1. 1. Control de Mínima Varianza CONTROL DE MÍNIMA VARIANZA.....................................................................1 1.1. PLANTEO DEL PROBLEMA .........................................................................................2 1.2. CRITERIO DE OPTIMIZACIÓN .....................................................................................5 1.3. PREDICCIÓN ÓPTIMA .................................................................................................8 1.3.1. Forma intuitiva..................................................................................................8 1.1.1. Caso General...................................................................................................10 1.3.2. Cálculo del Predictor Óptimo.........................................................................14 1.3.3. Raíces de C Sobre el Círculo Unidad .............................................................18 1.4. CONTROL DE MÍNIMA VARIANZA ...........................................................................20 1.4.1. Interpretación como Ubicación de Polos .......................................................26 1.4.2. Sistemas con Inversa Inestable .......................................................................34 1.5. REGULADOR LINEAL ÓPTIMO ESTOCÁSTICO (LQG) ..............................................37 1.5.1. Factorización Espectral ..................................................................................41 1.5.2. Discusión Heurística .......................................................................................44 1.5.3. Demostración Formal .....................................................................................45 1.6. REFERENCIAS ..........................................................................................................48 Clase 13b Control de Mínima Varianza.doc 1 1.1. Planteo del Problema Proceso xk = B1 ( q ) uk A1 ( q ) y k = x k + vk vk = C1 ( q ) ek A2 ( q ) [1.1] [1.2] [1.3] con e ruido blanco, A2 ( q ) puede ser inestable, por lo tanto v puede no ser estacionario. Haciendo A = A1 A2 B = B1 A2 [1.4] C = C1 A1 se despeja v A ( q ) yk = B ( q ) uk + C ( q ) ek [1.5] Se supone que C tiene todos sus raíces dentro del círculo unidad. Clase 13b Control de Mínima Varianza.doc 2 Ejemplo 1.1. Modificación de C Sea C (z) = z + 2 [1.6] sea la señal nk = C ( q ) ek [1.7] si e es ruido blanco, el espectro de n es φ ( e jwT ) = 1 C ( e jwT ) C ( e − jwT ) [1.8] 2π se cumple C ( z ) C ( z −1 ) = ( z + 2 ) ( z −1 + 2 ) = (1 + 2 z −1 ) (1 + 2 z ) = ( 2 z + 1) ( 2 z + 1) = 4 ( z + 0,5) ( z + 0,5) −1 −1 [1.9] o sea que n se puede representar nk = C * ( q ) ek = ( 2 z + 1) ek [1.10] Clase 13b Control de Mínima Varianza.doc 3 si algunas raíces de C están fuera del círculo se las reemplaza de esta manera C = C +C − + C =C C * −* [1.11] Clase 13b Control de Mínima Varianza.doc 4 1.2. Criterio de Optimización J mv = E { yk2 } [1.12] control de mínima varianza 1 J ∞ = lim E N →∞ N 2 y ∑ k k =1 N [1.13] control lineal cuadrático (lqr) J lqr = E { yk2 + ρ uk2 } [1.14] Clase 13b Control de Mínima Varianza.doc 5 Ejemplo 1.2. Control de Mínima Varianza yk +1 + ayk = buk + ek +1 + cek [1.15] con c < 1 e tiene media nula y varianza unitaria. Se trata de mantener la salida lo más próxima a cero que se pueda. Como ek +1 es independiente de yk se cumplirá var ( yk +1 ) ≥ var ( ek +1 ) = 1[1.16] Si se toma la ley de control uk = 1 ( ayk − cek ) b [1.17] en el siguiente instante resultará yk +1 = ek +1 [1.18] esto se cumple para todo instante o sea que el control se reduce a uk = − c−a yk b [1.19] es un control proporcional Clase 13b Control de Mínima Varianza.doc 6 El denominador de lazo cerrado es C (z) = z + c [1.20] de aquí la importancia de que este polinomio sea estable La salida, con este control será yk = ek + ( − c ) k − k0 (y k0 − ek0 ) [1.21] como c<1, el segundo término tiende a cero. Este control da la mínima varianza de la salida. La cantidad − ayk + buk + cek [1.22] se puede interpretar como la mejor predicción de la salida en k+1 la cantidad ek +1 es el error de predicción El control se puede redefinir como el que hace que el error de predicción sea mínimo En este caso el error de control es igual al error de predicción Predicción y control están ligados Clase 13b Control de Mínima Varianza.doc 7 1.3. Predicción Óptima Se asume: que el sistema está perturbado por ruido blanco gaussiano y que el mejor predictor es el que minimiza el error de predicción en sentido medio cuadrático. 1.3.1. Forma intuitiva C * ( q −1 ) C (q) yk = ek = * −1 ek A( q) A (q ) [1.23] donde A* ( q −1 ) = q − n A ( q ) [1.24] (se hace esto por una cuestión de causalidad) Se asume que A y C son de orden n. En el instante k se conocen yk , yk −1 , y se desea predecir yk +m Clase 13b Control de Mínima Varianza.doc 8 Si se desarrolla en serie, se obtiene yk + m = C * ( q −1 ) A (q * −1 ) ek + m = ek + m + f1ek + m−1 + + f m−1ek +1 + f m ek + f m+1ek −1 + desconocidos [1.25] conocidos Si C es estable se puede calcular e en base a las medidas de y. ek = A* ( q −1 ) C (q * −1 ) yk [1.26] La mejor predicción será yˆ k +m / k = f m ek + f m+1ek −1 + [1.27] y el error de predicción es yk +m / k = ek +m + f1ek +m−1 + + f m−1ek +1 [1.28] Resta calcular los f i Clase 13b Control de Mínima Varianza.doc 9 1.1.1. Caso General El predictor de mínima varianza a m pasos está dado por yˆ k +m / k G * ( q −1 ) G (q) y k = * −1 y k =q C (q) C (q ) [1.29] m +1 q C donde F y G son el cociente y el resto de la división q m−1C ( q ) = A ( q ) F ( q ) + G ( q ) A , es decir: [1.30] El error de predicción es un promedio móvil con media nula yk +m / k = yk +m − yˆ k +m / k = ek +m + f1ek +m−1 + + f m−1ek +1 [1.31] = F ( q ) ek +1 su varianza es E {( yk +m / k ) 2 } = (1 + f 2 1 + + f m2−1 ) σ 2 [1.32] Clase 13b Control de Mínima Varianza.doc 10 - Demostración El polinomio F es de grado m-1 y mónico. El grado de G es menor a n F ( q ) = q m−1 + f1q m−2 + G ( q ) = g0 q n −1 + g1q n −2 + f m−1 + + g n −1 [1.33] o F * ( q −1 ) = 1 + f 1 q − 1 + G (q * −1 )=g −1 0 + g1q + + f m−1q − m+1 + g n −1q − n +1 [1.34] se debe cumplir C * ( q −1 ) = A* ( q −1 ) F * ( q −1 ) + q − m G * ( q −1 ) [1.35] las ecuaciones [1.23] y [1.25] se pueden reescribir yk + m = C * ( q −1 ) A (q * −1 ) ek +m = F * ( q −1 ) ek +m + desconocido G * ( q −1 ) A (q * −1 ) ek [1.36] conocido Clase 13b Control de Mínima Varianza.doc 11 sabiendo la relación entre e e y yk +m = F * ( q −1 ) ek +m + G * ( q −1 ) C (q * −1 ) yk [1.37] Suponiendo que la predicción es una combinación lineal arbitraria de medidas de la salida, la varianza del error de predicción será E {( y k +m − yˆ k +m / k ) 2 } = E {( F ( q ) e ) } * −1 2 k +m +2 E F * ( q −1 ) ek +m ( ) 2 G * q −1 ( ) + E * −1 yk − yˆ k +m / k C ( q ) G * ( q −1 ) * −1 yk − yˆ k +m / k C (q ) [1.38] el último término tiende a cero ya que e es incorrelado con la salida. El predictor que minimiza esta varianza es el que hace cero el segundo término o sea yˆ k +m / k = G * ( q −1 ) C (q * −1 ) yk [1.39] Clase 13b Control de Mínima Varianza.doc 12 El mejor predictor es lineal. Esto surge al poder eliminar el tercer término en el cálculo de la varianza. El error de predicción es yk +1/ k = yk +1 − yˆ k +1 = ek +1 [1.40] Por esto se dice que la variable e es la innovación del proceso y. Con este predictor el funcional resulta J (m) = E { ( yk + m / k ) 2 } = (1 + f 2 1 + + f m2−1 ) σ 2 [1.41] Clase 13b Control de Mínima Varianza.doc 13 1.3.2. Cálculo del Predictor Óptimo Igualando términos en la ecuación [1.30] c1 = a1 + f1 c2 = a2 + a1 f1 + f 2 cm−1 = am−1 + am−2 f1 + + a1 f m−2 + f m−1 cm = am + am−1 f1 + + a1 f m−1 + g0 cm+1 = am+1 + am f1 + + a2 f m−1 + g1 cn = an + an −1 f1 + 0 = an f + an −1 f 2 + + an −m+1 f m−1 + g n −m + an −m+2 f m−1 + g n −m+1 [1.42] 0 = an f m−1 + g n −1 es la solución de una ecuación diofantina Clase 13b Control de Mínima Varianza.doc 14 Ejemplo 1.3. Predictor A ( q ) = q 2 − 1,5q + 0,7 C ( q ) = q − 0,2q + 0,5 2 [1.43] El predictor a 3 pasos se calcula q 2 ( q 2 − 0,2q + 0,5) = ( q 2 − 1,5q + 0,7 )( q 2 + f1q + f 2 ) + g0 q + g1 [1.44] −0,2q 3 + 0,5q 2 = ( −1,5 + f1 ) q 3 + ( 0,7 + 1,5 f1 + f 2 ) q 2 + ( 0,7 f1 − 1,5 f 2 + g0 ) q [1.45] +0,7 f 2 + g1 f1 = 1,3 f 2 = 1,75 g0 = 1,715 [1.46] g1 = −1,225 El predictor resulta yˆ k +3/ k qG ( q ) 1,715q 2 − 1,225q yk = 2 yk C (q) q − 0,2q + 0,5 [1.47] Clase 13b Control de Mínima Varianza.doc 15 y su varianza es E { y 2 } = 1 + (1,3) + (1,75) = 5,7525 2 2 [1.48] Clase 13b Control de Mínima Varianza.doc 16 Ejemplo 1.4. Influencia del horizonte de predicción La varianza depende de los términos de F. Estos aumenta con el horizonte m. Como F se obtiene dividiendo C con A, sus elementos corresponden a la respuesta impulsional del sistema C (q) q 2 − 0,2 q + 0,5 yk ek = 2 ek A(q) q − 1,5q + 0,7 = (1 + 1,3q −1 + 1,75q −3 + 1,715q −3 + )e k [1.49] ∞ = ∑ f j ek − j j =0 y el costo de la predicción E{y 2 m −1 }=σ ∑ f 2 2 j [1.50] j =0 --------figuras 12 2 ----------- Clase 13b Control de Mínima Varianza.doc 17 1.3.3. Raíces de C Sobre el Círculo Unidad Ejemplo 1.5. Una Raíz en Uno yk = ek − ek −1 [1.51] yˆ k +1/ k = − ek [1.52] calculando e en base a y k ek = ek0 −1 + ∑ yi = ek0 −1 + zk [1.53] i = k0 no va a cero ya que ek0 −1 no se anula. ----------usar filtro Kalman-------------- Clase 13b Control de Mínima Varianza.doc 18 Ejemplo 1.6. Modelo de Señal Continua A ( q ) yk = C ( q ) ek + b [1.54] se puede eliminar b haciendo ( q − 1) A ( q ) yk = ( q − 1) C ( q ) ek + b [1.55] y considerar una nueva variable A ( q ) ∆yk = ( q − 1) C ( q ) ek = C ( q ) ek [1.56] pero en C ( q ) aparece una raíz en uno. Hay que evitar estos modelos. Clase 13b Control de Mínima Varianza.doc 19 1.4. Control de Mínima Varianza B * ( q −1 ) − d C * ( q −1 ) B (q) C (q) yk = uk + ek = * −1 q uk + * −1 ek [1.57] A( q) A( q) A (q ) A (q ) B estable d = gradoA − gradoB gradoC = gradoA = n haciendo m=d, se obtiene yk + d = C * ( q −1 ) A (q * −1 ) ek + d + B* ( q −1 ) A (q * −1 ) uk = F * ( q −1 ) ek + d + G * ( q −1 ) A (q * −1 ) ek + B* ( q −1 ) A (q * −1 ) uk [1.58] se sabe además, que para las muestras conocidas se puede calcular e ek = A* ( q −1 ) C (q * −1 ) yk − B * ( q −1 ) C (q * −1 ) q − d uk [1.59] reemplazando, Clase 13b Control de Mínima Varianza.doc 20 yk +d = F * ( q −1 ) ek +d + = F (q * −1 )e k +d + G * ( q −1 ) C (q −1 G * −1 C * * yk − ) (q ) y (q ) −1 + k G * ( q −1 ) B * ( q −1 ) A (q * B * q − d uk + ) C (q ) (q ) F (q ) u C (q ) −1 * −1 −1 * −1 * −1 B * ( q −1 ) A (q * −1 ) uk [1.60] k Se debe calcular la acción de control tal que minimice la varianza de la salida E {( y k +d ) 2 } = E {( F ( q ) e ) } −1 * 2 k +d 2 * * −1 −1 G * q −1 B ( q ) F ( q ) ( ) uk + E * −1 y k + * −1 C (q ) C ( q ) [1.61] el único término manejable es el segundo, que debe ser cero, uk = − G * ( q −1 ) B (q * −1 ) F (q ) * −1 yk = − G (q) yk B (q) F (q) [1.62] se interpreta como una predicción a d-pasos La salida entonces resulta yk = F * ( q −1 ) ek = ek + f1ek −1 + + f d −1ek −d +1 [1.63] es un promedio móvil de longitud d-1. Clase 13b Control de Mínima Varianza.doc 21 La covarianza se extinguirá para separaciones mayores a d-1. Esto se utiliza como diagnóstico Hay cancelación de los ceros del proceso Clase 13b Control de Mínima Varianza.doc 22 Ejemplo 1.7. Control de mínima Varianza A ( q ) = q 3 − 1,7q 2 + 0,7q B ( q ) = q + 0,5 [1.64] C ( q ) = q 3 − 0,9q 2 d =2 [1.65] F ( q ) = q + 0,8 G ( q ) = 0,66q − 0,56q 2 [1.66] q ( 0,66q − 0,56 ) uk = − y ( q + 0,5)( q + 0,8) k [1.67] uk = −1,3uk −1 − 0,4uk −2 − 0,66 yk + 0,56 yk −1 E { y 2 } = 1 + 0,82 = 1,64 [1.68] [1.69] Clase 13b Control de Mínima Varianza.doc 23 3 2 1 0 -1 -2 -3 0 10 20 30 40 50 60 70 80 90 100 Clase 13b Control de Mínima Varianza.doc 24 Ejemplo 1.8. Influencia del Retardo A* ( q −1 ) = 1 − 1,5q −1 + 0,7q −2 B* ( q −1 ) = q − d (1 + 0,5q −1 ) [1.70] C * ( q −1 ) = 1 − 0,2q −1 + 0,5q −2 d = 1− 3− 5 [1.71] 8 4 3 6 2 4 1 2 0 0 -1 -2 -2 -4 -6 -3 0 10 20 30 40 50 60 70 80 90 100 6 -4 0 10 20 10 20 30 40 50 60 70 80 90 100 8 6 4 4 2 2 0 0 -2 -2 -4 -4 -6 -6 0 10 20 30 40 50 60 70 80 90 100 -8 0 30 40 50 60 70 80 90 100 Clase 13b Control de Mínima Varianza.doc 25 1.4.1. Seguimiento de Referencias La planta se escribe yk + d = F * ( q −1 ) ek + d + G * ( q −1 ) C (q * −1 ) yk + B* ( q −1 ) F * ( q −1 ) C (q * −1 ) uk [1.72] Se debe calcular la acción de control tal que minimice la varianza de la salida E { ( yk + d − rk + d ) 2 } {( = E F * ( q −1 ) ek + d )} 2 2 −1 −1 * * G * q −1 B q F q ( ) ( ) ( ) u r + E * −1 yk + − k k +d −1 * C q C q ( ) ( ) [1.73] el único término manejable es el segundo, que debe ser cero, uk = 1 C ( q −1 ) rk + d − G * ( q −1 ) yk B* ( q −1 ) F * ( q −1 ) [1.74] Clase 13b Control de Mínima Varianza.doc 26 Diagrama en Bloques C A ωk rk + d C + - 1 FB′ uk z B′ A -d + + yk G Relación entrada salida yk = rk + F * ( q −1 ) ek [1.75] Clase 13b Control de Mínima Varianza.doc 27 1.4.2. Mínima Varianza Ponderado Funcional a minimizar J =E E {( y {( y − rk + d ) + λuk2 2 k +d − rk + d ) + λu 2 k +d 2 k } [1.76] } = E {( F ( q ) e ) } [1.77] * 2 −1 k +d 2 −1 −1 * * G * q −1 B (q ) F (q ) ( ) 2 u r λ u + E * −1 yk + − + k k +d k −1 * C q C q ( ) ( ) Su mínimo está cuando uk = 1 C ( q −1 ) rk + d − G * ( q −1 ) yk B* ( q −1 ) F * ( q −1 ) + λ C ( q −1 ) [1.78] Clase 13b Control de Mínima Varianza.doc 28 Diagrama en Bloques C A ωk rk + d C + 1 FB′ + λ C - uk z B′ A -d + + yk G Relación entrada salida yk = B (q * B* ( q −1 ) −1 ) + λ A (q ) * −1 rk + F * ( q −1 ) B* ( q −1 ) + λC ( q −1 ) B (q * −1 ) + λ A (q ) * −1 ek [1.79] Clase 13b Control de Mínima Varianza.doc 29 1.4.3. Expresión Vectorial del Controlador y Planta Controlador: uk = 1 C ( q −1 ) rk + d − G * ( q −1 ) yk B* ( q −1 ) F * ( q −1 ) + λ C ( q −1 ) [1.80] con lo que uk resulta, uk = b0 2 b0 + λ λ ′ Cr G F B + (C 1) − y b0 k +d k uk b0 [9-1] Por lo tanto la ley de control en forma vectorial será: T u k = xk p [9-2] donde: b0 λ b0 g 0 b0 g n-1 b0 b0 c 1 ′ … 2 … 2 , 2 , 2 p = 2 f b1 + c 1 … + + + + + λ λ λ λ λ b0 b0 b0 b0 b0 b0 T x k = [ rk + d ,rk + d −1 … - y k … - y k -n+1 , - u k -1 …] T [9-3] Clase 13b Control de Mínima Varianza.doc 30 Planta: yk + d = F * ( q −1 ) ek + d + G * ( q −1 ) C (q * −1 ) yk + B* ( q −1 ) F * ( q −1 ) C (q * −1 ) uk [1.81] Predictor yˆ k + d = G * ( q −1 ) C (q * −1 ) yk + B* ( q −1 ) F * ( q −1 ) C (q * −1 ) uk [1.82] B* ( q −1 ) F * ( q −1 ) uk = C * ( q −1 ) yˆ k + d − G * ( q −1 ) yk [1.83] B* ( q −1 ) F * ( q −1 ) uk + C ( q −1 ) λuk = C ( q −1 ) yˆ k + d − G * ( q −1 ) yk + C ( q −1 ) λuk [1.84] B* ( q −1 ) F * ( q −1 ) + λC ( q −1 ) uk = C ( q −1 ) [ yˆ k + d + λ uk ] − G * ( q −1 ) yk [1.85] 2 λ λ b0 + λ ′ ˆ = C y + G F B + C 1 y ( ) uk uk b0 k k +d uk b0 b b 0 0 uk = b0 2 b0 + λ λ λ ′ ˆ C y + G F B + (C 1) y uk b0 k +d k uk b b 0 0 [9-4] Clase 13b Control de Mínima Varianza.doc 31 por lo tanto, la expresión de la actuación de acuerdo a la ecuación de la planta es: T u k = xk p [9-5] donde λ λ ˆ ˆ … … … + = y , y + y y u u u u k k -1 k -1 k -m-d+1 x k +d k + d −1 k k -n+1 b0 b0 b λ b0 g b0 g bc b T p = 2 0 , 2 0 1 … 2 0 … 2 n-1 , 2 0 ( f ′b1 + c 1 ) … b0 b0 + λ b0 + λ b0 + λ b0 + λ b0 + λ T k [9-6] Clase 13b Control de Mínima Varianza.doc 32 1.4.4. Interpretación como Ubicación de Polos − B ( q ) yk C ( q ) A(q) G q F q B q = ek [1.86] u 0 ( ) ( ) ( ) k despejando la acción de control, resulta el siguiente polinomio característico A ( q ) F ( q ) B ( q ) + G ( q ) B ( q ) = q d −1C ( q ) B ( q ) [1.87] esto se puede interpretar como una ubicación de polos. Es decir, se elige el regulador, uk = − G (q) S (q) yk = yk F (q) B (q) R (q) [1.88] con S (q) = G (q), R (q) = F (q) B (q) [1.89] reemplazando, q d −1C ( q ) B ( q ) = A ( q ) F ( q ) B ( q ) + G ( q ) B ( q ) == A ( q ) R ( q ) + B ( q ) S ( q ) [1.90] Clase 13b Control de Mínima Varianza.doc 33 1.4.5. Sistemas con Inversa Inestable Si B tiene raíces inestables, aparecerán modos inestables que no son observados desde la salida. yk = F (q) ek d −1 q uk = − [1.91] G (q) ek d −1 q B (q) [1.92] Ejemplo 1.9. Cancelación de Ceros Inestables A ( q ) = ( q − 1)( q − 0,7 ) = q 2 − 1,7 q + 0,7 B ( q ) = 0,9 q + 1 [1.93] C ( q ) = q ( q − 0,7 ) = q 2 − 0,7q d =1 [1.94] F (q) = 1 G ( q ) = q − 0,7 [1.95] -------verificar simulación ------------------Clase 13b Control de Mínima Varianza.doc 34 Teorema 1. Control de Mínima Varianza Generalizado Sea el sistema A ( q ) yk = B ( q ) uk + C ( q ) ek [1.96] con B (q) = B+ ( q) B− ( q) [1.97] todos los ceros de B + ( q ) están dentro del círculo unidad todos los ceros de B − ( q ) están fuera del círculo unidad todos los ceros de C ( q ) están fuera del círculo unidad A ( q ) y B − ( q ) no tienen raíces comunes. Entonces, el control de mínima varianza sigue la ley uk = − G (q) yk + B (q) F (q) [1.98] siendo, q d −1C ( q ) = A ( q ) F ( q ) + B − ( q ) G ( q ) [1.99] Clase 13b Control de Mínima Varianza.doc 35 con grado ( F ) = d + grado ( B − ) − 1 grado ( G ) < grado ( A) = n [1.100] - Demostración Sea el operador 1 q+a a > 1 [1.101] Clase 13b Control de Mínima Varianza.doc 36 1.5. Regulador Lineal Óptimo Estocástico (LQG) Proceso xk +1 = Φ xk + Γuk + Kek yk = Cxk + ek [1.102] el grado de C es igual al grado de A − a1 −a 2 Φ= −a n −1 − an 1 0 0 1 0 0 0 0 0 b1 c1 − a1 b c −a 0 2 2 2 Γ= k= C = [1 0 b c − a 1 n −1 n −1 n −1 0 bn cn − an 0] [1.103] el filtro de Kalman resulta xˆk +1/ k = Φ xˆk / k −1 + Γuk + K ( yk − Cxˆk / k −1 ) [1.104] el polinomio característico es det ( zI − ( Φ − KC ) ) = C ( z ) [1.105] Si el retardo es uno, la ley de control es Clase 13b Control de Mínima Varianza.doc 37 uk = − Lxˆk / k −1 [1.106] y la función de transferencia del regulador es H r ( z ) = − L ( zI − Φ + KC + ΓL ) = − −1 S (z) R(z) [1.107] donde R ( z ) = det ( zI − Φ + KC + ΓL ) [1.108] el grado de R es n y el grado de S<n los polos en lazo cerrado son los de C P ( z ) = det ( zI − Φ + ΓL ) = C ( z ) [1.109] P se obtiene de la ecuación de Ricatti. Se tratará de dejar la ley de control en función de la salida en lugar del estado La ecuación a minimizar es J lqr = E { yk2 + ρ uk2 } [1.110] es el mismo caso de variables de estado en donde Q1 = C T C Q12 = 0 Q2 = ρ [1.111] Clase 13b Control de Mínima Varianza.doc 38 haciendo igual cálculo se llega a que L = Lv Φ [1.112] la ley de control en variables de estados es uk = − Lxˆk / k − Lv vˆk / k = − Lxˆk / k − Lv K ( yk − Cxˆk / k −1 ) = − Lv ( Φ − KC ) xˆk / k −1 − Lv Kyk [1.113] reemplazando el observador uk = − Lv ( Φ − KC )( qI − Φ + KC ) −1 ( Γuk + Kyk ) − Lv Kyk = − Lv ( Φ − KC )( qI − Φ + KC ) Γuk −1 − Lv ( Φ − KC + qI + Φ + KC )( qI − Φ + KC ) Kyk −1 [1.114] = − Lv ( Φ − KC )( qI − Φ + KC ) Γuk −1 − Lv ( qI − Φ + KC ) Kyk −1 haciendo R2 = det ( qI − Φ + KC ) [1.115] se obtiene Clase 13b Control de Mínima Varianza.doc 39 R1 ( q ) S (q) uk = − uk − yk R2 ( q ) R2 ( q ) [1.116] donde grado ( R2 ) < n grado ( R1 ) = grado ( S ) = n [1.117] S (0) = 0 con lo que queda uk = − S (q) S (q) yk = − yk R1 ( q ) + R2 ( q ) R (q) [1.118] Clase 13b Control de Mínima Varianza.doc 40 1.5.1. Factorización Espectral de lo visto en variables de estado, el polinomio característico P en lazo cerrado, es rP ( z ) P ( z −1 ) = ρ A ( z ) A ( z −1 ) + B ( z ) B ( z −1 ) [1.119] Otra forma de verlo, es encontrar un polinomio P que cumpla con esta ecuación. Esto se llama factorización espectral. Sea F ( z ) = f 0 z 2 n + f1 z 2 n −1 + + f n −1 z n +1 + f n z n + f n −1 z n −1 + + f1 z + f 0 [1.120] este polinomio coincide con su recíproco F ( z ) = z 2 n F ( z −1 ) = F ( z ) [1.121] si a es raíz de F ( z ) , también 1 es raíz. a Además, si los coeficientes de F son reales, los conjugados a y 1 raíces. a también son Clase 13b Control de Mínima Varianza.doc 41 Teorema 2. Se cumple que, si A y B son primos, grado de A mayor al grado de B, grado de P = grado A = n Existe un único P con sus raíces dentro o sobre el círculo unidad, y si ρ > 0 , P no tiene raíces sobre el círculo unidad. - Demostración: Multiplicando la ecuación [1.119] por z n z n P ( z ) P ( z −1 ) = p0 z 2 n + p1 z 2 n −1 + + pn −1 z n +1 + pn z n + pn −1 z n −1 + + p1 z + p0 [1.122] queda de la forma de F. Por lo tanto el lado derecho de la ecuación [1.119] tiene raíces espejadas. Tampoco puede tenerlas sobre el círculo unidad ya que, para z = e jω ρ A(e jω ) A(e ) + B (e ) B (e ) = ρ A(e ) − jω jω − jω jω 2 + B (e jω ) 2 =0 [1.123] como ρ > 0 , implica que z = e jω es raíz de A y de B, pero estos son primos. La condición de que el grado de P sea n, asegura la unicidad de P. Clase 13b Control de Mínima Varianza.doc 42 Nota 1: si se introduce el recíproco P* ( z ) = z n P ( z −1 ) resulta rP ( z ) P* ( z ) = ρ A ( z ) A* ( z ) + B ( z ) B* ( z ) [1.124] Nota 2: si P satisface la ecuación [1.119] entonces z l P ( z ) Clase 13b Control de Mínima Varianza.doc 43 1.5.2. Discusión Heurística En el problema de ubicación de polos se debe definir el polinomio característico en lazo cerrado Ac ( z ) Ao ( z ) donde Ao ( z ) . En el problema LQG Ao ( z ) = C ( z ) y el polinomio Ac ( z ) = P ( z ) que se obtiene por factorización espectral. Se puede pensar en la ubicación de polos con estas condiciones de diseño, resultando el control óptimo: uk = − S (q) yk R (q) [1.125] con A( z ) R ( z ) + B ( z ) S ( z ) = P ( z )C ( z ) [1.126] Hay muchos polinomios que satisfacen esta ecuación. Si hay retardo es mejor calcular la siguiente ecuación: A* ( z ) R* ( z ) + z d B* ( z ) S * ( z ) = P* ( z ) C * ( z ) d = grado ( A ( z ) ) − grado ( B ( z ) ) [1.127] [1.128] Clase 13b Control de Mínima Varianza.doc 44 1.5.3. Demostración Formal Teorema 3. Control LQG Sea P ( z ) el polinomio calculado por factorización espectral, A ( z ) mónico A ( z ) y B ( z ) no tienen raíces comunes fuera del o sobre el círculo unidad. Entonces existe una única solución a las ecuaciones A* ( z ) X ( z ) + rP ( z ) S * ( z ) = B ( z ) C * ( z ) z B ( z ) X ( z ) − rP ( z ) R ( z ) = − ρ A ( z ) C ( z ) d * * * [1.129] con grado ( X ( z ) ) < n grado ( R* ( z ) ) ≤ n [1.130] grado ( S * ( z ) ) < n = grado ( A ( z ) ) Clase 13b Control de Mínima Varianza.doc 45 - Demostración Primero se supone que P ( z ) tiene raíces distintas zi , como es estable todas las raíces serán zi < 1 Por hipótesis, los polinomios A y B no se pueden hacer cero simultaneamente. Evaluando [1.129] en z = zi A* ( zi ) X ( zi ) = B ( zi ) C * ( zi ) zi B ( zi ) X ( zi ) = − ρ A ( zi ) C ( zi ) d * * [1.131] si A y B son distintos de cero se puede hacer B ( zi ) ρ A ( zi ) =− d * A* ( zi ) zi B ( zi ) [1.132] si A* ( zi ) = 0 y B* ( zi ) ≠ 0 , de[1.124] resulta B ( zi ) = 0 . Como A es mónico se cumple A* ( 0 ) = 1. Esto implica zi ≠ 0 . Se puede despejar X de la ecuación A* ( zi ) X ( zi ) = B ( zi ) C * ( zi ) [1.133] Clase 13b Control de Mínima Varianza.doc 46 X ( zi ) = − ρ A ( zi ) C * ( zi ) zi B ( zi ) d * [1.134] Clase 13b Control de Mínima Varianza.doc 47 1.6. Referencias Goodwin, G. Sin: Adaptive Filtering, Prediction and Control, Prentice Hall – 1984. Clase 13b Control de Mínima Varianza.doc 48