Control PID¶

Linealizar ecuaciones diferenciales no lineales para diseñar controles PID

Linealización en control¶

El diseño de controladores se facilita cuando tenemos sistemas que son lineales. En el proceso de diseño de controladores. Se siguen la siguientes etapas.

  1. Se obtiene un modelo no lineal.
  2. Se obtiene un modelo lineal a través de linealización.
  3. Se propone un controlador para el modelo lineal.
  4. Se prueba el controlador en el sistema real.

La linealización se hace para las ecuaciones diferenciales no lineales del sistema.

Funciones no lineales¶

Antes de linealizar ecuaciones diferenciales, empecemos analizando funciones no lineales.

In [4]:
x = numpy.linspace(-1, 1, 100)
xpos = numpy.linspace(0.001, 1, 100)

plt.figure()
ax = plt.subplot(111)
ax.plot(x, numpy.exp(x), label="$e^x$");           # Función exponencial
ax.plot(x,x*x, label="$x^2$");                     # Función cuadratica
ax.plot(xpos, numpy.log10(xpos), label="$log(x)$") # Función logaritmica
ax.legend()
plt.xlabel('$x$')
plt.ylabel('$y$');

Linealización de funciones¶

Para linealizar funciones utilizamos la serie de Taylor. La cual se define como:

$$f(x) = \sum_{n=o}^\infty \, \frac{f^{(n)}(a)}{n!}(x-a)^n$$

escrita de otra forma:

$$f(x) \approx f(a) + \frac{f'(a)}{1!}(x-a) + \frac{f''(a)}{2!}(x-a)^2 + \frac{f^{(3)}(a)}{3!}(x-a)^3 + \cdots$$

se toma únicamente el termino lineal.

$$f(x) \approx f(a) + \frac{f'(a)}{1!}(x-a) $$

Ejemplo Tanque¶

La ecuación del tanque es la siguiente, donde $A$ es el area del tanque, $a$ es el area del orificio del tanque, $Q(t)$ es el caudal de entrada:

$$A\,\frac{d\,h(t)}{dt}+a\sqrt{2g\,h(t)}=Q(t)$$

Pasos para la linealización¶

Los pasos para la linealización de ecuaciones diferenciales son los siguientes:

  • Partimos de la ecuación diferencial.
In [6]:
A,a,g,t,h,Q = sympy.symbols('A a g t h Q')
hs = sympy.Function('h')(t)
qs = sympy.Function('Q')(t)

Eq_tanque = sympy.Eq(A*sympy.diff(hs,t)+a*sympy.sqrt(2*g*hs),qs); display(Eq_tanque)
$\displaystyle A \frac{d}{d t} h{\left(t \right)} + \sqrt{2} a \sqrt{g h{\left(t \right)}} = Q{\left(t \right)}$
  • Despejamos la derivada de mayor orden y definimos esta ecuación como una función.
In [7]:
F = sympy.Function('F')(h,Q)
Fhq = sympy.solve(Eq_tanque,sympy.diff(hs,t))[0]
Eq_tanque2 = sympy.Eq(F,Fhq); display(Eq_tanque2)
$\displaystyle F{\left(h,Q \right)} = \frac{- \sqrt{2} a \sqrt{g h{\left(t \right)}} + Q{\left(t \right)}}{A}$
  • Buscamos o imponemos el punto de linealización, normalmente se escoje el estado estacionario como punto de linealización.
In [8]:
hss, qss = sympy.symbols('h_{ss} Q_{ss}')
Eq_estacionario = sympy.Eq(hss,sympy.solve(Eq_tanque2.subs(F,0),hs)[0].subs(qs,qss)); display(Eq_estacionario)
Eq_estacionario2 = sympy.Eq(qss,sympy.solve(Eq_tanque2.subs(F,0),qs)[0].subs(hs,hss)); display(Eq_estacionario2)
$\displaystyle h_{ss} = \frac{Q_{ss}^{2}}{2 a^{2} g}$
$\displaystyle Q_{ss} = \sqrt{2} a \sqrt{g h_{ss}}$

Este es entonces el punto de linealización $(h_{ss},Q_{ss})$

  • Aplicamos serie de Taylor a la función $F$
In [9]:
taylor = sympy.Eq(F,F.subs(h,hss).subs(Q,qss)+sympy.diff(F,h).subs(h,hss).subs(Q,qss)*(hs-hss)+sympy.diff(F,Q).subs(h,hss).subs(Q,qss)*(qs-qss))
display(taylor)
$\displaystyle F{\left(h,Q \right)} = \left(- Q_{ss} + Q{\left(t \right)}\right) \frac{\partial}{\partial Q_{ss}} F{\left(h_{ss},Q_{ss} \right)} + \left(- h_{ss} + h{\left(t \right)}\right) \frac{\partial}{\partial h_{ss}} F{\left(h_{ss},Q_{ss} \right)} + F{\left(h_{ss},Q_{ss} \right)}$

para el tanque tenemos

In [10]:
lineal = sympy.Eq(F,Fhq.subs(hs,hss).subs(qs,qss)+sympy.diff(Fhq,hs).subs(hs,hss).subs(qs,qss)*(hs-hss)+sympy.diff(Fhq,qs).subs(hs,hss).subs(qs,qss)*(qs-qss))
display(lineal)
$\displaystyle F{\left(h,Q \right)} = - \frac{\sqrt{2} a \sqrt{g h_{ss}} \left(- h_{ss} + h{\left(t \right)}\right)}{2 A h_{ss}} + \frac{- Q_{ss} + Q{\left(t \right)}}{A} + \frac{Q_{ss} - \sqrt{2} a \sqrt{g h_{ss}}}{A}$
  • La ecuación linearizada del tanque quedaría :
In [11]:
lineal2 = sympy.Eq(sympy.diff(hs,t),lineal.rhs)
display(lineal2)
$\displaystyle \frac{d}{d t} h{\left(t \right)} = - \frac{\sqrt{2} a \sqrt{g h_{ss}} \left(- h_{ss} + h{\left(t \right)}\right)}{2 A h_{ss}} + \frac{- Q_{ss} + Q{\left(t \right)}}{A} + \frac{Q_{ss} - \sqrt{2} a \sqrt{g h_{ss}}}{A}$
  • En la ecuación anterior vamos a remplazar las variable $h$ y $Q$ por las variables desviadas $h'$ y $Q'$.
$$h' = h - h_{ss} \qquad Q' = Q - Q_{ss}$$
  • Remplazando tenemos:
In [12]:
hp = sympy.Function("h'")(t)
qp = sympy.Function("Q'")(t)
Eq_diff = lineal2.subs(hs,hp+hss).subs(qs,qp+qss).subs(qss,Eq_estacionario2.rhs)
Eq_diff2 = sympy.Eq(sympy.simplify(Eq_diff.lhs),Eq_diff.rhs);
display(Eq_diff2)
$\displaystyle \frac{d}{d t} \operatorname{h'}{\left(t \right)} = - \frac{\sqrt{2} a \sqrt{g h_{ss}} \operatorname{h'}{\left(t \right)}}{2 A h_{ss}} + \frac{\operatorname{Q'}{\left(t \right)}}{A}$

Ejercicios de Linealización¶

Linealizar las siguientes funciones:

$$m\frac{d^2y(t)}{dt^2}+b\frac{dy(t)}{dt}+k\,y(t)^3 = - F(t)$$$$\frac{d^2y(t)}{dt^2} + \sin(\omega t)\frac{dy(t)}{dt} + e^{t/\tau}y(t) = 0$$$$t\frac{d^2y(t)}{dt^2}+\sin(\omega t)\frac{dy(t)}{dt} = 0$$

Root Locus¶

El root locus presenta los caminos de los polos en el plano complejo para un sistema en lazo cerrado en donde la ganancia del controlador $K$ varia de $0$ hasta $\infty$.

  • root: o raíz, se refiere a la solución de la ecuación carácteristica de la funcion de transferencia.
  • locus: simplemente significa camino, posición o ubicación.

Veremos como construir los caminos del root locus a partir de la información de los polos en lazo abierto de un sistema.

Ejemplo 1¶

Consideremos un sistema de primer orden con una constante de tiempo $\tau=2\text{ seg}$:

In [13]:
ss = sympy.Symbol('s'); G1A = 1/(1+2*ss); display(G1A)
$\displaystyle \frac{1}{2 s + 1}$

Este sistema tiene un polo que es $s=-0.5$. Si le agregamos al sistema un controlador con ganancia $K$ en lazo abierto.

In [14]:
sK = sympy.Symbol('K'); G1B = G1A*sK; display(G1B)
$\displaystyle \frac{K}{2 s + 1}$

La posición de polo no cambia, el polo sigue siendo $s=-0.5$, ¿qué pasa en lazo cerrado?

En lazo cerrado, tendremos la siguiente función de transferencia.

In [15]:
G1C = sympy.simplify(G1B/(1+G1B)); display(G1C)
$\displaystyle \frac{K}{K + 2 s + 1}$

Aquí vemos, que la posición del polo depende del valor que tome $K$.

In [16]:
G1Cpole = sympy.Eq(ss,sympy.solve(sympy.denom(G1C),ss)[0]); display(G1Cpole)
$\displaystyle s = - \frac{K}{2} - \frac{1}{2}$

Comienza en $s=-0.5$ cuando $K=0$, y este polo se vuelve más negativo cuando $K$ se incrementa.

En la siguiente figura interactiva se puede ver el comportamiento del polo:

In [18]:
root_locus_ejemplo_1(0)

Del mismo modo se puede usar la funcion root_locus de la libreria control, para obtener la gráfica. La función toma como entrada la funcion de transferencia en lazo abierto sin controlador.

$$\frac{1}{2\,s+1}$$
In [19]:
G1D = control.tf(1,[2,1]);
control.root_locus(G1D);
plt.axvspan(0, 0.5, facecolor='r', alpha=0.5)
plt.xlim(-1.5,0.5);

La zona en rojo corresponde a los valores reales positivos, esta zona se conoce como lo región inestrable, si hay al menos un polo del sistema en esta zona el sistema será inestable.

Grafica del root locus manual¶

  1. El número de locis (caminos) es igual al orden de la ecuación característica.
  2. Cada locis empieza en un polo del lazo abierto ($K=0$) y termina en un cero del lazo abierto o en infinito ($K=\infty$).
  3. Los locis recorren el eje real, o recorren caminos simétricos con respecto al eje real cuando empiezan en polos conjugados.
  4. Un punto en el eje real es parte de un locis si el número de polos y ceros a la derecha de ese punto es impar.

  5. Lejos de los polos y ceros del lazo abierto, los locis se vuelven asimptoticos a una lineas que tienen angulos $\alpha_n$ con respecto al eje real.

    $$\alpha_n=\pm \frac{n\pi}{P-Z} \qquad\text{donde,}\quad n=1,3,5,..., P-Z$$

  6. Las asimptotas intersectan al eje real en un punto $S$, conocido como centroide del mapa de polos y ceros, dado por:

    $$S=\frac{\Sigma \text{polos} - \Sigma \text{ceros}}{P-Z}$$

Ejemplo 2¶

Analicemos la siguiente función de transferencia.

In [20]:
s   = control.tf([1,0],1)
G2s = (1+0.5*ss)/(ss*(1+0.3*ss)*(1+0.6*ss+0.4*ss**2)); display(G2s)
G2  = (1+0.5*s )/(s *(1+0.3*s )*(1+0.6*s +0.4*s **2));
$\displaystyle \frac{0.5 s + 1}{s \left(0.3 s + 1\right) \left(0.4 s^{2} + 0.6 s + 1\right)}$
  • ¿Cuántos polos tiene, y cuánto valen?
In [21]:
polos_G2 = control.pole(G2)
print("Tiene P = %d polos y valen: \n\n%s" % (len(polos_G2),'\n'.join(map(str, polos_G2))))

Tiene P = 4 polos y valen: 

(-3.3333333333333357+0j)
(-0.7499999999999991+1.3919410907075038j)
(-0.7499999999999991-1.3919410907075038j)
0j
  • ¿Cuántos ceros tiene, y cuánto valen?
In [22]:
ceros_G2 = control.zero(G2)
print("Tiene Z = %d ceros y vale: \n\n%s" % (len(ceros_G2),'\n'.join(map(str, ceros_G2))))

Tiene Z = 1 ceros y vale: 

(-2+0j)
  • ¿Cuál es la ecuación característica?
In [23]:
Eq_caracteristica = sympy.Eq(sympy.denom(G2s),0); display(Eq_caracteristica)
$\displaystyle s \left(0.3 s + 1\right) \left(0.4 s^{2} + 0.6 s + 1\right) = 0$
  • ¿Cómo graficamos el root locus de esta función de transferencia?

Se puede partir del mapa de polos y ceros y de la reglas para graficarlo manualmente.

In [24]:
control.pzmap(G2);
plt.axvspan(0, 4, facecolor='r', alpha=0.5)
plt.xlim(-5,3);

O directamente con la función root_locus

In [25]:
control.root_locus(G2);
plt.axvspan(0, 4, facecolor='r', alpha=0.5)
plt.xlim(-10,4);

Existe un valor limite para $K$ el cual hace que los caminos pasen de la zona real negativa a la zona real positiva. Este valor se conoce como $K_u$ la ganacia última del sistema. Para encontrarlo se puede usar criterio de Routh o usando la función margin.

Calculo manual de la matriz de Routh¶

Para la matriz de Routh debemos empezar por encontra la ecuación característica del sistema en lazo cerrado.

In [26]:
carac2 = sympy.expand(sympy.denom(sympy.simplify(G2s*sK/(1+G2s*sK)))); display(carac2)
$\displaystyle 0.5 K s + K + 0.12 s^{4} + 0.58 s^{3} + 0.9 s^{2} + s$

Buscamos los coeficientes:

In [27]:
coeff2 = [];
for i in range(5):
    coeff2.append(carac2.coeff(ss,i)); print("El valor que acompaña a s^%d es %s" % (i,coeff2[i]))

El valor que acompaña a s^0 es K
El valor que acompaña a s^1 es 0.5*K + 1
El valor que acompaña a s^2 es 0.900000000000000
El valor que acompaña a s^3 es 0.580000000000000
El valor que acompaña a s^4 es 0.120000000000000

Completamos la matriz de Routh

In [28]:
print("s⁴ \t %3.2f \t\t\t\t\t\t %3.2f \t\t %s" %(coeff2[4],coeff2[2],coeff2[0]))
print("s³ \t %3.2f \t\t\t\t\t\t %s \t %s"      %(coeff2[3],coeff2[1],0))

s21 = sympy.simplify((coeff2[3]*coeff2[2]-coeff2[4]*coeff2[1])/coeff2[3])

print("s² \t %s \t %s"      %(s21,coeff2[0]))

s11 = sympy.simplify((s21*coeff2[1]-coeff2[3]*sK)/s21)

print("s¹ \t X")
print("s⁰ \t K")

print("\n donde X = %s"%(s11))

s⁴ 	 0.12 						 0.90 		 K
s³ 	 0.58 						 0.5*K + 1 	 0
s² 	 0.693103448275862 - 0.103448275862069*K 	 K
s¹ 	 X
s⁰ 	 K

 donde X = (0.0517241379310345*K**2 + 0.336896551724138*K - 0.693103448275862)/(0.103448275862069*K - 0.693103448275862)

La primer columna de la matriz debe toda tener el mismo signo. Ya que los dos primeros elementos son positivos el resto también.

In [29]:
display(sympy.solve(s11,sK))

s11.subs(sK,1.6); # Verificamos la desigualdad. 

[-8.15624601369002, 1.64291268035669]

De aqui tenemos que... $K_u= 1.643$

Usando la función margin tenemos:

In [30]:
margin_G2,_,_,_ = control.margin(G2)
display(margin_G2)

1.6429126803566858

El primer valor reportado es la ganacia última $K_u \approx 1.643$

Podemos verificar que pasa al sistema en lazo cerrado con valores de $K$ alrededor de $K_u$

Para $K=1.5$

In [32]:
respuesta_ejemplo_2(1.5)

Para $K=1.65$

In [33]:
respuesta_ejemplo_2(1.65)

Ejercicio¶

Para la siguiente función:

In [34]:
G3 = 1/(ss*(ss+1)*(ss+8)); display(G3)
$\displaystyle \frac{1}{s \left(s + 1\right) \left(s + 8\right)}$

Realizar:

  • Encontrar el root locus
  • Identificar la ganancia última
  • Estudiar la respuesta temporal

Aproximación del retardo¶

Para considerar el retardo en los sistemas y diseñar el controlador PID, debemos aproximar el retardo:

  • Por serie de Taylor
$$f(x) = \sum_{n=0}^{\infty}\frac{f^{(n)}(a)}{n!}(x-a)^n \qquad\text{de ahí,}\quad e^{-\theta s}\approx (1-\theta s) $$
  • Por aproximación de Padé. Para el retardo tenemos
$$e^{-\theta s}\approx \frac{1+\frac{\theta s}{2}}{1-\frac{\theta s}{2}}$$

USS New Mexico (BB-40) in 1921

Control PID¶

¿Qué es PID?

PID es un control proporcional integral derivativo. Se representa por la siguiente ecuación:

$$u(t) = K_p\,e(t) + K_i \int_0^t e(\tau)d\tau + Kd_\, \frac{e(t)}{dt}$$

Los coefficientes $K_p$, $K_i$ y $K_d$ se definen positivos. La anterior expresión puede ser escrita en el dominio de Laplace de la siguiente forma:

$$K(s)= K_p + \frac{K_i}{s}+K_d\,s$$

PID en las peliculas¶

Intensamente (inside-out)

Proporcional Integral Derivativo
reactivo vengativa miedoso
furia asco miedo

Diagrama de bloques de un PID¶

Tomando la función de transferencia del PID

pid

Separando el bloque en tres de manera práctica tenemos:

pid four block

Expresión del PID de forma práctica¶

La forma clásica de la función de transferencia del PID es:

$$\frac{U(s)}{E(s)} = K_p + \frac{K_i}{s} + K_d\,s$$

En la práctica esta función se representa de la siguiente forma:

$$\frac{U(s)}{E(s)} = K_p \left(1 + \frac{K_i}{K_p}\frac{1}{s} + \frac{K_d}{K_p} s \right) = K_p \left(1 + \frac{1}{T_i\, s} + T_d\, s \right)$$

Variaciones del controlador PID¶

Aquí presentamos las combinaciones para el PID que funcionan bien en la mayoria de los casos.

Descripción
P Control proporcional
I Control integral
P I Control proporcional integral
P D Control proporcional derivativo
P I D Control proporcional integral derivativo

Control del Error¶

Esta es la representación de bloques de un sistema en lazo cerrado incluyendo un controlador.

closed loop

  • La función de transferencia para la salida es:
$$\frac{C(s)}{R(s)} = \frac{K(s)G(s)}{1+K(s)G(s)H(s)}$$
  • Encontremos la función de transferencia del error

La función de transferencia del error la calculamos sabiendo que:

$$E(s) = R(s)-B(s) \qquad\text{y}\qquad B(s)=H(s)C(s)$$

Obtenemos lo siguiente:

$$\frac{E(s)}{R(s)} = \frac{1}{1+K(s)G(s)H(s)}$$

Controlar un proceso puede reducirse a :

"Encontra el método que nos permita eliminar el error estacionario entre la medida y la referencia".

Suponiendo una función de transferencial polinomial:

$$G(s)=\frac{b_0+b_1\, s+ \cdots+ b_m\, s^m}{a_0+a_1\, s+ \cdots+ b_n\, s^n}$$

aplicando el teorema del valor final al error $E(s)$, con un escalón como entrada $R(s) = A/s$ y asumiendo $K(s)=H(s)=1$, tenemos:

$$\lim_{t\to\infty} e(t) = \lim_{s\to 0} s\, E(s) = \frac{A}{1+g_{\infty}} \qquad\text{con,}\quad g_{\infty} = \lim_{s\to 0} G(s) = \frac{b_0}{a_0}$$

Sintonia Manual de PID¶

La siguinte tabla muestra el efecto que tiene incrementar un parámetro de forma independiente:

Parámetro $t_r$ $M_p$ $t_s$ $E_{ss}$ Estabilidad
$K_p$ $\searrow$ $\nearrow$ $\searrow$ degrada
$K_i$ $\searrow$ $\nearrow$ $\nearrow$ elimina degrada
$K_d$ $\searrow$ $\searrow$ mejora si $K_D$ pequeño

recordemos que $t_r$ es el tiempo de subida, $M_p$ es el máximo pico, $t_s$ es el tiempo de establecimiento, $E_{ss}$ es el error estacionario.

En general se sintoniza el PID empezando por P, luego I y finalmente D.

Ejemplo sintonia manual¶

sintonia

Método de sintonía de Ziegler-Nichols¶

Encontrando $K_u$ de forma experimental.

Es un método heuristico para sintonizar el PID, creado en 1942. Para este método se inicia con un controlador proporcional puro P y se empieza a aumentar la ganancia $K_p$ hasta que el sistema se vuelva oscilatorio (oscilaciones que se mantienen en el tiempo), esta ganancia que genera este comportamiento denota la ganancia ultima $K_u$. Este movimiento de la salida tiene asociado un periodo $T_u$ de oscilación. Con estos dos valores se calculan los valores del PID, siguiendo la próxima tabla.

Tabla de sintonía de Ziegler-Nichols¶

Tipo de controlador $K_p$ $T_i$ $T_d$
P $0.50K_u$
PI $0.45K_u$ $T_u/1.2$
PD $0.80K_u$ $T_u/8$
PID clásico $0.60K_u$ $T_u/2$ $T_u/8$
PID con poco sobrepico $0.33K_u$ $T_u/2$ $T_u/3$
PID sin sobrepico $0.20K_u$ $T_u/2$ $T_u/3$

$K_u$ también puede ser encontrado utilizando el margen de ganancia (funcion control.margin). El periodo $T_u$ esta relacionado con la frecuencia a la cual ocurre el margen de ganancia.

Ejemplo 1¶

Analicemos la función de transferencia del error del primer ejemplo trabajado, cuya funcion de transferencia se presenta a continuación:

In [43]:
display(G1A)
$\displaystyle \frac{1}{2 s + 1}$

veamos que pasa con la función del error para este sistema en el tiempo.

In [45]:
respuesta_error_1(2)

Para este sistema no existe un valor $K>0$ que haga el sistema inestable.

Ejemplo 2¶

Analicemos el ejemplo número 2, cuya función de transferencia es presentada acontinuación.

In [46]:
display(G2)
$$\frac{0.5 s + 1}{0.12 s^4 + 0.58 s^3 + 0.9 s^2 + s}$$
  • ¿Cuál es la respuesta temporal para la función de transferencia del error de este sistema?
In [48]:
respuesta_error_2(1)
  • ¿Qué pasa con el sistema teniendo un control diferente al control proporcional P?

Control por posicionamiento de polos¶

In [49]:
K = 1.6
E6 = 1/(1+K*G2); display(E6)

t,y = control.step_response(E6);
plt.plot(t,y);
$$\frac{0.12 s^4 + 0.58 s^3 + 0.9 s^2 + s}{0.12 s^4 + 0.58 s^3 + 0.9 s^2 + 1.8 s + 1.6}$$
In [50]:
Ku = 1.64
Tu = 2*3.14159/1.77
Ti = Tu/2
Td = Tu/3
K = 0.2 * Ku *(1+1/(Ti*s)+Td*s)
E6 = 1/(1+K*G2); display(E6)

t,y = control.step_response(E6);
plt.plot(t,y);
$$\frac{0.213 s^5 + 1.029 s^4 + 1.597 s^3 + 1.775 s^2}{0.213 s^5 + 1.029 s^4 + 1.942 s^3 + 2.755 s^2 + 0.7462 s + 0.328}$$
In [51]:
K = (2.5 + 1.5*s + 1*s**2)*2;
E6 = 1/(1+K*G2); display(E6)

t,y = control.step_response(E6);
plt.plot(t,y);
$$\frac{0.12 s^4 + 0.58 s^3 + 0.9 s^2 + s}{0.12 s^4 + 1.58 s^3 + 4.4 s^2 + 6.5 s + 5}$$
In [52]:
sympy.expand((ss - (-0.75+1.39194109j))*(ss-((-0.75-1.39194109j))))
Out[52]:
$\displaystyle s^{2} + 1.5 s + 2.49999999803039$
In [53]:
control.root_locus(K*G2);