E. Kalman

En la teoría de control moderna se puede hablar de muchos científicos que influyeron en el
desarrollo de la misma. Uno de los que más contribuyeron en esta tarea fue Rudolf Kalman,
conocido por el “Filtro de Kalman” y los conceptos de controlabilidad y observabilidad.
Rudolf Emil Kalman nació en Budapest en 1930, hijo de un ingeniero eléctrico decidió seguir
los pasos de su padre. Durante la Segunda Guerra Mundial emigró a Estados Unidos, donde se
doctoró en el M.I.T. en Ingeniería Eléctrica en 1954. Su interés por los sistemas de control fue
aumentando y con el paso de los años hizo contribuciones importantes en el diseño de sistemas
de control lineales de datos muestreados.
3
A partir de 1958, y hasta 1964, Kalman trabajó en el RIAS (Research Institute for Advanced
Study), y fue allí donde hizo algunas de sus contribuciones más importantes para los sistemas de
control moderno. Sus publicaciones durante estos años muestran la creatividad y su búsqueda
por la unificación de la teoría de control. Entre ellas destacan los conceptos de observabilidad y
controlabilidad, que ayudaron a poner bases teóricas sólidas de algunos de los aspectos estruc-
turales más importantes de los sistemas de ingeniería. Estos aspectos son una forma de explicar
por qué un método de diseñar compensadores para sistemas inestables cancelando polos ines-
tables por ceros en el semiplano derecho está condenado a incluso fallar si la cancelación es
perfecta.
El concepto de controlabilidad se define como un sistema completamente controlable si existe un
control sin restricción u(t) que puede llevar cualquier estado inicial x(t0 ) a cualquier otro estado
deseado x(t) en un tiempo finito t0 ≤ t ≤ t1 . Por lo que respecta al concepto de observabilidad,
un sistema es completamente observable si y sólo si existe un tiempo finito T de forma que el
estado inicial x(0) se pueda determinar a partir de la observación de la historia y(t) dado el
control u(t).
El principal problema de la observabilidad es que tiene muchas aplicaciones importantes. Si un
sistema es observable, no hay sistemas dinámicos internos, por tanto, podemos entender todo
lo que está pasando a través de la observación de las entradas y salidas. El problema de la
observabilidad es de un interés significativo debido a que ésta determinará si un conjunto de
sensores es suficiente para controlar nuestro sistema.
Se considera el sistema de la ecuación (1.3) con D = 0 para simplificar el sistema:
ẋ = Ax + Bu
y = Cx
Por lo tanto, si queremos que un sistema sea flexible y nos permita colocar todos los polos
arbitrariamente, el sistema ha de ser controlable y observable.
También fue durante su estancia en el RIAS cuando Kalman desarrolló lo que quizás sea su más
conocida contribución, el llamado “Filtro de Kalman”. Obtuvo resultados en tiempo discreto
(datos muestreados) a finales de 1958 y principios de 1959. Combinó trabajos fundamentales
en el filtrado de Wiener, Bode y otros con el enfoque moderno del espacio de estados. La
solución del problema del tiempo discreto le permitió llegar al problema del tiempo continuo,
y en 1960-1961 desarrolló la versión de tiempo continuo del “Filtro de Kalman”.
El filtro de Kalman, y su posterior extensión a los problemas no-lineales, representa quizás la
aplicación más importante de la teoría de control moderna. Podemos ver esta aplicación en la
navegación y control de vehículos espaciales (Apollo), algoritmos para el seguimiento por radar,
control de procesos, y sistemas socioeconómicos. Su popular aplicación es debida al hecho de
que una computadora digital puede realizar la fase de diseño tan bien como la implementación
de la misma.
4
1.3 Tiempo discreto
1.3 Tiempo discreto

Un computador para obtener información de lo que ocurre en el exterior toma muestras pe-
riódicas cada T segundos (periodo de muestreo) de las señales analógicas que proporcionan los
sensores y las convierte en valores que se pueden representar de forma digital.
Como el computador tiene que realizar transformaciones de analógico a digital, y viceversa,
dispone de dos convertidores: ADC (Analog to Digital Converter ) y DAC (Digital to Analog
Converter ).
La salida del convertidor ADC es una secuencia debido a que el computador trabaja en tiempo
discreto, es decir, toma valores de la señal en saltos discretos del tiempo que corresponde con
el tiempo de muestreo T . La entrada al convertidor es una señal en tiempo continuo llamada
y(t).
La CPU (Central Processing Unit) utiliza la secuencia que se obtiene a la salida del convertidor
ADC y(kT ) y la señal de referencia r(kT ). Esto proporciona la señal u(kT ) que es una señal
digital y el convertidor DAC la convierte otra vez en una señal analógica u(t). Pero para poder
trabajar en tiempo discreto es necesario que la CPU pueda pasar la señal en tiempo continuo
a tiempo discreto.
Para ello, hay que conseguir que la transformada de Laplace, que convierte ecuaciones integro-
diferenciales en ecuaciones algebraicas, pase a ser una transformada z, que convierte ecuaciones
en diferencias en ecuaciones algebraicas simplificando el análisis en tiempo discreto. Se puede
pasar de una a la otra directamente como podemos ver a continuación:
f (t) +3 f (kT )

F (s) / F (z)
donde f (t) es la función en tiempo continuo, F (s) la transformada de Laplace de la función

f (t), f (kT ) es la función en tiempo continuo, F (z) la transformada z de f (kT ), y como ya
se ha dicho con anterioridad, T es el periodo de muestreo. El objetivo es obtener F (z) ya que
a partir de la transformada z se pueden calcular las ecuaciones en diferencias necesarias para
realizar la implementación en el computador.
1.4 Algoritmo anti-windup

El efecto windup (integral windup en inglés) es un comportamiento no deseado del controlador
que se produce cuando coinciden las siguientes circunstancias:
El controlador incluye acción integral.

La acción de control no puede superar unos valores límite (saturación).
La señal de error se mantiene en valores elevados durante mucho tiempo.
5
Las dos primeras circunstancias se dan prácticamente siempre. La tercera es típica de sistemas
muy lentos y en los que los cambios de referencia pueden ser muy grandes.
La acción de control generada por un controlador no puede superar unos determinados límites.
Estos límites pueden ser restricciones del propio controlador o del actuador al que está conec-
tado. En la figura 1.2 se representa gráficamente el diagrama de bloques del controlador con
saturación sobre la señal v(k).
e(k) v(k) u(k)

Controlador
Figura 1.2: Diagrama de bloques del controlador con saturación de la acción de control
Observando la ecuación (1.4) se puede ver que la salida de control u(k) será exactamente igual
a la calculada por el controlador si v(k) está entre el valor máximo y el mínimo. Si el valor
calculado supera el valor máximo por encima, la salida se mantendrá en el máximo. Si supera
por abajo el valor mínimo, se mantendrá en el mínimo.

 v,
 si umin ≤ v ≤ umax
u = sat(v) = umax , si v > umax (1.4)

 u , si v < u
min min
Es decir, el algoritmo del controlador da lugar a un valor cualquiera para la acción de control
v(k), el valor efectivo de la acción de control aplicada al sistema estará dentro de unos límites:
u(k) ∈ [umin , umax ].
Existen dos algoritmos anti − windup que nos ayudan a corregir este efecto:
Back calculation.
Clamping.
1.4.1 Algoritmo Back calculation

Cuando se utiliza el algoritmo Back calculation la acción integral en tiempo continuo se calcula
de la siguiente forma:
Z t
ui (t) = (Ki e(t) − Kb [v(t) − u(t)]) dt
0
La acción de control integral que quedaría aplicando el método de Forward Euler a la aproxi-
mación de la derivada es:
ui (k + 1) = ui (k) + Ki T e(k) − Kb T [v(k) − u(k)]
Por lo que:
Cuando la acción de control u(k) no está saturada, es decir u(k) = v(k), el integrador
actúa normalmente:
6
1.5 Plan de trabajo
ui (k + 1) = ui (k) + Ki e(k)
Cuando la acción de control se satura la señal de entrada del integrador es la resta de

una señal proporcional al error y otra señal proporcional a la diferencia entre la acción de
control no saturada v(k) y la acción de control saturada u(k).
1.4.2 Algoritmo Clamping

La estrategia integrator clamping, también nombrada conditional integration (Visioli 2006, Cap.
3), está basada en parar la integración (acumulación) del error cuando la acción de control está
saturada:
Z t
e(t), si u(t) = v(t)
ui (t) = Ki ei (t)dt; ei (t) =
0 0, si u(t) 6= v(t)
Es decir, cuando la acción de control se satura, el integrador deja de acumular el error y la

parte integral de la acción de control ui (t) mantiene su valor constante. Pero cuando la acción
de control deja de estar saturada, el integrador retoma su trabajo de acumular el error para
eliminar la desviación en régimen permanente.
Una versión mejorada de este algoritmo añade la condición e(t) · u(t) > 0 a la condición de
saturación de la acción de control:
Z t
0 si u(t) 6= v(t) y e(t) · u(t) > 0
ui (t) = Ki ei (t)dt; ei (t) =
0 e(t) en cualquier otro caso
En esta versión del algoritmo, el integrador dejará de acumular el error si la acción de control
u(t) se satura y esta tiene el mismo signo que el error e(t) es decir e(t) · u(t) > 0. Esta nueva
condición hace que el integrador ayude a sacar la acción de control de la saturación. Por ejemplo,
si la acción de control está saturada en su máximo u > 0, el integrador dejará de acumular el
error siempre que la salida controlada sea menor que la referencia y < r ⇒ e > 0; pero en el
momento en que la salida controlada sobrepase la referencia y > r ⇒ e < 0, lo que interesa es
que el integrador ayude a frenar el sistema sacando la acción de control de la saturación, que
es lo que ocurre: e(t) · u(t) < 0 y, por tanto, la acción integral acumulará errores negativos y
ayudará a la acción de control a salir de la saturación.
1.5 Plan de trabajo

La resolución del problema planteado requiere seguir unos pasos que nos permitan llegar a una
solución de forma rápida y clara. Para ello, el plan de trabajo siguiente enumera cada uno de
los procedimientos que se han realizado en el Capítulo 3 para la obtención de la solución al
problema:
1. Modelo matemático por identificación.

2. Representación en el espacio de estados.
3. Diseño del controlador.
7
3.1. Observador.
3.2. Observador con filtro de la medida.
3.3. Filtro de Kalman.
4. Arduino Due.
5. Monitorización del Arduino.
5.1. Controlador con observador.

5.2. Controlador con observador más filtro de la medida.
5.3. Controlador con filtro de Kalman.
8
Capítulo 2
Implementación digital del controlador
En los próximos apartados explicaremos teóricamente en qué consiste la reali-

mentación de la salida y las tres formas diferentes de implementación que podremos
encontrar en un sistema de control.
2.1 Realimentación de la salida

La realimentación de la salida es característica de los sistemas de control debido a que se realiza
una operación inicial a la entrada del controlador donde la referencia r(k) menos la salida y(k)
generan un error que el sistema corregirá con el paso del tiempo a partir de la acción de control
integral ui (k) y el integrador discreto.
En muchos casos prácticos, sólo son medibles unas cuantas variables de estado de un sistema
dado, mientras que las demás no lo son. Puede darse el caso que sólo las variables de salida son
medibles. En caso de que esto ocurra, será necesario estimar las variables de estado que no se
puedan medir directamente a partir de las variables de salida y las de control. Para ello será
necesario el uso de un algoritmo que realice la estimación del estado basado en el conocimiento
previo del modelo en tiempo discreto de la planta. En el diagrama de bloques de la figura 2.1
se muestra el esquema de la realimentación de la salida.
Controlador
r(k) + e(k) z ui (k)+ u(k) y(k)
ki P lanta
z−1
−
−
x̂(k) Estimador
K
del estado
y(k)
Figura 2.1: Diagrama de bloques del control digital por realimentación de la salida con acción integral
Se observa que el controlador engloba al estimador del estado, a la acción de control integral
ui (k) y al vector K por la estimación de la variable de estado x̂(k).
9
Capítulo 2. Implementación digital del controlador
En la sección 1.2 se ha comentado de que trata la controlabilidad y la observabilidad. No

obstante, se ha hecho de forma muy general.
Como ya se ha dicho, el controlador está compuesto por el estimador del estado, por la acción
de control integral ui (k) y por el vector K. Además, cabe destacar que el controlador presenta
dos entradas, la referencia r(k) y la salida del sistema y(k), y una salida, la acción de control
u(k), ver figura 2.1.
Por lo tanto, la acción de control u(k) por realimentación de la salida (control por realimentación
del estado estimado) tiene la siguiente forma:
u(k) = −K x̂(k) + ui (k)
donde ui (k) es la acción de control integral, que es el producto de la constante ki por la salida
del integrador discreto que acumula el error e(k) = r(k) − y(k). La ecuación en diferencias que
corresponde con ui (k) se define como sigue:
z ki
Ui (z) = ki E(z) = E(z)
z−1 1 − z −1
1 − z −1 Ui (z) = ki E(z)

ui (k) = ui (k − 1) + ki e(k)
Se puede apreciar claramente que cuando el valor del error es cero e(k) = 0, la acción de control
integral se mantiene constante ui (k) = ui (k − 1). En cambio si hay error, por pequeño que sea,
la acción de control integral irá variando su valor.
En la acción de control u(k) la estimación del vector de estado x̂(k) se multiplica por el vector
fila K, que corresponde con los parámetros de diseño del controlador.
A continuación se analizará qué ocurre en la realimentación de la salida con observador. Además,
también se analizará la realimentación de la salida con observador y filtro de la medida, y la
realimentación de la salida por filtro de Kalman.
2.2 Realimentación de la salida con observador

En el diagrama de bloques de la figura 2.1 se tiene un estimador del estado, por lo que éste, a
continuación, se convertirá en un observador del estado, ya que es lo que se implementará en
nuestro sistema.
El observador del estado utiliza la información del modelo del sistema expresado en el espacio
de estado:
x(k + 1) = A x(k) + B u(k) (2.1)

y(k) = C x(k) (2.2)
El algoritmo de estimación del vector de estado x̂(k) (basado en el observador de Luenberger)

es:
10
2.3 Realimentación de la salida con observador y filtro de la medida
x̂(k + 1) = A x̂(k) + B u(k) + L [y(k) − C x̂(k)]

ŷ(k) = C x̂(k)
Debe considerarse que aunque el estado x(k) no sea medible, la salida y(k) si lo es, por lo que el
desempeño del modelo dinámico puede mejorar si se utiliza la diferencia entre la salida medida
y(k) y la salida estimada ŷ(k) = C x̂(k) para monitorizar el estado x̂(k).
En la figura 2.2 se representa gráficamente el algoritmo de estimación del estado, donde se
observan las dos entradas: la acción de control u(k) y la salida realimentada y(k), y la salida: el
vector de estado estimado x̂(k). También aparece en el diagrama de bloques la salida estimada
ŷ(k), se puede apreciar claramente que la ganancia del observador (L) estará multiplicada por
la diferencia de y(k) − ŷ(k).
x̂(k)
y(k)
+
u(k) + + 1 ŷ(k) −
B C
+ z
+
Figura 2.2: Diagrama de bloques del observador
Si el sistema es observable, la matriz L, matriz equivalente a la matriz de realimentación

del observador Ke , puede ser escogida de modo que [A − LC] sea asintóticamente estable y
x̂(k) asintóticamente se aproxime a x(k). El término [y(k) − C x̂(k)] proporciona un factor de
corrección proporcional que asegura la estabilidad del observador incluso cuando el sistema es
inestable y ayuda a reducir las diferencias entre el modelo dinámico y el modelo real.
Este diseño lo componen las matrices de la representación en el espacio de estados en tiempo
discreto. Se puede ver que la matriz B es la matriz de entrada, la matriz C es la matriz de
salida, la matriz A es la matriz de estado, y por último, como ya se ha dicho anteriormente, la
matriz L es la matriz de realimentación del observador o ganancia del observador, y donde se
encuentran los valores propios deseados.
2.3 Realimentación de la salida con observador y filtro de la

medida
La presencia de perturbaciones es una de las razones principales para el uso de sistemas de
control. Sin perturbaciones no habría necesidad de utilizar sistemas con realimentación. La
naturaleza de las perturbaciones determina la calidad de regulación en un proceso de control,
y además, transmiten información importante sobre las propiedades del sistema.
11
Hasta el momento se ha hablado sólo de la realimentación de la salida con observador y se

ha considerado un sistema ideal en el que no hay ruido ni perturbaciones. Pero esto no es así.
Todos los sistemas que encontramos se ven afectados tanto por ruido como por perturbaciones
que impiden un correcto funcionamiento de nuestro sistema. Para corregir estos problemas una
solución es filtrar la medida de la salida controlada.
Ruido
+
r(k) + e(k) z ui (k) + u(k) + y(k)
ki P lanta
z−1
−
−
x̂(k)
K Observador
F iltro
Figura 2.3: Diagrama de bloques real, con filtro y ruido
Como podemos ver en la figura 2.3 se incorpora en la realimentación un filtro de la medida que
tomará el valor de la salida más el ruido generado. Este ruido es generado por el propio motor.
La forma de evitar que este ruido sea muy perjudicial para nuestro sistema es incorporar un
filtro, de modo que reduzca las vibraciones que se produzcan en éste mediante un proceso
matemático sobre la señal de entrada.
Los filtros son redes que procesan las señales de una manera dependiente de la frecuencia. El
concepto básico de un filtro se puede explicar examinando la naturaleza de la frecuencia de
la impedancia de los condensadores e inductores. Tienen muchas aplicaciones prácticas. Un
simple filtro de paso bajo (integrador) a menudo se utiliza para estabilizar amplificadores por
la atenuación de la ganancia a altas frecuencias donde el desplazamiento de la fase puede causar
oscilaciones. Por otra parte, un simple filtro de paso alto puede ser usado para bloquear el offset
de cc en los amplificadores de alta ganancia o circuitos de alimentación individual. Los filtros
se pueden utilizar para separar señales, pasando las de interés, y atenuando las no deseadas.
Hay diferentes tipos de filtros de la medida. Se pueden destacar varios, como el filtro de Chebys-
hev, el filtro de Bessel y el filtro de Butterworth. Según Zverev y Blinchikoff (1976) cada uno
de ellos presenta un mejor funcionamiento para determinados diseños. Para conocerlos un poco
mejor, a continuación se puede ver una pequeña explicación de cada uno de los filtros que hemos
nombrado.
El filtro de Bessel está optimizado para obtener una respuesta transitoria debido a una fase
lineal (es decir, retardo constante) en la banda de paso. Esto significa que no habrá respuesta
de frecuencia relativamente más pobre (menos discriminación de amplitud). Por lo tanto, se
trata de un filtro con buena respuesta en el dominio del tiempo. Los polos del filtro de Bessel se
pueden determinar localizando todos los polos en un círculo y separando la parte imaginaria.
Por lo que respecta al filtro de Chebyshev da una mejor discriminación de amplitud respecto
a los otros dos, seguido del filtro de Butterworth y del de Bessel. Existen dos tipos diferentes
de filtros de Chebyshev: tipo 1 (la onda sólo está permitida en la banda de paso) y tipo 2
(presentan la onda sólo en la banda de detención). Los que más se usan son los de tipo 1. A
12
2.4 Realimentación de la salida con filtro de Kalman
medida que aumenta la ondulación, la atenuación se agudiza. La respuesta de Chebyshev es

una óptima compensación entre esos dos parámetros.
Por último, el filtro de Butterworth es el que presenta mejor relación entre atenuación y res-
puesta de fase. No tiene onda en la banda de paso ni en la banda de detención, y debido a
esto a veces se llama filtro de aplanamiento máximo. Logra su planeidad a pesar de una amplia
región de transición de la banda de paso a la banda de detención, con características medias
transitorias.
Al ser este último filtro mejor que los otros dos, ya que podríamos decir que se encuentra en
medio, se ha escogido para nuestro sistema de modo que podamos atenuar el ruido del motor.
El filtro de Butterworth es un filtro digital de orden n, que puede presentar una frecuencia
normalizada de corte ωn que variará a nuestra elección, no obstante estas variaciones provocarán
que la salida presente más o menos sobrepasamiento y un tiempo de establecimiento menor o
mayor. Hay que tener en cuenta que la frecuencia normalizada de corte es la razón entre la
frecuencia de corte ωc en radianes por segundo y la frecuencia en Hz de la muestra, por tanto:
ωc 2π fc
ωn = = 1 = 2π Ts fc
fs T s
Introducir un filtro de la medida en nuestro sistema permite que la acción de control se sua-
vice, y por lo tanto, que no aparezca ruido en ella. Sin embargo, dependiendo del orden del
filtro, estaremos introduciendo más polos y ceros al sistema, con lo que las especificaciones de
funcionamiento (tiempo de establecimiento y pico de sobrepasamiento) pueden variar.
2.4 Realimentación de la salida con filtro de Kalman

La ganancia de un observador se selecciona simplemente para mantener la estabilidad y para
proporcionar una respuesta dinámica razonable. Este método de selección es a menudo adecua-
do. Hay dos casos, sin embargo, en los cuales es necesario el uso de un método más sistemático.
El primer caso es que no haya una forma obvia de selección de la ganancia del observador.
Esta situación generalmente surge cuando hay más términos en la matriz de la ganancia del
observador de los que se necesitan para establecer los polos del observador. El segundo caso
aparece cuando es importante que el estado estimado producido por el observador sea lo más
preciso posible, y donde las propiedades del ruido en la medida se pueden determinar. Para
estos casos es apropiado el uso de el filtro de Kalman, (Friedland 1995, p. 189).
En Åström y Wittenmark (2013), el filtro de Kalman se describe para sistemas discretos de la
forma que sigue:
x(k + 1) = A x(k) + B u(k) + ω(k)

y(k) = C x(k) + ν(k)
donde ω y ν son el ruido en tiempo discreto del proceso y de la medida respectivamente. La

función de covarianza de un proceso se define como:
R1 = E ω(k) ω(k)T ; R2 = E ν(k) ν(k)T ; R12 = E ω(k) ν(k)T ;

13
R1 y R2 son variables independientes, es decir uno puede aumentar y no influiría en el otro,

éste puede disminuir o aumentar arbitrariamente. Además, para simplificar, consideramos que
R12 = 0. La estimación del próximo estado tiene la siguiente forma:
x̂(k + 1|k) = A x̂(k|k − 1) + B u(k) + L(k) [y(k) − C x̂(k|k − 1)] (2.3)
por lo que la dinámica del error de estimación e = x − x̂ pasa a ser:
e(k + 1) = [A − L(k) C] e(k) + ω(k) − L(k) ν(k) (2.4)
Como se ha comentado en la sección 2.2, la matriz L se utiliza para obtener los valores propios
deseados. Pero el problema que encontramos aquí es diferente: las propiedades del ruido se
tienen en cuenta y el criterio es minimizar la varianza del error de estimación, que se define por
P (k):
h i
P (k) = E (e(k) − E [e(k)]) (e(k) − E [e(k)])T (2.5)
El valor medio del error de estimación se obtiene desde la ecuación (2.4):
E [e(k + 1)] = [A − L(k) C] E [e(k)]
Se puede observar que si E [x̂(0)] = E [x(0)], entonces el valor medio del error de estimación es
cero para todos los tiempos independientes de L(k). Teniendo en cuenta esto, la ecuación (2.5)
que expresa la varianza del error de estimación puede escribirse como sigue:
P (k) = E e(k) e(k)T

(2.6)
Siempre que e(k), ω(k) y ν(k) sean independientes, la dinámica del error de estimación (ecuación
2.4) se puede utilizar en la expresión (2.6) para derivar en:
P (k + 1) = E e(k + 1) e(k + 1)T =

= [A − L(k) C] P (k) [A − L(k) C]T + R1 + P (k) R2 P (k)T
El algoritmo de minimización (Åström y Wittenmark 2013) da lugar al siguiente algoritmo para

el cálculo de L(k):
−1
L(k) = A P (k) C T R2 + C P (k) C T

(2.7)
T T
P (k + 1) = A P (k) A + R1 − L(k) C P (k) A (2.8)
La reconstrucción definida por las ecuaciones (2.3), (2.7) y (2.8) se denomina Filtro de Kalman:
x̂(k + 1) = A x̂(k) + B u(k) + L(k) [y(k) − C x̂(k)]

−1
L(k) = A P (k) C T R2 + C P (k) C T

P (k + 1) = A P (k) AT + R1 − L(k) C P (k) AT
14
2.5 Implementación en un computador
Todo esto se resume en el siguiente teorema:

Teorema 3.4.1. (Filtro de Kalman) Considerando el proceso aportado por esta sección (2.4).
La reconstrucción de los estados usando el modelo de la expresión (2.3) es óptima en el sentido
que la varianza del error de reconstrucción está minimizada si la matriz R2 + C P (k) C T se
define positiva y si la ganancia de la matriz se elige acorde con (2.7) y (2.8). Esta última
ecuación nos proporciona la varianza del error de reconstrucción.
En la figura 2.4 se puede ver un diagrama de bloques correspondiente a nuestro sistema con un
filtro de Kalman.
Controlador
r(k) + e(k) z ui (k)+ u(k) y(k)
ki P lanta
z−1
−
−
x̂(k) Filtro
K y(k)
de Kalman
Figura 2.4: Diagrama de bloques con filtro de Kalman

En esta sección se exponen los algoritmos de las siguientes estrategias de control digital por
realimentación de la salida:
Basado en observador del estado.

Con observador del estado y filtro de la medida.
Basado en la estimación del estado con un filtro de Kalman.
2.5.1 Realimentación de la salida con observador

La secuenciación de las operaciones a realizar por el computador para implementar un control
por realimentación de la salida (basado en observador) viene definida por el siguiente algoritmo:
Algoritmo del Controlador

Datos: K, Ke , ki , r(k), y(k), ui (k − 1), x̂(k);
Resultados: e(k), ui (k), u(k), x̂(k + 1);
M étodo:
1: e(k) = r(k) − y(k);
2: ui (k) = ui (k − 1) + ki e(k);
15
3: u(k) = −K x̂(k) + ui (k);
4: x̂(k + 1) = A x̂(k) + B u(k) + Ke (y(k) − C x̂(k)) ;

fControlador
Los parámetros que el algoritmo debe conocer son la constante ki y los vectores K y Ke .
También se suponen conocidos los valores de la señal de referencia r(k) y la salida controlada
y(k) procedente del muestreo.
En la primera línea de programa se observa que el error e(k) viene definido por la referencia
r(k) menos la realimentación de la salida y(k). Por lo que el valor de la referencia en el instante
actual de muestreo debe coincidir en escala y unidad con el valor de la salida.
En la segunda línea del algoritmo del controlador se calcula la acción de control integral ui (k)
que depende de la acción de control integral en el anterior muestreo y del error e(k) por la
constante integral ki . En caso de querer aplicar herramientas anti − windup sería en esta línea
de programa donde se tendría que aplicar. Si se aplicará el método Back calculation la línea
de programa 2 quedaría como sigue:
ui (k) = ui (k − 1) + ki e(k) − kb [v(k − 1) − u(k − 1)];
donde kb es una variable que utiliza el anti − windup mode Back calculation, v(k − 1) es la
acción de control no saturada en el instante anterior, y u(k − 1) es la acción de control saturada
también en el instante anterior. En caso de aplicar el método Clamping la línea de programa
sería:
ui (k) = ui (k − 1) + ki e(k) [v(k − 1) == u(k − 1)];
La diferencia de utilizar el método Clamping es que en este caso se compara la acción de control
no saturada v(k − 1) con la acción de control saturada u(k − 1).
El objetivo del algoritmo es calcular y ofrecer como resultado el valor de la acción de control
u(k) –línea de programa 3–. Pero como las variables se van actualizando para la siguiente
ejecución, también es solución del algoritmo x̂(k + 1), que se trata de la estimación del vector
de estado en la próxima ejecución.
Cabe destacar que en la línea 4 de programa se realiza una diferencia interna en el propio
observador entre la salida y(k) y la estimación de la salida ŷ(k) = C x̂(k), que se multiplica
por la constante Ke , que corresponde con la ganancia del observador de estado.
2.5.2 Realimentación de la salida con observador y filtro de la medida

La secuenciación correspondiente a la realimentación de la salida con observador y filtro de la
medida es la que sigue:
Algoritmo del controlador con filtro de la medida

Datos: K, Ke , ki , r(k), y(k), yf (k − 1), yf (k − 2), ui (k − 1), x̂(k);
Resultados: yf (k), e(k), ui (k), u(k), x̂(k + 1);
M étodo:
16
1: yf (k) = − aa10 yf (k − 1) − a2
a0 yf (k − 2) + 1
a0 y(k);
2: e(k) = r(k) − yf (k);

3: ui (k) = ui (k − 1) + ki e(k);
4: u(k) = −K x̂(k) + ui (k);
5: x̂(k + 1) = A x̂(k) + B u(k) + Ke [yf (k) − C x̂(k)] ;

fControlador con observador más filtro
Como se puede observar, este algoritmo es muy similar al algoritmo del controlador con ob-
servador. No obstante, la diferencia respecto al anterior es que se ha de tener en cuenta una
nueva ecuación en diferencias correspondiente al filtro de la medida que se ha introducido en
la realimentación para reducir y eliminar el ruido.
Por lo tanto el algoritmo del controlador con observador más filtro de la medida comienza con
la línea de programa correspondiente al cálculo de yf (k), que es la salida filtrada que llegará al
observador.
Se observa que para el cálculo de la salida filtrada yf (k) son necesarios los valores de la salida
filtrada en las dos anteriores ejecuciones, yf (k − 1) y yf (k − 2), además, de la salida del sistema
en el instante actual y(k).
Hay que tener en cuenta los parámetros a0 , a1 y a2 , que dependen de la frecuencia normalizada
de corte del filtro wnorm y del orden que tendrá el filtro de la medida nf , por lo tanto serán
valores conocidos. Escoger una configuración distinta para el filtro de la medida, provocará un
cambio en yf (k).
Por lo que respecta al resto de líneas de programa tendrán la misma función que se ha explicado
en la subsección 2.5.1, no obstante, habrá que tener en cuenta que y(k) en este algoritmo pasa
a ser yf (k).
2.5.3 Realimentación de la salida con el filtro de Kalman

El algoritmo anterior nos permite obtener las operaciones que nuestro computador debe realizar
para estimar las variables que utilizaremos en la siguiente secuenciación. No obstante, este
algoritmo se centra en el observador y necesitamos otro algoritmo para el filtro de Kalman que
se ha utilizado. Por lo tanto, el algoritmo que se ha de desarrollar corresponde al explicado en
la sección 2.4 el cual se basa en Åström y Wittenmark (2013) “Computer-controlled systems:
theory and design”.
Algoritmo del filtro de Kalman

Datos: r(k), y(k), K, ki , R1 , R2 ;
Resultados: e(k), ui (k), u(k), L(k), P (k + 1), x̂(k + 1);
M étodo:
1: e(k) = r(k) − y(k);
2: ui (k) = ui (k) + ki e(k);
3: u(k) = −K x̂(k) + ui (k);
17
−1
L(k) = A P (k) C T R2 + C P (k) C T

4: ;
5: P (k + 1) = A P (k) AT + R1 − L(k) C P (k) AT ;
6: x̂(k + 1) = A x̂(k) + B u(k) + L(k) [y(k) − C x̂(k)] ;
fFiltro Kalman
Las tres primeras líneas del programa que se presentan son iguales que en el algoritmo del
controlador con observador, ya que, al igual que cuando se utiliza observador, se ha de tener
un error e(k) (que es el resultado de la diferencia entre la referencia r(k) y la salida del sistema
y(k)) a partir del cual se obtiene la acción de control integral.
En la línea de programa 2 se observa que para el cálculo de la acción de control integral ui (k)
se necesita esa misma variable. No obstante no corresponde a la misma ui (k), sino que se trata
de la acción de control integral en el anterior instante de muestreo. Se nombran de la misma
forma para no tener que realizar una actualización de variables posteriormente. Igual que se ha
dicho en la subsección 2.5.1, si el e(k) = 0 la acción de control integral en este instante será
igual al estado anterior.
La siguiente línea de programa (3) es la acción de control de nuestro sistema, es decir, la salida
del controlador, y tiene en cuenta la acción de control integral en este instante de tiempo,
además de la multiplicación del vector K (parámetros de diseño del controlador) y el vector del
estado estimado en este instante también x̂(k). Al presentar el controlador una realimentación,
estos dos últimos términos se restan a la acción de control integral.
Las líneas de programa 4, 5 son diferentes al controlador con observador, ya que aparecen
conceptos que se necesitan al implementar un filtro de Kalman y que no son necesarios con un
observador. Estos conceptos son: L(k) y P (k + 1). L(k) es una matriz de ponderación que irá
cambiando de valor según pase el tiempo. Por lo que respecta a P (k + 1) se trata de la varianza
del error de estimación en el siguiente instante de muestreo. También aparecen dos valores (R1
y R2 ) que corresponden a dos escalares independientes.
Cabe considerar que ambas líneas utilizan la matriz P (k), varianza del error de estimación
calculada en el anterior muestreo, y que en la línea 5 de programa, P (k + 1) utiliza la actual
matriz de ponderación L(k).
Por último, en la línea de programa 6 se define la ecuación del próximo estado estimado x̂(k+1).
Para ello es necesario calcular en las líneas anteriores la acción de control u(k) y la matriz L(k).
Se puede ver que se utiliza el actual estado estimado x̂(k) calculado en la anterior ejecución del
programa, y la salida estimada ŷ(k) = C x̂(k).
2.6 Arduino due

Arduino es una plataforma de hardware libre, basada en una placa con un microcontrolador y
un entorno de desarrollo para facilitar el uso de la electrónica en proyectos multidisciplinares.
Arduino es una placa programable con entradas y salidas digitales y analógicas, el bajo coste
la hacen ideal para iniciarse en automatización o realizar pequeños proyectos domésticos de
electrónica y robótica. Esto quiere decir que disponemos de un pequeño “autómata”, capaz de
recibir información del entorno (sensores) y realizar acciones (actuadores, motores, . . . ), según
un programa que introducimos con un ordenador, y que puede ejecutar de forma autónoma.
18
2.6 Arduino due
El modelo Arduino Due que utilizaremos para nuestro proyecto, es una placa electrónica basada
en el Atmel SAM3X8E ARM Cortex-M3 CPU. Es la primera placa Arduino basada en un
microcontrolador con núcleo ARM de 32 bits.
Algunas de las características que debemos tener en cuenta del Arduino Due son:
54 pines de entrada/salida donde 12 se pueden utilizar para salidas PWM.

12 entradas analógicas.
2 DAC (de digital a analógico).
Botón de reinicio.
Botón de borrado.
Advertencia: A diferencia de otras placas Arduino, esta placa funciona a 3,3 V. Por tanto,
el voltaje máximo que los pines de E/S pueden tolerar es de 3,3 V. Proporcionar voltajes más
altos, como 5 V a un pin de I/O podría dañar la placa.
La placa contiene todo lo necesario para dar soporte al microcontrolador. El Arduino Due es
compatible con todos los escudos de Arduino que trabajen a 3,3 V y cumplan con 1, 0 Arduino
pinout.
Para más información de las características de éste se puede ver en la siguiente página web:
http://arduino.cc/en/Main/arduinoBoardDue
Figura 2.5: Arduino due
Al utilizar el Arduino como controlador de nuestro proceso de control nos encontramos delante
de conceptos que debemos conocer para un buen uso del mismo.
⇒ Programa con Arduino:
Todos los programas con Arduino tienen que contener dos funciones de forma necesaria: setup()
y loop().
Setup(): esta función tan solo se ejecuta una vez, después de cada encendido o con el
reinicio de la placa de Arduino. En esta sección se suele encontrar la inicialización de
variables, configuración de pines, inicialización de librerías, etc.
19
Loop(): esta función se ejecutará continuamente en forma de bucle, contendrá el código

que controlará nuestra placa de Arduino.
Por tanto el código principal se quedará de la siguiente forma:
void setup(){
// Poner el código de configuración aquí, para ejecutar una vez:
}
void loop(){
// Poner el código principal aquí, para ejecutar varias veces:
}
⇒ Importación de la librería DueTimer:

Programaremos los temporizadores (timers) utilizando la librería DueTimer, para poder utili-
zarña debemos instalarla siguiendo los siguientes pasos:
1. Descargar la librería de: https://github.com/ivanseidel/DueTimer.

2. Descomprimir y modificar el nombre de la carpeta a “DueTimer”.
3. Copiar la carpeta modificada en la carpeta de librerías de nuestro Arduino.
4. Importar el .zip desde el software de Arduino: Programa→Incluir Librería→Añadir librería
.ZIP. . .
En el código a programar incluiremos la librería con la siguiente sentencia:

#include <DueTimer.h>
Esta librería contiene 9 timers para su utilización y programación, las funciones más comunes
son:
getAvailable(): para obtener el temporizador disponible.

attachInterrupt(void(*ISR)()): para adjuntar una interrupción (función de devolu-
ción de llamada) al temporizador del objeto.
detachInterrupp(): para separar la devolución de llamada actual del temporizador.
start(microsegundos=-1): para iniciar el temporizador con un parámetro, periodo op-
cional.
stop(): para detener el temporizador.
long getFrecuency(): para obtener la frecuencia del temporizador.
setPeriod(microsegundos long): para ajustar el periodo del temporizador (en micro-
segundos).
long getPeriod(): para obtener el periodo del temporizador (en microsegundos).
20
Capítulo 3
Resultados obtenidos
En apartados anteriores se han explicado conceptos teóricos correspondientes al

espacio de estados, a la realimentación de la salida y a aspectos básicos del tiempo
discreto. Llegados a este punto, se analizarán qué cálculos se han realizado para el
control del motor.
3.1 Modelo matemático por identificación

Las características de funcionamiento del mo-
tor son desconocidas, no tenemos datos sobre 5
las componentes del rotor ni del estátor, por 4.5

tanto es preciso la obtención de una función 4
de transferencia que se aproxime al modelo de
3.5
motor que tenemos. Para ello se ha generado
una señal de entrada, la cual introduce esca- 3
lones al motor de 1 V en un rango de 2-5 V 2.5

como se puede ver en la figura 3.1. El crite-
2
rio de elección de los escalones de referencia
1.5
es aleatorio ya que el único impedimento que
tenemos es la tensión aceptada por la placa 1
de Arduino. 0.5
Al igual que la referencia es aleatoria, el tiem- 0 0 20 40 60 80 100 120

po de cada escalón también lo es. Los tiempos
escogidos se deben a que se ha intentado es- Figura 3.1: Escalones en la referencia
coger unos tiempos ante los que el sistema sea
capaz de responder con rapidez (un tiempo de
establecimiento pequeño) y sin picos de sobrepasamiento excesivos.
A continuación, se ha realizado un ensayo con LabVIEW donde se observa el comportamiento
del motor delante de estos escalones. Se ha programado de tal modo que los datos obtenidos
se guardarán en una carpeta (dades) y a través de MATLAB se realizará la simulación y
obtendremos las gráficas correspondientes al comportamiento del motor delante de la referencia.
Esto se puede comprobar en la figura 3.2.
21
Capítulo 3. Resultados obtenidos
Identificación - Datos originales Validación - Datos originales

6 5
5
4
4
3
Tensión (V)
Tensión (V)
3
2
2
1
1
0
0
-1 -1
0 20 40 60 80 100 120 0 10 20 30 40 50 60
Tiempo (s) Tiempo (s)
Figura 3.2: Resultado de la simulación en LabVIEW
Como se puede ver, la gráfica de la izquierda corresponde con la identificación de la respuesta

del motor (línea roja). Esto quiere decir que el motor actúa de esa forma ante los escalones
presentados en la figura 3.1 (línea azul).
Por lo que respecta a la gráfica de la derecha, se trata de comprobar que la identificación es
buena, para ello se realizan cambios manuales aleatorios en la referencia sin pasarse de los
valores mínimo (2 V) y máximo (5 V). La línea azul representaría los cambios que se han
realizado manualmente y la línea roja la respuesta del motor ante estos cambios.
También se observa en la figura 3.2 que existe un offset, además de que el motor no empieza
a trabajar directamente con los 2 V que nosotros le ponemos como valor mínimo. Por tanto,
debemos recortar y eliminar el offset, es decir, cambiar la desviación de la respuesta y ajustarla
a los escalones que se le han introducido. Para ello se ha realizado un script en MATLAB donde
se ha resuelto este problema, ver figura 3.3.
Identificación - Datos desviados y recortados Validación - Datos desviados y recortados

3.5 3.5
3 3
2.5 2.5
2 2
Tensión (V)
Tensión (V)
1.5 1.5
1 1
0.5 0.5
0 0
-0.5 -0.5
0 20 40 60 80 100 120 0 10 20 30 40 50
Figura 3.3: Datos desviados y recortados
22
3.1 Modelo matemático por identificación
En la figura 3.3 se puede destacar que el motor (línea roja) supera el valor máximo del escalón,
pero esto no es un problema ya que la placa de Arduino Due que utilizamos para los ensayos
tiene un rango de tensión de 0 a 3,3 V.
Siguiendo con la identificación del modelo del motor obtenemos la función de transferencia
aproximada al motor DC a partir de los datos generados con LabVIEW. También se ha añadido
un valor llamado T que corresponde al tiempo de muestreo, es decir, cada cuanto tiempo se
tomará un valor.
Listado 1: Proceso de identificación de la F.d.T. del motor
% % Identificacio
dades_id = iddata ( eixida , entrada , T ); % DATOS PARA IDENTIFICAR
G = procest ( dades_id , tipus_model , ’ Td ’ ,{ ’ max ’ ,1}) % PROCESS ESTIMATOR
stop_time = T *( numel ( eixida ) -1);

t = 0 : T : stop_time ;
[ Ymodel , tmod ] = lsim (G , entrada , t );
El listado 1 muestra el código de MATLAB que se ha utilizado para la obtención de la función

de transferencia correspondiente al motor que se está utilizando de forma aproximada. En la
expresión (3.1) se puede ver el resultado de la misma:
49,159
G(s) = (3.1)
(s + 0,9404)(s + 48,97)
En la figura 3.4 podemos observar la entrada medida, la salida medida y la salida del modelo
que deseamos. También se ha añadido a la figura el ajuste del controlador, donde se observa
que en la identificación tiene un valor del 97,5 %, ya que al ser una referencia establecida el
controlador reacciona mucho mejor que con una referencia aleatoria. Por lo tanto, el ajuste de
la validación será peor, y como se puede ver tiene un valor del 92,5 %.
El calculo del ajuste se realiza con la función compare como se puede ver en el siguiente código
de MATLAB (se ha puesto el caso de la identificación, si se quiere calcular el de la validación
se cambiaría “dades_id” por “dades_valida”):
[y , fit ] = compare ( dades_id , G );
Este ajuste se calcula en porcentaje, utilizando la desviación del error cuadrático medio nor-
malizado (N RM SE), por tanto si el error cuadrático medio (RM SE) es:
qX
RM SE = (y − ŷ)2
(y − ŷ)2
P
RM SE
N RM SE = =P
var(y) (y − ȳ)2
23
Identificación - Datos desviados y recortados Validación - Datos desviados y recortados

3.5 3.5
Entrada medida Entrada medida
3 Salida medida Salida medida
3
Salida del modelo Salida del modelo
2.5 2.5
2 2
Tensión (V)
Tensión (V)
1.5 1.5
1 1
0.5 0.5
0 0
Ajuste de la identificación: 97.5 % Ajuste de la Validación: 92.5 %

-0.5 -0.5
0 20 40 60 80 100 120 0 10 20 30 40 50
Figura 3.4: Comparación entre F.d.T. y respuesta real del motor
Por lo que el valor de “f it” será:
f it = (1 − N RM SE) × 100 ( %)
Como podemos observar, cuanto más grande sea el valor de “f it” mejor será el ajuste.
3.2 Representación en el espacio de estados

Una vez realizada la identificación del modelo matemático de nuestra planta debemos calcular
las matrices correspondientes al espacio de estados, es decir, a partir de la función de transfe-
rencia G(s) obtenida en el apartado anterior (ecuación 3.1). Para ello MATLAB nos permite
utilizar la función ss (función para el cálculo del espacio de estados) como se puede ver en el
siguiente código:
Listado 2: Representación en el espacio de estados
% % Funcion de transferencia de lazo abierto
L = zpk ( G ); % L es la f . d . t . de lazo abierto
[ num , den ] = tfdata ( L );

num = cell2mat ( num );
den = cell2mat ( den );
% % Obtencion matrices en el espacio de estados
[A ,B ,C , D ] = tf2ss ( num , den )
model_motor = ss (A ,B ,C , D )
24
3.2 Representación en el espacio de estados
Con esto obtenemos las matrices A, B, C y D que corresponden a la matriz de estado (donde
se encuentran los valores propios de nuestro sistema), la matriz de entrada, la matriz de salida
y la matriz de transferencia directa, respectivamente. Los cálculos realizados en el listado 2 dan
como resultado las siguiente matrices:
model_motor =

−49,91 −46,05 1
A= , B= , C = 0 49,16 , D=0
1 0 0
Para comprobar si se trata de un cálculo correcto del espacio de estados se pueden comparar
ambas respuestas ante un escalón, la de la función de transferencia y la del espacio de estados
del motor. Esto se puede realizar definiendo una constante t como una variable de muestreo
para comparar las respuestas. Al representar un step (escalón) de la función de transferencia
en un tiempo t y del espacio de estados se obtienen dos respuestas prácticamente similares.
La comprobación de la exactitud de la representación en el espacio de estados es calculando el
error tal como sigue:
e = y − yss
siendo y la representación de la f.d.t. y yss la representación en el espacio de estados. Una vez

obtenido el error, podemos ver gráficamente cual es la media cuadrática del error (RMSE) y la
diferencia entre ambas respuestas (figura 3.5).
Comparación de las dos respuestas ×10 -15 Error de las respuestas

1.5 2.5
1
F.d.T.
0.5
1.5
0
0 2 4 6 8 10
1
1.5
Espacio de estados
0.5
1
RMSE = 1.78e-15
0
0.5
0 -0.5
0 2 4 6 8 10 0 2 4 6 8 10
Figura 3.5: Diferencia de ambas respuestas y RMSE
Se observa que se trata de un error muy pequeño, de orden −15, por lo que se puede decir que
se trata de una buena respuesta, tanto el espacio de estados como la función de transferencia
obtenida por identificación.
Por otra parte, cabe considerar que trabajamos con un sistema discreto y hasta ahora hemos
actuado considerando que nuestro sistema es continuo y que presenta una salida analógica. No
obstante, los sistemas continuos se pueden representar matemáticamente con las ecuaciones en
diferencias. Los sistemas discretos no utilizan la transformada de Laplace, en su caso se utiliza
la transformada z. Esta representación resulta más cómoda a la hora de operar y, por tanto,
25
debemos pasar a modo discreto la anterior representación, con MATLAB el código a programar
sería:
Listado 3: Representación en el espacio de estados en tiempo discreto
% % Espacio de estados discreto del motor
model_motor_z = c2d ( model_motor ,T , ’ zoh ’ );

[ Az , Bz , Cz , Dz ] = ssdata ( model_motor_z );
Gd = zpk ( model_motor_z ); % F . d . t . discreta
Al pasar a modo discreto como se ve en el listado 3 obtenemos unas nuevas matrices de estado,
en este caso en tiempo discreto, por lo que pasan a tener los siguientes valores:
model_motor_z =

0,6054 −0,3623 0,00944
Az = , Bz = , Cz = 0 49,16 , Dz = 0
0,0079 0,9980 0,000051
Se observa que la matriz de salida C no sufre cambios al pasar de tiempo continuo a tiempo
discreto. Además, la matriz D sigue siendo cero debido a que el diseño del diagrama de bloques
no cambia.
La diferencia entre la transformada de Laplace y la transformada z viene dada por el tipo de
ecuaciones que utiliza cada una. Con Laplace utilizamos ecuaciones diferenciales que trabajan
en tiempo continuo, en cambio con la transformada z trabajamos con ecuaciones en diferencias.
A continuación vamos a ver un ejemplo de ecuación en diferencias correspondiente a la función
de transferencia discreta que hemos estimado de nuestro motor:
0,076942 (z + 0,2359) 0,076942 z + 0,0182

Gd (z) = = 2
(z − 0,007469)(z − 0,9102) z − 0,9177 z + 0,0068
Si ordenamos términos, y sabiendo que Gd (z) es el cociente entre la transformada z de la salida

del sistema y la transformada z de la entrada:
Y (z) 0,0769 z −1 + 0,0182 z −2

Gd (z) = = (3.2)
U (z) 1 − 0,9177 z −1 + 0,0068 z −2
A partir de la ecuación (3.2), multiplicando en el numerador y en el denominador por z −2 ,

despejamos Y (z) y U (z), y se aplica la transformada inversa de z de la forma que sigue:
1 − 0,9177 z −1 + 0,0068 z −2 Y (z) = 0,0769 z −1 + 0,0182 z −2 U (z)

Y (z) − 0,9177 z −1 Y (z) + 0,0068 z −2 Y (z) = 0,0769 z −1 U (z) + 0,0182 z −2 U (z)

y(k) − 0,9177 y(k − 1) + 0,0068 y(k − 2) = 0,0769 u(k − 1) + 0,0182 u(k − 2)
26
3.3 Diseño del controlador
Por último, despejando y(k) obtenemos la ecuación en diferencias que modela el comporta-
miento de nuestro sistema:
y(k) = 0,9177 y(k − 1) − 0,0068 y(k − 2) + 0,0769 u(k − 1) + 0,0182 u(k − 2) (3.3)
El objetivo de todo esto es conseguir, a partir de ecuaciones en diferencias, calcular el valor de

la acción de control e implementarlo en el ordenador para poder obtener el valor de la salida
en cada instante de tiempo.

En esta sección afrontamos el problema del diseño del controlador que se utilizará en nuestro
sistema. Se distinguirán tres tipos diferentes de controlador, todos ellos con estimación del
estado:
Observador.
Observador más filtro de la medida.
Filtro de Kalman
Los distintos controladores vendrán definidos por unas especificaciones de funcionamiento y

unos polos que escogeremos de modo que podamos observar de qué forma presentan mejores
respuestas. En el listado 4 se puede observar que pasos se han seguido para la obtención de
los polos del sistema. Cabe destacar que las especificaciones de funcionamiento pueden ser
escogidas según las prestaciones que queramos de nuestro sistema (para que sea más rápido
disminuiríamos ts pero podríamos tener problemas de sobrepasamiento, por ejemplo). También
hay que decir que para obtener los polos en tiempo discreto se multiplicará por el periodo de
muestreo T .
Listado 4: Polos de lazo cerrado
% % E s p e c i f i c a c i o n e s de fun cionam iento
ts = 0.85;
Mp = 0.01;
% % Cálculo de polos
sigma = 4/ ts ;
wd = ( - pi * sigma )/( log ( Mp ));
p1 = - sigma + wd * j ; % A partir de este p1 modificaremos los polos

p2 = p1 ’;
p_i = 10* real ( p1 );
P = [ p1 ; p2 ]; % Vector de polos
Pci = [ P ; p_i ]; % Añadimos el polo del integrador a P
Pz = exp ( T * Pci ); % Polos en el plano z
Una vez definido el cálculo de los polos del sistema, se precisa conocer si estamos ante un
sistema controlable o no. Para ello, se debe estudiar la controlabilidad del sistema. Esto se
puede realizar de forma sencilla con MATLAB según se puede ver en el listado 5.
27
Listado 5: Controlabilidad del sistema
% % Calculamos la c on tr o la b il id a d del sistema
Co = crtb ( model_motor_z );
n = length ( Az ); % Orden del sistema
if rank ( Co ) < n
fprintf ( ’\ nSistema no controlable \ n ’ );
break ;
end
% % Añadimos el integrador a las matrices de estado del modelo discreto
AA = [ Az , Bz ; 0* Cz , 0];
BB = [0* Bz ; 1];
Si el rango de la matriz Co (matriz de controlabilidad) es menor que el orden del sistema n

que estamos calculando, el sistema no será controlable, y por lo tanto, no podremos utilizar un
estimador del estado que realice el control digital al sistema. En caso de que el rango de Co sea
mayor o igual que n el sistema será controlable y se podrá seguir con el cálculo del controlador.
Según Ogata 1996, p. 464 “Sistemas de control tiempo discreto”, los parámetros de diseño del
controlador son el vector fila K y la constante integral ki . El procedimiento para el cálculo de
ambos parámetros se determina a partir del siguiente código:
Listado 6: Parámetros de diseño del controlador
Kd = place ( AA , BB , Pz ); % Ubicación de polos
m = 1; % Número de entradas
KK = ( Kd + [ zeros (m , n ) , eye (m , m )]) * inv ([ Az - eye (n , n ) , Bz ; Cz * Az , Cz * Bz ]);
K = KK (1: m ,1: n )
ki = KK (1: m , n +1: n + m )
Los valores de los parámetros de diseño del controlador para las especificaciones indicadas en
el listado 4 son:

K = 5,6653 344,7841 ;
ki = 0,2504;
Con esto quedan definidos los parámetros de diseño del controlador del sistema. Sin embargo,
como ya se ha dicho al principio de la sección, se utilizarán tres tipos de controlador: con
observador, con observador más filtro de la medida y con filtro de Kalman.
28
3.3.1 Observador
En muchos casos prácticos, no se dispone de mediciones directas de todas las variables de estado,
es decir, sólo son medibles unas cuantas variables de estado de un sistema dado, mientras que
las demás no lo son. Puede darse el caso que sólo las variables de salida son medibles. En
caso de que esto ocurra, será necesario estimar las variables de estado que no se puedan medir
directamente a partir de las variables de salida y las de control.
Para ello es necesario el uso de un observador que estime estas variables, por lo que el listado
7 proporciona el valor del vector Ke que será la ganancia del observador que utilizaremos, y se
trata de un valor interno del observador (en la figura 2.2 se puede ver el diagrama de bloques
correspondiente al observador de Luenberger).
Listado 7: Diseño del observador
Pobs = exp ( T *10* P );

Ke = place ( Az ’ , Cz ’ , Pobs ) ’
Los polos del observador se han multiplicado por 10 ya que estos polos son más rápidos que
los utilizados para calcular el controlador. La función place da lugar a un vector fila, pero la
ganancia del observador Ke debe ser un vector columna por lo que se realiza la traspuesta del
resultado. Por tanto, el valor de Ke será:

0,0935
Ke = ;
0,0085
El diagrama de bloques que corresponde al controlador con observador es el siguiente:
Controlador
r(k) + e(k) z ui (k)+ u(k) y(k)
ki P lanta
z−1
−
−
x̂(k)
K Observador +
+
Ruido
Figura 3.6: Diagrama de bloques con observador
donde K y ki tienen los valores anteriormente calculados y la P lanta del sistema es la función
de transferencia G.
También se observa que tenemos un ruido en la realimentación, por lo que la señal de control
tendrá muchas oscilaciones y no será una respuesta clara. Este problema se soluciona añadiendo
un filtro de la medida como se verá en la subsección 3.3.2.
29
Para que las simulaciones tengan una respuesta parecida a los ensayos que realizaremos más
adelante, se ha calculado el valor máximo y mínimo que tendrá el ruido, y se ha considerado
en todas las simulaciones que se realizarán:
max_ruido = 0.1012;
min_ruido = -0.0968;
Estos dos valores serán utilizados en el bloque Ruido que se puede ver en los diagramas de
bloques tanto del controlador con observador, como del controlador con observador más filtro
de la medida, como del controlador con filtro de Kalman.
A continuación se puede ver una figura donde se ha simulado la respuesta que presenta el
modelo del motor ante una entrada escalonada en la referencia.
Figura 3.7: Simulación del diagrama de bloques con observador
La simulación de la figura 3.7 corresponde al diagrama de bloques de la figura 3.6 donde se

ha introducido una referencia escalonada en porcentaje. La señal de salida cumple con las
especificaciones de funcionamiento que se le han asignado (ts = 1,75; Mp = 0,01;).
La acción de control que se observa presenta muchas oscilaciones debido a la cantidad de ruido
producido por el propio motor, por lo que no es una buena solución.
Para poder corregir estas perturbaciones en el sistema se necesita la implementación de filtros
de la medida, o bien de un filtro de Kalman, como veremos en las siguientes subsecciones.
30
3.3.2 Observador con filtro de la medida

Todos los sistemas que encontramos poseen ruido y perturbaciones que impiden un correcto
funcionamiento de nuestro sistema. Para corregir estos problemas hay que añadir filtros que
reduzcan las oscilaciones de la señal de control.
Ruido
Controlador
+
r(k) + e(k) z ui (k) + u(k) + y(k)
ki P lanta
z−1
−
−
x̂(k)
K Observador
F iltro
Figura 3.8: Diagrama de bloques real, con filtro y ruido
Como podemos ver en la figura 3.8 se incorpora en la realimentación un filtro de la medida que
tomará el valor de la salida más el ruido generado.
La forma de evitar que el ruido sea muy perjudicial para las simulaciones es incorporar un filtro
a nuestro sistema, de modo que reduzca las vibraciones que se produzcan en éste.
No obstante, debemos tener en cuenta que al utilizar un filtro de la medida estamos introdu-
ciendo dos polos al sistema y dos ceros en el lazo de realimentación. Esto puede provocar que
aparezcan picos de sobrepasamiento y oscilaciones en nuestra respuesta. A pesar de ello, la
respuesta de la acción de control es mejor que la conseguida al utilizar solamente el observador.
El filtro de la medida que se va a implementar en el sistema es un filtro de Butterworth. En la
sección 2.3 hemos diferenciado varios tipos de filtros (Butterworth, Bessel y Chebyshev), y se
ha decidido utilizar el de Butterworth ya que se encuentra en un punto intermedio como ya se
ha explicado. Las características que presenta este filtro de la medida vienen definidas por el
orden del filtro (nf) y por la frecuencia normalizada de corte (wnorm) como podemos ver en el
siguiente código, donde la orden principal es butter, que genera una función de transferencia
correspondiente al filtro de la medida:
Listado 8: Filtro de la medida
nf = 2; % Orden del filtro

wnorm = 0.045; % Frecuencia normalizada de corte del filtro
[ num , den ] = butter ( nf , wnorm );
Gfz = tf ( num , den , T ); % Siendo T el periodo de muestreo
La frecuencia normalizada de corte puede variar a nuestra elección, no obstante estas variaciones
provocarán que la salida presente más o menos sobrepasamiento y un tiempo de establecimiento
menor o mayor. De hecho, si el valor de wnorm es muy pequeño aparecen oscilaciones. Teniendo
31
en cuenta las especificaciones de funcionamiento y el valor de wnorm el sistema se puede volver

inestable.
Para las condiciones escogidas, la función de transferencia discreta del filtro de la medida
corresponde a:
0,00454 + 0,00907 z −1 + 0,00454 z −2

Gf z (z) =
1 − 1,801 z −1 + 0,8188 z −2
Esta función de transferencia da una ecuación en diferencias que se utilizará posteriormente en

la implementación de la placa de Arduino. Esta ecuación es:
y(k) = 1,8006 y(k−1) − 0,8188 y(k−2) + 0,00454 ym (k) + 0,00907 ym (k−1) + 0,00454 ym (k−2)
En la figura 3.9 se ha realizado una comparación entre el controlador con observador y el

controlador con observador más filtro de la medida.
Figura 3.9: Simulación del controlador con observador y del controlador con observador más filtro de la medida
Las condiciones que se han utilizado para realizar las simulaciones son:


 ts = 1,75

ts = 1,75 Observador
 Mp = 0,01
Observador = ; = ;
Mp = 0,01 más filtro 
 wnorm = 0,045

nf = 2

32
Si se analiza detenidamente la señal de control de la figura, se puede ver claramente que la

línea roja (acción de control del controlador con observador más filtro de la medida) consigue
eliminar el error de forma notable, y por tanto, la respuesta es bastante aceptable, dentro de las
condiciones marcadas. En cambio la línea azul (misma respuesta que en la figura 3.7) presenta
muchas oscilaciones debido al ruido generado por el motor. Cabe destacar que la señal de la
salida del controlador con observador más filtro de la medida presenta oscilaciones debido a que
el valor de la frecuencia normalizada de corte es muy pequeño, lo que, además, provoca que se
introduzcan dos polos al sistema que lo vuelven más inestable.
Existe una clara diferencia entre realizar una simulación con filtro a realizarla sin filtro como
hemos podido observar. A pesar de ello, la acción de control sigue sin ser demasiado buena ya
que aún aparecen oscilaciones que afectan a la señal de control.
3.3.3 Filtro de Kalman

En la subsección 3.3.2 se ha visto que la acción de control que presenta el controlador con
observador más filtro de la medida no es tan mala. Sin embargo, para llegar a esa solución es
necesaria la implementación de dos elementos, es decir, se tienen que realizar los cálculos para el
observador y también para el filtro de la medida como ya hemos visto anteriormente. Una forma
de evitar que esto ocurra es utilizar el filtro de Kalman. Por su parte, éste necesita dos valores
que no son utilizados con el observador o observador más filtro de la medida. Estos parámetros
son R1 y R2 que corresponden a términos independientes de la función de covarianza. Los
valores escogidos para estos parámetros son: R1 = 0,00 y R2 = 1,50.
Para la simulación del controlador con filtro de Kalman se hará una comparación entre éste y
el observador más filtro de la medida.
Figura 3.10: Simulación del controlador con filtro de Kalman y del controlador con observador más filtro
33
Para la simulación de la figura 3.10 se ha considerado la misma configuración que la utilizada

en el diseño con observador más filtro, en cambio para el filtro de Kalman hemos reducido el
tiempo de establecimiento ya que es un controlador al que se le puede exigir más (ts = 0,85).
Se puede observar que, sin ser del todo buena la acción de control que obtenemos con el filtro
de Kalman, es mucho mejor que la que se obtiene con el controlador con observador más filtro
de la medida. Las oscilaciones que aparecen en la señal de control del observador más filtro no
aparecen con el filtro de Kalman, además de que la acción de control es más suave.
Se han probado varias configuraciones para el filtro de la medida, no obstante, ninguno de ellos
es capaz de filtrar la señal de salida de modo que obtengamos una señal de control como la que
se obtiene con el filtro de Kalman.
Ambas simulaciones están hechas sin activar herramientas que eviten el efecto windup por lo
que al exigirle más al filtro de Kalman (recordar que hemos reducido el ts en casi un segundo)
la señal de control se satura, de ahí la aparición del pico de sobrepasamiento.
De modo que, para evitar que esto ocurra, a continuación se va a realizar una simulación donde
se vea la diferencia entre el filtro de Kalman con y sin anti − windup.
Figura 3.11: Simulación del filtro de Kalman, aplicando Back calculation y sin anti-windup mode
En la figura 3.11 se puede ver que a pesar de ser exigentes con el sistema pidiéndole un
ts = 0,85 s es capaz de obtener una acción de control muy buena, sin apenas ruido, y en la
que no aparece saturación ya que el método Back calculation actúa sobre el sistema (línea
azul).
34
3.4 Arduino Due
3.4 Arduino Due

Se ha de programar el Arduino de modo que actúe como un controlador. Sustituiremos nuestro
controlador por la placa de Arduino para que sea éste el que realice el algoritmo de controlar
el motor, ver figura 3.12.
r(t) u(t) y(t)

Planta
ym (t)
Sensor
Figura 3.12: Sustitución del controlador por la placa de Arduino
A la hora de realizar el programa para el Arduino hay que tener en cuenta los siguientes factores:
– Las entradas y las salidas del motor: debemos tener muy claro que entradas y salidas
tenemos que utilizar para hacer el control de la velocidad de nuestro motor. En nuestro
caso, necesitaremos 2:
ENT_TACOMETRO = A0
ENT_REFERENCIA = A1
– Cambios de escala: se ha de tener en cuenta las zonas muertas del motor, como también
el cambio de giro de éste, para que Arduino sea capaz de representar los datos leídos desde
el motor y al contrario.
– Como actuar sobre el sistema: debemos tener claro como se pasarán los datos de
nuestro controlador calculado al motor. Para ello se ha realizado este pequeño código:
– Periodo de tiempo a ejecutar el controlador: se quiere implementar nuestra función
del controlador cada x milisegundos, de modo que el programa principal interrumpa el
proceso para recalcular la función del controlador, de esta manera el programa principal
podría realizar otras funciones.
– Cambio de referencia: para poder compara el control ideal (dado por MATLAB y
Simulink ) con el real (dado por el motor), debemos programar la misma referencia interna
a Arduino que la establecida con MATLAB.
35
3.5 Monitorización del Arduino

Para la monitorización del Arduino se ha utilizado
LabVIEW introduciendo una secuencia de escalones
aleatorios en la entrada de referencia de modo que se
pueda ver la respuesta del controlador a implementar.
Cada una de las respuestas vendrán dadas en porcen-
taje, tanto la referencia, como las salidas de la medida
(Arduino) y del modelo (Simulación), y la acción de
control. Esto quiere decir que el 100 % serán el máxi-
mo que resiste la placa de Arduino Due (3,3V ).
Los escalones que se han utilizado para la monitori-
Figura 3.13: Escalones de la referencia para
la monitorización zación se pueden ver en la figura 3.13.
A partir de estos escalones de referencia se van a rea-
lizar varios ensayos en los que veremos la respuesta
de diferentes controladores, controladores de los que
ya se ha hablado anteriormente.
3.5.1 Controlador con observador

El primer ensayo que se va a realizar es del controlador con observador. Para poder ver de
forma más clara la solución del ensayo se ha hecho una monitorización de 30 segundos mediante
LabVIEW donde se han recogido los datos obtenidos en un documento .csv y que posteriormente
se leerá en MATLAB, donde se hará una comparación con el modelo del motor.
Figura 3.14: Monitorización del controlador con observador
36
En la figura 3.14 se distinguen dos gráficas. En la primera se observa la representación de la

referencia (color gris) que corresponde con los escalones que se utilizan para la simulación, la
representación de la salida del modelo calculado anteriormente en la sección 3.1 (simulación)
y por último la representación de la señal de salida de la medida (Arduino). En la segunda se
puede ver la acción de control del modelo del motor (color azul) y la acción de control de la
medida tomada (color rojo).
El principal problema que surge en este ensayo es la cantidad de ruido que hay en la acción de
control, es decir, el ruido que produce el propio motor no es filtrado por ningún elemento del sis-
tema. Esto provoca una señal de control muy mala, por lo que será necesario la implementación
de algún tipo de filtro para poder eliminar el ruido.
Se aprecia que tanto la simulación como el Arduino cumplen con las especificaciones de funcio-
namiento (ts = 1,75 y Mp = 0,1), pero como ya se ha dicho, la señal de control presenta mucho
ruido. También cabe destacar la discrepancia que hay entre ambas señales, esto se debe a la
llamada “dead zone” (en la simulación se ha considerado este factor para que ambas respuestas
fuesen iguales).
3.5.2 Controlador con observador más filtro de la medida

Como ya se ha visto en la subsección 3.3.2 el controlador con observador más filtro de la medida
tiene una acción de control mejor que el controlador con observador. A continuación se puede
ver el ensayo realizado donde se ve la monitorización del controlador a partir de la placa de
Arduino comparada con la respuesta que se obtiene a partir del modelo del modelo que se ha
obtenido con anterioridad.
Figura 3.15: Monitorización del controlador con observador más filtro de la medida
37
En la figura 3.15 podemos ver la monitorización con Arduino del controlador con observador
más filtro de la medida y la simulación del mismo con MATLAB. Se puede observar que la
acción de control de ambas respuestas presenta mucho menos ruido que la monitorización de
la figura 3.14. Con esto se destaca el trabajo que realiza el filtro de Butterworth, eliminando
parte del ruido introducido. A pesar de ello, el ruido sigue estando muy presente en la acción
de control y sigue presentando oscilaciones, por lo que no es una respuesta del todo aceptable.
Esto implica que tendremos que buscar una solución para poder filtrar de forma más efectiva
el ruido generado por el motor.
Cabe destacar que el observador con filtro de la medida introduce 2 polos en el sistema de
lazo cerrado y por tanto, es más difícil de controlar. Además, vuelve a existir una discrepancia
entre las dos señales de control teniendo en cuenta que la configuración es la misma (ts = 1,75,
Mp = 0,01, nf = 2 y wnorm = 0,075).
3.5.3 Controlador con filtro de Kalman

Después de ver qué ocurre al introducir un filtro de la medida en nuestro controlador con
observador, se va a realizar un ensayo con un filtro de Kalman, ya que es la finalidad del
control digital que se está realizando.
Figura 3.16: Monitorización del controlador con filtro de Kalman
En este ensayo (figura 3.16) se puede ver la monitorización del controlador con filtro de Kalman
con Arduino, y su simulación con MATLAB.
Como se ha visto, el filtro de Kalman es capaz de trabajar con tiempos de establecimiento
bajos, por lo tanto, se ha considerado un ts = 0,85 s para esta monitorización.
38
Existe una clara diferencia entre ambas acciones de control, sobretodo por la banda muerta que
aparece en la monitorización con Arduino. Esto provoca que los tiempos de establecimiento
sean diferentes.
Cabe destacar que ambas acciones de control presentan poco ruido debido a que el filtro de
Kalman está realizando su trabajo, es decir, a parte de realizar la estimación del estado corres-
pondiente filtra el ruido que produce nuestro motor y evita que hallan oscilaciones en nuestra
acción de control.
Las condiciones del filtro de Kalman se definen mediante los parámetros R1 y R2 , varianza del
ruido del proceso y varianza del ruido de la medida, respectivamente. Cambiar estos valores
puede afectar al filtrado del ruido, ya sea para tener mayor o menor filtrado en la acción de
control.
Otro factor a destacar es la saturación de las acciones de control. El último escalón produce que
éstas se saturen, por lo que en la señal de salida (t = 15s) el tiempo de establecimiento aumenta
considerablemente, y además aparece un pico de sobrepasamiento que se debe corregir. Para
evitar que esto ocurra y sea perjudicial para el control digital, se utilizan métodos anti−windup,
ver sección 1.4.
Tener saturación en la acción de control hace que no tengamos una buena solución del problema,
ya que el objetivo es que obtengamos una respuesta sin ruido, sin picos de sobrepasamiento y
rápida. El ruido se ha conseguido filtrar al utilizar el propio filtro de Kalman. Sin embargo, para
que la respuesta no presente picos y sea rápida se tiene que aplicar algún método anti−windup,
como se ha visto en la subsección 3.3.3. Para ello, en Arduino se ha escrito el siguiente código
en el que se escogerá que método se va a utilizar:
Listado 9: Algoritmo en C para elegir el método anti-windup
// Calculamos la acción integral
switch ( awm ){
case 0:
ui_k = ui_k + ki * e_k ; // Sin anti - windup
break ;
case 1:
ui_k = ui_k + ki * e_k - kb *( v_k - u_k ); // Back calculation
break ;
case 2:
ui_k = ui_k + ki * e_k *(( u_k == v_k )||( e_k * u_k <0)); // Clamping
break ;
}
donde kb es una variable perteneciente al método Back calculation y awm es el método anti −
windup que se escogerá con anterioridad en el programa Arduino: 0 → Sin anti-windup, 1 →
Back calculation, 2 → Clamping.
En el ensayo que se ha realizado para ver como actúa el anti − windup se ha escogido awm =
1, por lo tanto se habrá elegido el método Back calculation. De este modo, la representación
gráfica del ensayo mediante Arduino y de la simulación del modelo del motor quedaría como
sigue:
39
Figura 3.17: Monitorización del controlador con filtro de Kalman aplicando anti − windup
Las condiciones con las que se ha realizado el anterior ensayo del filtro de Kalman con anti −
windup son:


 ts = 1.75;

 Mp
Especificaciones = = 0.01;
de funcionamiento   R1 = 0.00;


R2 = 1.50;
El ensayo se ha realizado utilizando un valor de la constante correspondiente al método Back

calculation (Kb ) igual a 0,75. Si observamos la figura 3.17 y la figura 3.16 en la que no se utiliza
anti − windup mode se puede apreciar que la acción de control de la simulación no satura casi
nada en la figura 3.17. Esto se debe a que está actuando el anti − windup. Además, el filtro
de Kalman permite que la acción de control sea prácticamente limpia, sin apenas oscilaciones,
por lo que habremos conseguido eliminar el ruido. Cabe destacar también que tenemos una
discrepancia entre las dos señales de control debido a la banda muerta que se genera en el
sistema, aún así la discrepancia es mínima.
Se puede apreciar que el tener un tiempo de establecimiento mayor también ayuda a reducir que
aparezca el efecto windup. No obstante, nosotros queremos pedirle más al sistema para ver que
capacidad de reacción tiene el filtro de Kalman, de modo que vamos a intentar ser más agresivos
con el sistema, es decir, vamos a forzar al sistema para que nos de una respuesta más rápida
para ver si es capaz de soportarlo. Para ello se han escogido las mismas condiciones que se han
utilizado para la figura 3.16, ya que para esas condiciones aparecía windup, y aplicaremos el
método Back calculation para corregirlo:

 ts = 0.85;

Especificaciones = Mp = 0.01;
de funcionamiento  Kb = 2*ki
40
Figura 3.18: Monitorización del controlador con filtro de Kalman más rápido con awm Back Calculation
En la figura 3.18 se puede ver la representación gráfica del filtro de Kalman teniendo en cuenta
las anteriores especificaciones de funcionamiento.
El método anti − windup que se ha utilizado es Back calculation (siendo kb = 2 ki) ya que a la
hora de trabajar ante la saturación de la acción de control realiza operaciones menos agresivas.
Este método no bloquea la integración, sino que la frena y la suaviza para evitar que aparezca
saturación.
Se puede ver, a diferencia de la anterior representación (figura 3.17), que el pico de sobrepa-
samiento aumenta un poco más aun así el sistema se mantiene con una saturación pequeña y
cumpliendo con el tiempo de establecimiento. Por otra parte, ambas acciones de control siguen
siendo muy limpias, por lo tanto se puede decir que estamos ante un sistema rápido y sin ruido
en la acción de control.
Se han realizado varios ensayos con distintos valores, tanto para el tiempo de establecimiento
ts como para el pico de sobrepasamiento Mp , y finalmente se ha decidido optar por los valores
utilizados, y nombrados, con anterioridad. No obstante, se podría realizar un cálculo de polos
óptimo para nuestro sistema, el cual colocaría los polos en el punto donde mejor trabaje el
control del sistema.
41
Capítulo 4
Conclusiones
En este capítulo se pueden ver las conclusiones que se obtienen tras realizar las
simulaciones y los ensayos en tiempo real sobre el prototipo real de cada controlador
analizado.
Como se ha podido ver el controlador con observador presenta una respuesta del sistema muy
mala debido a que el ruido no es filtrado por nada, es decir, el ruido se realimenta y la acción de
control no es capaz de reducir el error que se genera. En cambio, el controlador con observador es
capaz de cumplir con las especificaciones de funcionamiento, aunque para ello, la señal de control
esté llena de perturbaciones como se ha demostrado tanto en la simulación correspondiente como
en el ensayo de tiempo real, ver subsección 2.5.1.
Por lo que respecta al controlador con observador más filtro de la medida, cabe destacar que
presenta una buena respuesta en la señal de control, cosa que no se puede decir si el filtro
de la medida no estuviera implementado en nuestro sistema. A pesar de ello, la solución ob-
tenida sigue presentando oscilaciones, además de la aparición de saturación que genera picos
de sobrepasamiento y más lentitud al sistema. Aún aplicando las herramientas anti − windup
pertinentes, sigue sin tener una respuesta del todo limpia, y no consigue eliminar del todo el
ruido generado por el motor.
Para conseguir una buena acción de control es necesario reducir mucho el valor de la frecuencia
normalizada de corte (lo que puede traer problemas de inestabilidad al sistema), o bien aumen-
tar el tiempo de establecimiento para que el sistema no sufra tanto. Aumentar la frecuencia
normalizada de corte implicaría mayores perturbaciones en la acción de control, por lo que
también sería un inconveniente.
Por otra parte, el filtro de Kalman depende de los parámetros de diseño del controlador, además
de los valores de la varianza (R1 y R2 ). Con las especificaciones de funcionamiento escogidas
y los parámetros de diseño definidos para el controlador se ha obtenido una acción de control
bastante buena, tanto en el ensayo de tiempo real mediante LabVIEW como en la simulación
realizada con MATLAB, ver figura 3.16. A pesar de que el filtrado que realiza el filtro de Kalman
en el ensayo mediante LabVIEW en la señal de control es muy bueno, aparece el problema de
la saturación, de ahí que se hayan añadido herramientas anti − windup de modo que se pueda
reducir el pico de sobrepasamiento que aparece y el tiempo de establecimiento se cumpla.
Además, si la configuración del mismo tiene en cuenta los métodos anti − windup que eviten
que llegue a saturar el sistema, se tendría una respuesta filtrada, rápida y sin prácticamente
saturación, ver figura 3.17.
43
Capítulo 4. Conclusiones
Por último, cabe decir que una de la mejores configuraciones por las que se puede optar para
tener un sistema capaz de soportar grandes cambios en la referencia y oscilaciones internas como
el ruido o perturbaciones es el filtro de Kalman, ya que no es necesaria la implementación de un
observador y de un filtro de la medida que filtre dichos problemas (el propio filtro de Kalman
realiza ambas funciones). Además, la acción de control que se obtiene al realizar ensayos con
el controlador con filtro de Kalman es muy limpia, cosa que no se consigue con el resto de
controladores.
44
Capítulo 5
Anexos
A continuación se verá que pasos se han seguido de los diferentes programas utilizados (MATLAB,
LabVIEW y Arduino) para obtener las conclusiones pertinentes al Trabajo Fin de Grado que
se ha tratado.
Hay dos carpetas a partir de las cuales se ha ido ejecutando el trabajo:
Motor_DC_Javi_Ferrandiz
Dentro de esta carpeta podemos encontrar archivos de MATLAB y de LabVIEW. Además
de otras carpetas donde se han guardado datos, figuras y funciones.
• dades
• figures
• matlab
Arduino
En la primer se encuentran los archivos, a partir de los que se han ido realizando el trabajo.
Los pasos siguen el siguiente proceso:
1. pas_01_entrades_identificacio_motor.m
Se prepara un escalón en la referencia para identificar el modelo del motor.
2. pas_02_assaig_llac_obert.vi
Monitorizamos el escalón obtenido en el paso anterior.
3. pas_03_identifica_valida_motor.m
A partir de los datos obtenido en el paso 2 que se encuentran en la carpeta dades obtenemos
la f.d.t. del motor.
4. pas_04_disseny.m
Se realizan los cálculos del controlador y observador, y se lanzan las simulaciones.
5. pas_05_representa_assaig_controlat.m
Se obtienen los datos para realizar los ensayos con el motor.
45
Capítulo 5. Anexos
6. Monitoritzar Motor dc - SP.vi

Llegados a este paso ha sido necesaria la utilización de la carpeta Arduino de la forma
que sigue:
a) controlador_Observador.ino
b) controlador_Observador_filtre.ino
c) controlador_Kalman.ino
Cada uno de estos archivos se utiliza para la monitorización de cada proceso, se obtienen
datos que se guardan en la carpeta dades.
7. pas_07_representa_assaig_controlat_observador.m
A partir de los datos generados por el paso 6a se representa el controlador con observador.
8. pas_07_representa_assaig_controlat_filtre_mesura.m
A partir de los datos generados por el paso 6b se representa el controlador con observador
más filtro de la medida.
9. pas_07_representa_assaig_controlat_Kalman.m
A partir de los datos generados por el paso 6c se representa el controlador con filtro de
Kalman.
46
Bibliografía
Åström, Karl J y Björn Wittenmark (2013). Computer-controlled systems: theory and design.
Courier Corporation (vid. págs. 13, 14, 17).
Friedland, Bernard (1995). Advanced control system design. Prentice-Hall, Inc. (vid. pág. 13).
— (2012). Control system design: an introduction to state-space methods. Courier Corporation

(vid. pág. 2).
Ogata, K. (1996). Sistemas de control tiempo discreto. Segunda Edición. Prentice-Hall Interna-
cional (vid. pág. 28).
Visioli, Antonio (2006). Practical PID control. Springer (vid. pág. 7).
Zverev, AI y HJ Blinchikoff (1976). Filtering in the Time and Frequency Domain (vid. pág. 12).
47

Memoria TFG

Cargado por

Copyright:

Formatos disponibles

Memoria TFG

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Memoria TFG

Cargado por

Copyright:

Formatos disponibles

TRABAJO FIN DE GRADO

Control digital en el espacio de estados

Alumno: Javier Ferrandiz Brotons

GRADO EN INGENIERÍA ELÉCTRICA

Convocatoria de defensa: julio de 2016

Se diseñará un control digital por realimentación de la salida (observador + controlador) con

1.5 Plan de trabajo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2 Implementación digital del controlador 9

2.6 Arduino due . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

3.4 Arduino Due . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

1.1. Diagrama de bloques de la representación matricial en el espacio de estados . . 3

3.1. Escalones en la referencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

En el siguiente documento se va a explicar cómo realizar el control digital de la

mentación en tiempo real de leyes de control de realimentación–en aplicaciones tan diversas

Se puede representar de forma sencilla sistemas MIMO (Multiple-Input, Multiple-Output),

1.1 Espacio de estado

ẋ1 (t) = a11 x1 (t) + a12 x2 (t) + . . . + a1n xn (t) + b1 u(t)

y(t) = c1 x1 (t) + c2 x2 (t) + . . . + cn xn (t) + du(t) (1.2)

ẋ(t) = Ax(t) + Bu(t)

u(t) ẋ(t) x(t) + y(t)

Figura 1.1: Diagrama de bloques de la representación matricial en el espacio de estados

1.2 Rudolf E. Kalman

1.3 Tiempo discreto

donde f (t) es la función en tiempo continuo, F (s) la transformada de Laplace de la función

1.4 Algoritmo anti-windup

El controlador incluye acción integral.

e(k) v(k) u(k)

1.4.1 Algoritmo Back calculation

ui (k + 1) = ui (k) + Ki T e(k) − Kb T [v(k) − u(k)]

Cuando la acción de control se satura la señal de entrada del integrador es la resta de

1.4.2 Algoritmo Clamping

Es decir, cuando la acción de control se satura, el integrador deja de acumular el error y la

1.5 Plan de trabajo

1. Modelo matemático por identificación.

5.1. Controlador con observador.

Implementación digital del controlador

En los próximos apartados explicaremos teóricamente en qué consiste la reali-

2.1 Realimentación de la salida

En la sección 1.2 se ha comentado de que trata la controlabilidad y la observabilidad. No

u(k) = −K x̂(k) + ui (k)

2.2 Realimentación de la salida con observador

x(k + 1) = A x(k) + B u(k) (2.1)

El algoritmo de estimación del vector de estado x̂(k) (basado en el observador de Luenberger)

x̂(k + 1) = A x̂(k) + B u(k) + L [y(k) − C x̂(k)]

Figura 2.2: Diagrama de bloques del observador

Si el sistema es observable, la matriz L, matriz equivalente a la matriz de realimentación

2.3 Realimentación de la salida con observador y filtro de la

Hasta el momento se ha hablado sólo de la realimentación de la salida con observador y se

Figura 2.3: Diagrama de bloques real, con filtro y ruido

medida que aumenta la ondulación, la atenuación se agudiza. La respuesta de Chebyshev es

2.4 Realimentación de la salida con filtro de Kalman

x(k + 1) = A x(k) + B u(k) + ω(k)

donde ω y ν son el ruido en tiempo discreto del proceso y de la medida respectivamente. La

R1 = E ω(k) ω(k)T ; R2 = E ν(k) ν(k)T ; R12 = E ω(k) ν(k)T ;

R1 y R2 son variables independientes, es decir uno puede aumentar y no influiría en el otro,

x̂(k + 1|k) = A x̂(k|k − 1) + B u(k) + L(k) [y(k) − C x̂(k|k − 1)] (2.3)

por lo que la dinámica del error de estimación e = x − x̂ pasa a ser:

e(k + 1) = [A − L(k) C] e(k) + ω(k) − L(k) ν(k) (2.4)

El valor medio del error de estimación se obtiene desde la ecuación (2.4):

E [e(k + 1)] = [A − L(k) C] E [e(k)]