From zero to hero :

funcionalidades prácticas
de Matlab/Simulink para el
análisis y control de procesos

Oscar Andrés Prado-Rubio

From zero to hero :
funcionalidades prácticas
de Matlab/Simulink para el
análisis y control de procesos

Oscar Andrés Prado-Rubio

Bogotá, D. C., 2023

Catalogación en la publicación Universidad Nacional de Colombia
Prado Rubio, Óscar Andrés, 1982-
From zero to hero : funcionalidades prácticas de Matlab/Simulink para el análisis y control de procesos :
diseñado para control automático de procesos -
ingeniería química y bioquímica / Oscar Andrés Prado-Rubio — Primera edición. —
Bogotá : Universidad Nacional de Colombia. Vicerrectoría de Investigación.
Editorial Universidad Nacional de Colombia ; Manizales : Universidad Nacional de
Colombia. Vicedecanatura de Investigación y Extensión. Facultad de Ingeniería y
Arquitectura, 2023
1 CD- ROM (259, páginas) ilustraciones (principalmente a color), diagramas
Incluye referencias bibliográficas e índice analítico
isbn 978-958-505-341-0 (e-book)
1. Control de procesos 2. Ingeniería química 3. Métodos de simulación — Estudio de casos 5. Modelos
­matemáticos 6. MATLAB (Programa para computador) 7. Simulink I. Título

CDD-23 660.2815 / 2023

Universidad Nacional de Colombia–Sede Manizales

Vicedecanatura de Investigación y Extensión
Facultad de Ingeniería y Arquitectura
Vicerrectoría de investigación
Editorial Universidad Nacional de Colombia
Óscar Andrés Prado-Rubio

Editorial Universidad Nacional de Colombia

Alberto Amaya
Director

Comité editorial
Alberto Amaya
Patricia Noguera
Fabio Pavas
Veronique Bellanger
Fredy Chaparro
Jairo Peña
Pedro Benjumea

Primera edición, 2023

ISBN (digital): 978-958-505-341-0

Edición
Editorial Universidad Nacional de Colombia
direditorial@unal.edu.co
www.editorial.unal.edu.co

Equipo editorial
Coordinación editorial: José Francisco Rengifo
Corrección de estilo: Marcela Garzón Gualteros
Pauta gráfica en LaTeX: Juan Carlos Villamil y Óscar Andrés Prado-Rubio
Diagramación: Óscar Andrés Prado-Rubio

Salvo cuando se especifica lo contrario, las figuras y tablas del presente volumen son
propiedad del autor.

Hecho en Bogotá, D. C., Colombia, 2023

Creative Commons Atribución-NoComercial-SinDerivadas 4.0 Internacional

(CCBY-NC-ND 4.0) https://creativecommons.org/licenses/by-nc-nd/4.0/
Contenido

Prefacio 9

1. Introducción a las herramientas de Matlab 11

1.1. Matlab M-files-numérico y simbólico . . . . . . . . . . . . . . . . . . . . . . . . 11
1.2. Simulink-filosofía de programación . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1. Sources: señales de entrada . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.2. Sinks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.3. Signal routing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.2.4. Math operators . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.2.5. Modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.3. Interconexiones Matlab-Simulink . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2. Simulación de sistemas no lineales continuos 27

2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2. Métodos numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3. Solución de ecuaciones diferenciales ordinarias-M-files . . . . . . . . . . . . . . 30
2.3.1. Función anónima . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3.2. Estructura del solver de Matlab . . . . . . . . . . . . . . . . . . . . . . 31
2.3.3. Funciones separadas para ecuaciones diferenciales . . . . . . . . . . . . . 34
2.4. Solución de las EDO-Simulink . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.4.1. Estrategia de Interpreted function . . . . . . . . . . . . . . . . . . . . . 40
2.4.2. Estrategia usando una s-function . . . . . . . . . . . . . . . . . . . . 47
2.4.3. Configuración de la solución numérica en Simulink . . . . . . . . . . . . 64

3. Sistemas lineales continuos 67

3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.2. Determinación del estado estable . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.2.1. Solución de las ecuaciones diferenciales . . . . . . . . . . . . . . . . . . . 68
3.2.2. Solución de sistemas de ecuaciones algebraicas-fsolve . . . . . . . . . . 68
3.2.3. Solución de sistemas de ecuaciones algebraicas-fmincon . . . . . . . . . 74
3.2.4. Solución de sistemas de ecuaciones algebraicas-Simulink-trim . . . . . . 80
3.3. Linealización del modelo no lineal . . . . . . . . . . . . . . . . . . . . . . . . . . 83
3.3.1. Jacobiano simbólico-Matlab . . . . . . . . . . . . . . . . . . . . . . . . . 86
3.3.2. Jacobiano numérico-Matlab . . . . . . . . . . . . . . . . . . . . . . . . . 89
3.3.3. Jacobiano numérico-Simulink (linmod) . . . . . . . . . . . . . . . . . . 93
3.4. Funciones de transferencia-Matlab simbólico . . . . . . . . . . . . . . . . . . . . 96

5
Contenido

3.4.1. Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . 96

3.4.2. Expansión en fracciones parciales . . . . . . . . . . . . . . . . . . . . . . 99
3.4.3. Transformada inversa de Laplace . . . . . . . . . . . . . . . . . . . . . . 103
3.5. Representación de modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
3.5.1. Estructura de modelos y características . . . . . . . . . . . . . . . . . . 105
3.5.2. Transformaciones entre representaciones . . . . . . . . . . . . . . . . . . 108

4. Simulación y análisis de sistemas lineales 115

4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
4.2. Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
4.2.1. Estabilidad numérica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
4.2.2. Estabilidad inherente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.2.3. Diagramas cero-polo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
4.3. Controlabilidad y observabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.3.1. Controlabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.3.2. Observabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
4.4. Respuesta de sistemas ante señales de entrada convencionales . . . . . . . . . . 123
4.4.1. Funciones de Matlab-M-file . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.4.2. LTIview-linear System Analyzer . . . . . . . . . . . . . . . . . . . . . . 128
4.4.3. Simulaciones en Simulink . . . . . . . . . . . . . . . . . . . . . . . . . . 131
4.4.4. Validación del modelo lineal en espacio de estados versus el no lineal . . 139
4.4.5. Evaluación de parámetros de desempeño en curvas de respuesta . . . . . 143
4.5. Realizaciones y reducción de modelos . . . . . . . . . . . . . . . . . . . . . . . . 148
4.5.1. Realización mínima (minreal) . . . . . . . . . . . . . . . . . . . . . . . 149
4.5.2. Realización mínima estructural (sminreal) . . . . . . . . . . . . . . . . 150
4.5.3. Reducción de orden aproximada (balred) . . . . . . . . . . . . . . . . . 150
4.5.4. Reducción balanceada (balreal) . . . . . . . . . . . . . . . . . . . . . . 151
4.5.5. Eliminación de estados (modred) . . . . . . . . . . . . . . . . . . . . . . 152

5. Diseño y análisis de estructuras de control 163

5.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
5.2. Identificación de sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
5.2.1. Identificación de funciones de transferencia . . . . . . . . . . . . . . . . 164
5.2.2. Identificación del modelo en espacio de estados . . . . . . . . . . . . . . 171
5.2.3. Herramienta para la identificación de sistemas (System Identification
Toolbox) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
5.3. Diseño de estructuras de control . . . . . . . . . . . . . . . . . . . . . . . . . . 185
5.3.1. Arreglo de ganancias relativas (RGA) . . . . . . . . . . . . . . . . . . . 185
5.3.2. Método de descomposición en valores singulares . . . . . . . . . . . . . . 189
5.4. Implementación de controladores on-off en Simulink . . . . . . . . . . . . . . . 197
5.4.1. Comentarios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
5.5. Implementación de controladores PID continuos en Simulink . . . . . . . . . . 205
5.5.1. Implementación de control PID convencional . . . . . . . . . . . . . . . 205
5.5.2. Implementación del bloque PID en Simulink . . . . . . . . . . . . . . . 215
5.6. Estabilidad en lazo cerrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
5.7. Comentarios finales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243

6
 Contenido

6. Caso de estudio 245

6.1. Reactor Van de Vusse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
6.1.1. Descripción del proceso . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
6.1.2. Modelamiento del proceso y parámetros . . . . . . . . . . . . . . . . . . 246
Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246

Referencias 249

Índice alfabético 253

7
Prefacio

Sin duda, el control de procesos es un área interdisciplinaria y puede ser considerada como
una de parte vital de la Ingeniería Química. El control de procesos se encuentra en constante
evolución guiada por una cantidad creciente de contribuciones de investigación, la reducción
del costo de dispositivos digitales y un incremento del poder computacional. En consecuencia,
es necesario que los ingenieros químicos hagan frente a los desarrollos de automatización para
proponer un mejor diseño y operación de plantas modernas.

Con esto en mente, los cursos de control de procesos convencionales, dentro del programa de
pregrado de Ingeniería Química, se centran en temas como modelado y análisis dinámico de
procesos, instrumentación y teoría clásica de control de procesos. A pesar de la relevancia del
control de procesos, después de un par de años en frente de la asignatura, para mí es claro
que este no es uno de los cursos más populares del programa. Esto se debe principalmente a
que el análisis dinámico no se aborda normalmente en otros cursos, la terminología de control
fue creada por los desarrolladores de automatización (e.g., ingenieros electrónicos, mecánicos
y de sistemas), la relativa complejidad de la formulación matemática (los estudiantes no usan
con frecuencia el dominio de Laplace) y falta de habilidades de simulación.

Esas razones hacen que los estudiantes se vean saturados de nueva información durante el
curso y tengan dificultades para seguir las temáticas de forma exhaustiva. Por tanto, no mu-
chos se sienten alentados a seguir proyectos, estudios de posgrado y, finalmente, aspirar a una
carrera asociada al control de procesos. Se han hecho esfuerzos sustanciales para abordar los
problemas antes mencionados: por ejemplo, dar más relevancia a la comprensión de sistemas
dinámicos dentro del programa de Ingeniería Química, emplear literatura más amigable para
la enseñanza de la teoría de control de procesos y el refinamiento de temas para pensar en el
curso de Control Automático de Procesos. Sin embargo, todavía hay espacio para mejoras en
cuanto a cómo explotar herramientas computacionales como Matlab y Simulink en el curso de
Control Automático de Procesos. Ahora, una de las dificultades para esto es que la información
sobre implementaciones de software está dispersa (por ejemplo, documentación de soporte de
Matlab, pocos libros, páginas web) y es complejo desarrollar adecuadamente las habilidades
de simulación para análisis de sistemas dinámicos y la implementación de arquitecturas de
control.

En este sentido, el presente libro está enfocado en la explotación de herramientas numéricas

y simbólicas en Matlab/Simulink para implementar y analizar sistemas dinámicos. Esto con
el fin de diseñar y evaluar estructuras de control descentralizadas que son cubiertas por los
cursos de Control Automático de Procesos. Así, los estudiantes de pregrado pueden enfocarse

9
en el concepto y el análisis en lugar de centrarse en las implementaciones de problemas en el
software. El contenido del libro ha sido seleccionado siguiendo las necesidades evidenciadas
en libros de texto de control de procesos más recientes. Por tanto, los estudiantes pueden
hacer un paralelo directo de las implementaciones con la teoría mediante un modelo ilustra-
tivo relevante para la Ingeniería Química, que los alienta a ir más allá de los casos de estudio
propuestos. El caso seleccionado es la reacción de Van de Vusse cuando se lleva a cabo un
reactor contínuo de mezcla completa (CSTR). Como tal, esta obra no fue pensado para que
los estudiantes adquieran los conceptos de cursos Control Automático de Procesos, pues la
literatura para esto está bien fundamentada; este libro muestra directamente con ejemplos
cómo resolver los problemas matemáticos asociados al control automático de procesos, con
especial atención en la herramienta de Simulink. De esta manera, aquellos estudiantes que
tienen falencias en programación son alentados a sobrepasar sus dificultades y a familiarizarse
con métodos sistemáticos de programación para control de procesos.

En el presente documento, todas las figuras fueron realizadas por el autor modificando de
capturas de pantalla de la interfaz del software Matlab/Simulink o gráficas de resultados del
mismo software, a excepción de aquellas donde se señale lo contrario.

Me gustaría agradecer a la Universidad Nacional de Colombia sede Manizales por el apoyo

para realizar este libro durante mi periodo sabático, a la Facultad de Ingeniería y Arquitectura
de la Universidad Nacional de Colombia sede Manizales por el apoyo económico para la publi-
cación del libro a través de la convocatoria “Divulgación y difusión de conocimiento mediante
la publicación de libros académicos 2021” y al Novo Nordisk Foundation (Dinamarca) por su
apoyo para la finalización del libro a través del proyecto NNF17SA0031362 - Fermentation
Based Manufacturing en la Universidad Técnica de Dinamarca (DTU).

Oscar Andrés Prado Rubio, Ph. D.

Profesor Asociado
https://orcid.org/0000-0003-1419-542X
Grupo de Investigación en Aplicación de Nuevas Tecnologías (GIANT)
Departamento de Ingeniería Química
Universidad Nacional de Colombia, sede Manizales

10
Capítulo 1

Introducción a las herramientas de

Matlab

Resumen
En esta sección se introducirán los ambientes de Matlab para versiones posteriores al 2018
que pueden ser utilizados para propósitos de control automático de procesos. Dependien-
do de la aplicación, un ambiente es más conveniente que otro. De manera convencional,
se utiliza el ambiente de programación en código útil directamente desde la ventana de
comandos o como archivo M-file. Teniendo en cuenta el nivel de programación esperado
en Matlab por parte de los estudiantes, no se profundiza. Seguidamente, se introduce una
herramienta simbólica y se presenta donde es útil. Por otro lado, se desglosa una herra-
mienta de Matlab diseñada específicamente para facilitar la implementación y evaluación
de estructuras control automático llamada Simulink. Por último, se muestra cómo los
ambientes de programación se pueden conectar y realizar programación jerárquica. Cabe
resaltar que, como tales, las herramientas numéricas y simbólicas utilizadas pertenecen a
Matlab y no a un ambiente determinado.

1.1. Matlab M-files-numérico y simbólico

Como punto de partida, se espera que los estudiantes hayan utilizado algunas herramientas
de Matlab para resolver sistemas de ecuaciones lineales, sistemas no lineales y sistemas de
ecuaciones diferenciales ordinarias. Estas herramientas serán útiles más adelante, pues mu-
chas metodologías de control se basan en álgebra lineal, métodos de solución de ecuaciones no
lineales y, definitivamente, en la solución de ecuaciones diferenciales ordinarias (problemas de
valor inicial). Teniendo en cuenta la relevancia de dominar estos conocimientos, serán breve-
mente repasados en las diferentes secciones del libro. Además se recomienda que programas
M-files sean los archivos maestros para cálculos que impliquen algoritmos, evaluación de di-
versas configuraciones y posprocesamiento de datos para mostrar resultados.

Por otro lado, no es tan común el uso del motor simbólico de Matlab. Dentro del curso de
control, algunas herramientas simbólicas complementan los esfuerzos numéricos en aras de
evitar obtener soluciones particulares a problemas que hacen más lentas las rutinas de solu-
ción. Adicionalmente, el motor simbólico de Matlab puede ser utilizado para validar cálculos

11
Capítulo 1. Introducción a las herramientas de Matlab

manuales que normalmente se hacen en el curso. Teniendo en cuenta la importancia de realizar

cálculos manuales durante el aprendizaje de control automático, se recomienda que el motor
simbólico de Matlab sea utilizado solo para validación de resultados en problemas pequeños.

1.2. Simulink-filosofía de programación

Simulink es una herramienta complementaria de Matlab, diseñada pensando en una forma
alternativa para representar modelos bajo el principio de diagrama de bloques, lo que es
particularmente interesante para el control automático de procesos. En Simulink se pueden
realizar simulaciones multidominio y resolver diseños basados en modelos dinámicos mediante
la representación del problema como diagrama de bloques. Es por esto que Simulink ofrece
una biblioteca personalizable de bloques en el dominio continuo y discreto con aplicaciones
para modelamiento de sistemas, tratamiento de señales, comunicaciones, procesamiento de
imágenes, diseño de controladores, entre otros.

El ícono de la librería de Simulink se encuentra en el home de Matlab después del CODE y

antes de ENVIROMENT (figura 1.1). Otra alternativa para acceder a Simulink, es digitando
su nombre en minúsculas en el command window de Matlab.

Figura 1.1. Localización del ícono para ingreasar a Simulink

En versiones anteriores, después de abrir la librería se despliega el Simulink library browser,

que corresponde a una ventana emergente posterior. En versiones más recientes, se abre pri-
mero una ventana de inicio como la mostrada en la figura 1.2, donde por defecto las opciones
de Simulink aparecen desplegadas (también se pueden abrir manualmente).

Desde este menú es posible iniciar un modelo desde cero o acceder a los ejemplos que trae
Matlab; también se selecciona el modelo en blanco para iniciar la interfaz de trabajo. La ven-
tana emergente se muestra en la figura 1.3a. Para complementar el trabajo, las herramientas
necesarias se encuentran en Simulink library browser, que se accede usando el botón marcado
en rojo y se muestra en la figura 1.3b. A modo de información, sin intención de empezar a
trabajar en Simulink, se introduce la herramienta. Por defecto, la librería de Simulink está
dividida en subcarpetas; en cada subcarpeta o sublibrería se encuentran los bloques predefi-
nidos que se usan habitualmente en la simulación dinámica de un sistema.

Las sublibrerías de Simulink son: Commonly used blocks, Continuous, Dashboard, Disconti-
nuities, Discrete, Logic and Bit Operations, Look-Up Tables, Math Operations, Model Verifi-
cation, Model-Wide Utilities, Ports and Subsystems, Signal Attributes, Signal Routing, Sinks,

12
 Capítulo 1. Introducción a las herramientas de Matlab

Figura 1.2. Interfaz de inicio para modelos en Simulink

Sources, User-Defined Functions y Additional Math and Discrete. Simulink mediante los blo-
ques permite usar diferentes representaciones de los modelos: ecuaciones diferenciales, funcio-
nes de transferencia, espacio de estados, representación cero-polo, entre otros. Aparecen otras
librerías para llevar a cabo aplicaciones más allá del alcance del curso de control de procesos
y, por ende, no se explorarán en este libro.

Dependiendo del tipo de simulación por realizar, se requerirán diferentes tipos de bloques y
configuraciones. Los bloques pueden añadirse a un modelo con clic sostenido, arrastrándolos
hasta la ventana de trabajo. Alternativamente, con el cursor se selecciona el bloque que se va
a usar y se digita Ctrl+I, o se da un clic derecho en el bloque y un clic izquierdo a “Add block
to new model”. Para conectar los bloques, se acerca el cursor a una de las entradas o salidas
hasta que este cambie en forma de cruz; se da clic izquierdo y de manera sostenida se arrastra
en dirección del tope contrario del otro bloque. La conexión es correcta cuando la línea deja
de ser roja y se vuelve continua. La punta de flecha de la línea indica la salida de la señal,
mientras el otro extremo es la entrada.

Las especificaciones mínimas requeridas de cada bloque se relacionan con la operación que
realizan dentro de la simulación del sistema. Para observar los parámetros necesarios del blo-
que se debe señalar el bloque con el cursor y dar doble clic.

13
Capítulo 1. Introducción a las herramientas de Matlab

(a) Interfaz - Blank model (b) Interfaz - Library browser

Figura 1.3. Interfaces de trabajo para implementación de modelo y ubicación de herramientas de

simulación

Las simulaciones para utilizar en control de procesos se pueden dividir en cinco componentes:

• Fuentes (Sources): se encuentran las señales de entrada para modelos más importantes
o herramientas para construirlas.

• Sumideros (Sinks): corresponden a las herramientas para visualización de resultados.

• Manejo de señales (Signal routing): son las herramientas para procesar información (bus
de datos) entre bloques.

• Operadores matemáticos (Math operators): son los operadores matemáticos relevantes

para el procesamiento de información.

• Modelos (Continuous or disconitnuous): corresponden a los sistemas de ecuaciones que

representan los sistemas.

En las siguientes secciones se abordan brevemente y más adelante se introducen herramientas

particulares que son útiles.

1.2.1. Sources: señales de entrada

Dentro del control de procesos, las señales de entrada más importantes son: constantes (Cons-
tant), función escalón (Step), rampa (Ramp), seno (Sine wave) o señales compuestas por estas
que pueden ser construidas usando el constructor de señales (Signal builder). Todas estas fun-
ciones se pueden encontrar en el menú Sources, como se muestra en la figura 1.4. Nótese que
estos bloques solo tienen salida, pues son bloques de origen de señales.

14
 Capítulo 1. Introducción a las herramientas de Matlab

Figura 1.4. Source signals disponibles en Simulink

En cada uno de los bloques se encuentran los ítems que se deben configurar. Dependiendo de
la señal, se solicita especificar diferentes parámetros y, para ver los parámetros, solo hay que
hacer doble clic en cada bloque. Ejemplos de las propiedades se pueden ver en la figura 1.5.
Los parámetros son:

1. Señal constante: se especifica simplemente el valor de la constante.

2. Señal paso: se especifican el tiempo donde se quiere aplicar la perturbación, el valor

inicial de la señal antes de la perturbación y su valor final.

3. Señal rampa: la función rampa, a diferencia de la señal paso, no tiene un valor final cons-
tante y su incremento es sostenido en el tiempo. Por tal razón, es necesario especificar
la pendiente, el tiempo de arranque de la función y su valor inicial.

4. Señal sinusoidal: para la onda sinusoidal se puede configurar la amplitud de la onda,

el desplazamiento en el eje y (llamado BIAS), su frecuencia y el ángulo de fase para
desplazamiento en el eje x.

5. Señal aleatoria: señal de números aleatorios caracterizados por una media y varianza.

Nota: en algunas de las configuraciones se solicita un tiempo de muestreo. Para sistemas con-
tinuos, se deja el valor de cero, que corresponde a que la señal genera valores en cada tiempo
de integración, el cual es definido por el método numérico. Para sistemas discretos, este deberá
ser definido según el tiempo de muestreo establecido para toda la simulación.

Por último, se presenta una herramienta muy útil para construir señales compuestas de ma-
nera sencilla, que será útil tanto para el análisis de sistemas como para la evaluación de
controladores. Esto puede hacerse con el bloque constructor de señales (Signal Builder). La
interfaz original para manipulación se presenta en la figura 1.6a, donde por defecto una señal

15
Capítulo 1. Introducción a las herramientas de Matlab

Figura 1.5. Parámetros de configuración de señales relevantes

pulso rectangular es mostrada. Los ejes por defecto van de 0 a 10. Para incrementar la varia-
ble independiente, se debe ir al menú Axes en la parte superior; posteriormente, se selecciona
Change Time Range y se especifican los límites de tiempo deseados. Después de hacer este
procedimiento, se puede modificar la señal en tiempos mayores a diez unidades de tiempo
(Nota: las unidades de tiempo serán definidas por el modelo matemático que se implemente).

Es posible modificar la señal de dos maneras, después de seleccionar un nodo: se puede sim-
plemente mover el nodo con el mouse y, por otro lado, cuando se selecciona un nodo se puede
ingresar nuevas coordenadas deseadas (Nota: las coordenadas de un nodo en el tiempo (t) no
pueden ser mayores a un nodo con un tiempo superior).

Un par de nodos también puede moverse paralelamente. Con el cursor nos movemos hasta
el segmento de línea que deseamos mover; el cursor cambia a dos líneas paralelas las cuales
pueden moverse exclusivamente de arriba abajo con el clic izquierdo del mouse sostenido. Una
señal modificada se muestra en la figura 1.6b.

Adicionalmente, la forma rectangular de la señal que se tiene por defecto puede modificarse
añadiendo nuevos nodos. Para esto se oprime shift+clic principal sobre el punto donde se desee
añadir el nodo. Finalmente, para agregar otra señal se debe seleccionar Signal del menú prin-
cipal y posteriormente New. Se pueden seleccionar diferentes tipos de señales (triangualares,
constantes, rectangulares) para crear sobre la misma base. Las señales creadas automática-
mente generan una salida adicional en el bloque Signal Builder para ser conectadas a otros
bloques.

16
 Capítulo 1. Introducción a las herramientas de Matlab

(a) Interfaz - Blank model

(b) Interfaz - Library browser

Figura 1.6. Interfaz para la configuración del constructor de señales

1.2.2. Sinks
En la sección anterior se presentaron las posibilidades de configuración de bloques para seña-
les, pero no se han usado. Para poder visualizar los resultados se deben emplear los bloques de
sumidero, con los cuales se pueden observar en forma gráfica o numérica los resultados de la
simulación. Los bloques de la librería Sinks solo tienen puertos de entrada porque son los blo-
ques receptores de señales. Las opciones para manejo de resultados se muestran en la figura 1.7.

Entre las opciones para realizar gráficas, se encuentran los bloques Scope y XY Graph. El
bloque Scope grafica variables en función del tiempo y el bloque XY Graph requiere las seña-
les de los ejes de representación de las variables “y” y “x”. Por su parte, los bloques Display y
To Workspace reproducen la información de salida en forma numérica. El primero muestra la
información de manera digital sobre el mismo bloque, el cual permite la selección del formato

17
Capítulo 1. Introducción a las herramientas de Matlab

numérico para el despliegue de la información de salida (Short, long, entre otros). El bloque
de To Workspace envía la información al espacio de trabajo de Matlab utilizando un formato
de estructuras o matrices según se indique en su configuración. Este bloque es vital para la
conectividad entre Simulink y Matlab como se hablará más adelante.

Figura 1.7. Parámetros de configuración de señales relevantes

Hasta ahora, se ha hablado mucho de Simulink, pero no se ha hecho ninguna implementación.

Teniendo en cuenta las dos herramientas mostradas hasta ahora (i.e., Sources y Sinks), es
posible validar la construcción de señales.

Ejemplo 1.1.

Representación gráfica de señales

Se desea construir una entrada paso que empiece en el tiempo 5 unidades, con un valor ini-
cial de 1 unidad hasta un valor final de 11 unidades (amplitud del paso, 10 unidades). Para
visualizar el resultado, se desea generar una gráfica en el mismo ambiente de Simulink.

Solución

Para realizar esta implementación, se describirá paso a paso la estrategia pues es la primera.
Un resumen de cómo debe lucir el progreso del trabajo se muestra en la figura 1.8.

18
 Capítulo 1. Introducción a las herramientas de Matlab

• Se abre el modelo en blanco y la librería de Simulink.

• Desde el menú Simulink/Sources arrastre el bloque de señal paso desde su localización

hasta la ventana del modelo. Dar doble clic en el bloque para configurarlo. Se desea que
el tiempo del paso sea 5, el valor inicial 1 y el valor final 11. Aceptar los cambios en la
configuración (Tip: se puede escribir el nombre del bloque que se va a usar en la ventana
del modelo y seleccionar de la lista de opciones el bloque deseado).

• Desde el menú Simulink/Sinks arrastre el bloque Scope desde su localización hasta la

ventana del modelo.

• Hay que conectar los bloques, notar nuevamente que el bloque paso solo tiene una salida
y el bloque de graficar solo tiene una entrada. Para conectarlos simplemente arrastre
la flecha desde el bloque paso hasta el Scope. En las versiones más modernas, cuando
se colocan los bloques alineados, el mismo Simulink muestra en sombra que estos dos
bloques pueden conectarse. Ahora, si se siente profesional, puede usar un truco: señale
el primer bloque y oprima la tecla ctrl, sin soltarla, señale el bloque de Scope, conexión
rápida.

• ¡Llegó el momento de correr la primera simulación en Simulink! Para esto, ubique en

la parte superior de la ventana del modelo un botón con el ícono de play que tiene el
nombre Run y haga clic.

• ¡Sorpresa, no pasó nada! Bueno, para ver la respuesta se debe hacer doble clic sobre el
bloque Scope.

• FIN.

Algunos comentarios acerca de la solución: por defecto, la simulación se llevó a cabo para 10
unidades de tiempo (tiempo de simulación por defecto). Esto puede modificarse en el menú
principal de la ventana de trabajo donde aparece el número 10 en un recuadro llamado Si-
mulation stop time. Adicionalmente, Simulink usa un formato poco conveniente para mostrar
las figuras con un fondo negro, línea amarilla y ejes sin formato. Para hacer seguimiento a
simulaciones no es tan relevante; sin embargo, es imperativo cambiar ese formato.

19
Capítulo 1. Introducción a las herramientas de Matlab

Figura 1.8. Simulación de la señal paso, que muestra la configuración del bloque y la gráfica obtenida

De manera análoga, se puede visualizar cualquiera de las señales dispuestas en el menú Sour-
ces, por ejemplo, Ramp, Sine wave, Random number, Signal builder, etc.

Debido a que el formato de las figuras por defecto es muy malo para impresión, por el fondo
negro, se mostrará qué se puede hacer para mejorarlo. Para esto, se usa un botón similar a un
engranaje llamado Configuration properties, que se encuentra disponible también en el menú
View. Algunos parámetros importantes por configurar para las gráficas son:

• Número de puertos de entrada: si se desea mostrar más de una figura por ventana, se
sugiere utilizar el botón de Layout para elegir una distribución diferente.

• Mostrar leyenda: indica qué color corresponde a cada señal. Esto es útil cuando se usa
más de una señal en la figura.

• y-label: adición en la última versión de Matlab para poder poner el nombre del eje y.

En versiones anteriores de Simulink, con el mismo botón se puede configurar el formato de es-
tilo. Para la versión en cuestión, la configuración de estilo se encuentra en el botón View/Style.

20
 Capítulo 1. Introducción a las herramientas de Matlab

Ejemplo 1.2.

Mejorando el formato de figuras en Simulink

Se desea cambiar el formato de la figura del ejemplo anterior por uno más parecido al de las
figuras de Matlab: fondo blanco, línea de color azul y más gruesa, nombre en los ejes y leyenda.

Solución

A partir de la simulación anterior, cuando se abre la gráfica buscar un botón similar a un

engranaje llamado Configuration properties y Style. En el menú buscar las opciones mostradas
en la figura 1.9 para obtener los resultados deseados.

Figura 1.9. Modificación del formato de las figuras obtenidas en Simulink

1.2.3. Signal routing

Hasta el momento, no se ha mencionado cómo funciona la transmisión de datos entre bloques;

simplemente se mostró que los datos de alguna manera viajan por la conexión. Estas líneas
funcionan de manera análoga a una tubería de flujo de fluidos inmiscibles, esta vez con datos.
Hasta el momento, la tubería de datos llevaba solo un tipo de información; pero como sucede
en las plantas químicas, las tuberías pueden llevar varios componentes y las conexiones entre
bloques también, con la diferencia de que los buses de datos llevan vectores de información
en paralelo, es decir que no se mezclan. Por tanto, se necesitan herramientas que permitan
mezclar, separar, reorganizar y seleccionar buses de datos, las cuales se encuentran en el menú
Simulink/Signal routing y son muy útiles para administrar información durante la construc-
ción de modelos en Simulink.

21
Capítulo 1. Introducción a las herramientas de Matlab

Inicialmente, los bloques más importantes de esta categoría son:

• Mux: permite combinar señales en un bus de datos común, en la configuración del bloque
se especifican cuántas señales de entrada se quieren combinar.

• DeMux: permite separar/descomponer señales; en la configuración del bloque se especi-

fican en cuántas señales se divide el bus.

• Selector: permite seleccionar solo ciertas señales de un bus de datos. En la configuración

se indican los índices de las señales a preservar y en qué orden se desean reacomodar.

• Manual Switch: permite escoger, entre dos señales, cuál atraviesa el bloque.

• Switch: permite utilizar un criterio para escoger, entre señales, cuál atraviesa el bloque.

Cuando se hacen operaciones matemáticas entre buses de datos, normalmente no cambian las
dimensiones del vector.

Ejemplo 1.3.

Mezcla y separación de señales

Se desea combinar en un solo bus de datos la señal paso diseñada anteriormente con una onda
sinusoidal de amplitud cinco y BIAS cinco para ser graficadas enseguida sobre la misma fi-
gura. Adicionalmente, se desea separar de nuevo las señales y graficarlas en la misma ventana
de Scope, pero en diferente figura.

Solución

Para realizar la mezcla de buses de datos y su posterior separación se usarán las herramientas
Mux y Demux, respectivamente. Teniendo en cuenta que son dos señales de entrada para el
Mux y dos de salida para Demux; estas condiciones deben ser establecidas en la configuración
de cada bloque. Utilizando los conceptos anteriores para ubicar bloques y unirlos se construye
el diagrama mostrado en la parte izquierda de la figura 1.10. Nota: algo nuevo es la división
del bus de datos que sale del Mux para ser enviado al Demux. Para hacer eso se realiza la
unión de la línea con el Demux usando el botón secundario del mouse.

El primer Scope deseado es el mismo de las implementaciones anteriores. Para el segundo

Scope se desea tener dos figuras en la misma ventana; para esto, se debe acceder al menú de
Configuration properties de la figura y modificar a 2 el Number of input ports. Utilizando las
opciones de formato manejadas con anterioridad, se cambia el estilo de las figuras obteniendo
los resultados mostrados en las dos gráficas de la figura 1.10.

22
 Capítulo 1. Introducción a las herramientas de Matlab

Figura 1.10. Manejo de señales, combinación y posterior separación de estas

Más adelante, será útil poder extraer de un bus de datos solo un par de señales. Por ejemplo,
en el bus de datos vienen quince señales, pero solo se desean graficar dos. Entonces, el bloque
Selector es interesante para realizar la tarea.

1.2.4. Math operators

Para usar diagramas de bloques en Simulink, es importante incorporar operaciones mate-
máticas entre señales. Las opciones se encuentran en la librería de Math Operations. Las
operaciones más utilizadas son:

• Sum y Add: se utiliza para sumar o restar señales, el número de señales para trabajar
y su signo se fijan en la configuración del bloque. El bloque Add permite manejar un
mayor número de señales.

• Substract: aunque el bloque anterior permite sumar y restar, Simulink ofrece este bloque
especializado para restar señales.

• Product: permite hacer multiplicación y división entre señales.

• Divide: permite hacer multiplicación y división entre señales.

• Gain: permite amplificar un bus de datos por un escalar. Es particularmente útil en el

diseño de estructuras de control.

Estos bloques están caracterizados por tener entradas y salidas. En la mayoría de ellos el
número de variables no cambia al realizarse la operación aritmética.

23
Capítulo 1. Introducción a las herramientas de Matlab

Ejemplo 1.4.

Operaciones matemáticas

Se desea construir una señal onda cuadrada utilizando señales paso (no el Signal bouilder) y
posteriormente amplificar esa señal. La onda cuadrada empieza en el tiempo t = 5, pasando
de un valor inicial de 1 a 11 unidades. Una unidad de tiempo más adelante, la señal debe
regresar al valor original.

Solución

Se utiliza la plantilla anterior con la señal paso implementada. Para realizar la señal onda
cuadrada se utiliza la resta de dos señales paso trasladadas en el tiempo. La primera señal
es la que se diseñó con anterioridad y la segunda es una señal que se empieza en el tiempo 6
con valor inicial de 0 y una amplitud de 10 unidades. Cuando se restan estas dos señales se
genera la onda cuadrada. Para amplificar la señal se usa el bloque Gain con un valor de 2, lo
que significa que la señal de entrada se amplifica por 2. La implementación y los resultados
se muestran en la figura 1.11.

Figura 1.11. Modificación del formato de las figuras obtenidas en Simulink

1.2.5. Modelos

La implementación de modelos se tratará más adelante; por ahora, queda implícito que se
requieren bloques especiales para implementar modelos en Simulink, dependiendo de la na-
turaleza del modelo (continuo, discontinuo, lineal, no lineal, en el dominio del tiempo, en el
dominio de Laplace, en el dominio de la frecuencia, entre otras posibilidades).

24
 Capítulo 1. Introducción a las herramientas de Matlab

1.3. Interconexiones Matlab-Simulink

En aras de poner todo en perspectiva, ventajas de Matlab y Simulink pueden ser usadas con
un propósito en común dentro de los objetivos del curso de control automático de proce-
sos. Dependiendo del trabajo por realizar, se pueden utilizar arquitecturas jerárquicas tipo
maestro-esclavo en función de cuál es el programa maestro que llama funciones del otro; para
esto, se utilizan diferentes formas de comunicar ambos ambientes de trabajo. En la figura 1.12
se evidencian las arquitecturas de dos niveles en función de cuál es el programa maestro; es
decir, si Matlab corre programas en Simulink o viceversa. Se puede pensar en arquitecturas
de más niveles alternando los ambientes de trabajo e incluso combinando con otros lenguajes
de programación (e.g., Fortran-99, C#, C++, Phyton).

Para facilitar la implementación de modelos en Simulink, se recomienda realizar cálculos

preliminares en Matlab y luego utilizar esas variables/parámetros en las simulaciones de Si-
mulink. Por defecto, Simulink tiene la capacidad de leer variables que estén en el workspace de
Matlab. Por tanto, si el programa maestro es un M-file, basta con tener las variables activas
en el workspace para correr una simulación en Simulink. Esta simulación en Simulink puede
ejecutarse tanto manual como automáticamente como se mostrará más adelante; adicional-
mente, se mencionó que las opciones para editar gráficas en Simulink son limitadas a pesar
de que han mejorado mucho en versiones recientes. Por lo anterior, es conveniente exportar
los resultados de los cálculos de Simulink al workspace y graficar desde un M-file. Esto es
más cómodo si se tiene un formato estándar personalizado para todas las figuras; Simulink
cuenta con un bloque en Sinks llamado To workspace para realizar esto. Finalmente, Simulink
tiene unas opciones para llamar programas específicos escritos como M-files, ya sean modelos
o rutinas, lo que se explorará más adelante.

25
Capítulo 1. Introducción a las herramientas de Matlab

(a) Matlab como ambiente maestro

(b) Simulink como ambiente maestro

Figura 1.12. Arquitecturas de dos niveles para construcción de programas en Matlab-Simulink

26
Capítulo 2

Simulación de sistemas no lineales

continuos

Resumen
Para abordar la cotidianidad en Ingeniería Química, es relevante notar que las no linea-
lidades aparecen constantemente en nuestras formulaciones matemáticas, por ejemplo:
velocidades de reacción (e.g., el término preexponencial de Arrhenius, cinéticas de al-
to orden, cinéticas de microorganismos, cinéticas enzimáticas, cinéticas no elementales),
comportamiento del pH (curva de titración), relaciones de equilibrio de fases, modelos
de actividad (efecto en destilación, extracción líquido-líquido, cristalización), ecuaciones
de estado, equilibrio químico, caída de presión en lechos empacados (reactores de flujo
piston, filtros), entre otros. Teniendo en cuenta que el curso de Control Automático de
Procesos se fundamenta en la aplicación de aproximaciones basadas en modelos para di-
señar y evaluar estructuras de control, el primer paso es contar con un entendimiento del
sistema a través del modelo soportada por evidencia experimental. En este capítulo se
utilizarán herramientas tanto de Matlab como de Simulink para la solución de sistemas de
ecuaciones diferenciales ordinarias correspondientes a problemas de valor inicial (PVI).
Para la solución se utilizarán funciones anónimas, funciones separadas, interpreted fun-
ctions y s-functions. Todas estas implementaciones son equivalentes; sin embargo, una u
otra es más conveniente dependiendo del tamaño de la aplicación. Por último, se hacen
algunos comentarios relacionados con la configuración de la solución.

2.1. Introducción
El punto de partida para analizar el comportamiento de sistemas dinámicos es poder resol-
ver las ecuaciones que los definen. En Ingeniería Química, los balances de materia, energía
y momento, pueden llevar a diferentes tipos de ecuaciones diferenciales. Cuando se tienen
sistemas de parámetros concentrados (i.e., sistemas donde los estados no dependen de la lo-
calización, como en sistemas de tanque agitado), las ecuaciones de conservación dinámicas
llevan a sistemas de ecuaciones diferenciales ordinarias con variable independiente el tiempo.
Estas ecuaciones diferenciales ordinarias son problemas de valor inicial y pueden ser resueltos
a través de métodos de paso disponibles en Matlab. Por otro lado, cuando se tienen sistemas
de parámetros distribuidos (i.e., sistemas donde los estados dependen de la posición, como en

27
Capítulo 2. Simulación de sistemas no lineales continuos

reactores tubulares), las ecuaciones de conservación dinámicas llevan a ecuaciones diferencia-

les parciales en función del tiempo y el espacio. Para estas ecuaciones, se puede emplear el
método de las líneas para resolverlas, en donde se las derivadas en el espacio son discretizadas
a través de la serie de Taylor para transformar la ecuación en un sistema de ecuaciones dife-
renciales ordinarias que pueden ser resueltas con métodos de paso (Chapra, 2012). Teniendo
en cuenta esta característica, el problema de resolver ecuaciones de conservación dinámicas se
resume en poder resolver sistemas de ecuaciones diferenciales ordinarias.

En este capítulo se analizan inicialmente los solvers con los que cuenta Matlab y se pro-
fundiza en el problema que implica tener ecuaciones diferenciales rígidas y opciones para
manejarlas. Enseguida, se presentan diferentes formas para resolver ecuaciones diferenciales
ordinarias desde el ambiente de Matlab a través de funciones anónimas y la definición de fun-
ciones (function). Adicionalmente, se presenta cómo resolver las mismas ecuaciones desde
el ambiente de Simulink utilizando los bloques definidos por el usuario llamados Interpreted
function y s-function. Las implementaciones en Simulink son útiles para usar configuraciones
especiales de los métodos y explotar interconexiones con Matlab para obtener figuras con un
buen formato.

2.2. Métodos numéricos

Matlab-Simulink cuenta con una serie de funciones que se utilizan para resolver problemas de
valor inicial tanto de ecuaciones diferenciales ordinarias (EDO o ODE por sus siglas en inglés)
como de ecuaciones diferenciales algebraicas (DAE por sus siglas en inglés). La selección del
método por utilizar depende de las características de las ecuaciones que se deben resolver. En
la tabla 2.1 se muestra un resumen de los métodos y cuándo usarlos.

La selección del solver es muy importante y requiere un conocimiento del tipo de ecuaciones
que se van a manejar. Por defecto, se recomienda utilizar el ode45 como primera opción; sin
embargo, este método de paso variable tiene problemas con sistemas rígidos y toma mucho
tiempo para resolverlos o incluso podría no converger.

El problema radica en el algoritmo que se utiliza para determinar el tamaño de paso del
método. Los métodos numéricos adaptativos utilizan un tamaño de paso variable para op-
timizar el número de pasos en la solución de ecuaciones diferenciales; si un paso constante
es usado, esto implica malgastar energía en regiones con cambios graduales. Cuando se usa
un tamaño de paso variable, se toman tamaños de paso grandes si la derivada de la función
tiende a ser constante y se reduce el tamaño cuando hay cambios abruptos de pendiente.
Para lidiar con los cambios de pendiente se utiliza criterios del error local de truncamiento
en cada paso. Entonces este estimado decide si se aumenta o disminuye el paso. Por ejemplo,
el método Step-Halving usa el error local usando un orden de truncamiento y dos tamaños
de paso, o el método Runge-Kutta Fehlberg compara los resultados del método Runge-Kutta
RK-5 y RK-4 para determinar el nuevo tamaño de paso (Dato curioso: la razón del nombre
del ode45 es porque utiliza el método Runge-Kutta de 4.o y 5.o orden para comparar el error

28
 Capítulo 2. Simulación de sistemas no lineales continuos

Tabla 2.1. Funciones de Matlab para la solución de ecuaciones diferenciales ordinarias y ecuaciones
diferenciales algebraicas

Comando Tipo de problema Exactitud Comentarios

Método más usado y se recomienda
ode45 No rígido Media
usar primero
Usar en casos de ecuación con poca
ode23 No rígido Baja
rigidez o tolerancias crudas
Usar cuando se tengan tolerancias
ode113 No rígido Baja a alta rigurosas o cuando la ecuación es
muy compleja de evaluar
Resolver ecuaciones
ode15s Rígido Baja a media
diferenciales rígidas y DAE
Resolver ecuaciones diferenciales
ode23s Rígido Baja
rígidas con tolerancias crudas
Resolver ecuaciones diferenciales
ode23t Rígido Baja ordinarias moderadamente rígidas
y DAE (regla trapezoidal)
Resolver ecuaciones diferenciales
ode23tb Rígido Baja rígidas de manera eficiente, con
errores de tolerancia crudos
Totalmente
ode15i Baja Usar para sistemas implícitos
implícito
Fuente: adaptado de MatWorks (2022b).

de truncamiento; entonces no se debe referir al método como “ode cuarenta y cinco” sino “ode
cuatro-cinco”. Esto aplica para los otros métodos igualmente).

La rigidez de ecuaciones diferenciales es una propiedad casi cualitativa, aunque se han pro-
puesto maneras de cuantificarlo como el índice de rigidez o razón de rigidez y ocurre cuando
se tienen fenómenos en diferentes escalas de tiempo. Esto implica que algunos estados del
sistema reaccionan muy rápido ante perturbaciones y otros no, lo cual es evidente en las cons-
tantes que acompañan los términos en la ecuación diferencial. Cuando un método numérico
convencional se enfrenta al problema, los fenómenos rápidos dominan la selección del tamaño
de paso forzando al método a realizar un paso muy pequeño, incluso para regiones donde
la función es suave, haciendo la simulación muy ineficiente. Esto ocurre pues al integrar el
sistema de ecuaciones con un método de orden n y una tolerancia de error local de 10−n ,
el paso de integración del algoritmo debe hacerse más pequeño que el valor indicado por la
estimación del error local debido a las restricciones impuestas por la región de estabilidad
numérica (Cellier y Kofman, 2006; Migoni y Kofman, 2007).

Por ende, estos sistemas requieren la utilización de algoritmos de orden de integración menor
o algoritmos especializados para sistemas rígidos. Estos son más eficientes en la determinación
del tamaño de paso y, por tanto, los tiempos de simulación son menores. Aunque esta solución
es la recomendada y funciona casi siempre para los casos evaluados en el curso de control, aún
hay retos para sistemas más complejos. Un problema común de los algoritmos para sistemas

29
Capítulo 2. Simulación de sistemas no lineales continuos

rígidos es la difcultad para manejar entradas dinámicas, en particular el ruido, incrementando

así el problema con aleatoriedad, frecuencia y varianza de la señal de entrada. Esto se debe a
que las predicciones de los estados futuros son afectadas por la parte estocástica de la señal
de entrada, lo que lleva a resultados pobres, a la disminución de la velocidad del algoritmo y
a la limitación de su habilidad para usar pasos grandes durante la integración. Resumiendo,
cuando se tienen sistemas rígidos se requiere un algoritmo para este tipo de ecuaciones. Sin
embargo, para aplicaciones de control, donde se debe analizar el sistema ante perturbaciones
estocásticas, se requeriría un algoritmo explícito (i.e., non-stiff ) (Rosen et al., 2006). El balan-
ce entre condiciones debe ser evaluado para cada caso en particular asi así poder determinar
qué algoritmo es apropiado en cada situación.

A continuación, se muestran diferentes maneras para resolver ecuaciones diferenciales tanto

desde un M-file como desde Simulink.

2.3. Solución de ecuaciones diferenciales ordinarias-M-files

Hay muchas maneras de implementar y resolver ecuaciones diferenciales ordinarias desde un
M-file. Aquí se presentarán dos maneras con sugerencias de formato para realizar los progra-
mas y mostrar los resultados. Para evitar tener muchos programas, se realizan implementacio-
nes usando un solo spript de M-file. Se utilizará el modelo del reactor Van de Vusse mostrado
en la sección 6.1 como ejemplo para mostrar la sintaxis.

2.3.1. Función anónima

Las funciones anónimas son una forma compacta y simple de evaluar ecuaciones dentro de
un programa de Matlab, ya que no necesitan ser almacenadas en otro archivo como las fun-
ciones convencionales (i.e., function). Como tal, el formato de la función anónima se llama
function_handle. Este tipo de funciones pueden aceptar múltiples entradas y proveer múl-
tiples salidas; sin embargo, están restringidas a tener solo una expresión ejecutable.

Para crear una función anónima, se utiliza el símbolo “@”. Para la ecuación diferencial del
reactor se usa:

dCA F 2
= (CAf − CA ) − k1 CA − k3 CA (2.1)
dt V
El código en Matlab que generaría la primera ecuación diferencial y la ejecuta es:

%--------------------------------------------------------------------------
k1 = 5/6; % Constante de reacción para A-->B (min^-1)
k2 = 5/3; % Constante de reacción para B-->C (min^-1)
k3 = 1/6; % Constante de reacción para 2A-->D (mol/(l min))
D = 4/7; % Tasa de dilución (min^-1)
Caf = 10; % Concentración de A a la entrada (mol/l)
dCa_dt = @(t,C)D*(Caf-C(1)) - k1*C(1) -k3*C(1)^2; % Función anónima

30
 Capítulo 2. Simulación de sistemas no lineales continuos

t0 = 0; % Tiempo cero (min)

Ca0 = 2; % Concentración de A en el tiempo cero (mol/l)
dCa = dCa_dt(to,Ca) % Llama la función anónima en t0 y Ca0
%--------------------------------------------------------------------------

Donde:

dCa_dt : nombre de la función anónima

@ : crea la función anónima
(t,C) : indican las variables de la ecuación
D : tasa de dilución (F/V) - entrada del sistema
Caf : concentración de entrada de A - entrada del sistema
k1,k2,k3 : parámetros de la ecuación diferencial (constantes)

En la función anónima creada, los parámetros/variables D, Caf , k1, k2 y k3 se deben estable-

cer antes de definir la función anónima. Las variables de la ecuación se definen entre paréntesis
al momento de llamar la función anónima. Esto es relevante, pues el método numérico llamará
a la función anónima en cada tiempo de integración para conocer el valor de la derivada y así
poder calcular la predicción del estado.

Para constituir un sistema de ecuaciones, se puede crear cada ecuación de manera indepen-
diente y luego agruparlas en una nueva variable o simplemente crearlas como un vector desde
el principio.

2.3.2. Estructura del solver de Matlab

La estructura para resolver sistemas de ecuaciones es la misma para cualquier solver por
utilizar. Como ejemplo se emplea el método ode15s, que resuelve sistemas de ecuaciones
diferenciales originarias rígidas y sistemas de ecuaciones diferenciales algebraicas. Se utiliza
la variable options para configurar las opciones de la función. La estructura simplificada con
opciones de tolerancias del método de manera explícita es:

%--------------------------------------------------------------------------
options = odeset('AbsTol',1e-6,'RelTol',1e-3);
[t,C] = ode15s(odefun,tspan,y0,options)
%--------------------------------------------------------------------------

Donde:

31
Capítulo 2. Simulación de sistemas no lineales continuos

odeset : función para cambiar opciones del solver

AbsTol : tolerancia absoluta del método
RelTol : tolerancia relativa del método
t : vector para almacenar el tiempo
C : vector con los estados
ode15s : solver
odefun : nombre de función anónima que contiene el sistema de ecuaciones
tspan : vector de tiempo para resolver
y0 : vector fila de condiciones iniciales
options : variable con la configuración del método numérico
La función anónima para un sistema de ecuaciones y el solver son utilizadas en el ejemplo
2.1.

Ejemplo 2.1.

Solución de ecuaciones diferenciales ordinarias-función anónima

Se requiere resolver las ecuaciones diferenciales ordinarias para es sistema reactivo de Van
de Vusse en un reactor continuo de mezcla completa (CSTR) utilizando funciones anónimas.
Los parámetros, variables de entrada y condiciones iniciales se muestran en la tabla 6.1.

Solución

Para esta primera solución, se va a explotar funciones anónimas en Matlab para incluir las
ecuaciones dentro del mismo programa. Utilizar funciones anónimas de la manera en que se
muestra es útil cuando se tienen pocas ecuaciones diferenciales. El programa se divide en
tres secciones: inicialización (i.e., parámetros, variables de entrada y condiciones iniciales, de
acuerdo con la tabla 6.1), solución del modelo (i.e., planteamiento de las ecuaciones, configu-
ración del solver y su ejecución) y presentación de resultados (i.e., gráficas con su respectivo
formato).

Como aspectos importantes en esta implementación, se tiene la definición del tiempo de si-
mulación como un vector especial. Se utiliza la función linspace con el fin de generar un
vector de tiempo de 100 elementos entre el valor inicial y el tiempo total de simulación. Esto
no quiere decir que el algoritmo no use un paso variable durante su ejecución; solamente que
retorna los valores de los estados en los instantes de tiempo especificados por la función usada.
Si se desea ver los tiempos usados por el solver, entonces se debe definir el vector de tiem-
po como tspan = [0 tsim], donde tsim corresponde al valor final del tiempo de integración.

32
 Capítulo 2. Simulación de sistemas no lineales continuos

%--------------------------------------------------------------------------
% Solución del sistema Reactor VDV
% Sistema de ecuaciones en el mismo script-función anónima

clc
clear
close all

%% Parámetros,variables de entrada y condiciones iniciales

k1 = 5/6; % Constante de reacción para A-->B (min^-1)

k2 = 5/3; % Constante de reacción para B-->C (min^-1)
k3 = 1/6; % Constante de reacción para 2A-->D (mol/(l min))

D = 4/7; % Tasa de dilución (min^-1)

Caf = 10; % Concentración de A a la entrada (mol/l)
Cao = 2; % Concentración inicial de A (mol/l)
Cbo = 1.117; % Concentración inicial de B (mol/l)
tsim = 10; % Tiempo total de simulación (min)

%% Solución

tspan = linspace(0,tsim); % Vector de tiempo para la simulación

dCa_dt = @(t,C)D*(Caf-C(1)) - k1*C(1) -k3*C(1)^2; % ODE Ca

dCb_dt = @(t,C)-D*C(2) + k1*C(1) - k2*C(2); % ODE Cb
sys = @(t,C)[dCa_dt(t,C);dCb_dt(t,C)]; % Sistema ODE
options = odeset('AbsTol',1e-6,'RelTol',1e-3); % Opciones del solver
[t,C] = ode15s(sys,tspan,[Cao Cbo],options); % Solver

%% Resultados

figure(1)
subplot(211)
plot(t,C(:,1),'b','LineWidth',2); grid;
ylabel('C_A[mol/l]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
subplot(212);grid
plot(t,C(:,2),'b','LineWidth',2); grid;
ylabel('C_B[mol/l]','FontWeight','bold','FontSize',14)
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')

%--------------------------------------------------------------------------

Dando como resultado los perfiles mostrados en la figura 2.1.

33
Capítulo 2. Simulación de sistemas no lineales continuos

Figura 2.1. Simulación del reactor Van de Vusse usando los valores mostrados en tabla 6.1

Nótese que se recomienda un formato de figuras que hacen que luzcan bien cuando se exporten
a documentos de texto. Este formato incluye: formato de líneas, tamaño de fuente y formato
de fuente en negrita.

Reto: en aras de evidenciar la rigidez del sistema en cuestión, se puede cambiar el

solver al ode45 y ode23. Es posible entonces cuantificar la diferencia en el tiempo de
solución. Se recomienda el uso de comandos como tic - toc, o cputime. ¿Qué se puede
concluir?

2.3.3. Funciones separadas para ecuaciones diferenciales

Como alternativa al empleo de funciones anónimas para representar las ecuaciones diferencia-
les, se puede plantear un ambiente diferente al programa principal. Este ambiente corresponde
a un programa diferente diseñado para proveer unas salidas cuando se alimentan detarminadas
entradas. Una función por lo general se ubica en un archivo diferente con nombre exactamente
igual al de la función. Como el objetivo de los programas por realizar es solo tener un M-file,
se utilizará una sintaxis especial que permite tener tanto el programa maestro como la función
que contiene las ecuaciones diferenciales en el mismo archivo.

34
 Capítulo 2. Simulación de sistemas no lineales continuos

La sintaxis para definir una función es:

%--------------------------------------------------------------------------
function ['Salidas']=Nombre('Entradas')
Algoritmo % Conjunto de operaciones por realizar en la función
Salidas = ...
end
%--------------------------------------------------------------------------

Donde “Salidas” es un conjunto de variables separadas por coma que se calculan dentro de la
función, “Nombre” es la referencia para la función (i.e., nombre que es usado para ejecutarla)
y “Entradas” es un conjunto de variables/parámetros separados por comas que son necesarios
para hacer los cálculos dentro de la función. Algo particularmente importante de las funciones
es cómo manejan la información. Desde el punto de vista del workspace, para una función solo
existen las variables/parámetros que se especificaron como entradas, a pesar de que existan en
el workspace durante la ejecución del programa. Análogamente, una vez se termina la ejecución
de la función, para el programa principal solo existen las variables/parámetros que se especi-
ficaron como salidas de las función (Nota: aunque esta es una condición para la ejecución de
funciones, existen maneras para evitar esta condición como las funciones evalin y assignin).

Ejemplo 2.2.

Solución de ecuaciones diferenciales ordinarias-función

Se requiere resolver las ecuaciones diferenciales ordinarias para la reacción de Van de Vusse
en un reactor CSTR utilizando funciones. Los parámetros, variables de entrada y condiciones
iniciales se muestran en la tabla 6.1.

Solución

Se usan funciones con el fin de especificar las ecuaciones diferenciales, pero esto se hace dentro
de un mismo programa. Utilizar funciones es útil cuando se tienen muchas ecuaciones diferen-
ciales, acompañadas con ecuaciones complementarias como cinéticas y muchos parámetros.
Para lograr el uso de funciones en el mismo archivo que el programa que las llama, el programa
maestro debe ser también una función.

El programa se divide en cuatro secciones: inicialización (i.e., parámetros, variables de entrada

y condiciones iniciales), solución del modelo (i.e., planteamiento de las ecuaciones, configu-
ración del solver y su ejecución), presentación de resultados (i.e., gráficas con su respectivo
formato) y al final del programa maestro, se especifica una la función que contiene las ecua-
ciones diferenciales.

35
Capítulo 2. Simulación de sistemas no lineales continuos

Hint: algo importante en esta implementación es que el nombre del archivo debe ser
igual al de la función principal, en este caso VDVReactor_2. Hay que tener cuidado
con el con el nombre que se selecciona, pues no puede ser igual a uno de una función
existente en Matlab.

%--------------------------------------------------------------------------
% Solución del sistema Reactor VDV
% Sistema de ecuaciones en el mismo script-función

function VDVReactor_2

clc
clear all
close all

%% Parámetros,variables de entrada y condiciones iniciales

k1 = 5/6; % Constante de reacción para A-->B (min^-1)

k2 = 5/3; % Constante de reacción para B-->C (min^-1)
k3 = 1/6; % Constante de reacción para 2A-->D (mol/(l min))

D = 4/7; % Tasa de dilución (min^-1)

Caf = 10; % Concentración de A a la entrada (mol/l)
Cao = 2; % Concentración inicial de A (mol/l)
Cbo = 1.117; % Concentración inicial de B (mol/l)
tsim = 10; % Tiempo total de simulación (min)

%% Solución

tspan = linspace(0,tsim); % Vector de tiempo para la simulación

[t,C] = ode15s(@(t,C)ODE_equations(t,C,k1,k2,k3,Caf,D),tspan,[Cao Cbo]);

%% Resultados

figure(1)
subplot(211)
plot(t,C(:,1),'b','LineWidth',2); grid;
ylabel('C_A[mol/l]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
subplot(212);grid
plot(t,C(:,2),'b','LineWidth',2); grid;
ylabel('C_B[mol/l]','FontWeight','bold','FontSize',14)
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')

end

function [dC_dt] = ODE_equations(t,C,k1,k2,k3,Caf,D)

Ca = C(1); % Cambio de variable
Cb = C(2); % Cambio de variable

dC_dt = zeros(length(C),1);

36
 Capítulo 2. Simulación de sistemas no lineales continuos

dC_dt(1) = D*(Caf-Ca) - k1*Ca -k3*Ca^2; % ODE Ca

dC_dt(2) = -D*Cb + k1*Ca - k2*Cb; % ODE Cb

end

%--------------------------------------------------------------------------

Algo importante por notar en la implementación, es que los parámetros cinéticos y las va-
riables de entrada se especificaron como entradas a la función ODE_equations. Por tanto,
se definen antes de ejecutar el método numérico. Esta implementación es conveniente, pues
permite tener solo un programa para realizar los cálculos; además es útil para análisis de
sensibilidad, estimación de parámetros, optimización, control de procesos, entre otras aplica-
ciones.

Al ejecutar el código propuesto se obtiene como resultado la figura 2.2, idéntica a la figura
2.1 del ejemplo anterior.

Figura 2.2. Simulación del reactor Van de Vusse usando los valores mostrados en tabla 6.1

Nota: esta implementación tiene una desventaja. Como el programa principal es una función
que no tiene entradas ni salidas, al terminar la ejecución del programa ninguno de los resulta-
dos queda grabado en el workspace. Para subsanar este inconveniente, se pueden guardar los
resultados en un archivo de datos .mat usando el comando save dentro del programa principal.

37
Capítulo 2. Simulación de sistemas no lineales continuos

En los ejemplos 2.1 y 2.2 se mostraron dos opciones de configuración para el solver de las ecua-
ciones diferenciales ordinarias usando la función odeset. Dentro de esta función se pueden
configurar 21 propiedades de los algoritmos, útiles en diferentes aplicaciones; sin embargo, se
mostró solo la configuración por defecto de dos de ellas llamadas AbsTol y RelTol. Teniendo
en cuenta la relevancia de sintonizar la exactitud de los métodos, estas tolerancias pueden
disminuirse. Casos en los que se recomienda modificar las tolerancias son, por ejemplo: cuan-
do en la solución se ve ruido numérico, cuando se tienen concentraciones negativas cercanas
a cero que violan balances de materia o cuando la solución no se ve suavizada.

Finalmente, hay muchas opciones para hacer implementaciones más genéricas útiles para sis-
temas más grandes. A este nivel se puede:

• Usar variables llamadas “estructuras” para transportar información entre funciones. Una
estructura puede almacenar muchos parámetros y es posible transportar de una función
a otra solo llamando el nombre la variable principal. Por ejemplo, en la variable llamada
par, podemos almacenar los parámetros D = 4/7, Caf = 10, Cao = 2 y Cbo = 1,117,
así:

%--------------------------------------------------------------------------
par.D = 4/7; % Tasa de dilución (min^-1)
par.Caf = 10; % Concentración de A a la entrada (mol/l)
par.Cao = 2; % Concentración inicial de A (mol/l)
par.Cbo = 1.117; % Concentración inicial de B (mol/l)
%--------------------------------------------------------------------------

Donde par puede ser la entrada a una función y dentro de ella el algoritmo reconoce
los parámetros independientes para usar en las ecuaciones, entonces tenemos los cuatro
parámetros incluidos. Esto difiere al usar un vector par = [4/7 10 2 1.117], pues en
este último caso tenemos que saber que el primer elemento del vector es D, el segundo
es Caf , el tercero es Cao y el cuarto es Cbo . Usando estructuras, le ponemos el nombre
de la variable y no importa el orden en el que las definimos, pues siempre existirán como
parámetros dentro de la estructura. Esto es particularmente importante cuando tene-
mos modelos muy grandes con una cantidad de parámetros elevada o cuando estamos
desarrollando un modelo en el que continuamente estamos modificando el programa,
por lo que memorizar la posición de parámetros en un vector se torna una pesadilla.

• Uso de células para almacenar información matricial de diferente tamaño. En Matlab

podemos generar matrices de las dimensiones que requiramos; para el curso de control
difícilmente se requieren matrices de más de tres dimensiones (i.e., An,m,l ), donde n son
las filas, m las columnas y l es una tercera dimensión. Por ejemplo, en la matriz An,m,l ,
deseamos almacenar los resultados de varias simulaciones dinámicas del reactor Van de
Vusse, donde en cada simulación evaluamos una tasa de dilución diferente. Entonces, en
las fila n se almacena el resultado de cada estado en el tiempo, en la columna m estará
cada estado (i.e., m = 1 contiene Ca y m = 2 contiene Cb ) y en cada proyección de la
dimensión l, tendremos los resultados de Ca y Cb para cada tasa de dilución.

38
 Capítulo 2. Simulación de sistemas no lineales continuos

El problema con esta configuración es que para cada tasa de dilusión evaluada los vec-
tores de Ca y Cb pueden tener diferente tamaño, lo cual puede entrar en conflicto con
la matriz original de tamaño An,m,l . Como alternativa aparecen las variables llamadas
células. Una célula es un contenedor análogo a una matriz, pero en cada posición de
esta se puede almacenar cualquier tipo de información sin importar su naturaleza (e.g.,
vector, matriz, letras, archivos de texto) y sin importar su dimensión. La sintaxis de las
células es muy parecida a las de matrices para referirse a las posiciones, solo cambiando
el tipo de paréntesis usado. Estas pueden usarse así:

%--------------------------------------------------------------------------
A = [1 2 3; 4 5 6]; % Matriz 2x3 de ejemplo
B = [7 8; 9 10]; % Matriz 2x2 de ejemplo
R_cell{1} = A;
R_cell{2} = B;
%--------------------------------------------------------------------------

Entonces, dentro de la célula Rcell su primer elemento es la matriz A y el segundo ele-

mento es la matriz B, que son de diferentes dimensiones y no entran en conflicto. Para
extraer valores que están dentro de células podemos referirnos directamente a la posición
dentro de los “{}” donde extraería a toda la matriz, o si deseamos un elemento en par-
ticular, podemos usar paréntesis así: R_cell1(1,:). Con esta última línea, extraemos
la primera fila de la matriz A.

• Se recomienda, además, para facilitar la escritura de modelos grandes, emplear matrices

estequiométricas para cinéticas, usar balances generalizados que permitan la autogene-
ración de ecuaciones (útil en reactores y sistemas de separación por etapas) y plantear
las ecuaciones diferenciales en modo matricial cuando se tienen sistemas multidimensio-
nales.

2.4. Solución de las EDO-Simulink

Para resolver ecuaciones diferenciales ordinarias en Simulink se utilizan los mismos métodos
numéricos que en Matlab, pues el motor de solución es igual. Sin embargo, la forma en que
se concibe el programa es parcialmente diferente. Para realizar las implementaciones para la
solución de las EDO en Simulink como ambiente principal de programación, se explotan ar-
quitecturas de programación análogas a la mostrada en la figura 1.12b. Entonces, el programa
principal es en Simulink y este llama programas específicos en Matlab (M-file) para realizar
tareas particulares. En esta sección se utilizarán dos funciones diferentes que permiten realizar
la simulación de sistemas representados por ecuaciones diferenciales ordinarias. Adicionalmen-
te, se emplean las herramientas de conectividad entre ambientes de trabajo para poder cargar
información a Simulink y posterior a la simulación realizar las gráficas con formato en Matlab.

39
Capítulo 2. Simulación de sistemas no lineales continuos

2.4.1. Estrategia de Interpreted function

En esta sección se muestra cómo construir una simulación que resuelva un sistema de ecuacio-
nes diferenciales en Simulink utilizando una función en Matlab que contiene las ecuaciones di-
ferenciales y retorna dCi /dt. Estos valores son integrados en Simulink para generar Ci = f (t).
Finalmente, los resultados de la simulación de Simulink se exportarán al ambiente de trabajo
de Matlab para ser graficadas por un programa especial en M-file automáticamente. La ar-
quitectura específica se muestra en la figura 2.3. Teniendo en cuenta la complejidad de esta
arquitectura, se explicarán las partes y luego se mostrará en un ejemplo cómo todo se agrupa.

Figura 2.3. Arquitectura para implementar la solución de ecuaciones diferenciales en Simulink-

Interpreted function

1. Implementación en Simulink: de manera estructural, el problema por implementar se

descompone en entradas (perturbaciones), modelo (set de ecuaciones diferenciales), in-
tegración de las ecuaciones (método numérico) y resultados (gráficas de los estados del
sistema). Las partes del modelo se conectan con herramientas de procesamiento de se-
ñales. Los bloques requeridos para esta simulación y su ubicación en la librería son:

Entradas : Sources, como se requiera

Modelo : User-defined functions-Interpreted function
Integración : Continuous-Integrator
Resultados : Sinks, como se requiera
Manejo de señales : Signal Routing, como se requiera
Conectividad : Sinks, como se requiera

La arquitectura empleada se muestra en la figura 2.4.

El bloque de particular interés es el de Interpreted function. En principio, el bloque

puede ser usado para cualquier tipo de cálculo; en este caso se está usando para cal-
cular el valor de las derivadas para cada estado. Este bloque tiene un bus de datos de

40
 Capítulo 2. Simulación de sistemas no lineales continuos

Figura 2.4. Implementación genérica de un programa en Simulink usando Interpreted function

entrada y uno de salida, lo que implica que todas las entradas se deben tener como una
serie de tiempo y la salida será otra serie de tiempo al terminar la simulación. Para las
ecuaciones diferenciales, el bus de entrada debe contener las entradas al sistema y los
estados (que son retroalimentados), con el fin de que la salida sea un bus con los valores
de dCi /dt. Este vector será integrado con otro bloque especial llamado Integrator. Este
bloque utiliza una aproximación numérica para evaluar la integral de la señal de entrada
en el tiempo actual, utilizando el valor de la entrada en el tiempo actual y los estados
en el tiempo anterior. Para este bloque hay que especificar las condiciones iniciales del
sistema (MatWorks, 2022i). La configuración por defecto de los bloques utilizados se
muestran en la figura 2.5. Para el caso de estudio, la configuración será modificada.

Figura 2.5. Configuración por defecto de los bloques Interpreted function e Integrator

41
Capítulo 2. Simulación de sistemas no lineales continuos

2. Función en Matlab: el bloque implementado en Simulink llamado Interpreted function

debe estar asociado a una función en Matlab (M-file) que retorne el valor de las ecua-
ciones diferenciales en cada tiempo de integración. Esta función es análoga a la función
que se construye para resolver ecuaciones diferenciales en la sección 2.3.3. La única di-
ferencia es la definición de las entradas, pues aquí hay que alimentar tanto las entradas
al sistema como los estados.

3. Programa en Matlab para realizar las figuras: una vez se terminan los cálculos en Si-
mulink, los datos de solución de las ecuaciones diferenciales son enviados al workspace
utilizando un bloque especial de Simulink llamado To workspace. Aprovechando que
los datos de la simulación existen en el workspace, se construye un programa con un
M-file que grafique los resultados con un formato ajustado para que se vean bien al ser
exportadas para un reporte.

Estas ideas son empleadas en el ejemplo 2.3 para la solución del sistema de ecuaciones dife-
renciales ordinarias del reactor Van de Vusse.

Ejemplo 2.3.

Solución de ecuaciones diferenciales ordinarias-Interpreted function

Se desea evaluar el comportamiento de los estados del sistema reactivo Van de Vusse en un
CSTR cuando se aplican perturbaciones tanto en la tasa de dilución como en la concentración
de entrada de A. Los valores de parámetros, condiciones iniciales y variables de entrada son
tomados de la tabla 6.1. La simulación se realiza por 30 min usando una Interpreted function,
donde en el tiempo=10 min se perturba la tasa de dilución con un cambio escalón de amplitud
de 1/5 min−1 . En el tiempo=20 min, se perturba la concentración de A en el alimento con
un cambio escalón de amplitud -2 mol/l. Finalmente, se desea graficar tanto las señales de
entrada como de salida del modelo en Matlab de manera automática.

Solución

Para resolver este problema, se utiliza la estrategia descrita anteriormente. Primero se realiza
la implementación en Simulink, seguido de la construcción del modelo matemático en Matlab
para, por último, realizar de manera automática las gráficas usando otro programa de Matlab.
En primera instancia, se utilizan los bloques mostrados en la tabla 2.2 para construir el mo-
delo mostrado en la figura 2.6.

42
 Capítulo 2. Simulación de sistemas no lineales continuos

Figura 2.6. Implementación en Simulink del sistema Van de Vusse usando Interpreted fuction

Tabla 2.2. Tipo de variable asociada a cada bloque y su ubicación en la librería de Simulink
Variable Ubicación Bloque
Tasa de dilución Sources Step
Concentración de entrada Sources Step
Modelo User-defined functions Interpreted function
Manejo de señales Signal Routing Mux
Resultados Simulink Sinks Scope
Resultados Matlab Sinks To workspace
Conectividad Menú Model properties
Fuente: Elaboración propia

En primera instancia, se debe cambiar el tiempo de simulación a 30 min en la parte superior

de la ventana de trabajo, ya que por defecto es 10. Como se mencionó, la Interpreted function
tiene un solo puerto de entrada por donde se tiene que alimentar las series de tiempo de las
entradas y los estados. Por tanto, se utiliza el bloque de Mux para combinar las señales. En
este caso en particular, entran a la Interpreted function cuatro elementos en cada instante de
tiempo (dos entradas y dos estados). Algo interesante es de dónde se sacan los estados; estos
provienen de la integración del modelo, de allí la razón de la retroalimentación que tiene la
implementación desde el bloque integrator hacia la Interpreted function.

Por otro lado, nótese que se usaron unos bloques de conectividad llamados To workspace.
Este bloque permite enviar al workspace la información que se le alimenta en diferente tipo
de formato. Esto se hace para que se pueda construir un programa en Matlab que permita
graficar los resultados con un formato análogo al utilizado en implentaciones previas.

Hint: como dato curioso, los bloques de Simulink permiten asociar imágenes para
mejorar la visualización. Esto se puede hacer en el menú Mask. En este caso se puso
un reactor decorativo, que será usado de ahora en adelante en las simulaciones.

43
Capítulo 2. Simulación de sistemas no lineales continuos

Ahora, la configuración de los bloques utilizados en la implementación se muestra en la figura

2.7. En la primera ventana se muestra la perturbación paso en la tasa de dilución, de manera
análoga se configura el bloque de la perturbación de la concentración de entrada de A. En la
segunda ventana, se ve la configuración del bloque To workspace; en este bloque, se le asig-
na un nombre a la variable (i.e., “Inputs”) y en la sección de save format se escoge el tipo
serie de tiempo (otras opciones son: estructura con tiempo, estructura y vector). La tercera
ventana corresponde a la configuración del bloque de integración; en esta solo se modifica la
sección de las condiciones iniciales colocando los valores especificados por el problema (estas
también pueden ser modificadas de manera externa). Finalmente, la configuración del bloque
del modelo se muestra; aquí solo hay que especificar el nombre de la función en Matlab donde
estarán las ecuaciones diferenciales.

Figura 2.7. Configuración de los bloques usados en la simulación

Ahora, se construye en Matlab la función con las ecuaciones diferenciales, de la misma manera
que se hizo en la sección 2.3. El programa es:

%--------------------------------------------------------------------------

function [dC_dt] = ODE_system(u)

k1 = 5/6; % Constante de reacción para A-->B (min^-1)

k2 = 5/3; % Constante de reacción para B-->C (min^-1)
k3 = 1/6; % Constante de reacción para 2A-->D (mol/(l min))

D = u(1); % Tasa de dilución (min^-1)

Caf= u(2); % Concentración de A a la entrada (mol/l)

Ca = u(3); % Concentración de A
Cb = u(4); % Concentración de B

dC_dt = zeros(length(2),1);

44
 Capítulo 2. Simulación de sistemas no lineales continuos

dC_dt(1) = D*(Caf-Ca) - k1*Ca -k3*Ca^2; % ODE Ca

dC_dt(2) = -D*Cb + k1*Ca - k2*Cb; % ODE Cb

end

%--------------------------------------------------------------------------

Nótese que en el programa el orden de las entradas, donde las primeras dos corresponden a
las entradas en el mismo orden que fueron puestas en Simulink, seguidas de los estados en el
mismo orden en que serán puestas las ecuaciones diferenciales.

Por último, se construye un programa en Matlab para realizar las gráficas deseadas utilizando
los valores exportados por los bloques To workspace. Es importante tener en cuenta el for-
mato de datos usado por el workspace es series de tiempo. Por tanto, dentro de las variables
exportadas están tanto el tiempo como los datos (i.e., entradas para “Inputs” y estados pa-
ra “yout_NL”. Las series de tiempo usan la nomenclatura de variables tipo estructura, que
guardan variables dentro de variables (como ya se mencionó). Para facilitar el manejo de las
variables, en la primera parte del programa se extraen las variables a un formato convencional
de vector. Todas la gráficas se ubican en una sola figura usando el comando subplot.

Ahora bien, se requiere un truco final para correr automáticamente el programa de las figu-
ras cuando se termine la simulación de Simulink; aunque esto no es necesario, incorporarlo
facilita mucho la simulación. Para esto, se abre el menú Model properties que se encuentra en
la pestaña de Modelling/Model settings. Se abrirá la ventana mostrada en la figura 2.8 y se
selecciona la opción Callbacks. Esta funcionalidad de Simulink permite correr programas de
Matlab en diferentes momentos de la simulación: antes de empezar, cuando termina, cuando
se corre, cuando se cierra, entre otras. La opción que se usa es la StopFcn, que indica qué hacer
cuando el programa de Simulink termina la simulación. En la ventana de la derecha se escribe
el nombre del programa de Matlab que hace las figuras. De esta manera, cuando Simulink
termina la ejecución del programa, automáticamente se correrá el programa de Matlab que
hace las figuras, que en este caso se llama “Plots_NL”.

%--------------------------------------------------------------------------
% Programa para hacer la figuras

close all

% Resultados del modelo no lineal

% Los resultados estan en formato de series de tiempo (estructuras)

tiempo=yout_NL.Time; % Serie de tiempo con el tiempo asociado a la salida

Ca=yout_NL.Data(:,1); % Serie de tiempo con la variable Ca
Cb=yout_NL.Data(:,2); % Serie de tiempo con la variable Cb

% Entradas

tiempo_In=Inputs.Time;% Serie de tiempo con el tiempo asociado a la entrada

D=Inputs.Data(:,1); % Serie de tiempo con D

45
Capítulo 2. Simulación de sistemas no lineales continuos

Caf=Inputs.Data(:,2); % Serie de tiempo con Caf

% Resultados

figure(1)
subplot(221)
plot(tiempo_In,D,'b','LineWidth',2)
ylabel('D[1/min]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid
subplot(222)
hold on
plot(tiempo,Ca,'b','LineWidth',2)
grid
ylabel('C_A[mol/l]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
subplot(223)
plot(tiempo_In,Caf,'b','LineWidth',2)
ylabel('Caf[mol/l]','FontWeight','bold','FontSize',14)
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid
subplot(224)
plot(tiempo,Cb,'b','LineWidth',2)
grid
ylabel('C_B[mol/l]','FontWeight','bold','FontSize',14)
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')

%--------------------------------------------------------------------------

Figura 2.8. Configuración de los bloques usados en la simulación

46
 Capítulo 2. Simulación de sistemas no lineales continuos

Para obtener los resultados, se ejecuta el programa de Simulink desde la ventana de trabajo
y automáticamente se deben generar las siguientes gráficas (figura 2.9):

Figura 2.9. Resultados de la simulación del sistema Van de Vusse ante dos perturbaciones

2.4.2. Estrategia usando una s-function

En esta sección, se muestra cómo explotar un bloque muy potente de Simulink llamado
s-function. Este bloque corresponde a un ambiente de Simulink que se puede escribir en
diferentes lenguajes de programación como M-file, C#, C++ o Fortran. Las rutinas como
s-function se unen con Simulink de manera dinámica, por tanto el motor de ejecución de
Matlab las puede automáticamente cargar y ejecutar (MatWorks, 2022y). En Matlab se en-
cuentran dos tipos de s-function, llamadas Nivel 1 y Nivel 2. Para los propósitos del curso de
Control Automático de Procesos, el uso de la herramienta se limitará a s-function del nivel
1. Este bloque permite la solución de ecuaciones continuas, discontinuas y sistemas híbridos
e incluye: ecuaciones algebraicas, ecuaciones diferenciales ordinarias, ecuaciones diferenciales
algebraicas y ecuaciones en diferencia. En términos genéricos, un modelo en Simulink se puede
componer de un set de entradas (u), estados (continuos xc y discretos xd ) y salidas (y), donde
las salidas son función del tiempo (t), las entradas (u) y los estados (x = [xc ; xd ]) como se

47
Capítulo 2. Simulación de sistemas no lineales continuos

muestra en la figura 2.10.

Figura 2.10. Estructura de un modelo en Simulink usando s-function y las ecuaciones que lo
describen. [Fuente: elaboración propia con base en MatWorks (2022y)]

Para resolver dicho modelo híbrido (i.e., continuo, discreto o mezcla), Simulink ejecuta un
algoritmo jerárquico en forma de script de Matlab en etapas (MatWorks, 2022y), las cuales
se ilustran en la figura 2.11. El proceso comienza con la inicialización. En esta etapa se es-
tablecen: tamaño de las señales, tipo de datos, información acerca del tiempo de muestreo;
se evalúan los bloques de parámetros, se determina el orden de ejecución del programa y se
fija la memoria. Este proceso se realiza una sola vez, para posteriormente entrar al ciclo de
simulación donde cada interacción se refiere a “paso de simulación”. En el ciclo, Simulink
ejecuta cada parte del programa siguiendo el orden que se definió en la inicialización a través
de funciones que son ejecutadas usando una variable llamada Flag. Estas funciones calculan
los estados, las derivadas y las salidas en cada tiempo de muestreo.

Si el sistema contiene estados continuos, hay un ciclo interno llamado “integración” donde se
resuelven las ecuaciones diferenciales. Este ciclo se repite hasta que se alcanza la exactitud
deseada para los cálculos de los estados continuos.

Para usar una s-function, se realiza una implementación análoga a la del caso anterior cuan-
do se empleó la Interpreted function. Entonces, el programa consta de una implementación en
Simulink y una en M-file. Como una extensión del caso anterior, se plantea una arquitectura
específica que se muestra en la figura 2.12. La arquitectura de la implementación es muy
parecida al caso anterior, con la diferencia de que no se usa el bloque de Integrator y no hay
retroalimentación de los estados. Para la configuración del bloque s-function, solo requie-
re especificar el nombre del la s-function guardada como una función M-file. El bloque de
esta función se encuentra en la librería de Simulink en la subsección de User defined functions.

48
 Capítulo 2. Simulación de sistemas no lineales continuos

Figura 2.11. Ciclo de simulación de una s-function en Simulink. [Fuente: elaboración propia con
base en MatWorks (2022y)]

Teniendo en cuenta la complejidad de la escritura de una s-function, Simulink ofrece un

marco o template para que los usuarios ajusten dependiendo de la aplicación, sin tener que
escribir la función desde cero. El template se encuentra en “User defined functions/S-function
examples/Matlab File S-functions/Level-1 MATLAB files S-functions/level-1 MATLAB file
template”. En esta misma ventana se encuentran algunos ejemplos de s-functions igualmen-
te. Cuando se ejecuta “level-1 MATLAB file template”, se abre el siguiente código fuente. Este
código está constituido por varias secciones que se describen a continuación:

1. Encabezado: en esta sección se explican las secciones y la configuración de la s-function.

El código de esta sección es:

%SFUNTMPL General MATLAB S-Function Template

% With MATLAB S-functions, you can define you own ordinary differential

49
Capítulo 2. Simulación de sistemas no lineales continuos

Figura 2.12. Arquitectura genérica para implementar la solución de ecuaciones diferenciales en Si-
mulink a través de la función s-function

% equations (ODEs), discrete system equations, and/or just about

% any type of algorithm to be used within a Simulink block diagram.
%
% The general form of an MATLAB S-function syntax is:
% [SYS,X0,STR,TS,SIMSTATECOMPLIANCE] = SFUNC(T,X,U,FLAG,P1,...,Pn)
%
% What is returned by SFUNC at a given point in time, T, depends on the
% value of the FLAG, the current state vector, X, and the current
% input vector, U.
%
% FLAG RESULT DESCRIPTION
% ----- ------ --------------------------------------------
% 0 [SIZES,X0,STR,TS] Initialization, return system sizes in SYS,
% initial state in X0, state ordering strings
% in STR, and sample times in TS.
% 1 DX Return continuous state derivatives in SYS.
% 2 DS Update discrete states SYS = X(n+1)
% 3 Y Return outputs in SYS.
% 4 TNEXT Return next time hit for variable step sample
% time in SYS.
% 5 Reserved for future (root finding).
% 9 [] Termination, perform any cleanup SYS=[].
%
%
% The state vectors, X and X0 consists of continuous states followed
% by discrete states.
%
% Optional parameters, P1,...,Pn can be provided to the S-function and
% used during any FLAG operation.
%
% When SFUNC is called with FLAG = 0, the following information
% should be returned:
%
% SYS(1) = Number of continuous states.
% SYS(2) = Number of discrete states.
% SYS(3) = Number of outputs.
% SYS(4) = Number of inputs.

50
 Capítulo 2. Simulación de sistemas no lineales continuos

% Any of the first four elements in SYS can be specified

% as -1 indicating that they are dynamically sized. The
% actual length for all other flags will be equal to the
% length of the input, U.
% SYS(5) = Reserved for root finding. Must be zero.
% SYS(6) = Direct feedthrough flag (1=yes, 0=no). The s-function
% has direct feedthrough if U is used during the FLAG=3
% call. Setting this to 0 is akin to making a promise that
% U will not be used during FLAG=3. If you break the promise
% then unpredictable results will occur.
% SYS(7) = Number of sample times. This is the number of rows in TS.
%
%
% X0 = Initial state conditions or [] if no states.
%
% STR = State ordering strings which is generally specified as [].
%
% TS = An m-by-2 matrix containing the sample time
% (period, offset) information. Where m = number of sample
% times. The ordering of the sample times must be:
%
% TS = [0 0, : Continuous sample time.
% 0 1, : Continuous, but fixed in minor step
% sample time.
% PERIOD OFFSET, : Discrete sample time where
% PERIOD > 0 & OFFSET < PERIOD.
% -2 0]; : Variable step discrete sample time
% where FLAG=4 is used to get time of
% next hit.
%
% There can be more than one sample time providing
% they are ordered such that they are monotonically
% increasing. Only the needed sample times should be
% specified in TS. When specifying more than one
% sample time, you must check for sample hits explicitly by
% seeing if
% abs(round((T-OFFSET)/PERIOD) - (T-OFFSET)/PERIOD)
% is within a specified tolerance, generally 1e-8. This
% tolerance is dependent upon your model's sampling times
% and simulation time.
%
% You can also specify that the sample time of the S-function
% is inherited from the driving block. For functions which
% change during minor steps, this is done by
% specifying SYS(7) = 1 and TS = [-1 0]. For functions which
% are held during minor steps, this is done by specifying
% SYS(7) = 1 and TS = [-1 1].
%
% SIMSTATECOMPLIANCE = Specifices how to handle this block when saving and
% restoring the complete simulation state of the
% model. The allowed values are: 'DefaultSimState',
% 'HasNoSimState' or 'DisallowSimState'. If this value
% is not speficified, then the block's compliance with
% simState feature is set to 'UknownSimState'.

51
Capítulo 2. Simulación de sistemas no lineales continuos

% Copyright 1990-2010 The MathWorks, Inc.

%
% The following outlines the general structure of an S-function.

Como se puede ver en el código, el encabezado corresponde a comentarios de cómo se

estructura la s-function. Según se indica allí, esta función tiene como entradas: el
tiempo (T), los estados(X), las entradas del sistema (U), una variable muy importante
llamada Flag y parámetros externos de ser necesarios (P1,...Pn). La variable Flag se
utiliza para ejecutar diferentes partes del programa de manera sistemática desde la op-
ción 0 hasta la 9. En el encabezado también se explica el significado de la variable de
salida sys, que es donde se guarda la información importante que se va a transportar
entre funciones desde sys(1) hasta sys(7). Finalmente, se muestra x0 como el vector
con las condiciones iniciales, str como el orden vector con el orden de las variables y
TS como una matriz de dos columnas donde se especifica si el sistema es continuo o
discreto, el tiempo de muestreo y offsets.

2. Orden de Flag: en esta sección se muestra la serie de funciones que se ejecutan depen-
diendo del valor de la variable flag.

switch flag,

%%%%%%%%%%%%%%%%%%
% Initialization %
%%%%%%%%%%%%%%%%%%
case 0,
[sys,x0,str,ts,simStateCompliance]=mdlInitializeSizes;

%%%%%%%%%%%%%%%
% Derivatives %
%%%%%%%%%%%%%%%
case 1,
sys=mdlDerivatives(t,x,u);

%%%%%%%%%%
% Update %
%%%%%%%%%%
case 2,
sys=mdlUpdate(t,x,u);

%%%%%%%%%%%
% Outputs %
%%%%%%%%%%%
case 3,
sys=mdlOutputs(t,x,u);

%%%%%%%%%%%%%%%%%%%%%%%
% GetTimeOfNextVarHit %
%%%%%%%%%%%%%%%%%%%%%%%
case 4,

52
 Capítulo 2. Simulación de sistemas no lineales continuos

sys=mdlGetTimeOfNextVarHit(t,x,u);

%%%%%%%%%%%%%
% Terminate %
%%%%%%%%%%%%%
case 9,
sys=mdlTerminate(t,x,u);

%%%%%%%%%%%%%%%%%%%%
% Unexpected flags %
%%%%%%%%%%%%%%%%%%%%
otherwise
DAStudio.error('Simulink:blocks:unhandledFlag', num2str(flag));

end

El propósito de cada parte del programa es:

• Flag 0: ejecuta la función mdlInitializeSizes, la cual inicializa el sistema y

retorna opciones de tamaño del sistema, las condiciones iniciales del sistema y
opciones acerca del tiempo.
• Flag 1: ejecuta la función mdlDerivatives y retorna en la variable sys las deri-
vadas de los estados continuos.
• Flag 2: ejecuta la función mdlUpdate y retorna en la variable sys con la actuali-
zación de los estados discretos.
• Flag 3: ejecuta la función mdlOutputs y retorna las salidas del sistema que se
calculan en función de los estados.
• Flag 4: ejecuta la función mdlGetTimeOfNextVarHit y retorna en la variable sys
el siguiente valor del tiempo cuando se usa un método numérico de paso variable.
• Flag 5: reservado para actualización.
• Flag 9: ejecuta la función mdlTerminate que termina el programa y limpia la
variable sys.

En esta parte del programa solo se llaman a subsecciones; se puede ver que en cada caso
no hay código para ejecutar acciones, solo se llaman las funciones que son definidas más
adelante. Esta parte no debe ser modificada, aunque para usuarios más avanzados, esta
parte del programa puede ser extendida para incluir nuevas variables. A continuación
se muestra el sentido de cada una de las funciones definidas por los Flags.

3. mdlInitializeSizes: esta función es la encargada de inicializar la s-function. Esta

función retorna el tamaño del problema definido dentro de la estuctura sizes. Se define
entonces el número de entradas (i.e., sizes.NumInputs, salidas (i.e., sizes.NumOutputs),
estados (i.e., sizes.NumContStates y sizes.NumDiscStates), las condiciones inicia-
les (i.e., x0) y el tiempo de muestreo (i.e., ts), de acuerdo con la naturaleza del modelo.
Esta sección es la primera que se tiene que modificar en el programa.

%=============================================================================

53
Capítulo 2. Simulación de sistemas no lineales continuos

% mdlInitializeSizes
% Return the sizes, initial conditions, and sample times for the S-function.
%=============================================================================
%
function [sys,x0,str,ts,simStateCompliance]=mdlInitializeSizes

%
% call simsizes for a sizes structure, fill it in and convert it to a
% sizes array.
%
% Note that in this example, the values are hard coded. This is not a
% recommended practice as the characteristics of the block are typically
% defined by the S-function parameters.
%
sizes = simsizes;

sizes.NumContStates = 0; % Número de estados continuos

sizes.NumDiscStates = 0; % Número de estados discretos
sizes.NumOutputs = 0; % Número de salidas
sizes.NumInputs = 0; % Número de entradas
sizes.DirFeedthrough = 1; % Valida si se tienen salidas que sean entradas
sizes.NumSampleTimes = 1; % at least one sample time is needed

sys = simsizes(sizes);

%
% initialize the initial conditions
%
x0 = []; % Vector con las condiciones iniciales

%
% str is always an empty matrix
%
str = [];

%
% initialize the array of sample times
%
ts = [0 0]; % Configuración de los tiempos de muestreo

% Specify the block simStateCompliance. The allowed values are:

% 'UnknownSimState', < The default setting; warn and assume DefaultSimState
% 'DefaultSimState', < Same sim state as a built-in block
% 'HasNoSimState', < No sim state
% 'DisallowSimState' < Error out when saving or restoring the model sim state
simStateCompliance = 'UnknownSimState';

% end mdlInitializeSizes
%=============================================================================

El vector fila de la condición inicial x0 tiene la misma configuración que la usada en

ode15s. La variable str se deja vacía y el vector ts = [0 0] indica que el sistema es
continuo, no debe modificarse entonces.

4. mdlDerivatives: en esta función se actualiza la variable sys. En esta variable se deben

54
 Capítulo 2. Simulación de sistemas no lineales continuos

almacenar las ecuaciones diferenciales y los parámetros requeridos, así como en la sección
2.4.1. Hay que tener en cuenta que las entradas vienen definidas en el vector de entradas
(u). Las ecuaciones diferenciales se escriben en términos de los estados (x).

%=============================================================================
% mdlDerivatives
% Return the derivatives for the continuous states.
%=============================================================================
%
function sys=mdlDerivatives(t,x,u)

sys = []; % Vector columna para almacenar las ecuaciones diferenciales

% end mdlDerivatives

%
%=============================================================================
% mdlUpdate
% Handle discrete state updates, sample time hits, and major time step
% requirements.
%=============================================================================
%

5. mdlUpdate: esta función es donde se colocan las ecuaciones en diferencia relacionadas

con los estados discretos. En los sistemas normalmente manejados en el curso de Control
Automático de Procesos no se pone nada aquí, teniendo en cuenta que todos los estados
son continuos.

%=============================================================================
% mdlUpdate
% Handle discrete state updates, sample time hits, and major time step
% requirements.
%=============================================================================
%
function sys=mdlUpdate(t,x,u)

sys = []; % Vector columna con las ecuaciones en diferencia

% end mdlUpdate

%
%=============================================================================
% mdlOutputs
% Return the block outputs.
%=============================================================================

6. mdlOutputs: en esta función se especifican cuáles serán las salidas del sistema; pueden
ser todos los estados, un subset de los estados o variables determinadas a partir de los
estados.

55
Capítulo 2. Simulación de sistemas no lineales continuos

function sys=mdlOutputs(t,x,u)

sys = []; % Salidas del sistema

% end mdlOutputs
%=============================================================================

7. mdlGetTimeOfNextVarHit: función para retornar el siguiente valor para el tiempo de

muestreo. Esta función solo se utiliza cuando se habilita usar un tiempo de muestreo
discreto variable.

%=============================================================================
% mdlGetTimeOfNextVarHit
% Return the time of the next hit for this block. Note that the result is
% absolute time. Note that this function is only used when you specify a
% variable discrete-time sample time [-2 0] in the sample time array in
% mdlInitializeSizes.
%=============================================================================
%
function sys=mdlGetTimeOfNextVarHit(t,x,u)

sampleTime = 1; % Example, set the next hit to be one second later.

sys = t + sampleTime;

% end mdlGetTimeOfNextVarHit

8. mdlTerminate: se utiliza únicamente en el caso en que se requieran realizar tareas al

final de la simulación.

%
%=============================================================================
% mdlTerminate
% Perform any end of simulation tasks.
%=============================================================================
%
function sys=mdlTerminate(t,x,u)

sys = [];

% end mdlTerminate

La implementación de la s-function se muestra en el ejemplo 2.4, donde se indican las sec-

ciones del programa que se deben modificar.

56
 Capítulo 2. Simulación de sistemas no lineales continuos

Ejemplo 2.4.

Solución de ecuaciones diferenciales ordinarias con s-function

Se desea evaluar el comportamiento de los estados del sistema reactivo Van de Vusse en un
CSTR cuando se aplican perturbaciones tanto en la tasa de dilución como en la concentración
de entrada de A. Los valores de parámetros, condiciones iniciales y variables de entrada son
tomados de la tabla 6.1. La simulación se realiza por 30 min usando una s-function, donde
en el tiempo=10 min se perturba la tasa de dilución con un cambio escalón de amplitud de 1/5
min−1 . En el tiempo=20 min, se perturba la concentración de A en el alimento con un cambio
escalón de amplitud -2 mol/l. Finalmente, se desea graficar tanto las señales de entrada como
de salida del modelo en Matlab de manera automática.

Solución

Para resolver este problema se utiliza el mismo programa de Simulink del ejemplo 2.3 sus-
tituyendo la Interpreted function con la s-function. En primera instancia, se muestra la
construcción del modelo matemático como una s-function para seguidamente realizar de
manera automática las gráficas usando otro programa de Matlab (i.e., usando un Callbacks).
La arquitectura de Simulink se muestra en la figura 2.13.

Figura 2.13. Implementación en Simulink del sistema Van de Vusse usando s-function

La s-function modificada para el sistema Van de Vusse es:

function [sys,x0,str,ts,simStateCompliance] = VDV_reactor(t,x,u,flag)

%SFUNTMPL General MATLAB S-Function Template
% With MATLAB S-functions, you can define you own ordinary differential
% equations (ODEs), discrete system equations, and/or just about
% any type of algorithm to be used within a Simulink block diagram.

57
Capítulo 2. Simulación de sistemas no lineales continuos

%
% The general form of an MATLAB S-function syntax is:
% [SYS,X0,STR,TS,SIMSTATECOMPLIANCE] = SFUNC(T,X,U,FLAG,P1,...,Pn)
%
% What is returned by SFUNC at a given point in time, T, depends on the
% value of the FLAG, the current state vector, X, and the current
% input vector, U.
%
% FLAG RESULT DESCRIPTION
% ----- ------ --------------------------------------------
% 0 [SIZES,X0,STR,TS] Initialization, return system sizes in SYS,
% initial state in X0, state ordering strings
% in STR, and sample times in TS.
% 1 DX Return continuous state derivatives in SYS.
% 2 DS Update discrete states SYS = X(n+1)
% 3 Y Return outputs in SYS.
% 4 TNEXT Return next time hit for variable step sample
% time in SYS.
% 5 Reserved for future (root finding).
% 9 [] Termination, perform any cleanup SYS=[].
%
%
% The state vectors, X and X0 consists of continuous states followed
% by discrete states.
%
% Optional parameters, P1,...,Pn can be provided to the S-function and
% used during any FLAG operation.
%
% When SFUNC is called with FLAG = 0, the following information
% should be returned:
%
% SYS(1) =
Number of continuous states.
% SYS(2) =
Number of discrete states.
% SYS(3) =
Number of outputs.
% SYS(4) =
Number of inputs.
% Any of the first four elements in SYS can be specified
% as -1 indicating that they are dynamically sized. The
% actual length for all other flags will be equal to the
% length of the input, U.
% SYS(5) = Reserved for root finding. Must be zero.
% SYS(6) = Direct feedthrough flag (1=yes, 0=no). The s-function
% has direct feedthrough if U is used during the FLAG=3
% call. Setting this to 0 is akin to making a promise that
% U will not be used during FLAG=3. If you break the promise
% then unpredictable results will occur.
% SYS(7) = Number of sample times. This is the number of rows in TS.
%
%
% X0 = Initial state conditions or [] if no states.
%
% STR = State ordering strings which is generally specified as [].
%
% TS = An m-by-2 matrix containing the sample time
% (period, offset) information. Where m = number of sample
% times. The ordering of the sample times must be:

58
 Capítulo 2. Simulación de sistemas no lineales continuos

%
% TS = [0 0, : Continuous sample time.
% 0 1, : Continuous, but fixed in minor step
% sample time.
% PERIOD OFFSET, : Discrete sample time where
% PERIOD > 0 & OFFSET < PERIOD.
% -2 0]; : Variable step discrete sample time
% where FLAG=4 is used to get time of
% next hit.
%
% There can be more than one sample time providing
% they are ordered such that they are monotonically
% increasing. Only the needed sample times should be
% specified in TS. When specifying more than one
% sample time, you must check for sample hits explicitly by
% seeing if
% abs(round((T-OFFSET)/PERIOD) - (T-OFFSET)/PERIOD)
% is within a specified tolerance, generally 1e-8. This
% tolerance is dependent upon your model's sampling times
% and simulation time.
%
% You can also specify that the sample time of the S-function
% is inherited from the driving block. For functions which
% change during minor steps, this is done by
% specifying SYS(7) = 1 and TS = [-1 0]. For functions which
% are held during minor steps, this is done by specifying
% SYS(7) = 1 and TS = [-1 1].
%
% SIMSTATECOMPLIANCE = Specifices how to handle this block when saving and
% restoring the complete simulation state of the
% model. The allowed values are: 'DefaultSimState',
% 'HasNoSimState' or 'DisallowSimState'. If this value
% is not speficified, then the block's compliance with
% simState feature is set to 'UknownSimState'.

% Copyright 1990-2010 The MathWorks, Inc.

% $Revision: 1.18.2.5 $

%
% The following outlines the general structure of an S-function.
%
switch flag,

%%%%%%%%%%%%%%%%%%
% Initialization %
%%%%%%%%%%%%%%%%%%
case 0,
[sys,x0,str,ts,simStateCompliance]=mdlInitializeSizes;

%%%%%%%%%%%%%%%
% Derivatives %
%%%%%%%%%%%%%%%
case 1,
sys=mdlDerivatives(t,x,u);

59
Capítulo 2. Simulación de sistemas no lineales continuos

%%%%%%%%%%
% Update %
%%%%%%%%%%
case 2,
sys=mdlUpdate(t,x,u);

%%%%%%%%%%%
% Outputs %
%%%%%%%%%%%
case 3,
sys=mdlOutputs(t,x,u);

%%%%%%%%%%%%%%%%%%%%%%%
% GetTimeOfNextVarHit %
%%%%%%%%%%%%%%%%%%%%%%%
case 4,
sys=mdlGetTimeOfNextVarHit(t,x,u);

%%%%%%%%%%%%%
% Terminate %
%%%%%%%%%%%%%
case 9,
sys=mdlTerminate(t,x,u);

%%%%%%%%%%%%%%%%%%%%
% Unexpected flags %
%%%%%%%%%%%%%%%%%%%%
otherwise
DAStudio.error('Simulink:blocks:unhandledFlag', num2str(flag));

end

% end sfuntmpl

%
%=============================================================================
% mdlInitializeSizes
% Return the sizes, initial conditions, and sample times for the S-function.
%=============================================================================
%
function [sys,x0,str,ts,simStateCompliance]=mdlInitializeSizes

%
% call simsizes for a sizes structure, fill it in and convert it to a
% sizes array.
%
% Note that in this example, the values are hard coded. This is not a
% recommended practice as the characteristics of the block are typically
% defined by the S-function parameters.
%
sizes = simsizes;

sizes.NumContStates = 2; % Número de estados continuos

sizes.NumDiscStates = 0; % Número de estados discretos

60
 Capítulo 2. Simulación de sistemas no lineales continuos

sizes.NumOutputs = 2; % Número de salidas

sizes.NumInputs = 2; % Número de entradas
sizes.DirFeedthrough = 0; % Direct feedthrough flag (1=yes, 0=no)
% Para indicar si las entradas afectan la salida
sizes.NumSampleTimes = 1; % Número de filas en el vector de tiempo de muestreo
% (por lo menos debe ser 1)

sys = simsizes(sizes);

%
% initialize the initial conditions
%
x0 = [2;1.117]; % Se ponen las condiciones iniciales [Ca Cb]

%
% str is always an empty matrix
%
str = [];

%
% initialize the array of sample times
%
ts = [0 0]; % Sistema continuo

% Specify the block simStateCompliance. The allowed values are:

% 'UnknownSimState', < The default setting; warn and assume DefaultSimState
% 'DefaultSimState', < Same sim state as a built-in block
% 'HasNoSimState', < No sim state
% 'DisallowSimState' < Error out when saving or restoring the model sim state
simStateCompliance = 'UnknownSimState';

% end mdlInitializeSizes

%
%=============================================================================
% mdlDerivatives
% Return the derivatives for the continuous states.
%=============================================================================
%
function sys=mdlDerivatives(t,x,u)

% x: Contiene los estados (Ca y Cb)

% t: Vector para el tiempo
% u: Vector para las entradas

% Escritura de las ecuaciones diferenciales

% Estados

Ca = x(1); % Estado 1
Cb = x(2); % Estado 2

% Entradas

61
Capítulo 2. Simulación de sistemas no lineales continuos

D = u(1); % Entrada 1 desde Simulink

Caf = u(2); % Entrada 2 desde Simulink

% Parámetros

k1 = 5/6; % Constante de reacción para A-->B (min^-1)

k2 = 5/3; % Constante de reacción para B-->C (min^-1)
k3 = 1/6; % Constante de reacción para 2A-->D (mol/(l min))

% Ecuaciones diferenciales

dCa = D*(Caf-Ca) - k1*Ca -k3*Ca^2; % ODE 1

dCb = -D*Cb + k1*Ca - k2*Cb; % ODE 2
sys = [dCa;dCb];

% end mdlDerivatives

%
%=============================================================================
% mdlUpdate
% Handle discrete state updates, sample time hits, and major time step
% requirements.
%=============================================================================
%
function sys=mdlUpdate(t,x,u)

sys = []; % Ecuaciones para los estados discretos (no se usan)

% end mdlUpdate

%
%=============================================================================
% mdlOutputs
% Return the block outputs.
%=============================================================================
%
function sys=mdlOutputs(t,x,u)

% sys = []; % Salidas del sistema continuo

sys = eye(2)*x; % Se miden todos los estados

% end mdlOutputs

%
%=============================================================================
% mdlGetTimeOfNextVarHit
% Return the time of the next hit for this block. Note that the result is
% absolute time. Note that this function is only used when you specify a
% variable discrete-time sample time [-2 0] in the sample time array in
% mdlInitializeSizes.
%=============================================================================
%
function sys=mdlGetTimeOfNextVarHit(t,x,u)

62
 Capítulo 2. Simulación de sistemas no lineales continuos

sampleTime = 1; % Example, set the next hit to be one second later.

sys = t + sampleTime;

% end mdlGetTimeOfNextVarHit

%
%=============================================================================
% mdlTerminate
% Perform any end of simulation tasks.
%=============================================================================
%
function sys=mdlTerminate(t,x,u)

sys = [];

% end mdlTerminate
%=============================================================================

Utilizando la misma configuración para llamar al programa Plots_VDV usando la opción

Callbacks se obtienen los siguientes resultados (figura 2.14):

Figura 2.14. Resultados de la simulación del sistema Van de Vusse ante dos perturbaciones usando
una s-function

Reto: es posible alimentar parámetros y condiciones iniciales desde afuera de la

s-function. Buscar la manera de hacerlo.

63
Capítulo 2. Simulación de sistemas no lineales continuos

En esta sección se mostró cómo implementar la s-function desde la plantilla que Matlab pro-
vee como ejemplo. Sin embargo, las versiones recientes de Matlab ofrecen una opción llamada
el s-function builder (figura 2.15). Esta aplicación se encuentra en la librería Simulin-
k/User defined function/S-Function builder. Allí, la ventana del aplicativo guía al usuario
para definir las características del modelo a resolver y generar la plantilla diseñada para las
necesidades del usuario. En principio, se debe llegar a M-file análogo al mostrado en el ejemplo.

Figura 2.15. Ventana de interacción para utilizar el S-function builder

2.4.3. Configuración de la solución numérica en Simulink

Como se mencionó durante la solución de ecuaciones diferenciales ordinarias en Matlab, en
ocasiones es importante configurar el tipo de método para utilizar y los parámetros de tole-
rancia. En Matlab se utilizaba la función odeset; en Simulink se realiza esto de una manera
gráfica. Lo primero que hay que notar es que en la ventana de trabajo se puede ver, en la parte
inferior derecha, el tipo de solver que se está usando. Para modificar sus propiedades, se debe
ir al menú Simulation/Model Configuration parameters. Nótese que esta opción también está
por defecto en la ventana de trabajo con el ícono de un engranaje. La ventana emergente se
muestra en la figura 2.16.

En esta ventana de configuración se puede modificar, en primera instancia, el tiempo de si-

mulación. Entonces, se ve una sección llamada Solver selection, donde se selecciona el tipo de
solver (i.e., paso variable o fijo) y el método (i.e., métodos mostrados en tabla 2.1). Una vez
se selecciona el método, se pueden modificar algunos de sus parámetros: tamaño de paso má-
ximo, tamaño de paso mínimo, tamaño de paso inicial, tolerancia relativa, tolerancia absoluta,
entre otros. Se recomienda dirigirse a las ayudas de Matlab para profundizar en la modifica-
ción de estos parámetros. Algo interesante en versiones recientes de Matlab, es la posibilidad

64
 Capítulo 2. Simulación de sistemas no lineales continuos

Figura 2.16. Configuración del método de solución de ecuaciones diferenciales ordinarias en Simulink

de ver aspectos numéricos de la solución; por ejemplo, para el caso del reactor Van de Vusse,
se puede analizar la manera en que evoluciona el tamaño de paso durante la evolución de la
solución como se muestra en la figura 2.17. El análisis de esta información es vital para una se-
lección sistemática de los parámetros del método numérico en casos de estudio más complejos.

65
Capítulo 2. Simulación de sistemas no lineales continuos

Figura 2.17. Estadísticas del desempeño del método numérico durante la solución del reactor Van de
Vusse en Simulink

66
Capítulo 3

Sistemas lineales continuos

Resumen
Por lo general, en la literatura de control de procesos clásica se inicia con manipulaciones
matemáticas para representar ecuaciones diferenciales ordinarias lineales en diferentes
dominios para posteriormente analizarlas. En este capítulo se muestran herramientas
útiles para realizar la transformación de ecuaciones al dominio de Laplace y determinar
la función de transferencia y representación cero-polo, obtener espacio de estados y poder
migrar de una representación a otra. Adicionalmente, se explora el motor simbólico de
Matlab para realizar operaciones entre el dominio del tiempo y de Laplace. Finalmente,
se muestra una herramienta de Matlab que permite obtener modelos lineales a partir de
datos de simulación o experimentales.

3.1. Introducción
La estructura de este capítulo se basa en la estrategia para la obtención de modelos lineales y su
posterior uso, ya sea para representar el sistema o para encontrar la solución de las ecuaciones.
Teniendo en cuenta que el punto de partida son ecuaciones diferenciales ordinarias, se usa el
siguiente proceso (Seborg et al., 2011):

1. Planteamiento y solución de las ecuaciones diferenciales en el estado estable: esto implica

el conocimiento de las entradas en el estado estable. Si el método de solución de las
ecuaciones implica la solución misma de las ecuaciones diferenciales, las condiciones
iniciales son requeridas y se pueden usar cualquiera de los métodos mostrados en el
capítulo 2.

2. Expresar las ecuaciones en términos de variables de desviación: dependiendo de la na-

turaleza de las ecuaciones, se tienen las siguientes opciones:

• Si el modelo es lineal: sustraer el estado estable de las ecuaciones diferenciales

originales, lo que lleva a una ecuación diferencial con sus entradas y estados en
variables de desviación.
• Si el modelo es no lineal: linealizar las ecuaciones usando la serie de Taylor de
primer orden. Este proceso puede llevarse a cabo de manera analítica o numérica.

67
Capítulo 3. Sistemas lineales continuos

3. Obtener funciones de transferencia: aplicar la transformada de Laplace al sistema de

ecuaciones y realizar álgebra para eliminar relaciones de salidas con salidas y dejar solo
relaciones de salidas con entradas.
4. Opcional 1: como alternativa al proceso anterior, se puede plantear la representación de
espacio de estados directamente de las ecuaciones diferenciales ordinarias lineales para
seguidamente aplicar la transformada de Laplace.
5. Opcional 2: se pueden realizar transformaciones entre representaciones del sistema: es-
pacio de estados, funciones de transferencia y cero-polo.
6. Opcional 3: obtener la respuesta en el tiempo: usar la antitransformada de Laplace o
usar métodos numéricos para obtener el valor de las salidas en el tiempo.

Parte de la primera etapa fue realizada en el capítulo anterior. Para cada una de estas etapas
restantes, las herramientas disponibles para llevarlas a cabo serán revisadas en las siguientes
secciones.

3.2. Determinación del estado estable

Teniendo en cuenta que diferentes estrategias para la solución de modelos compuestos por
ecuaciones diferenciales ordinarias se realizó en el capítulo 2, el punto de partida para el
análisis lineal es obtener la representación lineal del sistema. Para esto se requiere el valor de
los estados en el estado estable; esto significa que, dadas las variables de entrada en el estado
estable, se debe resolver el sistema de ecuaciones diferenciales igualadas a cero. Para realizar
esa tarea se emplearán cuatro estrategias.

3.2.1. Solución de las ecuaciones diferenciales

Una manera sencilla para determinar el estado estable de un sistema consiste simplemente
en resolver las ecuaciones diferenciales ordinarias de manera numérica a partir de un estado
inicial factible y las variables de entrada en el estado estable. Para esto se puede usar cual-
quiera de los métodos mostrados en el capítulo 2. Este método se recomienda para sistemas
muy grandes, pues la selección de condiciones iniciales para un método numérico abierto de
solución de sistemas de ecuaciones no lineales puede generar problemas de convergencia. Sin
embargo, para sistemas que tengan estados estables mútiples que incluyan estados estables
inestables, la solución de las ecuaciones diferenciales puede no llevar a una solución estable,
lo que implica respuestas oscilatorias.

3.2.2. Solución de sistemas de ecuaciones algebraicas-fsolve

La función fsolve de Matlab resuelve sistemas de ecuaciones no lineales por medio de herra-
mientas de optimización (MatWorks, 2022f). Matemáticamente, el problema se puede escribir
como la ecuación (3.1):

F (x) = 0 (3.1)

68
 Capítulo 3. Sistemas lineales continuos

Donde:

F(x) : vector con las ecuaciones diferenciales en el punto x

x : vector de estados
Entonces, el algoritmo tiene como tarea encontrar el vector x tal que cada uno de los ele-
mentos de F(x) sean lo más cercanos a cero (dada una tolerancia definida en el método) o se
cumpla alguno de los otros criterios de convergencia. Por defecto, el fsolve utiliza el método
trust-region-dogleg, pero puede cambiarse al trust-region o levenberg-marquardt. Esto se realiza
a través de las opciones del método usando el comando optimoptions (como alternativa se
puede usar el comando optimset). El algoritmo por defecto se selecciona como el algorit-
mo de trust-region-dogleg, pues el sistema de ecuaciones no puede ser subespecificado (i.e.,
el número de ecuaciones es igual al número de estados a determinar). El método trust-region
también es aplicable (MatWorks, 2022f).

La sintaxis recomendada para usar el fsolve es:

%---------------------------------------------------------------------------------
Fobjcal = @(X)Ecuaciones(X,parámetros); % Función anónima
options = optimoptions('fsolve','Display','iter'); % Opciones
Co = [C0]; % Condiciones iniciales
[x,fval,exitflag,output]= fsolve(Fobjcal,Co,options); % Solucionador
%---------------------------------------------------------------------------------

En esta sintaxis se utiliza una función anónima llamada “Ecuaciones”, que puede estar ubi-
cada ya sea en otro programa (M-file) o en el mismo. Esta función retorna en un vector el
valor de las ecuaciones diferenciales que deben ser igualadas a cero por el optimizador (i.e.,
F(X) = 0) y la variable independiente son los estados (X) iterados por el solver para encon-
trar el estado estable. Puesto que las ecuaciones diferenciales son función de las entradas al
sistema y los parámetros, se propone usar estos últimos como entradas a la función anónima
utilizando el vector “parámetros”; entonces pueden ser definidos por fuera de las ecuaciones
dándole a la función más versatilidad.

En la variable options se guardan las modificaciones al método numérico que deseen rea-
lizarse. Para esto se utiliza el comando optimoptions. Teniendo en cuenta que la función
optimoptions aplica para el toolbox de optimización de Matlab, en primera instancia se tiene
que especificar cuál función se desea modificar; en este caso aplica para función fsolve. Se-
guidamente, se realizan las modificaciones al método numérico según la conveniencia del caso.
En la sintaxis mostrada, se especifica que se desean ver las iteraciones de la optimización;
esta configuración es muy útil para valorar en una etapa temprana si hay tendencia a que el
problema diverja o si hay demoras en la simulación.

Otras opciones para manipular son: tolerancia de terminación de la función (TolFun), tole-
rancia de terminación en X (TolX), máximo número de iteraciones permitido (MaxIter) y
máximo número de evaluación de funciones permitido (MaxFunEvals). En total, se tienen 50
parámetros para modificar.

69
Capítulo 3. Sistemas lineales continuos

En la última línea del código, se muestra cómo se ejecuta el solver para encontrar el valor de
los estados en el estado estable. Como variables de salida se tienen:

x : valor de los estados en el estado estable

fval : valor de cada ecuación en el estado estable
exitflag : muestra el criterio de convergencia alcanzado
output : estructura con información de la optimización

La variable de salida exitflag es muy importante, pues informa qué criterio de convergencia
ha sido alcanzado; es relevante aclarar que no necesariamente es una solución viable. Esto es
útil para problemas de optimización no convexa, donde se pueden tener varias soluciones o
ninguna. Los valores que puede tomar exitflag son:

1 : la función fsolve convergió a una raíz

2 : el cambio en X es menor a la tolerancia
3 : el cambio en la norma de los residuales es menor a la tolerancia
4 : la magnitud de la dirección de búsqueda es menor a la tolerancia
0 : se alcanzó el número máximo de evaluación de funciones o iteraciones
-1 : se detuvo por la función plot o output
-2 : convergió a un punto que no es una raíz
-3 : el radio del método trust-region es menor a la tolerancia (trust-region-dogleg)

Ejemplo 3.1.

Solución de sistemas de ecuaciones algebraicas-fsolve

Se desea determinar el valor de las concentraciones en estado estable para el reactor Van de
Vusse (VDV) cuando se tiene unos valores de entrada de D̄ = 4/7 min−1 y C̄Af = 10 mol l−1
(tabla 6.1).

Solución

Para resolver este problema, se va a emplear como base la rutina implementada en la sección
2.3.3, donde se utilizó un solo programa con múltiples funciones, ya que se recicla gran parte
del código. Entonces, se tiene un programa principal que contiene los parámetros/variables
requeridos, la ejecución de la rutina de solución fsolve y la presentación de resultados.
La rutina de solución ejecuta a la función anónima que contiene las ecuaciones diferenciales
llamada ODE_equations. Teniendo en cuenta que la optimización requiere unos estimados
iniciales para la solución, se toman las condiciones iniciales del sistema como estimados. La
implementación es:

70
 Capítulo 3. Sistemas lineales continuos

%--------------------------------------------------------------------------
% Solución del sistema reactor VDV en estado estable
% Sistema de ecuaciones en el mismo script-función
% Método de solución : fsolve

function SS_VDVReactor

clc
clear
close all

%% Parámetros,variables de entrada y condiciones iniciales

k1 = 5/6; % Constante de reacción para A-->B (min^-1)

k2 = 5/3; % Constante de reacción para B-->C (min^-1)
k3 = 1/6; % Constante de reacción para 2A-->D (mol/(l min))

D = 4/7; % Tasa de dilución (min^-1)

Caf = 10; % Concentración de A a la entrada (mol/l)
Cao = 2; % Concentración inicial de A (mol/l)
Cbo = 1.117; % Concentración inicial de B (mol/l)

%% Solución

tss = 100; % Variable sin uso

Co = [Cao Cbo]; % Condiciones iniciales

Fobjcal = @(C)ODE_equations(tss,C,k1,k2,k3,Caf,D); % Función anónima

options = optimoptions('fsolve','PlotFcn',@optimplotfirstorderopt,...
'Display','iter','TolFun',1e-6,'TolX',1e-6,'MaxIter',100);
[C_ss,Fval,ExitFlag,output] = fsolve(Fobjcal,Co,options); % Solver

%% Resultados

disp(' ')
disp('El estado estable del sistema es:')
disp(' ')
disp(['C_ss = [' num2str(C_ss(1)) ' ' num2str(C_ss(2)) ']'])
disp(' ')
disp(['Criterio de salida (Flag): ' num2str(ExitFlag)])
disp(' ')
disp('Estadísticas de la solución: ')
disp(' ')
disp(output)

end

function [dC_dt] = ODE_equations(t,C,k1,k2,k3,Caf,D)

Ca = C(1); % Cambio de variable

Cb = C(2); % Cambio de variable

dC_dt = zeros(length(C),1);
dC_dt(1) = D*(Caf-Ca) - k1*Ca -k3*Ca^2; % ODE Ca
dC_dt(2) = -D*Cb + k1*Ca - k2*Cb; % ODE Cb

71
Capítulo 3. Sistemas lineales continuos

end

%--------------------------------------------------------------------------

Cabe destacar que la función ODE_equations es la misma empleada en la sección 2.3.3. Sin
embargo, hay que notar que para la función anónima Fobjcal se tiene solo el vector de con-
centraciones como variable, pues el tiempo no se requiere. El resto de entradas que tiene la
función ODE_equations son interpretadas como parámetros y se debieron definir con ante-
rioridad.

Nótese que la variable de tiempo, llamada tss, no tiene uso aparente; se define para hacer del
tiempo un parámetro. Esto no afecta la solución, ya que las ecuaciones diferenciales no tienen
el tiempo de manera explícita. Adicionalmente, se modificaron más opciones en la configura-
ción del algoritmo incluyendo: la gráfica de la condición first order optimality (convergencia),
la evolución de las iteraciones, la tolerancia para la convergencia de la función, la tolerancia
para la convergencia de C y el número máximo de iteraciones. Por último, se muestran los
resultados impresos en la pantalla (solución, criterio de convergencia y datos de la optimiza-
ción). Los resultados arrojados por el programa son:

Norm of First-order Trust-region

Iteration Func-count f(x) step optimality radius
0 3 5.70344 5.33 1
1 6 0.0521241 1 0.51 1
2 9 2.37512e-11 0.103998 1.17e-05 2.5
3 12 5.27979e-25 2.16228e-06 1.74e-12 2.5

Equation solved.

fsolve completed because the vector of function values is near zero

as measured by the selected value of the function tolerance, and
the problem appears regular as measured by the gradient.

<stopping criteria details>

El estado estable del sistema es:

C_ss = [3 1.117]

Criterio de salida (Flag): 1

Estadísticas de la solución:

iterations: 3
funcCount: 12
algorithm: ’trust-region-dogleg’
firstorderopt: 1.7375e-12
message: ’Equation solved. fsolve completed because ...

72
 Capítulo 3. Sistemas lineales continuos

Para este caso, la solución se logró solo en tres iteraciones dando como resultado C̄A = 3 mol/l
y C̄B = 1,117 mol/l. El criterio de solución fue Flag = 1, lo que indica que la función fsolve
convergió a una raíz viable. Como bonus, se pidió a la función retornar el valor del first order
optimality o condición Karush-Kuhn-Tucker (KKT) (véase firstorderopt). Esta condición
es una medida que indica qué tan cerca está la solución del óptimo basada en una función
auxiliar en términos del Lagrangian (Nocedal y Wright, 1999). Esta se conoce como una
condición necesaria, pero no suficiente:

• La medida de optimalidad de primer orden debe ser cero en un mínimo.

• Un punto donde la medida de optimalidad de primer orden es cero; no es necesariamente

un mínimo.

Se puede ver en el resultado que el valor de la condición KKT es 1.7375e-12, donde es

prácticamente cero. Ahora, el resultado para la evolución del valor KKT durante la solución
se muestra en la figura 3.1.

Figura 3.1. First order optimality durante la solución del problema

3.2.2.1. Comentarios

La solución de sistemas de ecuaciones con fsolve está restringida a funciones continuas.

La aplicación del algoritmo de optimización por defecto (trust-region-dogleg) solo se puede
hacer si el sistema está bien especificado (i.e., cuando el número de ecuaciones es igual al
número de incógnitas); si el sistema no cumple esta condición, se debe utilizar el método
Levenberg-Marquardt (MatWorks, 2022f). Los métodos basados en trust-region pueden ser

73
Capítulo 3. Sistemas lineales continuos

muy demandantes en sistemas grandes, debido al algoritmo usado para el cómputo del pre-
condicionador (Coleman y Li, 1996).

Finalmente, teniendo en cuenta que se utiliza un método de optimización sin restricciones

(unconstrained optimization), cabe la posibilidad de que surjan problemas durante la solución:

• No convergencia del optimizador: esto puede ocurrir incluso cuando las condiciones
iniciales para el método sean factibles. En este caso, se recomienda cambiar el set de
condiciones iniciales e intentar de nuevo.

• Durante la solución, el optimizador itera valores de los estados inviables, por ejemplo:
concentraciones negativas. En este caso, se recomienda migrar del fsolve a un método
de optimización que permita el uso de restricciones. Como característica, se pueden
imponer límites al espacio de búsqueda y así evitar buscar los estados en zonas no
factibles. Esto se mostrará en la siguiente sección.

3.2.3. Solución de sistemas de ecuaciones algebraicas-fmincon

Una alternativa para resolver sistemas de ecuaciones es plantear el problema como uno de
optimización directamente; en este orden de ideas, no se busca que todas las ecuaciones
algebraicas sean lo suficientemente cercanas a cero, sino que la función objetivo que representa
al sistema alcance un valor mínimo. Teniendo en cuenta que fsolve no maneja restricciones,
esta es la oportunidad para usar un optimizador que las incluya como el fmincon. Esta función
intenta resolver el siguiente problema:

Min F (x) (3.2a)

x
s.t. A·x≤B (3.2b)
Aeq · x = Beq (3.2c)
c(x) ≤ 0 (3.2d)
ceq(x) = 0 (3.2e)
lb ≤ x ≤ ub (3.2f)

Donde:

F(x) : función objetivo en función de x

x : vector de estados
A : matriz para las restricciones en desigualdades lineales
B : vector para las restricciones en desigualdades lineales
Aeq : matriz para las restricciones en igualdades lineales
Beq : vector para las restricciones en igualdades lineales
c(x) : función de las restricciones en desigualdades no lineales
ceq(x) : función de las restricciones en igualdades no lineales
lb : límite inferior para los estados
ub : límite superior para los estados

74
 Capítulo 3. Sistemas lineales continuos

Para este problema en particular, solo es de interés restringir la optimización con límites
inferior y superior para los estados (i.e., lb y ub); por tanto, las demás variables no se
modifican. Ahora, en el caso anterior se escribió una función en Matlab dedicada a retornar
el valor de las derivadas en un punto determinado de los estados y las entradas. El objetivo
del algoritmo fsolve era encontrar los estados que llevaran a cada una de las ecuaciones
diferenciales lo más cerca a cero. En este caso, se puede ver en el sistema de ecuaciones (3.2)
que la función objetivo es una sola, por lo que se propone usar el concepto de la norma-2
(magnitud del vector o longitud euclidiana) para agrupar todas las funciones en una sola (se
pueden plantear otras funciones objetivo):

"k=1 #1/p
p
X
kvkp = |vk | , p=2 (3.3)
N

donde vk corresponde al valor de cada una de las ecuaciones diferenciales evaluada en un

punto determinado de estados y entradas durante la iteración del optimizador. La sintaxis
para usar la función fmincon es:

%--------------------------------------------------------------------------------
Fobjcal = @(X)Ecuaciones(X,parámetros); % Función anónima
options = optimoptions('fmincon','Display','iter'); % Opciones del solucionador
A = []; % Matriz de restricciones lineales en desigualdad
B = []; % Matriz de restricciones lineales en desigualdad
Aeq = []; % Matriz de restricciones lineales en igualdad
Beq = []; % Matriz de restricciones lineales en igualdad
LB = [0 0]; % Límite inferior para los estados estables
UB = [inf inf]; % Límite superior para los estados estables
Nonlcon = []; % Restricciones no lineales
xo = [x0]; % Vector con las condiciones iniciales para la optimización
[x,fval,exitflag,output]= fmincon(Fobjcal,xo,A,B,Aeq,Beq,LB,UB,Nonlcon,options);
%-------------------------------------------------------------------------------

Nótese que la estructura de la función anónima, las opciones y variables de salida son análogas
a las mostradas en la sección 3.2.2. Adicionalmente, se tienen las matrices y vectores de las
restricciones lineales y no lineales en igualdad y desigualdad; estas restricciones no son usadas
y, por ende, se dejan como matrices vacías. Las únicas variables modificadas son LB y UF,
donde se restringen los estados a tener valores positivos. Finalmente, la función fmincon se
ejecuta indicando las restricciones y opciones. Los valores que puede tomar exitflag son
(MatWorks, 2022e):

75
Capítulo 3. Sistemas lineales continuos

1 : la medida de first-order optimality y la máxima violación a las

restricciones son menores a la tolerancia.
0 : se alcanzó el número máximo de evaluación de funciones o iteraciones.
-1 : se detuvo por la función plot o output.
-2 : convergió a un punto que no es una raíz.
(Para todos los algoritmos excepto active-set).
2 : el cambio en X y la máxima violación a las restricciones
son menores a la tolerancia.
(Solo para el algoritmo trust-region-reflective).
3 : el cambio en la función objetivo y la máxima violación a las restricciones
son menores a la tolerancia.
(Solo para el algoritmo active-set).
4 : la magnitud de la dirección de búsqueda y la máxima violación a las
restricciones son menores a la tolerancia.
5 : la magnitud de la derivada direccional en la dirección de búsqueda y la
máxima violación a las restricciones son menores a la tolerancia.
(Para los métodos interior-point, sqp-legacy y sqp).
-3 : la función objetivo en la iteración fue por debajo del límite y la
máxima violación a las restricciones son menores a la tolerancia.
Como comentario final, cabe resaltar que el trabajo del optimizador es identificar cuándo la
norma-2 se encuentra en un valor mínimo, lo que no necesariamente implica que sea una raíz.
Por tanto, se debe verificar que el valor de la función objetivo fval sea cercana a cero.

Ejemplo 3.2.

Determinación del estado estable-fmincon

Se desea determinar el valor de las concentraciones en estado estable para el reactor Van de
Vusse, cuando se tiene unos valores de entrada de D = 4/7 min−1 y CAf = 10 mol l−1 (tabla
6.1). Como precaución, se deben incluir restricciones para garantizar que las concentraciones
solo tomen valores positivos durante la solución.

Solución

Para resolver este problema, se va a emplear como base la rutina implementada en la sec-
ción 3.2.2. Se tiene entonces casi el mismo programa principal que contiene los parámetros
y variables requeridos. Enseguida, se muestra la ejecución de la rutina de solución fmincon
y posteriormente la presentación de resultados. La rutina de solución ejecuta la función anó-
nima que contiene las ecuaciones diferenciales y la definición de la función objetivo llamada
igualmente ODE_equations. Teniendo en cuenta que la optimización requiere unos estimados
iniciales para la solución, se toman las condiciones iniciales del sistema como estimados. La
implementación es:

76
 Capítulo 3. Sistemas lineales continuos

%--------------------------------------------------------------------------
% Solución del sistema reactor VDV en estado estable
% Sistema de ecuaciones en el mismo script-función
% Método de solución: fmincon

function SS_VDVReactor_Const

clc
clear
close all

%% Parámetros,variables de entrada y condiciones iniciales

k1 = 5/6; % Constante de reacción para A-->B (min^-1)

k2 = 5/3; % Constante de reacción para B-->C (min^-1)
k3 = 1/6; % Constante de reacción para 2A-->D (mol/(l min))

D = 4/7; % Tasa de dilución (min^-1)

Caf = 10; % Concentración de A a la entrada (mol/l)
Cao = 2; % Concentración inicial de A (mol/l)
Cbo = 1.117; % Concentración inicial de B (mol/l)

%% Solución

tss = 100; % Variable sin uso

Co = [Cao Cbo]; % Condiciones iniciales
Fobjcal = @(C)ODE_equations(tss,C,k1,k2,k3,Caf,D); % Función anónima
options = optimoptions('fmincon','PlotFcn',@optimplotfval,...
'Display','iter','TolFun',1e-6,'TolX',1e-6,'MaxIter',100);

A = []; % Matriz de restricciones lineales en desigualdad

B = []; % Matriz de restricciones lineales en desigualdad
Aeq = []; % Matriz de restricciones lineales en igualdad
Beq = []; % Matriz de restricciones lineales en igualdad
LB = [0 0]; % Límite inferior para los estados estables
UB = [Caf Caf]; % Límite superior para los estados estables
Nonlcon = []; % Restricciones no lineales

[C_ss,Fval,ExitFlag,output] = fmincon(Fobjcal,Co,A,B,Aeq,Beq,...
LB,UB,Nonlcon,options);

%% Resultados

disp(' ')
disp('El estado estable del sistema es:')
disp(' ')
disp(['C_ss = [' num2str(C_ss(1)) ' ' num2str(C_ss(2)) ']'])
disp(' ')
disp(['Valor de la función objetivo: ' num2str(Fval)])
disp(' ')
disp(['Criterio de salida (Flag): ' num2str(ExitFlag)])
disp(' ')
disp('Estadísticas de la solución: ')
disp(' ')
disp(output)

77
Capítulo 3. Sistemas lineales continuos

end

function [FUN] = ODE_equations(t,C,k1,k2,k3,Caf,D)

Ca = C(1); % Cambio de variable

Cb = C(2); % Cambio de variable

dC_dt = zeros(length(C),1);
dC_dt(1) = D*(Caf-Ca) - k1*Ca -k3*Ca^2; % ODE Ca
dC_dt(2) = -D*Cb + k1*Ca - k2*Cb; % ODE Cb

FUN = norm(dC_dt,2); % Norma 2 - Raíz de la suma de los cuadrados

end

%--------------------------------------------------------------------------

Nótese que la función ODE_equations es casi la misma empleada en el ejemplo anterior, con
la diferencia de que la salida no es un vector con las derivadas, sino la función objetivo defi-
nida como la magnitud vectorial de estas (i.e., norma-2). Además, la misma modificación de
la función anónima es usada, donde el tiempo se remueve como variable independiente y se
usa un valor arbitrario de tss = 100.

En este caso, se modifican opciones del algoritmo que incluyen: la gráfica del valor de la fun-
ción objetivo (convergencia), la evolución de las iteraciones, tolerancia para la convergencia
de la función, la tolerancia para la convergencia de C y el número máximo de iteraciones.
Los resultados se imprimen en la pantalla como solución, criterio de convergencia, valor de la
función objetivo y datos de la optimización.

Los resultados arrojados por el programa son:

First-order Norm of
Iter F-count f(x) Feasibility optimality step
0 3 2.388187e+00 0.000e+00 2.204e+00
1 7 6.519876e-01 0.000e+00 2.456e+00 1.098e+00
2 11 2.687852e-01 0.000e+00 1.414e+00 3.638e-01
3 17 2.327100e-01 0.000e+00 2.010e+00 1.174e-01
4 21 7.300987e-02 0.000e+00 2.394e+00 9.941e-02
5 26 4.859785e-02 0.000e+00 2.338e+00 3.115e-02
6 30 2.971362e-02 0.000e+00 2.275e+00 3.152e-02
7 33 2.692830e-02 0.000e+00 2.357e+00 2.062e-02
8 36 8.679474e-03 0.000e+00 2.287e+00 1.186e-02
9 40 6.418413e-03 0.000e+00 2.167e+00 6.450e-03
10 44 5.922775e-03 0.000e+00 2.015e+00 3.533e-03
11 47 2.152741e-03 0.000e+00 2.070e+00 3.194e-03
12 51 5.414107e-04 0.000e+00 2.496e+00 1.143e-03
13 61 3.684503e-04 0.000e+00 2.388e+00 3.349e-04
14 64 1.899786e-04 0.000e+00 2.306e+00 1.809e-04
15 72 1.637121e-04 0.000e+00 1.008e+00 1.685e-04

78
 Capítulo 3. Sistemas lineales continuos

16 78 1.482337e-04 0.000e+00 1.361e+00 3.981e-05

17 82 3.270311e-05 0.000e+00 2.448e+00 7.164e-05
18 87 2.119799e-05 0.000e+00 2.567e+00 1.354e-05
19 92 1.296474e-05 0.000e+00 2.494e+00 1.195e-05
20 96 5.420116e-06 0.000e+00 1.548e+00 4.468e-06
21 101 3.119246e-06 0.000e+00 2.189e+00 2.674e-06
22 105 1.912660e-06 0.000e+00 1.963e+00 1.683e-06
23 108 1.638152e-06 0.000e+00 2.117e+00 1.710e-06
24 111 7.750563e-07 0.000e+00 2.208e+00 9.131e-07

Local minimum possible. Constraints satisfied.

fmincon stopped because the size of the current step is less than
the selected value of the step size tolerance and constraints are
satisfied to within the default value of the constraint tolerance.

<stopping criteria details>

El estado estable del sistema es:

C_ss = [3 1.117]

Valor de la función objetivo: 7.7506e-07

Criterio de salida (Flag): 2

Estadísticas de la solución:

iterations: 24
funcCount: 111
constrviolation: 0
stepsize: 9.1308e-07
algorithm: ’interior-point’
firstorderopt: 2.2078
cgiterations: 10
message: ’Local minimum possible. Constraints satisfied

Para este caso, la solución se alcanzó después de 24 iteraciones dando como resultado C̄A = 3
mol/l y C̄B = 1,117 mol/l (se trata de la misma solución anterior). El criterio de solución
fue Flag = 2, lo que indica que el paso en el vector C es menor a la tolerancia definida en
las opciones. Como bonus se pidió a la función retornar la evolución del valor de la función
objetivo; esto es relevante para validar si el mínimo es una raíz. El resultado para la evolución
de la solución se muestra en la figura 3.2.

79
Capítulo 3. Sistemas lineales continuos

Figura 3.2. Evolución del valor de la función objetivo durante la solución del problema

Reto: determinar la influencia del algoritmo y otro set de condiciones iniciales al mo-
mento de realizar la optimización.

3.2.3.1. Comentarios acerca del fmincon

Es menester tener presente que los algoritmos utilizados por la función fmincon fueron dise-
ñados para problemas con restricciones continuas y cuyas primeras derivadas existan, teniendo
en cuenta que los métodos son basados en gradientes. En cuanto a la función, si se va a utili-
zar el algoritmo trust-region-reflective, se debe especificar el gradiente de la función objetivo
y no usar límites inferiores iguales a los superiores para estados, pues esta no lo permite
(MatWorks, 2022e).

3.2.4. Solución de sistemas de ecuaciones algebraicas-Simulink-trim

Matlab posee una herramienta basada en optimización para determinar los estados estables de
un sistema, denominado punto de equilibrio. La función trim usa el algoritmo Sequential qua-
dratic programming para encontrar el punto más cercano a un punto de equilibrio (MatWorks,
2022x). Para iniciar el algoritmo, se debe proveer un punto inicial de simulación implícita o
explícitamente. La función puede encontrar puntos de equilibrio de acuerdo a entradas, salidas
o estados específicos; adicionalmente, puede encontrar puntos donde la derivada no es cero
sino un valor determinado, es decir, puede encontrar un punto donde la velocidad de cambio
sea definida. En principio, es posible aplicar la función trim a cualquier tipo de modelo; en
este caso, se explota la implementación del modelo no lineal en Simulink.

80
 Capítulo 3. Sistemas lineales continuos

La sintaxis de la función para acoplarse con Simulink es:

%--------------------------------------------------------------------------
[xeq] = trim('sys',x0)
%--------------------------------------------------------------------------

Donde:

xeq : valor de los estados en el punto de equilibrio

sys : nombre del archivo de Simulink con el modelo
x0 : vector columna con estimados iniciales (opcional)
Esta sintaxis tiene como objetivo encontrar el punto de equilibrio del modelo sys más cercano
al punto x0. En particular, la función retorna el valor de los estados que minimizan el valor
absoluto de las derivadas.

Ejemplo 3.3.

Determinación del estado estable-trim

Se desea determinar el valor de las concentraciones en estado estable para el reactor Van de
Vusse, cuando se tiene unos valores de entrada de D = 4/7 min−1 y CAf = 10 mol l−1 (tabla
6.1).

Solución

Para resolver el problema, se recicla la implementación del modelo no lineal en Simulink usado
en el ejemplo 2.4 de la sección 2.4.2, removiendo los bloques de conectividad con Matlab (i.e.,
To workspace) y el Callback que permitía ejecutar el programa que realiza las figuras en
Matlab. Este programa es guardado con el nombre de VDV_NLsimulation. La idea es utilizar
este modelo y ejecutar la función trim desde un programa maestro escrito como un M-file.
Ahora, lo primero que se requiere es reconfigurar las entradas en el programa de Simulink, por
lo que se definen entonces como el valor dado en el ejemplo antes de realizar perturbaciones.
Es decir, las entradas paso quedan con un valor constante en todo el dominio del tiempo y
este corresponde a los valores alrededor de los cuales se desea conocer el punto de equilibrio.
La implementación se muestra en la figura 3.3.

81
Capítulo 3. Sistemas lineales continuos

Figura 3.3. Implementación modificada del reactor Van de Vusse en Simulink usando una S-fuction

Nótese de la implementación que los valores de las entradas se dejaron especificados como
variables (i.e., D_eq y Caf_eq); de esta manera, estas pueden ser actualizadas desde el pro-
grama maestro. Para determinar el punto de equilibrio, se implementa un código en Matlab
que cargue los valores de las entradas y las condiciones iniciales para la iteración realizada
por el algoritmo de optimización. La implementación del M-file es:

%--------------------------------------------------------------------------
% Determinación de puntos de equilibrio
% Modelo implementado como una S-function
% Método de solución: Sequential Quadratic Programming (SQP)

clc
clear
close all

% Definición de entradas en el punto de equilibrio

D_eq = 4/7; % Tasa de dilución (min^-1)

Caf_eq = 10; % Concentración de A a la entrada (mol/l)

% Definición de las condiciones iniciales de iteración (opcional)

Cao = 2; % Concentración inicial de A (mol/l)

82
 Capítulo 3. Sistemas lineales continuos

Cbo = 1.117; % Concentración inicial de B (mol/l)

Co = [Cao Cbo]; % Condiciones iniciales

% Determinación del punto de equilibrio

[Ceq] = trim('VDV_NLsimulation',Co') % Determinación del punto de eq.

[Ueq] = [D_eq Caf_eq]' % Resultados

%--------------------------------------------------------------------------

Cuando se ejecuta el programa anterior, se obtiene como resultado en el command window:

Ceq =

3.0000
1.1170

Ueq =

0.5714
10.0000

Como se observa, el resultado es idéntico a los obtenidos anteriormente.

3.2.4.1. Comentarios al método de puntos de equilibrio-trim

Es importante ser cuidadosos con el uso de la función trim, pues esta encuentra el punto de
equilibrio más cercano al estado inicial alimentado x0. En un sentido más estricto, la función
minimiza el máximo valor absoluto de [x-x0,u,y] (MatWorks, 2022x). Si la función no pue-
de encontrar un punto de equilibrio, esta retorna el punto que minimiza la máxima desviación
de cero de las derivadas. Ahora, encontrar puntos de equilibrio puede ser muy sensible a los
valores suministrados de condiciones iniciales para el algoritmo (Co , en el ejemplo anterior).
Esto es particularmente crítico en sistemas complejos, por ejemplo: muchos estados, altamente
no lineales o con múltiples estados estables. En ese caso, se podría valorar la posibilidad de
usar la función solve, la cual resuelve un problema de programación lineal que se ha definido
como un problema de optimización. Esta función no depende de las condiciones iniciales y
proporciona todas las soluciones al problema.

3.3. Linealización del modelo no lineal

Evidentemente, cuando el modelo es pequeño (i.e., menor a tres estados) vale la pena realizar
una linealización analítica, pues esta será una solución general explícita de fácil actualización
cuando se cambie el estado estable alrededor del cual se tiene interés de linealizar el modelo.
De manera genérica, la linealización analítica usando la aproximación de series de Taylor
implica obtener las derivadas de cada ecuación diferencial en la ecuación (3.4) con respecto

83
Capítulo 3. Sistemas lineales continuos

a cada estado y cada entrada alrededor del estado estable, dando como resultado la ecuación
(3.5) en variables de desviación.

dx1
= f1 (x1 , x2 , ..., xn , u1 , u2 , ..., ur ) (3.4)
dt
dx2
= f2 (x1 , x2 , ..., xn , u1 , u2 , ..., ur )
dt
..
.
dxn
= fn (x1 , x2 , ..., xn , u1 , u2 , ..., ur )
dt

n r
dx0i ∂fi ∂fi
x0j + u0k
X X
= (3.5)
dt j=1
∂xj x̄,ū
k=1
∂uk x̄,ū

Donde:

x : vector de estados
x’ : vector de estados en variables de desviación
u : vector de entradas
u’ : vector de entradas en variables de desviación
f : función no lineal
x̄ : estado estable para los estados
ū : estado estable para las entradas
n : número de estados
r : número de entradas
i : índice para la ecuación diferencial
j : índice para cada estado
k : índice para cada entrada
La ecuación derivada para la linealización de un modelo de ecuaciones diferenciales ordinarias
se puede volver más compacta si se usa el concepto de la matriz jacobiana para las derivadas
con respecto tanto a los estados como a las entradas. Entonces, el sistema de ecuaciones puede
representarse por:

dx0
= Ax0 + Bu0 (3.6)
dt

Donde x0 y u0 son los vectores de estados y entradas en variables de desviación, y las matrices
A y B vienen dadas por la representación matricial, así:

84
 Capítulo 3. Sistemas lineales continuos

∂f1 /∂x1 ∂f1 /∂x2 · · · ∂f1 /∂xn

 
 
 ∂f2 /∂x1
 ∂f2 /∂x2 · · · ∂f2 /∂xn 

A= (3.7)
 
.. .. .. .. 

 . . . . 

 
∂fn /∂x1 ∂fn /∂x2 · · · ∂fn /∂xn

∂f1 /∂u1 ∂f1 /∂u2 · · · ∂f1 /∂ur

 
 
 ∂f2 /∂u1
 ∂f2 /∂u2 · · · ∂f2 /∂ur 

B= (3.8)
 
.. .. .. .. 

 . . . . 

 
∂fn /∂u1 ∂fn /∂u2 · · · ∂fn /∂ur

Esta representación es análoga al denominado espacio de estados y, por ende, conveniente

para realizar la linealización. En las siguientes secciones se revisarán las metodologías tan-
to simbólicas como numéricas para determinar las derivadas contenidas en las matrices A y B.

Ejemplo 3.4.

Linealización de las EDO-solución analítica

Se desea linealizar el sistema de ecuaciones para el reactor Van de Vusse alrededor del estado
estable C̄A y C̄B de manera analítica.

Solución

Antes de realizar cualquier cálculo, se debe verificar si el sistema es no lineal y la fuente de

las no linealidades. Llamando el sistema de ecuaciones (6.1):

dCA 2
=D (CAf − CA ) − k1 CA − k3 CA
dt
dCB
=D (CBf − CA ) + k1 CA − k2 CB
dt
2 , (b)
Se puede notar que en la primera ecuación hay tres parámetros de no linealidad: (a) el CA
la multiplicación de una entrada D con una salida CA y (c) la multiplicación de dos entradas
CAf y D. En la segunda ecuación, hay una sola fuente de no linealidad en la multiplicación
de la entrada D con una salida CB (nótese que CBF = 0). Ya que las dos ecuaciones son no
lineales, estas deben ser linealizadas utilizando el método de Taylor, lo que permite obtener
las derivadas parciales de las ecuaciones con respecto a las entradas y los estados.

85
Capítulo 3. Sistemas lineales continuos

La linealización analítica de las ecuaciones diferenciales con respecto a entradas, salidas y

estados es:

dC 0 A
= −D̄ − k1 − 2k3 C̄A C 0 A + C̄Af − C̄A D0 + D̄C 0 Af



(3.9)
dt
dC 0 B
= k1 C 0 A + −k2 − D̄ C 0 B − C̄B D0


dt
Es muy importante el orden al realizar la linealización, por lo que se recomienda derivar
primero con respecto a estados y después entradas, esto con el fin de facilitar la representación
matricial del sistema conocida como espacio de estados. Utilizando la forma genérica del
espacio de estados se tiene:
  
  
 
Ċ 0 A −D̄ − k1 − 2k3 C̄A 0 C0A C̄Af − C̄A D̄ D0
= + (3.10)
Ċ 0 B C0B C 0 Af


k1 −k2 − D̄ −C̄B 0
       
C0A 1 0 C0A 0 0 D0
= +
C0B 0 1 C0B 0 0 C 0 Af

En este caso, se supone que todos los estados son medidos y, por tanto, la matriz C es la
identidad.

3.3.1. Jacobiano simbólico-Matlab

El menú de herramientas simbólico de Matlab puede ser aprovechado para determinar las
derivadas simbólicas de las ecuaciones diferenciales. Para esto, se deben declarar las variables
de cada ecuación como variables simbólicas; enseguida se definen las ecuaciones en términos
de dichas variables, lo que implica que estas ecuaciones serán también del tipo simbólico.
Posteriormente, se utiliza la función de Matlab jacobian, que tiene como finalidad determinar
el jacobiano de un escalar o vector en función de un vector de variables independientes. En
términos generales, el código que realiza la tarea es:

%--------------------------------------------------------------------------
syms 'Lista de variables independientes (estados, entradas y parámetros)'
Eq = ['Ecuaciones simbólicas'] % Ecuaciones separadas por comas
A = jacobian(Eq,['Estados']);
B = jacobian(Eq,['Entradas']]);
%--------------------------------------------------------------------------

Donde:

syms : función para definir variables simbólicas

Eq : vector de ecuaciones, separadas por comas
A : matriz de derivadas con respecto a estados
B : matriz de derivadas con respecto a entradas
El resultado de la ejecución de la función jacobian es simbólico igualmente. Por tanto, si se
desea conocer el valor numérico de las derivadas, se tiene que alimentar los valores de estados

86
 Capítulo 3. Sistemas lineales continuos

y entradas en el estado estable previamente estimado y usar el comando eval. Para mostrar
cómo se ejecutan de manera práctica la obtención y la edición del formato de las derivadas
simbólicas, se tiene el ejemplo 3.5.

Ejemplo 3.5.

Linealización de las EDO-jacobiano simbólico

Se desea linealizar el sistema de ecuaciones para el reactor Van de Vusse alrededor del estado
estable determinado en la sección 3.2 y conocer su valor numérico.

Solución

Se recomienda, para este caso, realizar de manera manual las derivadas para luego validarlas
con los resultados del programa. Se parte de los parámetros mostrados en la tabla 6.1, los
valores de entrada de D̄ = 4/7 min−1 y C̄Af = 10 mol l−1 , y los estimados de los estados
en el estado estable C̄A = 3 mol l−1 y C̄B = 1,117 mol l−1 . Con las indicaciones mostradas,
se definen las variables en principio como simbólicas: entradas, estados y parámetros del
modelo; posteriormente, se definen las ecuaciones diferenciales a linealizar en forma vectorial
y se ejecuta el comando jacobian. Para determinar el valor numérico de las derivadas, se
definen los valores numéricos de los parámetros, las entradas y los estados en el estado estable.
Finalmente, se usa el comando eval para conocer las matrices. El código de Matlab es:

%--------------------------------------------------------------------------
% Determinación del jacobiano simbólico
% Sistema de ecuaciones en el mismo script-función
% Método de solución: jacobian

clc
clear

%% Derivación simbólica

syms D Caf Ca Cb k1 k2 k3

dC_dt(1) = D*(Caf-Ca) - k1*Ca -k3*Ca^2; % ODE Ca

dC_dt(2) = -D*Cb + k1*Ca - k2*Cb; % ODE Cb

J_A = jacobian(dC_dt,[Ca Cb]);

J_B = jacobian(dC_dt,[D Caf]);
disp('Asym = ')
disp(' ')
pretty(J_A)
disp('Bsym = ')
disp(' ')
pretty(J_B)

%% Parámetros, variables de entrada y condiciones iniciales

87
Capítulo 3. Sistemas lineales continuos

k1 = 5/6; % Constante de reacción para A-->B (min^-1)

k2 = 5/3; % Constante de reacción para B-->C (min^-1)
k3 = 1/6; % Constante de reacción para 2A-->D (mol/(l min))

D = 4/7; % Tasa de dilución (min^-1)

Caf = 10; % Concentración de A a la entrada (mol/l)
Ca = 3; % Concentración estado estable de A (mol/l)
Cb = 1.117; % Concentración estado estable de B (mol/l)

Anum = eval(J_A); % Evaluación de las derivadas en el estado estable

Bnum = eval(J_B); % Evaluación de las derivadas en el estado estable

%% Resultados

disp('Anum = ')
disp(' ')
disp(Anum)
disp('Bnum = ')
disp(' ')
disp(Bnum)

%--------------------------------------------------------------------------

Nótese que las ecuaciones diferenciales fueron introducidas de la misma manera que se usó
anteriormente para su solución numérica, lo cual permite reciclar el código realizado. Por otro
lado, hay que resaltar que Matlab fue concebido para efectuar operaciones numéricas y su
fuerte no es mostrar las ecuaciones simbólicas en un formato reconocible. Cuando las ecua-
ciones son muy complejas, es difícil reconocer cuál es realmente la forma de las ecuaciones
entre tantos paréntesis y operaciones aritméticas. En la implementación realizada, se utilizó
el comando pretty, que tiene como propósito mostrar las ecuaciones un poco más cercanas
al tipo matemático. Para la implementación realizada es muy importante definir todas las
variables simbólicas con valores numéricos; de otro modo, las matrices permanecerán como
simbólicas.

Cuando se ejecuta el programa, se obtienen los siguientes resultados:

Asym =

/ - D - k1 - 2 Ca k3, 0 \
| |
\ k1, - D - k2 /

Bsym =

/ Caf - Ca, D \
| |
\ -Cb, 0 /

Anum =

88
 Capítulo 3. Sistemas lineales continuos

-2.4048 0
0.8333 -2.2381

Bnum =

7.0000 0.5714
-1.1170 0

Si se realizó el ejercicio de determinar las derivadas analíticamente, se puede validar que

el resultado simbólico concuerda. En este ejemplo se mostraron las matrices A y B tanto
simbólicas como numéricas. A diferencia de la solución numérica, la solución simbólica es una
representación general y puede ser usada directamente en implementaciones posteriores para
no tener que linealizar el sistema de ecuaciones diferenciales cada vez que se cambie el estado
estable de interés. Esto es muy ventajoso cuando los cálculos son demandantes.

3.3.2. Jacobiano numérico-Matlab

Para obtener las derivadas que contienen las matrices A y B se puede utilizar la serie de
Taylor y calcular las primeras derivadas de manera numérica, es decir, usando el método de
diferencias finitas (Chapra, 2012). Dependiendo de la exactitud deseada, es posible emplear
las aproximaciones backwards, forward o central. Hay que recordar que la exactitud de la
aproximación numérica puede ser mejorada utilizando un paso más pequeño o utilizando
más términos en la serie de Taylor. Para ejemplificar cómo realizar el cálculo, se utiliza la
aproximación backwards (i.e., serie de Taylor de primer orden):

df (x) f (x + ∆x) − f (x)

≈ (3.11)
dx ∆x

Teniendo en mente que se desea linealizar un sistema de ecuaciones diferenciales, en este caso
f (x) corresponde a cada ecuación diferencial a linealizar, x a cada estado/entrada y ∆x es
una perturbación muy pequeña, que define la exactitud de la aproximación. Para determinar
entonces todas las derivadas, se aprovecha la representación vectorial que se tiene del sistema
de ecuaciones para así ahorrar esfuerzo computacional. El uso de la aproximación se muestra
en el ejemplo 3.6.

Ejemplo 3.6.

Linealización de las EDO-jacobiano numérico

Se desea linealizar numéricamente el sistema de ecuaciones para el reactor Van de Vusse al-
rededor del estado estable determinado en la sección 3.2.

89
Capítulo 3. Sistemas lineales continuos

Solución

De manera análoga al caso anterior, se parte de los parámetros mostrados en la tabla 6.1, los
valores de entrada de D̄ = 4/7 min−1 y C̄Af = 10 mol l−1 , y los estimados de los estados en
el estado estable C̄A = 3 mol l−1 y C̄B = 1,117 mol l−1 . Para este caso, se desea aprovechar
la implementación de las ecuaciones diferenciales realizada en la sección 2.3.3; por tanto, el
resto de código se adapta a la función previamente elaborada. Adicionalmente, se aprovecha la
derivada simbólica determinada en el ejemplo 3.5 para validar los resultados de la estimación
numérica.

Para realizar la implementación en un solo programa, se utiliza la estrategia de funciones

dentro de funciones como en la sección 2.3.3, pero con un nivel jerárquico mayor. El programa
consta de una función maestro que contiene los parámetros, variables de entrada y valor de
los estados en el estado estable. Este programa alimenta dos funciones, una con la solución
analítica explícita del jacobiano y otra que realiza la numérica con el método backwards. Fi-
nalmente, se determina la diferencia entre el la derivada analítica y la numérica, para de esta
manera validar la exactitud de la aproximación numérica.

La implementación es:

%--------------------------------------------------------------------------
% Linealización del reactor Van de Vusse
% Sistema de ecuaciones en el mismo script-funciones separadas
% Método de solución: Analítico versus numérico

function Jacobian_VDVReactor

clc
clear
close all

%% Parámetros, variables de entrada y condiciones iniciales

k1 = 5/6; % Constante de reacción para A-->B (min^-1)

k2 = 5/3; % Constante de reacción para B-->C (min^-1)
k3 = 1/6; % Constante de reacción para 2A-->D (mol/(l min))

D = 4/7; % Tasa de dilución (min^-1)

Caf = 10; % Concentración de A a la entrada (mol/l)
Cass = 3; % Concentración estado estable de A (mol/l)
Cbss = 1.117; % Concentración estado estable de B (mol/l)
Css = [Cass Cbss];

%% Solución

[Aana,Bana]=Janalitic(0,Css,k1,k2,k3,Caf,D); % Llama jacobiano analítico

[Anum,Bnum]=Jbackwards(0,Css,k1,k2,k3,Caf,D) % Llama jacobiano numérico

90
 Capítulo 3. Sistemas lineales continuos

%% Resultados

format shortG
ErrA = (Aana - Anum) % Error absoluto de cada término en A
ErrB = (Bana - Bnum) % Error absoluto de cada término en B

end

function [A,B]=Janalitic(t,C,k1,k2,k3,Caf,D)

Ca = C(1); % Cambio de variable

Cb = C(2); % Cambio de variable

a11=-D-k1-2*k3*Ca;
a12=0;
a21=k1;
a22=-D-k2;
A = [a11 a12; a21 a22]; % Jacobiano analítico en A

b11=Caf-Ca;
b12=D;
b21=-Cb;
b22=0;
B = [b11 b12; b21 b22]; % Jacobiano analítico en B

end

function [A,B]=Jbackwards(t,C,k1,k2,k3,Caf,D)

U = [D Caf];
dC= 1e-3; % Perturbación para el método de diferenciación

F =ODE_equations(t,C,k1,k2,k3,U);

for i=1:length(C)
C(i) = C(i)+dC;
A(:,i)=(ODE_equations(t,C,k1,k2,k3,U)-F)./dC;
C(i) = C(i)-dC;
end

for i=1:length(U)
U(i) = U(i)+dC;
B(:,i)=(ODE_equations(t,C,k1,k2,k3,U)-F)./dC;
U(i) = U(i)-dC;
end

end

function [dC_dt] = ODE_equations(t,C,k1,k2,k3,U)

Ca = C(1); % Cambio de variable

Cb = C(2); % Cambio de variable
D = U(1); % Cambio de variable
Caf= U(2); % Cambio de variable

91
Capítulo 3. Sistemas lineales continuos

dC_dt = zeros(length(C),1);
dC_dt(1) = D*(Caf-Ca) - k1*Ca -k3*Ca^2; % ODE Ca
dC_dt(2) = -D*Cb + k1*Ca - k2*Cb; % ODE Cb

end

%--------------------------------------------------------------------------

Teniendo en cuenta que el tiempo no es relevante en la linealización, pues se realiza alrededor

del estado estable, se utiliza el mismo truco anterior de dejar el tiempo como una variable
pero se sustituye en este caso con cero. Esto no influye en los cálculos, aunque permite reciclar
las funciones previamente diseñadas.

Para realizar la diferenciación numérica, se explora la función que contiene las ecuaciones
diferenciales de forma vectorial. De esta manera no se realiza aproximación de la derivada
ecuación por ecuación y estado por estado, sino estado por estado para todas las ecuaciones
simultáneamente; así las matrices A y B se llenaran una columna a la vez y no elemento por
elemento.

Para materializar la estrategia, primero se calcula el valor de las derivadas sin perturbación
(i.e., f (x)) ejecutando la función ODE_equations alimentando el valor de entradas y estados
en el estado estable. Ahora, para la determinación del valor de las ecuaciones diferenciales
perturbadas (i.e., f (x + ∆x)), se modifica el vector de estados/entradas (uno a la vez) con un
valor muy pequeño (e.g., 1×10−3 ); entre más pequeño sea este número, se mejora la exactitud
de la aproximación numérica. Nótese que la perturbación de cada estado y entrada se hace en
el ciclo; después de aproximar la derivada, la perturbación debe removerse del vector original.

Los resultados son:

Anum =

-2.4049 0
0.83333 -2.2381

Bnum =

7 0.57143
-1.117 0

ErrA =

0.00016667 0
-1.3023e-13 -3.0997e-13

ErrB =

3.2685e-13 5.7043e-13
-1.8741e-13 0

92
 Capítulo 3. Sistemas lineales continuos

Como se observa en los resultados, es importante resaltar que la aproximación numérica solo
tiene diferencias apreciables en el término a11.

Reto 1: teniendo en cuenta que no siempre se tiene la solución analítica para comparar
resultados, es importante familiarizarse con el uso del paso y los tipos de aproximaciones
de la derivada. El reto consiste en implementar la derivada centrada y evidenciar la
exactitud de los métodos en función del tamaño de la perturbación realizada.

Reto 2: cuando el sistema es muy pequeño, vale la pena implementar las ecuaciones
simbólicas directamente para calcular los valores de las matrices como se mostró en
el ejemplo 3.5. Sin embargo, para modelos grandes no se ve bien. Hay un comando de
Matlab que permite convertir el modelo simbólico directamente en una función anónima
llamado matlabFunction. Explorar esta opción y validar los resultados.

3.3.3. Jacobiano numérico-Simulink (linmod)

Como alternativa para determinar la linealización usando el modelo no lineal implementado
en Matlab y las funciones anteriormente para obtener el jacobiano, se puede aprovechar el
modelo implementado en Simulink. Para utilizar las herramientas de Matlab con este fin, es
necesario modificar levemente la implementación de Simulink que se utilizó en la sección 3.2.4.
La modificación consiste en cambiar las entradas y salidas del modelo de Simulink por nuevos
puertos llamados Inport (encontrado en la librería de Sources) y Outport (encontrado en la
librería de Sinks). Una vez se hace esta modificación, se procede a construir un código en
Matlab que utilice la función linmod o linmod2. El objetivo de estas funciones es obtener
un modelo continuo lineal alrededor de un punto de operación (x̄, ū), a partir de modelos de
ecuaciones diferenciales ordinarias implementados en Simulink. La representación de salida
puede ser en espacio de estados o funciones de transferencia. La diferencia entre las funciones
mostradas es el algoritmo utilizado por cada una:

• linmod: el modelo lineal se obtiene linealizando cada bloque en el modelo en Simulink de

manera individual, utilizando derivadas analíticas de los bloques preguardadas. Teniendo
en cuenta que las derivadas son analíticas, se espera que el resultado sea más exacto
que el arrojado utilizando un método numérico basado en perturbaciones (MatWorks,
2022j).
• linmod2: el modelo lineal se obtiene mediante la perturbación de entradas y estados
del modelo, con lo que se determinan las derivadas de manera numérica, de manera
análoga a la estrategia mostrada en la sección 3.3.2. Sin embargo, esta función utiliza
un algoritmo avanzado para reducir el error de truncamiento de la aproximación de la
derivada (MatWorks, 2022k).

La sintaxis para realizar la linealización es:

93
Capítulo 3. Sistemas lineales continuos

%--------------------------------------------------------------------------
[A,B,C,D]=linmod('Modelo',x,u);
[A,B,C,D]=linmod2('Modelo',x,u);
%--------------------------------------------------------------------------

Donde:

Model : implementación del modelo en Simulink usando Inport y Outport

x : vector de estados estables
u : vector de entradas en el estado estable
A,B,C,D : matrices de la representación de espacio de estados

Algo importante es que el orden de estados y entradas debe ser el mismo usado en la im-
plementación del modelo en Simulink y este se mantiene en el resultado (i.e., modelo de
espacio de estados obtenido). Finalmente, cuando no se alimentan estados ni entradas, por
defecto los algoritmos utilizan cero, lo que significa que el modelo se linealiza alrededor de cero.

Ejemplo 3.7.

Linealización de las EDO-modelo en Simulink

Se desea linealizar el sistema de ecuaciones para el reactor Van de Vusse alrededor del estado
estable determinado en la sección 3.2, a partir de un modelo implementado en Simulink.

Solución

Siguiendo la misma estructura, se parte de los parámetros mostrados en la tabla 6.1, los valores
de entrada de D̄ = 4/7 min−1 y C̄Af = 10 mol l−1 , y los estimados de los estados en el estado
estable C̄A = 3 mol l−1 y C̄B = 1,117 mol l−1 . En este caso se tienen dos programas: la imple-
mentación del modelo en Simulink y un código en Matlab que llama al modelo para realizar
la linealización. Aquí se desea aprovechar la implementación de las ecuaciones diferenciales
realizada en la sección 3.2.4. En esta implementación se sustituyen las entradas del modelo
por puertos llamados Inport y las salidas por puertos llamados Outport; esto es vital para
los algoritmos linmod. La implementación en Simulink se llama VDV_NLsimulation_ports.
Seguidamente se construye un programa en Matlab donde se definen las variables de entrada
y los estados en el estado estable (debe recordarse que los parámetros del modelo en este
caso están dentro de la S-function). Entonces, se aplican las funciones para determinar las
matrices del espacio de estado (i.e., A, B, C y D) usando ambas funciones planteadas. En la
figura 3.4 se muestra la nueva implementación de Simulink.

94
 Capítulo 3. Sistemas lineales continuos

Figura 3.4. Implementación modificada del reactor Van de Vusse en Simulink reemplazando entradas
y salidas por puertos Inport y Outport

La implementación en Matlab es:

%--------------------------------------------------------------------------
% Linealización del reactor Van de Vusse
% Sistema en Simulink
% Método de solución: numérico-linmod

clc
clear
close all

%% Variables de entrada y condiciones iniciales

D = 4/7; % Tasa de dilución (min^-1)

Caf = 10; % Concentración de A a la entrada (mol/l)
Cass = 3; % Concentración estado estable de A (mol/l)
Cbss = 1.117; % Concentración estado estable de B (mol/l)
Css = [Cass Cbss];
Uss = [D Caf];

%% Solución

[A1,B1,C1,D1]=linmod('VDV_NLsimulation_ports',Css,Uss);
[A2,B2,C2,D2]=linmod2('VDV_NLsimulation_ports',Css,Uss);

%% Resultados

format shortG
disp('A= ')
disp(' ')
disp(A1)
disp('B = ')
disp(' ')
disp(B1)
ErrA = (A1 - A2) % Diferencias absolutas de cada término en A

95
Capítulo 3. Sistemas lineales continuos

ErrB = (B2 - B2) % Diferencias absolutas de cada término en B

%--------------------------------------------------------------------------

Ejecutando el programa anterior, se obtienen los siguientes resultados:

A=
-2.4048 0
0.83333 -2.2381

B =
7 0.57143
-1.117 0

ErrA =

3.1084e-08 0
-5.6697e-12 1.6411e-11

ErrB =

0 0
0 0

Es importante comparar los resultados numéricos y de esfuerzo computacional para sistemas

más complejos.

3.4. Funciones de transferencia-Matlab simbólico

Las herramientas para el análisis y el control clásico de sistemas se fundamentan en modelos
de sistemas lineales. En particular, la representación de señales y sistemas en funciones de
transferencia es vital, ya que son la columna vertebral de los métodos usados. En esta sección
se revisarán los métodos en Matlab para su obtención, sus operaciones y cómo usarlas para
resolver ecuaciones diferenciales.

3.4.1. Transformada de Laplace

En Matlab se puede utilizar herramientas simbólicas para realizar la transformada de Lapla-
ce de funciones individuales. El procedimiento es corto y, en ocasiones, no justifica realizar
un programa para ello; esto puede realizarse directamente ejecutando los comandos en el
Command window así:

• Inicialmente se definen las variables simbólicas de la función, incluido el tiempo usando

la función syms.

96
 Capítulo 3. Sistemas lineales continuos

• Simplemente se usa la función laplace para obtener la transformada de Laplace ana-

lítica de la función.

• Se puede mejorar el formato con la función pretty.

Para ejecutar la función se utiliza la siguiente sintaxis:

%--------------------------------------------------------------------------
syms t
Ft = 'Función';
Fs = laplace(Ft);
pretty(Fs)
%--------------------------------------------------------------------------

Donde:

syms : define variables simbólicas

Ft : función en el dominio del tiempo
Fs : función en el dominio de Laplace
pretty : para mostrar la función en formato ecuación

La función laplace puede ser aplicada a vectores de funciones y también modificar la varia-
ble de Laplace “s” que se tiene por defecto. La aplicación del procedimiento se muestra en el
ejemplo 3.8.

Ejemplo 3.8.

Transformada de Laplace-Matlab simbólico

Utilizando el motor simbólico de Matlab, se busca obtener la transformada de Laplace de las

siguientes funciones:

f (t) = exp(−a · t) (3.12)

f (t) = a · cos(w · t)
f (t) = a · sen(w · t)
f (t) = t6 · exp(a · t)
n1 t ≥ 2
u(t) =
0 t<2

Solución

Se plantea un programa para obtener todas las transformadas con una sola ejecución. Inicial-

97
Capítulo 3. Sistemas lineales continuos

mente, se definen todas las variables simbólicas por utilizar, incluyendo los parámetros de las
funciones y el tiempo. A continuación, se construye un vector con todas las funciones a las que
se desea aplicar la transformada. Es importante tener en cuenta que las funciones individuales
son simbólicas, por lo que el vector también lo será. Después se ejecuta la función laplace
para obtener todas las transformadas en un vector y, finalmente, se muestran los resultados.

%--------------------------------------------------------------------------
% Obtención de transformadas de Laplace
% Método de solución: Matlab simbólico

clc
clear

%% Planteamiento de ecuaciones y transformada

syms t a w

Ft = [exp(-a*t), a*cos(w*t), a*sin(w*t), t^6*exp(a*t), heaviside(t-2)];

Fs = laplace(Ft);

disp('Transformadas de Laplace para las funciones:')

disp(' ')
pretty(Fs)

%--------------------------------------------------------------------------

Entre las funciones usadas, la última es especial: se trata de una función paso o escalón uni-
tario retrasado dos unidades de tiempo. Es decir, es una función paso convencional a la que
se le aplicó el teorema de traslación de dos unidades de tiempo. Esto se conoce también como
una función a la que se le aplicó un transport delay. Como tal, esta función es discontinua y
debe plantearse de manera especial en Matlab. Para esto se usa la función heaviside, que
no es propiamente la función paso sino una aproximación de la discontinuidad (figura 3.5).
Esta función puede ser usada como un interruptor que prende y apaga otras funciones.

n 1 t≥0
u(t) = 0,5 t = 0 (3.13)
0 t<0

98
 Capítulo 3. Sistemas lineales continuos

Figura 3.5. Aproximación de la función paso utilizando la función heaviside(t), evaluada para
un vector de tiempo entre −1 y 1

El resultado de la ejecución del código es:

Transformadas de Laplace para las funciones:\\

/ 1 a s a w 720 exp(-2 s) \
| -----, -------, -------, - --------, --------- |
| a + s 2 2 2 2 7 s |
\ s + w s + w (a - s) /

Se puede validar en la literatura la veracidad de las transformadas. Cabe resaltar que el resul-
tado de la transformada de la última función corresponde a la aplicación de la transformada
a la función paso y al uso del teorema de traslación de Laplace.

Reto: determinar el problema cuando se trata de obtener la transformada de Laplace

de la función:

n1 t ≥ a
u(t) = (3.14)
0 t<a

3.4.2. Expansión en fracciones parciales

Durante la solución de ecuaciones diferenciales usando la transformada de Laplace, un pa-
so intermedio es realizar la expansión en fracciones parciales de funciones racionales. Este

99
Capítulo 3. Sistemas lineales continuos

procedimiento permite descomponer una función racional de alto orden en el denominador

en la sumatoria de funciones de bajo orden. Esto se requiere para poder aplicar de manera
simple las tablas de antitransformadas de Laplace durante la solución analítica de ecuaciones
diferenciales ordinarias.

El método completo en Matlab utiliza otras funciones para realizar la descomposición en

fracciones parciales. En primera instancia, se determinan las raíces del polinomio del denomi-
nador de la ecuación para resolver usando la función roots. A esta función se le alimentan
los coeficientes del polinomio en orden descendente incluyendo la potencias que no aparecen
en el polinomio, poniéndoles cero como coeficiente. Seguidamente, si el cociente de los po-
linomios no es una función propia, los residuos se encuentran utilizando una deconvolución
para realizar la división polinomial. Por último, se determinan los numeradores evaluando los
polinomios cuando las raíces son removidas individualmente. Se tiene un algoritmo especial
para el caso de raíces repetidas (MatWorks, 2022p).

Para realizar el procedimiento, se utiliza la función residue de Matlab. Esta función en-
cuentra numeradores (Ri ), polos (Pi ) y término residual (K) del cociente de dos polinomios
B(s)/A(s). Para el caso en el que no hay raíces repetidas se tiene el siguiente modelo de
expansión en fracciones parciales:

B(s) R(1) R(2) R(n)

= + + ··· + + K(s) (3.15)
A(s) s − P (1) s − P (2) s − P (n)

Cuando se tienen multiplicidades en raíces de polinomio del denominador (A), la forma de la

expansión para esas multiplicidades se modifica así (donde m es el máximo orden de la raíz
repetida):

R(i) R(i + 1) R(i + m − 1)

+ + ··· + (3.16)
s − P (i) (s − P (i))2 (s − P (i))m

Para ejecutar la función se utiliza la siguiente sintaxis:

%--------------------------------------------------------------------------
B = ['Coeficientes'];
A = ['Coeficientes'];
[r,p,k] = residue(B,A);
%--------------------------------------------------------------------------
Donde:

B : vector de coeficientes del polinomio del numerador

A : vector de coeficientes del polinomio del denominador
r : vector de numeradores de la función descompuesta
p : vector de polos de la función descompuesta
k : residuos

100
 Capítulo 3. Sistemas lineales continuos

Los vectores A y B contienen los coeficientes de los polinomios de manera descendente en

potencias de s. El número de polos que tiene el sistema debe ser entonces n = length(A) − 1
= length(R) = length(P ). El vector de residuos estará vacío si el orden del polinomio del
numerador es menor al del denominador. Esto se cumple en sistemas físicos debido a la con-
dición de realización (Seborg et al., 2011).

El problema de determinar numéricamente la expansión en fracciones parciales de un cociente

de polinomios, es que este es un problema mal condicionado (sistemas con alta sensibilidad).
Dado el caso en que el polinomio del denominador sea muy cercano a tener raíces repetidas,
una pequeña incertidumbre en los valores, incluyendo errores de redondeo, puede resultar en
grandes cambios en los polos y residuos. Para estos casos, se recomienda usar representaciones
de los modelos en espacio de estados o cero-polo (como se verá más adelante) (MatWorks,
2022p).

En el ejemplo 3.9 se muestra cómo realizar la expansión en fracciones parciales de funciones

con raíces de diferente naturaleza (i.e., reales no repetidas, reales repetidas y complejas con-
jugadas).

Ejemplo 3.9.

Expansión en fracciones parciales-Matlab simbólico

Utilizando el motor simbólico de Matlab, descomponer en fracciones parciales las siguientes

funciones en el dominio de Laplace. La solución analítica se muestra para cada una:

1 1/6 1/2 1/2 1/6

Y (s) = Y (s) = − + − (3.17)
s4 + 6s3 + 11s2 + 6s s s+1 s+2 s+3
s+1 s+1 −1/4 1/2 1/4
Y (s) = = Y (s) = + +
s3 + 4s2 + 4s s(s + 2)2 s+2 (s + 2)2 s
s+1 0,04 0,2 −0,02 − 0,14j −0,02 + 0,14j
Y (s) = Y (s) = + 2 − +
s4 + 4s3 + 5s2 s s s+2+j s+2−j

Solución

De manera análoga al ejercicio 3.8, se plantea un solo programa para realizar todas las trans-
formaciones. Inicialmente, se definen todos los numeradores y denominadores en forma de
vectores; luego, se aplica la función residue y, por último, se imprimen los resultados.

%--------------------------------------------------------------------------
% Expansión en fracciones parciales
% Los tres tipos de raíces son evaluados

clc

101
Capítulo 3. Sistemas lineales continuos

clear

%% Planteamiento de ecuaciones

num1 = 1; % Numerador 1
den1 = [1 6 11 6 0]; % Denominador 1
num2 = [1 1]; % Numerador 2
den2 = [1 4 4 0]; % Denominador 2
num3 = [1 1]; % Numerador 3
den3 = [1 4 5 0 0]; % Denominador 3

[r1,p1,k1] = residue(num1,den1);
[r2,p2,k2] = residue(num2,den2);
[r3,p3,k3] = residue(num3,den3);

%% Resultados

disp('Sistema 1: [r p]')
disp(' ')
disp([r1 p1])
disp('Sistema 2: [r p]')
disp(' ')
disp([r2 p2])
disp('Sistema 3: [r p]')
disp(' ')
disp([r3 p3])

%--------------------------------------------------------------------------

El único aspecto con el que se debe tener cuidado en esta implementación es cómo se definen
los vectores de los polinomios. Los coeficientes se listan de manera descendente en potencias
de s. Si el polinomio no cuenta con un término, su coeficiente es cero. Nótese que la longitud
del vector de coeficientes es el orden del polinomio más uno.

El resultado generado para cada sistema es:

Sistema 1: [r p]

-0.1667 -3.0000
0.5000 -2.0000
-0.5000 -1.0000
0.1667 0

Sistema 2: [r p]

-0.2500 -2.0000
0.5000 -2.0000
0.2500 0

Sistema 3: [r p]

-0.0200 + 0.1400i -2.0000 + 1.0000i

102
 Capítulo 3. Sistemas lineales continuos

-0.0200 - 0.1400i -2.0000 - 1.0000i

0.0400 + 0.0000i 0.0000 + 0.0000i
0.2000 + 0.0000i 0.0000 + 0.0000i

Los resultados de los coeficientes y denominadores se colocaron en paralelo para que se vea la
correspondencia, pues el orden se mantiene. Hay que tener cuidado, pues la función residue
retorna las raíces del polinomio del denominador. Cuando se hace la expansión el denomina-
dor sería s − P (i). Otro aspecto para tener en cuenta es cuando se tienen raíces repetidas
(sistema 2). Para este caso, se observa que hay dos polos con valor de −2, entonces el primer
coeficiente corresponde a la menor potencia y el segundo a la multiplicidad.

Como complemento al programa, se puede validar los polos del sistema mediante el empleo
de la función roots.

3.4.3. Transformada inversa de Laplace

Para determinar la solución en el tiempo de una función en el dominio de Laplace se requiere
aplicar la antitransformada de Laplace, para lo que se usa el comando ilaplace. Este co-
mando del motor simbólico de Matlab no demanda que se haga previamente la expansión en
fracciones parciales de una función de alto orden. Para cada uno de los casos se tiene que
definir que la variable simbólica es “s” y luego aplicar el comando.

Para ejecutar la función se utiliza la siguiente sintaxis:

%--------------------------------------------------------------------------
syms s
Fs = 'Función';
Ft = ilaplace(Fs);
pretty(Ft)
%--------------------------------------------------------------------------

Donde:

syms : define variables simbólicas

Fs : función en el dominio de Laplace
Ft : función en el dominio del tiempo
pretty : para mostrar la función en formato ecuación

Ejemplo 3.10.

Antitransformada de funciones-Matlab simbólico

Utilizando el motor simbólico de Matlab, aplicar la antitransformada de Laplace para obtener

103
Capítulo 3. Sistemas lineales continuos

la respuesta en el tiempo de las siguientes funciones:

1
Y (s) = (3.18)
s4 + 6s3 + 11s2 + 6s
s+1
Y (s) =
s3 + 4s2 + 4s
s+1
Y (s) =
s4 + 4s3 + 5s2

Solución

Utilizando como base el esquema del programa para determinar la transformada de Laplace, se
plantea un solo programa para realizar todas transformaciones al dominio del tiempo. Inicial-
mente, se define la variable de Laplace “s” como simbólica; entonces, se definen las funciones
en un vector para posteriormente aplicar la antitransformada y, finalmente, se muestran los
resultados.

El programa para aplicar la antitransformada es:

%--------------------------------------------------------------------------
% Obtención de antitransformadas de Laplace
% Método de solución: Matlab simbólico

clc
clear

%% Planteamiento de ecuaciones y transformada

syms s

Fs = [1/(s^4+6*s^3+11*s^2+6*s), (s+1)/(s^3+4*s^2+4*s),(s+1)/(s^4+4*s^3+5*s^2)];
Ft = ilaplace(Fs);

disp('Antitransformadas de Laplace para las funciones:')

disp(' ')
pretty(Ft(1))
pretty(Ft(2))
pretty(Ft(3))

%--------------------------------------------------------------------------

Para esta implementación, hay que tener mucho cuidado con la ubicación de los paréntesis.
Una opción es usar la función pretty con las funciones planteadas para validar que quedaron
bien implementadas. Los resultados de ejecutar el programa son:

Antitransformadas de Laplace para las funciones:

104
 Capítulo 3. Sistemas lineales continuos

exp(-2 t) exp(-t) exp(-3 t) 1

--------- - ------- - --------- + -
2 2 6 6

t exp(-2 t) exp(-2 t) 1
----------- - --------- + -
2 4 4

t exp(-2 t) (cos(t) + 7 sin(t)) 1

- - ----------------------------- + --
5 25 25

Estos resultados se pueden validar de manera sencilla usando tablas para obtener las anti-
transformadas de Laplace.

3.5. Representación de modelos

Como se ha visto en lo que va corrido de este documento, los sistemas se pueden representar
de diferentes maneras: partiendo de las ecuaciones diferenciales ordinarias, trasnformarlas en
ecuaciones diferenciales ordinarias lineales (en variables de desviación) y, posteriormente, con-
vertirlas a su representación lineal en espacio de estados o funciones de transferencia. Estas
transformaciones se denominan “realizaciones” de un modelo lineal. En el control de procesos
clásico es muy importante poder pasar de una realización del modelo a otra, pues cada una
ofrece unas ventajas en cuanto a uso o análisis de sistemas. En las siguientes secciones se espe-
cifican cómo construirlas y sus propiedades (estos modelos o realizaciones pueden representar
sistemas continuos o discretos; para aplicaciones de control de procesos se restringe solo a los
modelos continuos).

3.5.1. Estructura de modelos y características

En Matlab, cada una de las representaciones posee un formato especial, es decir, un tipo de
estructura para definirlas y guardar información relevante asociada a estas. Para identificarlas,
cada modelo se define como objeto. Un objeto se puede entender como un contenedor de datos
especializado que encapsula un modelo e información relevante de este en una estructura. En
este sentido, representar modelos en forma de objetos permite manipular sistemas lineales de
una manera compacta en vez de manejar vectores, matrices o células.

Es importante definir los modelos como objetos; esto permite hacer transformaciones entre
estructuras, que es muy útil más adelante. Adicionalmente, los formatos de los modelos se
preservan para sus implementaciones en Simulink.

105
Capítulo 3. Sistemas lineales continuos

3.5.1.1. Espacio de estados

Esta es una representación matricial en el dominio del tiempo de un sistema de ecuaciones
diferenciales. Este modelo es una forma compacta para sistemas multivariable y ampliamente
usado en control avanzado. Cuando se define un espacio de estados en Matlab, este crea un
objeto llamado ss-model a partir de las matrices que definen el espacio de estados (MatWorks,
2022u). Un modelo en espacio de estados continuo se expresa en variables de desviación como:

dx
= Ax + Bu (3.19)
dt
y = Cx + Du

Donde x, u y y son vectores. Para un sistema con n estados, m entradas y p salidas, se tiene
que las dimensiones de las matrices son:

A : n x n
B : n x m
C : p x n
D : p x m

Para crear el objeto se utiliza la siguiente sintaxis:

%--------------------------------------------------------------------------
sys_ss = ss(A,B,C,D);
set(sys_ss,'Property1',Value1,...,'PropertyN',ValueN);
%--------------------------------------------------------------------------

Donde:

ss : función para definir el objeto espacio de estados

A,B,C,D : matrices del modelo
set : función para cambiar opciones del modelo

Cuando se crea el espacio de estados para un sistema a partir de las matrices A, B, C y D, el

sistema llamado sys_ss aparece con un ícono especial en el workspace. Allí se puede apreciar
su tamaño y se define como tipo ss. Al señalarlo, se verá que en su interior tiene muchas
propiedades aparte de las matrices definidas. Estos valores son las propiedades para modificar
con el comando set, que permite tener más información acerca del sistema como, por ejem-
plo: nombre de los estados (StateName), nombre de las salidas (OutputName), nombre de las
entradas (InputName), definir las unidades de tiempo (TimeUnit) o si se tienen retrasos de
tiempo (OutputDelay).

106
 Capítulo 3. Sistemas lineales continuos

3.5.1.2. Función de transferencia

La función de transferencia es una relación salida-entrada de un sistema lineal en el dominio
de Laplace; esto implica que, para un sistema de múltiples entradas-múltiples salidas (MIMO,
por sus siglas en inglés) de m entradas y p salidas, se tendrán pxm funciones de transferencia.
Una función de transferencia se obtiene cuando se aplica la transformada de Laplace a un
sistema de ecuaciones diferenciales ordinarias lineales en variables de desviación. Si el sistema
es MIMO, se deben hacer operaciones algebraicas para poder obtener las respectivas funciones
de transferencia. La representación de funciones de transferencia se muestra como:

Y (s) 0 P olinomio(s)0
G(s) = =0 (3.20)
U (s) P olinomio(s)0

Donde:

G(s) : función de transferencia

Y(s) : salida
U(s) : entrada

Para crear un objeto que represente una función de transferencia, se utiliza la siguiente sin-
taxis:

%--------------------------------------------------------------------------
sys_tf = ft([numerador],[denominador]);
set(sys_ft,'Property1',Value1,...,'PropertyN',ValueN);
%--------------------------------------------------------------------------
Donde:

ft : función para definir el objeto función de transferencia

numerador : vector con coeficientes del numerador
denominador : vector con coeficientes del denominador

La función de transferencia se crea definiendo los polinomios del numerador y del denomi-
nador como vectores en orden descendente de potencias de s. Para crear la representación
de funciones de transferencia de sistemas MIMO, se puede concatenar funciones de transfe-
rencia individuales o utilizar argumentos como células de Matlab. Para el caso de células, el
numerador y el denominador son células con tantas filas como salidas y tantas columnas como
entradas. Entonces los vectores en el numerador {i.j} y en el denominador {i,j} se especifican
para la entrada j y la salida i (si todos los denominadores son iguales, se puede definir co-
mo denominador común) (MatWorks, 2022w). Las propiedades que pueden ser definidas son
análogas al caso de espacio de estados.

3.5.1.3. Cero-polo
La representación de un modelo en cero-polo es un arreglo de una función de transferencia
donde los polinomios se expresan de manera factorizada en términos de su ganancia, ceros y

107
Capítulo 3. Sistemas lineales continuos

polos. La función de transferencia se representa como:

Y (s) (s − z(1)) + (s − z(2))...(s − z(m))

 
G(s) = =k (3.21)
U (s) s − p(1)) + (s − p(2))...(s − p(n))

Donde:

G(s) : función de transferencia

Y(s) : salida
U(s) : entrada
z : vector con los ceros del sistema
p : vector con polos del sistema

Para crear una representación en objeto cero-polo, se deben especificar los ceros, los polos y
la ganancia del sistema usando la siguiente sintaxis:

%--------------------------------------------------------------------------
sys_zp = zpk(Z,P,K)
set(sys_zp,'Property1',Value1,...,'PropertyN',ValueN)
%--------------------------------------------------------------------------

Donde:

zpk : función para definir el objeto cero-polo

Z : vector con ceros
P : vector con polos
K : vector con ganancias

Para sistemas MIMO, se deben introducir los vectores como células. En este orden de ideas,
Z y P son vectores dentro de células con tantas filas como salidas y tantas columnas como
entradas. Los vectores Z{i, j} y P {i, j} especifican los ceros y los polos para la función de
transferencia que relacionan la entrada j con la salida i. Por otro lado, K debe ser una
matriz con tantas filas como salidas y tantas columnas como entradas. Entonces, K(i, j) es la
ganancia de la función de transferencia de la entrada j con respecto a la salida i (MatWorks,
2022z).

3.5.2. Transformaciones entre representaciones

Dependiendo del origen del sistema, se puede tener una u otra representación como punto
de partida; sin embargo, el uso del modelo será lo que defina qué representación es más
conveniente. Desde el punto de vista práctico, si se parte de un modelo no lineal de ecuaciones
diferenciales, el primer modelo a lograr será el espacio de estados. A partir de este, se puede
obtener la función de transferencia aplicando la transformada de Laplace de forma matricial.
Tomando como base la representación de espacio de estados, se puede demostrar que las
funciones de transferencia y las ganancias del sistemas se pueden obtener de las siguientes
ecuaciones (Seborg et al., 2011):

108
 Capítulo 3. Sistemas lineales continuos

dx
= Ax + Bu (3.22)
dt
y = Cx + Du

G(s) = C(sI − A)−1 B + D

K(i, j) = −C jrow A−1 B icol + Djrow

Una vez se tienen las funciones de transferencia, es posible transformar a la representación

cero-polo a través de factorización. Ahora, Matlab ofrece una serie de funciones que permiten
cambiar de una representación a otra sin importar cuál representación se obtiene primero.
Se tiene, por tanto, una gama de opciones dependiendo del modelo de origen y el modelo de
destino, así:

%--------------------------------------------------------------------------
sys_tf = ss2tf(A,B,C,D,ui);
sys_zp = ss2zp(A,B,C,D,ui);
sys_ss = tf2ss(num,den);
sys_zp = tf2zp(num,den);
sys_tf = zp2tf(z,p,k);
sys_ss = zp2ss(z,p,k);

Sys_tf = tf(sys);
Sys_zp = zp(sys);
Sys_ss = ss(sys);
%--------------------------------------------------------------------------

Donde:

ss2tf : transforma las matrices de espacio de estado a funciones de transferencia (FT)

ui : entrada de interés para hacer el cambio
ss2zp : transforma las matrices de espacio de estado a cero-polo
tf2ss : transforma vectores de coeficientes de FT a espacio de estados
tf2zp : transforma vectores de coeficientes de FT a cero-polo
zp2tf : transforma ceros, polos y ganancia a funciones de transferencia
zp2ss : transforma ceros, polos y ganancia a espacio de estados
tf(sys) : transforma el objeto sys en función de transferencia
zp(sys) : transforma el objeto sys en cero-polo
ss(sys) : transforma el objeto sys en espacio de estados

Las primeras seis funciones son útiles cuando se cuenta con los valores desglosados de matrices,
numeradores/denominadores o vectores de ceros/polos y matriz de ganancias. Las siguientes
tres funciones son útiles cuando se cuenta con el modelo ya definido como objeto, bien sea en
espacio de estados, función de transferencia o cero-polo. En el ejemplo 3.11 se muestra cómo
aprovechar transformaciones.

109
Capítulo 3. Sistemas lineales continuos

Ejemplo 3.11.

Crear un modelo en espacio de estados y transformarlo a otras representaciones

Partiendo de la linealización del modelo del reactor Van de Vusse, obtener la representación
en funciones de transferencia y cero-polo.

Solución

Se parte de la implementación anterior, que permitía obtener las matrices A, B, C y D para

el reactor Van de Vusse a través de la linealización de la S-function en Simulink. Con estas
matrices, inicialmente se crea un objeto de espacio de estados. Se muestra entonces cómo
construir las funciones de transferencia por cada entrada de manera simultánea. Para la re-
presentación cero-polo se hace la transformación directamente desde el objeto del modelo. El
código que realiza las transformaciones es:

%--------------------------------------------------------------------------
% Transformaciones entre modelos lineales
% Sistema de ecuaciones en el mismo script-funciones separadas
% Método de solución: analítico versus numérico

clc
clear
close all

%% Parámetros, variables de entrada y condiciones iniciales

k1 = 5/6; % Constante de reacción para A-->B (min^-1)

k2 = 5/3; % Constante de reacción para B-->C (min^-1)
k3 = 1/6; % Constante de reacción para 2A-->D (mol/(l min))

D = 4/7; % Tasa de dilución (min^-1)

Caf = 10; % Concentración de A a la entrada (mol/l)
Cass = 3; % Concentración estado estable de A (mol/l)
Cbss = 1.117; % Concentración estado estable de B (mol/l)
Css = [Cass Cbss];
Uss = [D Caf];

%% Definición de espacio de estados

[A,B,C,D]=linmod('VDV_NLsimulation_ports',Css,Uss); % Linealización

Sys_ss=ss(A,B,C,D,'StateName',{'Ca';'Cb'},'InputName',{'D';'Caf'},...
'OutputName',{'Ca';'Cb'}) % Crea espacio de estados

%% Transformación a funciones de transferencia y representación cero-polo

G = cell(length(Css),length(Uss)); % Célula para guardar FT

110
 Capítulo 3. Sistemas lineales continuos

for i=1:length(Uss)
[num,den]=ss2tf(A,B,C,D,i); % Transforma el modelo
for j=1:length(Css)
G{j,i}= tf(num(j,:),den); % Genera el objeto de FT
disp(' ')
disp(['Función de transferencia: G(' num2str(i) ',' num2str(j) ')'])
G{j,i}
end
end

Sys_tf = tf(Sys_ss) % Transformación directa a FT

Sys_zp = zpk(Sys_ss) % Transformación directa a ZPK

%--------------------------------------------------------------------------

Como particularidad de la implementación y para personalizarla un poco, cuando se define el

espacio de estados se usan las propiedades para cambiar el nombre de los estados, entradas y
salidas; por tanto, cuando se llame el modelo se mostrará de una manera más agradable. Adi-
cionalmente, es menester analizar con cuidado la implementación que se tiene para almacenar
cada función de transferencia dentro de la célula llamada ,iGj a partir de los numeradores y
el denominador provisto por la función ss2tf. El arreglo en células corresponde a lo explicado
arriba.

Sys_ss =

A =
Ca Cb
Ca -2.405 0
Cb 0.8333 -2.238

B =
D Caf
Ca 7 0.5714
Cb -1.117 0

C =
Ca Cb
Ca 1 0
Cb 0 1

D =
D Caf
Ca 0 0
Cb 0 0

Continuous-time state-space model.

Función de transferencia: G(1,1)

ans =

111
Capítulo 3. Sistemas lineales continuos

7 s + 15.67
---------------------
s^2 + 4.643 s + 5.382

Continuous-time transfer function.

Función de transferencia: G(1,2)

ans =

-1.117 s + 3.147
---------------------
s^2 + 4.643 s + 5.382

Continuous-time transfer function.

Función de transferencia: G(2,1)

ans =

0.5714 s + 1.279
---------------------
s^2 + 4.643 s + 5.382

Continuous-time transfer function.

Función de transferencia: G(2,2)

ans =

0.4762
---------------------
s^2 + 4.643 s + 5.382

Continuous-time transfer function.

Sys_tf =

From input "D" to output...

7
Ca: ---------
s + 2.405

-1.117 s + 3.147
Cb: ---------------------
s^2 + 4.643 s + 5.382

From input "Caf" to output...

0.5714
Ca: ---------

112
 Capítulo 3. Sistemas lineales continuos

s + 2.405

0.4762
Cb: ---------------------
s^2 + 4.643 s + 5.382

Continuous-time transfer function.

Reto 1: en la parte final del programa se muestra cómo transformar el objeto de

espacio de estados a las otras representaciones. Realizar el cálculo analítico y validar si
los resultados son los mismos.

Reto 2: utilizando el teorema del valor final, validar que la ganancia dada por la
representación cero-polo corresponde a la determinada desde la función de transferencia.

113
Capítulo 4

Simulación y análisis de sistemas

lineales

Resumen
En el análisis de sistemas lineales se utiliza una serie de herramientas para anticipar el
comportamiento del sistema y poder usar esa información para el diseño y el control de
procesos. Teniendo en cuenta la pluralidad de los usuarios de control, se han desarrollado
diversas aproximaciones en el dominio del tiempo, en el dominio de Laplace y en el dominio
de la frecuencia para clasificar, cualificar y cuantificar el comportamiento de sistemas
lineales. Desde el punto de vista del control clásico de procesos, se utilizan respuestas del
sistema en el dominio del tiempo, así como la inspección de funciones de transferencia
para analizar sistemas. En esta sección se revisarán herramientas útiles para simular y
analizar el sistema lineal del reactor Van de Vusse. Cabe resaltar que el análisis de sistemas
lineales es un trabajo de interpretación de parámetros obtenidos de las representaciones;
sin embargo, es importante mostrar las herramientas para la extracción de la información
y ayudas gráficas, que son el fundamento para el análisis por realizar. En este capítulo
también se muestra cómo realizar simulaciones de sistemas lineales tanto en Matlab como
en Simulink y validar la aproximación lineal del sistema. Además, aborda cómo realizar
procesos de reducción de orden de modelos usando varias técnicas. Es importante tener
presente que el análisis de sistemas en el dominio de la frecuencia (i.e., Bode, Nyquist y
Nichols) está más allá del alcance de este documento.

4.1. Introducción
En este capítulo se mostrará cómo aprovechar el modelo lineal para determinar tres caracte-
rísticas fundamentales de los sistemas: estabilidad, controlabilidad y observabilidad, para lo
cual se utilizan diferentes opciones gráficas para representar los sistemas. Posteriormente, se
presentarán implementaciones en código de Matlab, herramientas del toolbox de control de
procesos y opciones en Simulink para evaluar la respuesta de sistemas lineales ante entradas
convencionales. Las implementaciones en Simulink se pueden acoplar con las simulaciones
realizadas en el capítulo anterior para así poder corroborar el poder predictivo de las apro-
ximaciones lineales. Finalmente, se exploran opciones para reducir el tamaño de los modelos
lineales y validar sus respuestas.

115
Capítulo 4. Simulación y análisis de sistemas lineales

4.2. Estabilidad
Partiendo de cualquiera de las representaciones del modelo, lo primero que hay que verificar
es su estabilidad. Debido al fuerte componente de métodos numéricos usados para la solución
de modelos dinámicos, se deben separar dos conceptos de estabilidad, para poderse enfocar en
la estabilidad inherente del sistema sin desconocer potenciales problemas numéricos durante
la solución.

4.2.1. Estabilidad numérica

Teniendo en cuenta que el análisis de sistemas se basa en modelos dinámicos y su solución,
cabe la posibilidad de que aun cuando el sistema sea inherentemente estable, la solución de
las ecuaciones diferenciales no. Para los métodos numéricos explícitos de paso (e.g., Euler,
Heun y Runge-Kutta), existe un tamaño de paso crítico que hace que el método diverja. Esto
depende del error local de la aproximación numérica y su propagación durante la integración
de la ecuación diferencial (Chapra, 2012).

Por lo anterior, aparecen tres tipos de errores numéricos:

• Error de redondeo: tiene que ver con el número de cifras significativas usadas en los
cálculos. Puede ser un problema para integraciones con cientos o miles de operaciones que
ocasiona desviaciones de la solución. Este problema se minimiza usando computadoras
modernas, con gran capacidad de procesamiento, ya que manejan doble precisión.

• Error de truncamiento: es función del número de términos que aparezcan en el méto-

do de solución de las ecuaciones diferenciales. Por lo general, los métodos de paso son
modificaciones de la serie de Taylor y, por tanto, dependiendo del orden de la serie, el
error local varía. A este error se le llama local y se conoce su orden de magnitud una
vez se define el orden de la serie de Taylor. El error local se puede reducir utilizan-
do un mayor número de términos de la serie (que corresponde a un orden mayor del
método) o disminuyendo el tamaño de paso. Cualquiera de estas estrategias tiene un
costo computacional que hay que evaluar en cada situación para balancear el uso de
pasos costosos (alto orden del método numérico) y la cantidad de pasos baratos (bajo
orden y muchos pasos). Por otro lado, se puede ganar estabilidad numérica cambiando
de método explícito a uno implícito.

• Propagación del error: es preciso tener presente que los errores de truncamiento y re-
dondeo se acumulan durante la solución, en algunos casos de manera exponencial u
oscilatoria, lo que ocasiona que la solución numérica se aleje drásticamente de la real. A
este error se le conoce como error global y normalmente es un orden de magnitud mayor
al error local.

116
 Capítulo 4. Simulación y análisis de sistemas lineales

La estabilidad numérica es algo que se presenta cuando se resuelven las ecuaciones diferencia-
les de manera numérica, y se apoya en una buena selección del método de integración como
se mostró en la sección 2.2. Para el análisis de sistemas se recomienda prestar atención a
problemas numéricos del método de solución en una etapa temprana, con el fin de enfocar
esfuerzos en la identificación de la estabilidad inherente del sistema.

4.2.2. Estabilidad inherente

La estabilidad inherente de un sistema es muy importante para el control automático. En la
literatura hay diferentes aproximaciones para definir si el sistema es inherentemente estable
(entrada acotada-salida acotada (BIBO, por sus siglas en inglés), Routh-Hurwitz, Nyquist
y Lyapunov). Desde la perspectiva del control clásico de procesos, la estabilidad se restringe
a evaluar la estabilidad BIBO tanto de sistemas en lazo abierto como en lazo cerrado. La
estabilidad BIBO se define como:

“Un sistema es estable desde la perspectiva BIBO, si al perturbarse con una

entrada acotada este produce una respuesta acotada (BIBO: bounded input -
bounded output)(Smith y Corripio, 2000; Seborg et al., 2011)”

Ya sea desde el punto de vista experimental o de la simulación del modelo no lineal, la es-
tabilidad BIBO se puede verificar aplicando una perturbación acotada (e.g., entrada paso,
onda, rampa acotada) y evaluando la respuesta del sistema si es acotada. Sin embargo, es
importante poder determinar la estabilidad del sistema desde el propio modelo matemático.
Se tiene entonces que para que un estado sea estable en un tiempo definido, se cumple que la
derivada de la función con respecto al tiempo es cero en ese punto. No obstante, lo anterior no
indica que sucede en la vecindad de este estado estable y, por tanto, si este punto de equilibrio
es de naturaleza estable o inestable.

Para un sistema con un solo estado, cuando se evalúa la derivada de la ecuación diferencial
con respecto al estado y se generan tres situaciones: si el valor es negativo, el sistema es
estable; si el valor es positivo, el sistema es inestable, y si la derivada vale cero, el sistema
puede ser estable o inestable (i.e., crítica o marginalmente estable). Cuando se tiene un sis-
tema con múltiples estados (i.e., múltiples ecuaciones diferenciales) se extrapola este concepto.

Partiendo del modelo no lineal, se realiza primero la linealización. La matriz del jacobiano A
corresponde a la derivada de las ecuaciones diferenciales con respecto a los estados. Se tiene
entonces que el sistema será estable si los valores propios (eigenvalores) de esa matriz tienen
parte real negativa. Se puede demostrar que los valores propios de la matriz A corresponden
a las raíces del polinomio característico de la función de transferencia; entonces, sus valores se
pueden relacionar directamente con la dinámica del sistema tanto en la velocidad de respues-
ta como en la forma de esta. El anterior es un criterio de estabilidad local y, por tanto, solo
es válido alrededor del punto donde fue determinado. Por otra parte, algo que este método
no indica es el tamaño del vecindario donde la estabilidad es válida; para esto se requieren
criterios de estabilidad más robustos como Lyapunov.

117
Capítulo 4. Simulación y análisis de sistemas lineales

Para calcular los valores propios de la matriz A o los polos del sistema (dado como polinomio
característico o como objeto de Matlab), se puede usar una de las siguientes funciones (todas
equivalentes):

%--------------------------------------------------------------------------
Val_propios = eig(A); % Valores propios de una matriz
Raices = roots(den); % Raíces del polinomio característico (den)
Polos = pole(sys); % Polos del sistema sys
%--------------------------------------------------------------------------

Donde:

eig : calcula los valores propios de una matriz

roots : calcula las raíces de un polinomio
pole : determina los polos de un sistema definido como objeto

4.2.3. Diagramas cero-polo

Debido a la importancia del análisis de los modos de respuesta de sistemas, Matlab tiene
una herramienta para ver gráficamente tanto los polos como los ceros del sistema en el plano
complejo-imaginario. Esta herramienta es muy sencilla de manejar, pues simplemente se usa
la función pzmap y se especifica entre paréntesis el sistema a graficar, así:

%--------------------------------------------------------------------------
Sys = tf(num,den); % Definición del sistema SISO
pzmap(Sys); % Diagrama
sgrid % grid-opcional
%--------------------------------------------------------------------------

Como detalle especial, para este tipo de plano se puede usar la opción de líneas de guía con el
comando sgrid, el cual dibuja las líneas de igual factor de amortiguamiento y frecuencia na-
tural. Esta herramienta fue construida para sistemas SISO (una entrada-una salida), entonces
cuando se tiene un sistema MIMO (múltiples entradas-múltiples salidas) en representación de
espacio de estados, la herramienta solo grafica los polos. Para ver los ceros también se deben
obtener primero las funciones de transferencia individuales para luego graficarlas. De manera
alternativa se puede usar la función iopzmap para ver cada diagrama cero-polo independien-
temente para cada combinación entrada-salida. Para mostrar la identificación de polos y su
representación gráfica, se usa el ejemplo 4.1.

Ejemplo 4.1.

Estabilidad inherente de sistemas

Validar la estabilidad del siguiente sistema representado en espacio de estados. Evaluar la

concordancia con los polos del sistema y visualizar el diagrama cero-polo.

118
 Capítulo 4. Simulación y análisis de sistemas lineales

 x   
x˙1 −4 0,3 1,5 0
  
1
      
x2   
x˙2  =  1,2
   −2 1 
 + 1 u (4.1)
   
x˙3 −0,5 2 −3,5 x3 0
 x1

y1 1 0 0 0
    
    
x2   
y2  = 0 1
   0
 
+
 u
0
y3 0 0 1 x3 0

Solución

Para realizar esta tarea, se empieza con la definición del sistema en espacio de estados basado
en las matrices dadas. Posteriormente, todo el sistema se transforma en funciones de transfe-
rencia, mientras los valores propios de la matriz A se calculan directamente. Por otra parte,
del objeto de funciones de transferencia se extrae el denominador y se calculan las raíces.
Para validar lo anterior, se puede usar la función pole. Todos los resultados con comparados.
Finalmente, se construye el diagrama cero-polo a partir de las funciones de transferencia. El
código que realiza la tarea es:

%--------------------------------------------------------------------------
% Programa para validar la estabilidad de un sistema
% Desde espacio de estados y funciones de transferencia

clc
clear
close all

%% Modelos

A = [-4 0.3 1.5; 1.2 -2 1; -0.5 2 -3.5];

B = [0; 1; 0];
C = eye(length(A));
D = zeros(size(B));

Sys_ss = ss(A,B,C,D); % Objeto-espacio de estados

Sys_tf = tf(Sys_ss) % Transformación a función de transferencia

%% Resultados

Den = Sys_tf.den{1}; % Extraer denominador de función de transferencia

Eig_val= eig(A); % Valores propios de A
Polos = roots(Den); % Raíces del polinomio característico
Polos2= pole(Sys_ss); % Calcula los polos de un sistema

disp('Los valores propios, raíces y polos son: ')

disp(' ')
disp([Eig_val Polos Polos2])

119
Capítulo 4. Simulación y análisis de sistemas lineales

pzmap(Sys_tf(1),Sys_tf(2),Sys_tf(3))
legend('FT 1','FT 2','FT 3')
ylabel('Eje Imaginario','FontWeight','bold','FontSize',14)
xlabel('Eje Real','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')

%--------------------------------------------------------------------------

El resultado es:

Sys_tf =

From input to output...

0.3 s + 4.05
1: -------------------------------
s^3 + 9.5 s^2 + 27.39 s + 16.79

s^2 + 7.5 s + 14.75

2: -------------------------------
s^3 + 9.5 s^2 + 27.39 s + 16.79

2 s + 7.85
3: -------------------------------
s^3 + 9.5 s^2 + 27.39 s + 16.79

Continuous-time transfer function.

Los valores propios, raíces y polos son:

-4.3339 + 1.1808i -4.3339 + 1.1808i -4.3339 + 1.1808i

-4.3339 - 1.1808i -4.3339 - 1.1808i -4.3339 - 1.1808i
-0.8321 + 0.0000i -0.8321 + 0.0000i -0.8321 + 0.0000i

La figura generada es (figura 4.1):

120
 Capítulo 4. Simulación y análisis de sistemas lineales

Figura 4.1. Polos y ceros del sistema en el plano complejo imaginario

Nótese que el formato por defecto de la figura de pzmap fue modificado manualmente usando
el editor de propiedades, para de esta manera resaltar los ceros y los polos.

4.3. Controlabilidad y observabilidad

4.3.1. Controlabilidad
Antes de intentar diseñar una estructura de control para un sistema dado es importante va-
lidar si el sistema podría ser controlado. Rudolf E. Kálmán propuso en 1960 el concepto de
controlabilidad de un sistema, refiriéndose a la determinación de la existencia de un contro-
lador (cualquiera) que pueda modificar la funcionalidad de un proceso y llevarlo al punto
deseado. La controlabilidad de un sistema determina la capacidad que tienen las variables de
entrada para mover los estados de un sistema desde un valor inicial a otro final en un tiem-
po finito; por tanto, se pueden controlar todos los estados usando las entradas manipulables
(Seborg et al., 2011). Para determinar la controlabilidad de un sistema lineal invariante en
el tiempo (LTI), se utiliza lo que se denomina la matriz de controlabilidad. Partiendo de la
representación en espacio de estados:

ẋ = Ax + Bu (4.2)
y = Cx + Du

Se plantea la matriz de controlabilidad como:

121
Capítulo 4. Simulación y análisis de sistemas lineales

h i
Φc = B AB A2 B ··· An−1 B (4.3)

Donde n es el número de estados del sistema. Si la matriz de controlabilidad tiene un ran-

go igual a n (i.e., igual al número de estados del sistema, o full rank), entonces el sistema
es controlable. Para realizar este cálculo se puede construir manualmente la matriz de con-
trolabilidad y evaluar su rango o usar la función ctrb, como se muestra en el siguiente código:

%--------------------------------------------------------------------------
Co = ctrb(A,B); % Definiendo las matrices
Co = ctrb(SYS); % Alimentando el sistema como objeto
Cont = length(A) - rank(Co); % Determinación de si Co es full rank
%--------------------------------------------------------------------------

Si la matriz Cont es cero, el sistema es controlable y, por el contrario, cuando la matriz es

mayor a 0 su valor indica el número de estados que son incontrolables. Como alternativa para
determinar la controlabilidad a partir de las funciones de transferencia de un sistema MIMO,
se puede construir la matriz de funciones de transferencia; si el determinante es diferente de
cero el sistema es controlable.

Para sistemas muy grandes, en ocasiones el cálculo del rango de la matriz de controlabili-
dad tiene problemas e indica que el sistema es incontrolable sin serlo. Esto puede suceder
en sistemas como columnas de destilación, donde la matriz A es muy grande y muchos de
sus elementos son cero. Para estos casos, se recomienda validar la controlabilidad del sistema
usando la matriz de controlabilidad en staircase form a través del comando ctrbf.

4.3.2. Observabilidad

De manera análoga a la controlabilidad de un sistema, es importante determinar si salidas

medidas (matriz C) representan los estados del sistema. Es decir, si las variables medidas del
sistema son suficientes y apropiadas. Para esto se utiliza el concepto de observabilidad, que
indica si los estados del sistema pueden ser inferidos a partir de las salidas medidas.

Un sistema es observable si, para una secuencia de estados y entradas, el estado actual del
sistema se puede determinar en un tiempo finito usando solo las salidas medidas. Este principio
se utiliza para el diseño de observadores o softsensors. Partiendo de la representación en
espacio de estados, se puede construir la matriz de observabilidad:

122
 Capítulo 4. Simulación y análisis de sistemas lineales

 
C
 
 CA 
 
 
 CA 
 2 
Φo =   (4.4)
 .. 
. 
 

 
 n−1 
CA

Donde n es el número de estados del sistema. Si la matriz de observabilidad tiene un rango

igual a n (i.e., igual al número de estados del sistema, o full rank), entonces el sistema
es observable. El número de estados no observables es la diferencia entre n y el rango de la
matriz de observabilidad. Para realizar este cálculo, se puede construir manualmente la matriz
de observabilidad y evaluar su rango o usar la función obsv.

%--------------------------------------------------------------------------
Ob = obsv(A,C); % Definiendo las matrices
Ob = obsv(SYS); % Alimentando el sistema como objeto
Obsv = length(A) - rank(Ob);
%--------------------------------------------------------------------------

De manera análoga a la controlabilidad, para sistemas muy grandes se recomienda validar la

observabilidad del sistema usando la matriz de observabilidad en staircase form con el co-
mando obsvf.

4.4. Respuesta de sistemas ante señales de entrada convencio-

nales
Para el análisis de sistemas lineales, evaluar la respuesta en el tiempo de sistemas ante entradas
determinadas es fundamental. En las siguientes secciones se describe el uso de herramientas
en Matlab para simular la respuesta de sistemas lineales ante perturbaciones, incluyendo
funciones para usar desde un M-file, una herramienta del toolbox de control y Simulink.

4.4.1. Funciones de Matlab-M-file

Matlab ofrece una serie de funciones que permiten determinar la respuesta de sistemas li-
neales. Esta es una forma sencilla y rápida de establecer la salida de un sistema lineal ante
perturbaciones estándar en variables de entrada. Las funciones para utilizar son:

1. step(sys,options): esta función permite obtener la respuesta de un sistema SISO o

MIMO ante una perturbación paso o graficarla. Es posible configurar si la señal de entra-
da tiene una desviación (offset) y su amplitud mediante la función stepDataOptions.
En sistemas con múltiples entradas, por defecto aplica la misma perturbación a todas.

123
Capítulo 4. Simulación y análisis de sistemas lineales

2. impulse(sys): esta función permite obtener la respuesta impulso del sistema o grafi-
carla. Para sistemas donde la matriz D no es cero, la respuesta infinita del sistema para
el tiempo cero es ignorada.

3. lsim(sys,u,t): esta función permite determinar la respuesta dinámica de un sistema

MIMO para unas entradas construidas en la matriz u. Entonces, a partir de la definición
de un vector de tiempo (t), se construye la matriz u con tantas filas como elementos del
vector de tiempo y tantas columnas como entradas tenga el sistema. Con esta función
se puede construir el tipo de perturbación para aplicar.

El uso de las funciones anteriores se muestra en el ejemplo 4.2.

Ejemplo 4.2.

Respuestas de sistemas LTI-Matlab

Determinar la respuesta dinámica del sistema lineal Van de Vusse ante perturbación paso de
amplitud 1/7 en cada entrada, perturbación impulso y perturbación paso compuesta, donde
la tasa de dilución tiene una entrada paso de amplitud D = 1/7 (min−1 ) en el tiempo cero que
se combina con una CAf = 0,5 (mon/min) en el tiempo 10 min (i.e., retrasada en el tiempo).

Solución

Partiendo del modelo lineal estimado analíticamente para el reactor Van de Vusse, se crea
inicialmente un objeto en espacio de estados para el sistema. Seguidamente, se procede a usar
directamente las funciones especificando las características de las señales. La primera entrada
será simulada con la función step, la segunda con la función impulse y la última con la
función lsim, donde la entrada u se construye a partir de vectores (a esto se le llama series
de tiempo). El código generado es:

%--------------------------------------------------------------------------
% Simulación de respuestas de sistemas lineales
% Implementación en Matlab

clc
clear
close all

%% Modelo en espacio de estados

k1 = 5/6; % Constante de reacción para A-->B (min^-1)

k2 = 5/3; % Constante de reacción para B-->C (min^-1)
k3 = 1/6; % Constante de reacción para 2A-->D (mol/(l min))

% Estado estable

124
 Capítulo 4. Simulación y análisis de sistemas lineales

D=4/7; % Tasa de dilución (min^-1)

Cafo=10; % Concentración de A a la entrada (mol/l)
Cao=3; % Concentración de A en estado estable (mol/l)
Cbo=1.117;% Concentración de B en estado estable (mol/l)

a11=-D-k1-2*k3*Cao;
a12=0;
a21=k1;
a22=-D-k2;
b11=Cafo-Cao;
b12=D;
b21=-Cbo;
b22=0;

A=[a11 a12; a21 a22];

B=[b11 b12; b21 b22];
C=eye(2);
D=zeros(2);

Sys_ss=ss(A,B,C,D,'StateName',{'Ca';'Cb'},'InputName',{'D';'Caf'},...
'OutputName',{'Ca';'Cb'}); % Crea espacio de estados

%% Respuesta a perturbaciones

options = stepDataOptions('InputOffset',0,'StepAmplitude',1/7);
step(Sys_ss,[],options); % Respuesta paso

figure
impulse(Sys_ss) % Respuesta impulso

time = linspace(0,20);
u(:,1)= 1/7*heaviside(time);
u(:,2)= 0.5*heaviside(time-10);
figure
lsim(Sys_ss,u,time) % Respuesta a la entrada compuesta

%--------------------------------------------------------------------------

En esta aplicación se modifican las características del modelo lineal para nombrar las entra-
das, estados y salidas, a través de la función ss. Con la función stepDataOptions se cambian
las propiedades de la entrada paso, definiendo que su valor inicial es cero (InputOffset) y
que la amplitud del paso es D = 1/7 min−1 (StepAmplitude). Finalmente, nótese que en la
construcción de la señal compuesta se empleó la función heaviside para generar el paso con
retraso en el tiempo. Los resultados del programa son (figuras 4.2, 4.3 y 4.4):

125
Capítulo 4. Simulación y análisis de sistemas lineales

Figura 4.2. Respuesta del sistema lineal Van de Vusse ante una perturbación escalón en cada entrada

Figura 4.3. Respuesta del sistema lineal Van de Vusse ante una perturbación impulso en cada entrada

126
 Capítulo 4. Simulación y análisis de sistemas lineales

Figura 4.4. Respuesta del sistema lineal Van de Vusse ante una perturbación paso de cada entrada
a diferente tiempo (para esta función, las señales de entrada también se muestran en la figura por
defecto)

Es importante recordar que para las funciones de transferencia y espacio de estados, las
variables tanto de entrada como de salida están en variables de desviación.

Con el fin de llevar a cabo el análisis en el dominio de la frecuencia, Matlab ofrece una serie de
funciones para que una vez definido el sistema se generen las respuestas para analizar. Como
se mencionó, el análisis en el dominio de la frecuencia normalmente no es prioritario en el
control clásico de procesos químicos. Sin embargo, se muestran las funciones como información:

• bode(sys,w): realiza el diagrama de Bode para el sistema sys en el rango de frecuencias

especificado por la célula w={wmin,wmax}. Por defecto, las unidades de la frecuencia
están en radianes por segundo. Adicionalmente, la función permite guardar la respuesta
en magnitud y fase del sistema. Si el modelo ha sido identificado, entonces la función
también permite estimar las desviaciones estándar de la magnitud y la fase.

• nyquist(sys,w): realiza el diagrama de Nyquist para el sistema sys en el rango de

frecuencias especificado por la célula w={wmin,wmax}. La función permite extraer la
parte real e imaginaria de la respuesta en la frecuencia. Si el modelo es identificado, la
función estima la propagación de la incertidumbre en los valores reales e imaginarios.

• nichols(sys,w): realiza el diagrama de Nichols para el sistema sys en el rango de

frecuencias especificado por la célula w={wmin,wmax}. De manera análoga a las funciones
anteriores, se pueden guardar las magnitudes y fases en grados de la respuesta del
sistema.

• freqresp(sys,w): calcula la respuesta en la frecuencia para el sistema sys en el rango

127
Capítulo 4. Simulación y análisis de sistemas lineales

de frecuencias w. El rango de frecuencias debe ser un número real en radianes por unidad
de tiempo (por defecto en segundos). Cuando se tienen sistemas identificados, la función
también calcula las matrices de convarianza 2 × 2 (covH(i,j,k,:,:)) para la entrada
i-ésima a la salida j-ésima a la frecuencia w(k).

• sigma(sys,w): realiza el diagrama de los valores singulares de la respuesta en la

frecuencia para el sistema sys. El rango de frecuencias se especifica con la célula
w={wmin,wmax}. Esta función permite configurar el tipo de valores singulares que se
van a graficar. Adicionalmente, la función permite extraer los valores singulares en una
matriz con tantas columnas como frecuencias analizadas y los valores singulares son
organizados de manera descendente en las filas de la matriz.

Todas estas funciones permiten realizar el procedimiento para varios sistemas MIMO de
manera simultánea.

4.4.2. LTIview-linear System Analyzer

Tomando como punto de partida las funciones mostradas en la sección anterior, Matlab ha
creado una interfaz gráfica para usuario (GUI) que permite realizar de manera rápida todas
las representaciones de respuesta de sistemas lineales tanto para el dominio del tiempo co-
mo de la frecuencia. La herramienta se llama Linear System Analyzer y pertenece al toolbox
de control de procesos. Se puede acceder a ella con el comando ltiview o en el menú de
aplicaciones en la sección de diseño y análisis de sistemas de control. La herramienta usa las
siguientes funciones:

step : respuesta paso

impulse : respuesta impulso
lsim : respuesta a una entrada definida
initial : respuesta no forzada del sistema desde x0
bode : diagrama de Bode
bodemag : diagrama de la magnitud (Bode)
nyquist : diagrama de Nyquist
nichols : diagrama de Nichols
sigma : diagrama de valores singulares
pzmap : diagrama de ceros y polos
iopzmap : diagrama de ceros y polos para cada entrada-salida

Cuando se abre la interfaz, aparece la ventana mostrada en la figura 4.5.

Para usar la herramienta es necesario alimentar el modelo que se va a analizar. Este modelo
debe estar disponible en cualquiera de las representaciones para modelos lineales mostradas
con anterioridad. El modelo puede estar en el workspace de Matlab o ser cargado por un
archivo; para esto se debe ir al menú File/import y cargar el modelo. Una vez hecho lo
anterior, la herramienta por defecto muestra la respuesta paso del sistema. Para realizar las
otras gráficas, ir a Edit/Plot configurations y seleccionar qué tipo de respuestas se de-
sean analizar y cómo distribuirlas en las ventanas.

128
 Capítulo 4. Simulación y análisis de sistemas lineales

Figura 4.5. Ventana de la herramienta para análisis de sistemas lineales

Es importante revisar en el menú de preferencias (File/Toolbox preferences) si se desea

cambiar unidades, estilo de las figuras, configuración para evaluar desempeño de la respuesta
y forma de compensadores. El uso de la herramienta Linear System Analyzer se muestra en
el ejemplo 4.3.

Ejemplo 4.3.

Respuestas de sistemas LTI-ltiview

Determinar la respuesta dinámica del sistema lineal Van de Vusse ante una perturbación paso
compuesta, donde la tasa de dilución tiene una entrada paso de amplitud D = 1/7 (min−1 )
en el tiempo cero que se combina con una CAf = 0,5 (mon/min) en el tiempo 10 min (i.e.,
retrasada en el tiempo).

Solución

Partiendo del modelo lineal estimado para el reactor Van de Vusse, se crea un objeto en espa-
cio de estados para el sistema como se hizo en el ejercicio 4.2. Posteriormente, se crea la señal
de entrada deseada y el vector de tiempo en el workspace. En la herramienta de Linear Sys-
tema Analyzer se carga el modelo y la señal de entrada como se muestra en las figuras 4.6 y 4.7.

129
Capítulo 4. Simulación y análisis de sistemas lineales

Figura 4.6. Ventana de importación del modelo Van de Vusse en espacio de estados desde el workspace

Figura 4.7. Ventana de importación de señal de entrada y construcción del vector de tiempo

Para importar el modelo a la herramienta, se usó el código del ejercicio de simulación de mo-
delos lineales de la sección 4.4.1 (ejemplo 4.2). En ese mismo ejemplo se generó la matriz de
señales de entrada u; es importante recalcar que el vector de tiempo se construyó directamente
en la herramienta. Adicionalmente, la herramienta ofrece una forma de construir señales de
entrada usando el botón Design signal, disponible en la sección de importar señal. Cuando se
simula el sistema se tiene como respuesta (figura 4.8):

130
 Capítulo 4. Simulación y análisis de sistemas lineales

Figura 4.8. Respuesta del sistema Van de Vusse lineal ante la señal de entrada construida

Se puede validar que la respuesta obtenida es igual a la que arroja el ejemplo 4.2 para la
perturbación en cuestión.

4.4.3. Simulaciones en Simulink

La simulación de sistemas lineales en Simulink es práctica y sencilla. La practicidad de pro-
gramar en estructura de bloques y las herramientas disponibles para la generación de señales
hacen muy atractivo realizar la simulación en este ambiente. En cuanto a la conectividad, se
puede tener el programa maestro en Matlab o en Simulink; la conveniencia de emplear uno u
otro ambiente depende de si se desea acoplar estas simulaciones con otros cálculos. Ahora, en
cualquier caso, se recomienda aprovechar Matlab para cargar parámetros importantes para el
modelo y realizar las gráficas.

Los modelos lineales continuos que se generaron con anterioridad en el ambiente de Matlab
se encuentran en la librería de Simulink llamada Continuous. Para el modelo de espacio de
estados se utiliza el bloque State-Space, el cual se muestra en la figura 4.9.

Para el modelo de espacio de estados, se accede a la ventana de configuración del bloque con

131
Capítulo 4. Simulación y análisis de sistemas lineales

Figura 4.9. Modelo de espacio de estados y su configuración

doble clic sobre este. Análogamente a como se construyó en Matlab, hay que definir las matri-
ces A,B,C y D. Es muy importante establecer las dimensiones de cada matriz, especialmente la
matriz D que por lo general es nula, lo que no quiere decir que D = 0; las dimensiones de esta
matriz se definen por el número de salidas y de entradas del sistema. Las matrices que definen
el espacio de estados se pueden escribir directamente en la ventana de configuración con la
misma sintaxis de Matlab o se les puede asingar un nombre para que se importen desde el
workspace. Es por esto que la conexión con Matlab es importante, pues un código en Matlab
las puede calcular para después importarlas en Simulink. Mientras las matrices existan en el
workspace, pueden ser leídas directamente por Simulink. Adicionalmente, es posible especificar
las condiciones iniciales y los nombres para los estados.

El espacio de estados fue diseñado para representar un sistema MIMO y, por tanto, tiene
múltiples entradas y salidas. Sin embargo, es importante notar que el bloque solo tiene una
entrada y una salida; esto implica que esos puertos son multivariable y se requieren los bloques
Mux para combinar entradas en un solo bus de datos y Demux para separar las salidas del
bloque.

Para el modelo en la forma de función de transferencia se tiene la configuración mostrada en la

figura 4.10. La función de transferencia se define cuando se provee el polinomio del numerador
y del denominador en forma de matriz/vector. Hay que recordar que los coeficientes se intro-
ducen de manera descendente en potencias de s, incluyendo un cero para las potencias que no
aparecen en el polinomio. Una función de transferencia es, por naturaleza, una relación entre
una entrada y una salida. Sin embargo, de manera interesante, este bloque permite definir la
respuesta de varios estados ante una perturbación; para esto, se introduce el numerador como
una matriz con tantas filas como estados. De la misma manera que para el espacio de estados,

132
 Capítulo 4. Simulación y análisis de sistemas lineales

los vectores/matrices se pueden alimentar desde el workspace.

Figura 4.10. Modelo en función de transferencia y su configuración

Por último, se tiene el bloque para el modelo en representación cero-polo (figura 4.11). Esta
representación es análoga a la función de transferencia, con la diferencia de que se deben
proveer los numeradores y el denominador como los ceros y polos y no los coeficientes de cada
polinomio.

En el ejemplo 4.4 se muestra cómo utilizar estos bloques para realizar la misma simulación
de perturbaciones en la tasa de dilución y concentración en la entrada del reactor Van de Vusse.

Figura 4.11. Modelo en representación cero-polo y su configuración

133
Capítulo 4. Simulación y análisis de sistemas lineales

Ejemplo 4.4.

Simulación de sistemas lineales-Simulink

Determinar la respuesta dinámica del sistema lineal Van de Vusse ante una perturbación en
la tasa de dilución de amplitud D = 1/7 (min−1 ) en el tiempo 5 min combinada con un paso
negativo de CAf = 2 (mol/l) en el tiempo 10 min.

Solución

Para esta implementación se utilizará como programa maestro un código en Matlab que lla-
mará a los modelos implementados en Simulink. La idea es simular los modelos lineales en
representación de espacio de estados y funciones de transferencia con las mismas entradas y
determinar la diferencia entre los dos. Cuando se tienen los resultados de la simulación, se usa
Matlab para graficar los resultados.

En primera instancia, se construye el modelo lineal en espacio de estados del reactor usando
la linealización analítica del sistema y se asignan nombres a las matrices para que puedan ser
reconocidas por el modelo en Simulink. Nótese que en este caso no se define el objeto de espa-
cio de estados usando ss. A continuación, se obtienen las funciones de transferencia a partir
del modelo en espacio de estados usando el comando de transformación ss2tf que se ejecuta
para cada entrada. Como resultado, se tienen los vectores de numeradores y denominadores
para cada función de transferencia que se guardan en formato de célula.

Por otro lado, se construye un programa en Simulink para evaluar la respuesta de los dos
modelos en paralelo. Para el modelo en espacio de estados, basta con introducir las matrices
A, B, C y D con sus nombres en la configuración del bloque de espacio de estados. Ahora,
para el modelo en funciones de transferencia, la situación es un poco más compleja pues se
tiene que interconectar cada función usando el principio de superposición de sistemas lineales
(esto se detalla más adelante). En Simulink se utilizan los bloques To workspace para enviar
las respuestas de los sistemas a Matlab y poder graficarlos usando el formato modificado para
tener figuras visualmente más agradables. Desde el programa maestro en Matlab se ejecuta
el programa de Simulink usando la función sim.

El programa maestro de Matlab se dividió en las secciones de construcción del modelo en

espacio de estados, transformación a funciones de transferencia y simulación-resultados. El
código es:

%--------------------------------------------------------------------------
% Programa para cargar los parámetros de los modelos lineales
% y simular respuesta del reactor de Van de Vusse
% Modelos en Simulink y programa maestro en Matlab

clc
clear

134
 Capítulo 4. Simulación y análisis de sistemas lineales

close all

% Parámetros cinéticos

k1 = 5/6; % Constante de reacción para A-->B (min^-1)

k2 = 5/3; % Constante de reacción para B-->C (min^-1)
k3 = 1/6; % Constante de reacción para 2A-->D (mol/(l min))

% Estado estable

D=4/7; % Tasa de dilución (min^-1)

Cafo=10; % Concentración de A a la entrada (mol/l)
Cao=3; % Concentración de A (mol/l)
Cbo=1.117;% Concentración de B (mol/l)

%% Modelo en espacio de estados SS=A,B,C,D

a11=-D-k1-2*k3*Cao;
a12=0;
a21=k1;
a22=-D-k2;
b11=Cafo-Cao;
b12=D;
b21=-Cbo;
b22=0;

A=[a11 a12; a21 a22];

B=[b11 b12; b21 b22];
C=eye(2);
D=zeros(2);

%% Modelo en funciones de transferencia

for i=1:length(B)
[num{i},den{i}]=ss2tf(A,B,C,D,i); % Transforma el modelo
end

%% Simulación y resultados

sim('VDV_Linear_simulation')

% Entradas

tiempo_In=Inputs.Time;% Serie de tiempo con el tiempo asociado a la entrada

D=Inputs.Data(:,1); % Serie de tiempo con D
Caf=Inputs.Data(:,2); % Serie de tiempo con Caf

tiempo_L=CL_ss.Time;
Ca_ss=CL_ss.Data(:,1);% Serie de tiempo de modelo en EE
Cb_ss=CL_ss.Data(:,2);% Serie de tiempo de modelo en EE

Ca_tf=CL_tf.Data(:,1);% Serie de tiempo de modelo en TF

Cb_tf=CL_tf.Data(:,2);% Serie de tiempo de modelo en TF

Err_Ca=(Ca_ss-Ca_tf)./Ca_ss*100; % Transfer function error Ca

135
Capítulo 4. Simulación y análisis de sistemas lineales

Err_Cb=(Cb_ss-Cb_tf)./Cb_ss*100; % Transfer function error Cb

figure(1)
subplot(231)
plot(tiempo_In,D,'b','LineWidth',2)
ylabel('D [1/min]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid
subplot(232)
hold on
plot(tiempo_In,Ca_ss,'b','LineWidth',2)
plot(tiempo_In,Ca_tf,'--r','LineWidth',2)
legend('Espacio de estados','Función de transferencia')
grid
ylabel('C_A [mol/l]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
subplot(233)
plot(tiempo_In,Err_Ca,'b','LineWidth',2)
ylabel('Error C_A [mol/l]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid
subplot(234)
plot(tiempo_In,Caf,'b','LineWidth',2)
ylabel('Caf [mol/l]','FontWeight','bold','FontSize',14)
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid
subplot(235)
hold on
plot(tiempo_L,Cb_ss,'b','LineWidth',2)
plot(tiempo_L,Cb_tf,'--r','LineWidth',2)
legend('Espacio de estados','Función de transferencia')
grid
ylabel('C_B [mol/l]','FontWeight','bold','FontSize',14)
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
subplot(236)
plot(tiempo_In,Err_Cb,'b','LineWidth',2)
ylabel('Error C_B [mol/l]','FontWeight','bold','FontSize',14)
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid

%--------------------------------------------------------------------------

La implementación del programa en Simulink para la comparación de los modelos se muestra

en la figura 4.12. Esta implementación tiene varios aspectos que vale la pena destacar: pri-
mero, las señales de perturbación se construyen en variables nominales y, por ende, deben ser
transformadas a variables de desviación antes de perturbar el sistema; segundo, los resultados
de los modelos deben ser transformadas de variables de desviación a variables nominales. Nó-
tese que las mismas entradas son alimentadas tanto en el bloque de espacio de estados como
en el de funciones de transferencia.

136
 Capítulo 4. Simulación y análisis de sistemas lineales

Figura 4.12. Implementación en Simulink del modelo lineal del reactor Van de Vusse en espacio de
estados y funciones de transferencia

El modelo en funciones de transferencia es la superposición de las cuatro funciones estimadas

en el programa en Matlab, lo que implica que las funciones de transferencia están conectadas
aritméticamente para generar las salidas del modelo. Teniendo en cuenta esto, se anticipa que
el modelo de funciones de transferencia está compuesto por cuatro bloques de funciones de
transferencia interconectados por sumas. Para que el modelo principal no se llene de bloques,
se aprovecha una función de Simulink que permite crear modelos en otras ventanas y enmas-
cararlos en un subsistema de este modelo; es decir, es posible tener dentro de un bloque en
Simulink muchos otros bloques. En este caso, se denomina el subsistema como Linear model
(TF) y a continuación se explica su construcción.

Para crear un subsistema Linear model (TF), primero se construyen las cuatro funciones de
transferencia y sus interconexiones mostradas en la figura 4.12 dentro del programa principal
de Simulink. Para introducir los numeradores y denominadores en cada función de transfe-
rencia, es preciso tener en cuenta que en el programa de Matlab las funciones de transferencia
fueron guardadas en células llamadas num y den. Por tanto, en los bloques de función de trans-
ferencia de la figura 4.13, los vectores de numeradores y denominadores deben ser llamados
como células.

Entonces, se seleccionan las funciones de transferencia que se desea colocar dentro del sub-
sistema y se da clic derecho sobre estas. Se busca en la ventana emergente de opciones la
llamada Create subsystem from selection. De esta manera, las funciones de transferen-
cia mostradas en la figura 4.13 desaparecen de la ventana principal y se reemplazan con un
solo bloque. Nótese que la máscara tiene las entradas y salidas con puertos llamados Inport y
Outport, los cuales se generan automáticamente cuando se crea la máscara. En consecuencia,
en el programa principal de Simulink solo queda un bloque representando las funciones de
transferencia.

137
Capítulo 4. Simulación y análisis de sistemas lineales

Figura 4.13. Implementación de las funciones de transferencia dentro de la máscara llamada Linear
model (TF)

Cuando se ejecuta el programa de Matlab, se obtienen los siguientes resultados (figura 4.14):

Figura 4.14. Comparación de las repuestas del sistema lineal Van de Vusse con modelos en espacio
de estados y funciones de transferencia

En la figura 4.14 se muestran las perturbaciones, el resultado de ambos modelos superpuestos

y el error relativo de la respuesta del modelo en funciones de transferencia comparado con el
espacio de estados. Se puede observar que la diferencia entre los resultados dados por ambos
modelos es del orden de una magnitud mucho menor al error del método numérico que resuelve
las ecuaciones diferenciales y, por tanto, se pueden considerar iguales.

138
 Capítulo 4. Simulación y análisis de sistemas lineales

4.4.4. Validación del modelo lineal en espacio de estados versus el no lineal

Con el fin de concatenar lo realizado en el capítulo anterior y las herramientas revisadas en
este, se propone realizar la validación del modelo lineal obtenido y del modelo no lineal. Para
esto, se combinan la simulación que resuelve las ecuaciones diferenciales no lineales usando
la S-function y la simulación de la representación lineal. En cuanto a la validación de la
aproximación del modelo lineal a uno no lineal, se debe perturbar ambos modelos con algunas
entradas y comparar las respuestas. Todo esto puede llevarse a cabo en el mismo programa de
Simulink teniendo presente que el modelo no lineal maneja las variables en su estado natural
y el modelo lineal las maneja en variables de desviación.

Ejemplo 4.5.

Validación del modelo lineal-Simulink

Determinar la respuesta dinámica del sistema no lineal y lineal para el reactor Van de Vusse
ante una perturbación en la tasa de dilución de amplitud D = 1/7 (min−1 ) en el tiempo 5
min combinada con un paso negativo de CAf = 2 (mol/l) en el tiempo 10 min.

Solución

Para esta implementación se utilizará Simulink como programa maestro. La idea es simular
ambos modelos con las mismas entradas y determinar la diferencia entre los dos, tomando
como solución verdadera la salida del modelo no lineal. Cuando se tienen los resultados de la
simulación, se usa Matlab para realizar las figuras utilizando un Callback. El modelo no lineal
se recicla de la implementación de la S-function y el modelo lineal se implementa usando
el bloque de espacio de estados. La implementación se muestra en la figura 4.15. Nótese que,
para el modelo lineal, se transforman las entradas a variables de desviación y las salidas a
valores nominales. Otro aspecto que se implementa en esta simulación es que los parámetros
requeridos se cargan desde el workspace usando un Callback pero con la opción InitFcn, para
que corra el programa de los parámetros antes de ejecutar la simulación.

139
Capítulo 4. Simulación y análisis de sistemas lineales

Figura 4.15. Implementación del sistema lineal y no lineal para el reactor Van de Vusse en Simulink

El programa de Matlab para cargar los parámetros del modelo de espacio de estados antes de
correr la simulación de Simulink es:

%--------------------------------------------------------------------------
% Programa para cargar los parámetros de la función de transferencia
% Reactor de Van de Vusse

% Parámetros cinéticos

k1 = 5/6; % Constante de reacción para A-->B (min^-1)

k2 = 5/3; % Constante de reacción para B-->C (min^-1)
k3 = 1/6; % Constante de reacción para 2A-->D (mol/(l min))

% Estado estable

D=4/7; % Tasa de dilución (min^-1)

Cafo=10; % Concentración de A a la entrada (mol/l)
Cao=3; % Concentración de A (mol/l)
Cbo=1.117;% Concentración de B (mol/l)

a11=-D-k1-2*k3*Cao;
a12=0;
a21=k1;
a22=-D-k2;
b11=Cafo-Cao;
b12=D;
b21=-Cbo;
b22=0;

140
 Capítulo 4. Simulación y análisis de sistemas lineales

A=[a11 a12; a21 a22];

B=[b11 b12; b21 b22];
C=eye(2);
D=zeros(2);

%--------------------------------------------------------------------------

El programa para realizar las figuras es:

%--------------------------------------------------------------------------
% Programa para hacer las figuras

close all

% Resultados del modelo no lineal

% Los resultados son series de tiempo (estructuras)

tiempo=C_NL.Time; % Serie de tiempo con el tiempo asociado a la salida

Ca=C_NL.Data(:,1); % Serie de tiempo con la variable Ca
Cb=C_NL.Data(:,2); % Serie de tiempo con la variable Cb

% Resultados del modelo lineal

tiempo_L=C_SS.Time;
Ca_ML=C_SS.Data(:,1);
Cb_ML=C_SS.Data(:,2);

% Entradas

tiempo_In=Inputs.Time;% Serie de tiempo con el tiempo asociado a la entrada

D=Inputs.Data(:,1); % Serie de tiempo con D
Caf=Inputs.Data(:,2); % Serie de tiempo con Caf

% Error

ErrCa = abs(Ca - Ca_ML)./Ca*100; % Error en Ca

ErrCb = abs(Cb - Cb_ML)./Ca*100; % Error en Cb

%% Resultados

figure(1)
subplot(231)
plot(tiempo_In,D,'b','LineWidth',2)
ylabel('D[1/min]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid
subplot(232)
hold on
plot(tiempo,Ca,'b','LineWidth',2)
plot(tiempo_L,Ca_ML,'--r','LineWidth',2)
legend('Modelo no lineal','Modelo lineal')
grid
ylabel('C_A[mol/l]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')

141
Capítulo 4. Simulación y análisis de sistemas lineales

subplot(233)
plot(tiempo,ErrCa,'b','LineWidth',2)
grid
ylabel('Error Ca [ %]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
subplot(234)
plot(tiempo_In,Caf,'b','LineWidth',2)
ylabel('Caf[mol/l]','FontWeight','bold','FontSize',14)
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid
subplot(235)
hold on
plot(tiempo,Cb,'b','LineWidth',2)
plot(tiempo_L,Cb_ML,'--r','LineWidth',2)
legend('Modelo no lineal','Modelo lineal')
grid
ylabel('C_B[mol/l]','FontWeight','bold','FontSize',14)
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
subplot(236)
hold on
plot(tiempo,ErrCb,'b','LineWidth',2)
grid
ylabel('Error Cb [ %]','FontWeight','bold','FontSize',14)
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')

%--------------------------------------------------------------------------

Al comparar las repuestas de ambos sistemas, se obtienen los siguientes resultados para las
entradas, estados y el error del modelo lineal (figura 4.16):

142
 Capítulo 4. Simulación y análisis de sistemas lineales

Figura 4.16. Respuesta de los modelos lineal y no lineal para el reactor Van de Vusse ante diferentes
perturbaciones

Como es de esperarse, la aproximación lineal de un modelo no lineal como el Van de Vusse

no es exacta. Para estas perturbaciones se evidencia que hay errores entre el 0.5 % y el 4 %.

4.4.5. Evaluación de parámetros de desempeño en curvas de respuesta

Después de validar que el sistema lineal aproximado es una representación aceptable del sis-
tema no lineal, es importante analizar los parámetros de desempeño de la curva de respuesta
del sistema ante perturbaciones. Para el control de procesos, la curva de respuesta ante una
perturbación escalón es particularmente importante. Los parámetros por extraer de la curva
de respuesta se asocian por lo general a sistemas subamortiguados, así:

• Tiempo de elevación (tr, Rise time): tiempo que se tarda la respuesta en alcanzar por
primera vez el nuevo valor de estado estable.

• Tiempo pico (tp, Time to first peak): tiempo que tarda la respuesta en alcanzar su
primer valor máximo.

• Tiempo de asentamiento (ts, Settling time): tiempo requerido para que la respuesta
alcance y permanezca en la banda de ±5 % de su valor final (±1 % también es utilizado).

• Sobreimpulso (OS, Overshoot: OS = a/b): razón entre la cantidad que excede la res-
puesta en el primer pico y el valor del estado estable.

143
Capítulo 4. Simulación y análisis de sistemas lineales

• Razón de asentamiento (DR, Decay ratio: DR = c/a): razón entre la cantidad que
excede la respuesta en el segundo pico y el exceso del primero (exceso del valor de
estado estable).

• Periodo de oscilación (P, Period of oscillation): tiempo entre dos picos (o valles) conse-
cutivos.

Los parámetros anteriores se pueden visualizar en la figura 4.17.

Figura 4.17. Respuesta típica de un sistema de segundo orden subamortiguado donde se indican los
parámetros de desempeño a identificar. [Fuente: adaptado de Seborg et al. (2011)]

Cuando los sistemas no se comportan como uno de segundo orden amortiguado, solo algunos
de los parámetros anteriores pueden ser determinados. Ahora, si bien en la literatura hay
expresiones analíticas para determinar los parámetros en función de las constantes de la
función de transferencia (i.e., τ y ζ), estas solo son válidas si el sistema es propiamente de
segundo orden o se ha aproximado a uno de esa naturaleza (Seborg et al., 2011). Por tanto,
aún es relevante poder extraer estos parámetros directamente de la curva de respuesta.
Para facilitar esta tarea, Simulink ha incorporado una serie de herramientas en la ventana de
visualización de resultados a través del bloque Scope, usando el panel Screen cursors. Las
herramientas son:

• Cursor Measurements panel: permite tomar distancias entre puntos de alguna de las
respuestas graficadas en la figura. Esta herramienta ofrece dos opciones de medición:
Screen Cursors y Waveform Cursors. En Screen Cursors, se grafican dos cursores (x, y)
como punteros y la herramienta toma medidas entre estas dos coordenadas. Para el modo
Waveform Cursors, unos cursores verticales aparecen sobre la figura, los cuales pueden
moverse y en el panel de respuesta se dan las distancias entre los cursores y también la
ubicación de estos. Como opciones permite también fijar la diferencia en frecuencias de

144
 Capítulo 4. Simulación y análisis de sistemas lineales

ambos cursores o sus posiciones. Esta herramienta es muy útil para identificar tiempo
de elevación, tiempo de asentamiento, tiempo de primer pico, periodo, sobreimpulso y
razón de asentamiento (MatWorks, 2022c).

• Signal stadistics panel: permite cuantificar parámetros estadísticos de la señal graficada.

Entre los parámetros de encuentran: máximo valor del área mostrada (Max), mínimo
valor del área mostrada, diferencia entre el valor (Min), diferencia entre el valor máximo
y mínimo, promedio de los valores, mediana de los valores y raíz del cuadrado de la
media (RMS). Esta herramienta es útil para identificar el sobreimpulso (MatWorks,
2022s).

• Bilevel measurements panel: esta herramienta brinda información acerca de transiciones

de señal, overshoots & undershoots y de ciclos. Las transiciones se refieren a medidas
asociadas a cuando la señal cambia entre dos estados posibles (bajo y alto). Para la
estimación de overshoots & undershoots, se refiere al porcentaje de señal que sobrepasa
o cae del valor final de estado estable. Incluso, esta opción permite determinar si existe
un preshoot, que hace referencia a una variación en la señal antes de que la transición
se dé del estado inicial al estado final. En la sección de ciclos se muestran medidas
relacionadas con repeticiones o tendencias de la figura (MatWorks, 2022r).

• Peak finder panel: permite encontrar la localización de los picos en la señal graficada.
Los picos se definen como máximos locales en la figura (MatWorks, 2022o).

Nótese que, dentro de cada panel de herramientas, se pueden configurar las opciones de cada
una de estas. En el ejemplo 4.6 se muestra la visualización de cada panel.

Ejemplo 4.6.

Uso del panel de medidas-Scope Simulink

Determinar los parámetros de desempeño de la siguiente función de transferencia de segundo

orden subamortiguada, cuando se aplica una perturbación de escalón unitario:

1
G(s) = (4.5)
s2 + 0,5s + 1
Solución

La implementación para esta simulación se realiza en Simulink, por la facilidad de simulación

y para usar el panel de mediciones del bloque Scope. El sistema se implementa usando el
bloque de función de transferencia como se muestra en la figura 4.18.

145
Capítulo 4. Simulación y análisis de sistemas lineales

Figura 4.18. Implementación del sistema de segundo orden para evaluación de resultados

Nótese que se ha introducido dos señales constantes que corresponden al ±5 % de la señal de

estado estable para ayudar a la determinación del tiempo de asentamiento. Adicionalmente,
si se simula este sistema, la respuesta no es suavizada. Con el fin de corregir esto, se debe
cambiar el método numérico a uno para ecuaciones rígidas y disminuir la tolerancia relativa
y absoluta en tres órdenes de magnitud. Una vez se tienen los resultados del Scope, se utiliza
la opción Style para remover el fondo negro y poner un formato más agradable a la figura.
Utilizando el panel de mediciones ubicado en la ventana de respuesta del bloque Scope, se
generan los siguientes resultados (figura 4.19).

Figura 4.19. Respuesta del sistema de segundo orden ante perturbación paso, uso de la herramienta
Cursor Measurements panel

En esta figura, de manera manual se ubicaron los cursores en el punto del primer pico (sobre-
impulso) y cuando la señal entró al umbral del ±5 % del valor de la señal final. En el panel
de resultados se muestran la coordenadas de ambos puntos (figura 4.19).

146
 Capítulo 4. Simulación y análisis de sistemas lineales

Figura 4.20. Respuesta del sistema de segundo orden ante perturbación paso, uso de la herramienta
Signal statistics panel

En el panel de estadísticas de la señal se destaca la identificación del valor mínimo y máximo,

además del parámetro de pico a pico (figura 4.20).

Figura 4.21. Respuesta del sistema de segundo orden ante perturbación paso, uso de la herramienta
Bilevel measurements panel

De la cantidad de parámetros que calcula el panel de la figura 4.21, se destaca lo que se

encuentra en la sección de overshoots & undershoots, donde se puede evidenciar directamente
estos parámetros en porcentaje. Esto es útil para corroborar los resultados anteriores.

Finalmente, los resultados del panel de Peak finder ayuda a validar los valores de los picos,
su localización y determinar la razón de asentamiento (figura 4.22).

147
Capítulo 4. Simulación y análisis de sistemas lineales

Figura 4.22. Respuesta del sistema de segundo orden ante perturbación paso, uso de la herramienta
Peak finder panel

Reto: validar los resultados obtenidos usando las herramientas de medida de Simulink
con las ecuaciones analíticas para su estimación a partir de los parámetros de la función
de transferencia.

4.5. Realizaciones y reducción de modelos

Una vez se tiene la representación lineal de un sistema no lineal, es relevante explorar opciones
para reducir el tamaño del modelo a uno de orden inferior. Esto es importante para el diseño
de controladores, pues este se puede enfocar en la dinámica dominante representada por un
sistema de orden bajo. El principio de reducción de modelos es la eliminación de estados que
no contribuyen de manera significativa en la dinámica del sistema (i.e., estados desconecta-
dos o cancelación cero-polo). Este proceso elimina estados de baja energía que tienen poca
influencia en la dinámica del sistema. De esta manera, la reducción del modelo simplifica el
orden del modelo mientras se preservan las características más importantes del comporta-
miento dinámico.

En particular, se recomienda reducir el orden de un modelo cuando (MatWorks, 2022m):

• Mientras se realiza el diagrama cero-polo del sistema, se evidencia que hay ceros cercanos
a polos.

• Se desea utilizar métodos tradicionales para la sintonización de controladores Proporcional-

Integral-Derivativo (PID), que se basan en funciones de transferencia de bajo orden.

• El modelo original es de alto orden obtenido numéricamente de un modelo de Simulink

y se desea conectar con otras partes de modelo u otras fuentes.

148
 Capítulo 4. Simulación y análisis de sistemas lineales

• Se desea reducir el tiempo de simulación de un modelo en Simulink en un punto de

operación específico. Entonces, se puede linealizar el modelo en el punto de operación
deseado y luego determinar un modelo reducido.

• Se diseña un controlador de alto orden y se desea implementar uno de bajo orden como
un PID. Un controlador de alto orden se diseña con métodos como el Gaussian lineal-
cuadrático o técnicas como la síntesis H∞.

Los métodos implementados en el Control System toolbox se basan en simplificación del mo-
delo por eliminación de segmentos (funciones 1 y 2), aproximación a otros modelos (función
3 y 4) o selección de modos (función 5) (MatWorks, 2022m). Entonces, se pueden obtener
diferentes representaciones finales de los modelos reducidos según el método utilizado. Debido
a esto, es importante validar cada modelo reducido con el modelo original para valorar las
consecuencias de la reducción. Normalmente, se utiliza el diagrama de Bode o la respuesta a
una entrada paso como se realizó en la sección 4.4.4.

En las siguientes secciones se abordan detalles de cada comando incluyendo el método usado
para realizar la reducción y las configuraciones especiales. Se anticipa que muchos de estos
conceptos trascienden el alcance de un curso introductorio a control de procesos, pero es im-
portante mencionarlos en aras de diferenciar aspectos de los métodos.

4.5.1. Realización mínima (minreal)

Matlab posee una función diseñada para obtener la realización mínima de un modelo lineal.
Si el modelo lineal se encuentra en espacio de estados, la función encuentra la representa-
ción mínima de espacio de estados usando la descomposición de Kalman (Åström y Murray,
2008). Esta descomposición es una transformación matemática para sistemas lineales inva-
riantes en el tiempo que separa el sistema en subespacios observables y controlables. Es decir,
descompone el sistema en subsistemas más organizados donde es claro qué estados son: ob-
servables y controlables, observables y no controlables, no observables y controlables, y no
observables y no controlables. El modelo en espacio de estados mínimos corresponde al subes-
pacio que se le han removido los estados no controlables y no observables. La función da la
opción de extraer la matriz ortogonal U que permite realizar la descomposición de Kalman
(A, B, C) = (U ∗ A ∗ U 0 , U ∗ B, C ∗ U ). Recordar que una matriz ortogonal es una matriz cuya
inversa es igual a la transpuesta, así: U ∗ U 0 = U ∗ inv(U ) = I. Por tanto, la multiplicación
de esta matriz por su transpuesta da como resultado la matriz identidad.

Cuando se tiene el sistema en funciones de transferencia o representación cero-polo, la fun-

ción minreal realiza el proceso de cancelación cero-polo usando una tolerancia por defecto de
tol = sqrt(eps). Para la cancelación cero-polo, el algoritmo busca si hay ceros y polos lo
suficientemente cercanos (dentro de la tolerancia) para cancelarlos (MatWorks, 2022l). Si se
tiene una función de transferencia, internamente el algoritmo la transforma a la representación
cero-polo. La sintaxis para usar la función es:

149
Capítulo 4. Simulación y análisis de sistemas lineales

%--------------------------------------------------------------------------
[sysr,u] = minreal(sys,tol)
sys_ss = ss(sys,'minimal')
%--------------------------------------------------------------------------

Donde:

sysr : realización mínima de sistema lineal

u : matriz ortogonal de la descomposición de Kalman
sys : sistema lineal como objeto
tol : tolerancia para la cancelación cero-polo

Nótese que la segunda función que aparece en el código anterior es una forma alternativa de
obtener la realización mínima de un sistema en espacio de estados. Esta se lleva a cabo desde
la misma definición del modelo como un objeto en espacio de estados.

4.5.2. Realización mínima estructural (sminreal)

Esta función elimina los estados de un modelo lineal que no afectan la respuesta del sistema.
Consecuentemente, los estados del modelo reducido corresponden a estados del modelo original
y solo se eliminan estados que tienen entradas cero en las matrices A, B y C. Estos estados
estructuralmente no mínimos pueden surgir cuando se obtienen linealizaciones numéricas de
modelos en Simulink que tienen subsecciones desconectadas (MatWorks, 2022t). La sintaxis
para usar la función es:

%--------------------------------------------------------------------------
msys = sminreal(sys)
%--------------------------------------------------------------------------

Donde:

msys : realización simplificada del sistema lineal

sys : sistema lineal como objeto

El modelo que se obtiene con esta función no es necesariamente mínimo y puede tener mayor
orden que el que se obtiene con la función minreal. Sin embargo, usando sminreal la es-
tructura de estados de la función original se mantiene, mientras que con la función minreal
cambia.

4.5.3. Reducción de orden aproximada (balred)

Esta función calcula un modelo aproximado de orden inferior para un modelo lineal. Para esta
función, se puede especificar el orden deseado del modelo reducido y efectuar el cálculo para
varios modelos de manera simultánea (MatWorks, 2022a). Para realizar la aproximación, la
función utiliza un método de balanceo implícito (Varga, 1991). Como herramienta comple-
mentaria, se recomienda usar la gráfica de valores singulares de Hankel para determinar el

150
 Capítulo 4. Simulación y análisis de sistemas lineales

número mínimo de estados que se requieren. Los valores singulares de Hankel son una me-
dida de la contribución de cada estado en el comportamiento del sistema o energía de estos.
Entonces, estados asociados a bajos valores singulares de Hankel pueden ser eliminados para
simplificar el modelo preservando las características más importantes en términos de estabili-
dad, frecuencia y respuesta en el tiempo (MatWorks, 2022g). La sintaxis para usar la función
es:

%--------------------------------------------------------------------------
rsys = balred(sys,orders,[],opts)
%--------------------------------------------------------------------------

Donde:

rsys : realización simplificada del sistema lineal

sys : sistema lineal como objeto
orders : número de estados para el sistema aproximado
opts : opciones para la aproximación

La gráfica de los valores singulares de Hankel del sistema lineal invariante en el tiempo (LTI)
se obtiene con la función hsv = hsvd, con los argumentos (sys,options). Se usa la función
hsvdOptions(Name,Value) para configurar las tolerancias del error absoluto y relativo de
la descomposición entre estados estables e inestables, el intervalo de frecuencia o de tiempo
para calcular los valores singulares de Hankel o el offset para los límites estables e inestables
cumpliendo (Gawronski y Juang, 1990):

Re(s) < -Offset * max(1,Im(s)|)|

Para opciones personalizables se puede usar la función hsvplot para ajustar ejes, escala y
estilos de la figura en forma de estructura (MatWorks, 2022h).

Durante la reducción del modelo, si el sistema tiene polos inestables, la función primero
descompone el sistema en subsistemas (estable e inestable) y la aproximación a un modelo
reducido se hace con la parte estable. Para realizar modificaciones a las opciones de la aproxi-
mación se usa la función balredOptions. Las modificaciones incluyen el offset y la tolerancia
para la descomposición de la parte estable e inestable y hacen énfasis en los intervalos de fre-
cuencia de interés. Como opción especial, la función permite usar el método de truncamiento
opts = balredOptions('StateElimMethod','Truncate').

4.5.4. Reducción balanceada (balreal)

Esta función determina una aproximación de un modelo lineal en espacio de estados a uno
de orden reducido mediante un método de balanceo entrada-salida basado en las matrices de
controlabilidad y observabilidad de Gram (Laub et al., 1987; Gawronski y Juang, 1990). Si el
modelo originalmente no se encuentra en espacio de estados, la función la transforma primero
a esta realización.

151
Capítulo 4. Simulación y análisis de sistemas lineales

La función encuentra una representación reducida donde las matrices de Gram de controlabi-
lidad y observabilidad son diagonales e iguales a las del sistema original. La diagonal de dichas
matrices es el vector de valores singulares de Hankel; por ende, bajos valores en el vector indi-
can que dichos estados pueden ser removidos sin afectar significativamente las características
dinámicas del sistema original. La función balreal se complementa con la función modred
para eliminar los estados de baja energía.

Dado el caso en que se tengan polos inestables, la función inicialmente descompone el sistema
en las partes estable e inestable. La parte estable es separada, balanceada y se añade a la par-
te inestable para retornar el sistema reducido. Cuando se tienen polos inestables, los valores
singulares de Hankel se muestran como infinito (inf). Análogo a la función para obtener los
valores singulares de Hankel, se utiliza la función options = hsvdOptions(Name,Value)
para configurar opciones de tolerancia, offset e intervalos de frecuencia y tiempo para calcular
las matrices de Gram.

Para usar la función se usa la siguiente sintaxis:

%--------------------------------------------------------------------------
[sysb,g] = balreal(sys);
%--------------------------------------------------------------------------

Donde:

sysb : realización balanceada del sistema lineal

sys : sistema lineal como objeto
g : vector de valores singulares de Hankel

4.5.5. Eliminación de estados (modred)

Esta función permite determinar un modelo reducido tras eliminar estados particulares de un
modelo lineal; por tanto, debe ser alimentada con un vector que indique la posición o índices
de los estados por eliminar. Esta función se usa mancomunadamente con la función balreal,
donde primero se realiza la reducción balanceada para aislar los estados de baja energía y luego
se eliminan con la función modred teniendo en cuenta el vector de valores singulares de Hankel.

Para usar las funciones se emplea la siguiente sintaxis:

%--------------------------------------------------------------------------
[sysb,g] = balreal(sys);
elim = (g<1e-8);
rsys = modred(sysb,elim,'method')
%--------------------------------------------------------------------------

Donde:

152
 Capítulo 4. Simulación y análisis de sistemas lineales

sysb : realización balanceada del sistema lineal

g : vector de valores singulares de Hankel
elim : identificación de estados despreciables
rsys : sistema lineal reducido
method : método para realizar la eliminación

Para reducir el modelo se tienen dos métodos: MatchDC y Truncate. El primer método es
seleccionado por defecto y garantiza tener la misma ganancia; el segundo elimina los estados
indicados directamente. Se espera tener una mejor respuesta en el dominio de la frecuencia
utilizando el método de truncamiento, sin embargo, no hay garantía de que la ganancia se
conserve (MatWorks, 2022n).

Para mostrar el uso de las funciones que permiten reducir modelos se plantea el ejemplo 4.7.

Ejemplo 4.7.

Reducción de modelos lineales-Matlab y Simulink

Determinar la respuesta dinámica del sistema lineal Van de Vusse y aproximaciones reducidas
del modelo lineal ante una perturbación en la tasa de dilución de amplitud D = 1/7 (min−1 )
en el tiempo 5 min combinada con un paso negativo de CAf = 2 (mol/l) en el tiempo 10 min.

Solución

Análogo a la simulación para validar el modelo lineal, para esta implementación se utiliza un
programa en Matlab como programa maestro que ejecuta los modelos lineales implementa-
dos en Simulink. La idea es simular todos modelos con las mismas entradas y determinar la
diferencia entre ellos. Cuando se tienen los resultados de la simulación, se usa Matlab para
generar las figuras.

El modelo lineal de referencia es la linealización analítica del sistema Van de Vusse en espa-
cio de estados. Se le asignan nombres a las matrices para que puedan ser reconocidas por el
modelo en Simulink. En este caso, para obtener modelos reducidos se utiliza la cancelación
cero-polo desde funciones de transferencia y la eliminación de estados usando realización ba-
lanceada.

Para llevar a cabo la cancelación cero-polo es necesario validar si hay ceros cercanos a po-
los en el sistema. Se realiza la transformación entonces de espacio de estados a funciones de
transferencia y se usa la función pzmap para evidenciarlo. Posteriormente, se aplica la función
minreal a las funciones de transferencia para hacer la cancelación. En cuanto a la reducción
balanceada del sistema, se utiliza para esto la función balreal aplicada directamente al mo-
delo en espacio de estados. A dicho sistema balanceado se le determinan los valores singulares
de Hankel y se elimina el estado de menor energía usando la función modred. Aprovechando
la oportunidad, se realizan ajustes de formato a la figura de valores singulares de Hankel.

153
Capítulo 4. Simulación y análisis de sistemas lineales

Finalmente, se realiza la simulación en Simulink de los tres sistemas de manera análoga al

caso de validación de modelos lineales y se grafican los resultados.

El programa maestro de Matlab se dividió en las secciones de construcción del modelo en

espacio de estados, transformación a funciones de transferencia, obtención de los modelos
reducidos y simulación más resultados. El código es:

%--------------------------------------------------------------------------
% Programa para realizar diferentes realizaciones de un modelo lineal
% Caso de estudio del reactor de Van de Vusse

clc
clear
close all

% Parámetros cinéticos

k1 = 5/6; % Constante de reacción para A-->B (min^-1)

k2 = 5/3; % Constante de reacción para B-->C (min^-1)
k3 = 1/6; % Constante de reacción para 2A-->D (mol/(l min))

% Estado estable

D=4/7; % Tasa de dilución (min^-1)

Cafo=10; % Concentración de A a la entrada (mol/l)
Cao=3; % Concentración de A (mol/l)
Cbo=1.117;% Concentración de B (mol/l)

%% Modelo en espacio de estados SS=A,B,C,D

a11=-D-k1-2*k3*Cao;
a12=0;
a21=k1;
a22=-D-k2;
b11=Cafo-Cao;
b12=D;
b21=-Cbo;
b22=0;

A=[a11 a12; a21 a22];

B=[b11 b12; b21 b22];
C=eye(2);
D=zeros(2);

Sys_ss=ss(A,B,C,D); % Definición del objeto de espacio de estados

%% Reducción de modelos

tol = 1e-6; % Tolerancia para la reducción de modelos

for i=1:length(B)
[num{i},den{i}]=ss2tf(A,B,C,D,i); % Transforma el modelo
for j=1:length(C)

154
 Capítulo 4. Simulación y análisis de sistemas lineales

Sys_tf{j,i}=tf(num{i}(j,:),den{i});
Sys_tfr{j,i}= minreal(Sys_tf{j,i},tol);
end
end

figure
subplot(221)
pzmap(Sys_tf{1,1})
ylabel('Eje imaginario','FontWeight','bold','FontSize',14)
xlabel('Eje real','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
subplot(222)
pzmap(Sys_tf{1,2})
ylabel('Eje imaginario','FontWeight','bold','FontSize',14)
xlabel('Eje real','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
subplot(223)
pzmap(Sys_tf{2,1})
ylabel('Eje imaginario','FontWeight','bold','FontSize',14)
xlabel('Eje real','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
subplot(224)
pzmap(Sys_tf{2,2})
ylabel('Eje imaginario','FontWeight','bold','FontSize',14)
xlabel('Eje real','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')

Sys_tf1=tf(Sys_ss); % Transofrmación directa desde espacio de estados

figure
[Sysb,g] = balreal(Sys_ss); % Realización balanceada
P = hsvoptions; % Ajuste de formato
P.Title.FontSize = 14; % Ajuste de formato
P.Title.FontWeight='bold'; % Ajuste de formato
P.XLabel.FontSize= 12; % Ajuste de formato
P.XLabel.FontWeight='bold'; % Ajuste de formato
P.YLabel.FontSize= 12; % Ajuste de formato
P.YLabel.FontWeight='bold'; % Ajuste de formato
P.TickLabel.FontSize= 12; % Ajuste de formato
P.TickLabel.FontWeight='bold'; % Ajuste de formato
h=hsvplot(Sysb,P); % Valores singulares de Hankel (VSH)
elim = (g<0.3); % Identificación de VSH menores a 0.3
Rsys = modred(Sysb,elim,'MatchDC'); % Eliminación de estados

%% Simulación y resultados

sim('VDV_Linear_simulation_MR')

% Entradas

tiempo_In=Inputs.Time;% Serie de tiempo con el tiempo asociado a la entrada

D=Inputs.Data(:,1); % Serie de tiempo con D
Caf=Inputs.Data(:,2); % Serie de tiempo con Caf

tiempo_L=CL_ss.Time;

155
Capítulo 4. Simulación y análisis de sistemas lineales

Ca_ss=CL_ss.Data(:,1);% Serie de tiempo de modelo en EE

Cb_ss=CL_ss.Data(:,2);% Serie de tiempo de modelo en EE

Ca_tf=CL_tf.Data(:,1);% Serie de tiempo de modelo en TF

Cb_tf=CL_tf.Data(:,2);% Serie de tiempo de modelo en TF

Ca_bal=CL_bal.Data(:,1);% Serie de tiempo de modelo en TF

Cb_bal=CL_bal.Data(:,2);% Serie de tiempo de modelo en TF

Err_Ca_tf=(Ca_ss-Ca_tf)./Ca_ss*100; % Transfer function error Ca

Err_Cb_tf=(Cb_ss-Cb_tf)./Cb_ss*100; % Transfer function error Cb

Err_Ca_bal=(Ca_ss-Ca_bal)./Ca_ss*100; % Balanced realization error Ca

Err_Cb_bal=(Cb_ss-Cb_bal)./Cb_ss*100; % Balanced realization error Cb

figure
subplot(231)
plot(tiempo_In,D,'b','LineWidth',2)
ylabel('D [1/min]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid
subplot(232)
hold on
plot(tiempo_In,Ca_ss,'b','LineWidth',2)
plot(tiempo_In,Ca_tf,'--r','LineWidth',2)
plot(tiempo_In,Ca_bal,'--k','LineWidth',2)
legend('Modelo lineal','ZP-cancelación','Balreal')
grid
ylabel('C_A [mol/l]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
subplot(233)
hold on
plot(tiempo_In,Err_Ca_tf,'r','LineWidth',2)
plot(tiempo_In,Err_Ca_bal,'k','LineWidth',2)
legend('ZP-cancelación','Balreal')
ylabel('% Error C_A [mol/l]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid
subplot(234)
plot(tiempo_In,Caf,'b','LineWidth',2)
ylabel('Caf [mol/l]','FontWeight','bold','FontSize',14)
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid
subplot(235)
hold on
plot(tiempo_L,Cb_ss,'b','LineWidth',2)
plot(tiempo_L,Cb_tf,'--r','LineWidth',2)
plot(tiempo_In,Cb_bal,'--k','LineWidth',2)
legend('Modelo lineal','ZP-cancelación','Balreal')
grid
ylabel('C_B [mol/l]','FontWeight','bold','FontSize',14)
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
subplot(236)

156
 Capítulo 4. Simulación y análisis de sistemas lineales

hold on
plot(tiempo_In,Err_Cb_tf,'r','LineWidth',2)
plot(tiempo_In,Err_Cb_bal,'k','LineWidth',2)
legend('ZP-cancelation','Balreal')
ylabel('% Error C_B [mol/l]','FontWeight','bold','FontSize',14)
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid

La implementación del programa en Simulink para la comparación de los modelos se muestra

en la figura 4.23. En esta implementación, nótese que hay que realizar las transformaciones
de variables nominales a variables de desviación para las entradas y de manera inversa para
las salidas. La implementación de las funciones de transferencia para el sistema reducido se
lleva a cabo en un subsistema de manera análoga a la figura 4.13.

Figura 4.23. Implementación en Simulink del modelo lineal del reactor Van de Vusse en espacio de
estados y los modelos reducidos por diferentes métodos

Cuando se ejecuta el programa de Matlab, se obtienen las siguientes funciones de transferencia

para el sistema original (los formatos de la respuesta de Matlab fueron ajustados para mostrar
la correspondencia entrada-salida):

From input 1 to output 1:

7 s + 15.67
---------------------
s^2 + 4.643 s + 5.382

157
Capítulo 4. Simulación y análisis de sistemas lineales

From input 2 to output 1:

0.5714 s + 1.279
---------------------
s^2 + 4.643 s + 5.382

From input 1 to output 2:

-1.117 s + 3.147
---------------------
s^2 + 4.643 s + 5.382

From input 2 to output 2:

0.4762
---------------------
s^2 + 4.643 s + 5.382

Continuous-time transfer function.

Realizando el diagrama cero-polo para este sistema se obtiene el siguiente resultado (figura
4.24):

158
 Capítulo 4. Simulación y análisis de sistemas lineales

Figura 4.24. Diagrama cero-polo para las funciones de transferencia del sistema completo Van de
Vusse

Como se observa en la figura, para las funciones de transferencia que relacionan cada entrada
con la concentración de A hay un cero superpuesto con un polo y, por ende, se puede cancelar.
Aplicando la función minreal a las funciones de transferencia se obtienen las versiones redu-
cidas (los formatos de la respuesta de Matlab se ajustaron para mostrar la correspondencia
entrada-salida):

From input 1 to output 1:

7
---------
s + 2.405

From input 2 to output 1:

0.5714
---------
s + 2.405

Continuous-time transfer function.

Para la realización balanceada del espacio de estados se determinan los valores singulares de
Hankel, de lo que se obtiene la siguiente figura de energía (figura 4.25):

159
Capítulo 4. Simulación y análisis de sistemas lineales

Figura 4.25. Valores singulares de Hankel para el sistema balanceado del reactor Van de Vusse

En principio, solo los estados de muy baja energía (tol=1x10^-8) deben ser eliminados. En
aras de realizar una eliminación para este sistema, se relaja el límite recomendado a tol=0.3
y se puede valorar las consecuencias de esta elección. El sistema reducido por el método de
balanceo entrada-salida es:

A =
x1
x1 -2.237

B =
u1 u2
x1 -2.593 -0.2187

C =
x1
y1 -2.419
y2 -0.9576

D =
u1 u2
y1 0.1061 0.001044
y2 -0.5254 -0.005166

Continuous-time state-space model.

Como se puede ver, el sistema reducido solo tiene un estado. Cabe resaltar que ahora la
matriz C ya no es la identidad y la matriz D tiene valores diferentes a cero. Finalmente, la
comparación de los modelos se hace simulándolos en Simulink y se obtienen los siguientes
resultados (figura 4.26):

160
 Capítulo 4. Simulación y análisis de sistemas lineales

Figura 4.26. Evaluación del desempeño de los modelos reducidos comparados con la representación
analítica del sistema Van de Vusse en espacio de estados

De estos resultados se evidencia que la diferencia entre el modelo no lineal y el obtenido por
la cancelación cero-polo es casi imperceptible; al validarlos internamente, estos son del orden
de magnitud de error numérico. Para la segunda reducción, hay una pérdida de desempeño
del modelo debido a que el estado eliminado tenía una contribución relevante en la salida, lo
cual no es recomendable.

161
Capítulo 5

Diseño y análisis de estructuras de

control

Resumen
Para el diseño, la implementación y la evaluación de estructuras de control se utilizan
una serie de herramientas numéricas que permiten la simplificación del modelo lineal,
determinación del emparejamiento entre las variables por controlar y manipular, la im-
plementación de los controladores y su sintonización para, por último, investigar la esta-
bilidad del lazo cerrado. En este capítulo se revisarán herramientas útiles aplicadas tanto
a casos de estudio modelo como al reactor Van de Vusse. Inicialmente, se presentan tres
estrategias para la identificación de modelos lineales a partir de datos generados por el
modelo no lineal, útil para realizar una reducción de orden del sistema que represente
mejor la respuesta en una región determinada. Porteriormente, se presentan dos meto-
dologías para el diseño de estructuras de control que perminten no solamente realizar
el emparejamiendo sino anticipar problemas potenciales de la implementación de múlti-
ples lazos de control. Enseguida, se muestran estrategias de implementación para control
on-off, Proporcional-Integral-Derivativo (PID) definido por el usuario y cómo usar el blo-
que PID predeterminado de Simulink. Esta sección es particularmente interesante pues,
se introduce cómo realizar pruebas de seguimiento de trayectorias o pruebas de rechazo
a perturbaciones ante la presencia de ruido. Así mismo, indica cómo evaluar diferen-
tes estrategias de sintonización de controladores tanto definidas por el usuario como la
herramienta de Matlab para llevarlo a cabo. Por último, se implementan estategias para
determinar la estabilidad del lazo cerrado de control tanto para control proporcional como
para controladores PID.

5.1. Introducción
Este capítulo está estructurado en tres partes principales. En la primera, se exploran dife-
rentes métodos para determinar la representación lineal de un sistema a partir de datos; esto
se conoce como ídentificación de sistemas (en inglés: system identification o data-driven mo-
dels). Identificar modelos a partir de series de datos es conveniente cuando no tenemos un
buen entendimiento del sistema para plantear un modelo basado en principios físicos o cuando
queremos obtener modelos de orden reducido a partir de simulaciones del modelo no lineal
(de manera alternativa a lo mostrado en la sección 4.5). En la segunda parte del capítulo,

163
Capítulo 5. Diseño y análisis de estructuras de control

se muestra cómo diseñar sistemáticamente estructuras de control de una entrada-una sali-

da (SISO), lo que permite encontrar el mejor emparejamiento entre entradas manupulables
y salidas controlables para cobntrol univariable. Por último, se realizan implementaciones de
controladores on-off y Proporcional-Integral-Derivativo (PID); enfatizando en estrategias pa-
ra corroborar su desempeño y estabilidad en lazo cerrado.

5.2. Identificación de sistemas

Hasta el momento, la obtención de representaciones lineales de un sistema se ha hechio de
manera analítica o numérica a partir de un modelo determinístico, por lo general ecuaciones
diferenciales ordinarias. Existen situaciones en las que no se cuenta con un buen modelo deter-
minístico y se requiere hacer una aproximación del comportamiento del sistema a un modelo
de caja negra, en este caso, una función de transferencia continua. Para esto, se encuentran en
la literatura métodos basados en una curva de respuesta y corresponden a un área importante
dentro del control de procesos llamada identificación de sistemas (Ljung, 1999; Seborg et al.,
2011).

Bien sea para la obtención de un modelo para un sistema complejo o para la reducción de
orden de un modelo no lineal con muchos estados, la identificación de sistemas es una herra-
mienta complementaria para el análisis de sistemas y el uso de modelos lineales para control,
pues se basa en el entendimiento de funciones de transferencia de bajo orden. Si el sistema
inherentemente es de orden superior, entonces se pueden utilizar técnicas de identificación de
sistemas para encontrar una función de transferencia de bajo orden que lo represente en la
vecindad de un punto de operación.

De manera resuminda, las técnicas de identificación de sistemas se fundamentan en la pertur-

bación del sistema con señales conocidas. Luego, se utilizan métodos gráficos u optimización
para realizar la regresión de parámetros del modelo y ajustarlo a la curva de respuesta de
bajo orden. Por último, se usan pruebas estadísticas para determinar la validez del modelo
identificado.

5.2.1. Identificación de funciones de transferencia

En el contexto propiamente de identificación de sistemas, Matlab tiene un toolbox completo
para esto. Sin embargo, para las aplicaciones de interés en control clásico, se puede utilizar
una herramienta diferente para realizar la identificación de parámetros de modelos no linea-
les explícitos mediante optimización, en el sentido de regresión por mínimos cuadrados. Esta
herramienta se llama Curve fitting.

El Curve fitting es una aplicación gráfica de Matlab construida usando el Graphical User
Interface (GUI) para hacerla más amigable. Se puede acceder a ella directamente desde el
menú de aplicaciones de Matlab o escribiendo en el Command window cftool. La ventana
de inicio se muestra en la figura 5.1.

164
 Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.1. Ventana de inicio para la herramienta Curve fitting

La ventana de trabajo se caracteriza por diferentes secciones descritas de arriba hacia abajo:

• Información de entrada: se tiene la opción de asignar un nombre al ajuste, indicar los

datos para la regresión (x,y,z) y los pesos, en el caso de desear una optimización
regularizada. Los valores de la serie de tiempo para realizar los ajustes se pueden tomar
directamente de las variables almacenadas en el workspace.

• Tipo de regresión para realizar: en esta herramienta se puede efectuar la estimación de

parámetros para modelos por defecto tipo polinomial, exponencial, potencial, racional,
serie de Fourier, serie Gaussiana, serie de senos, interpolación, trazadores, Weibull y
ecuación definida por el usuario. Entre las opciones, se selecciona una función definida
por el usuario para identificar modelos de caja negra en el dominio del tiempo. En esta
ventana aparece una opción importante llamada “opciones de ajuste”; la cual se emplea
si la optimización tiene problemas, como se describirá más adelante.

• Botones para realizar el ajuste o detenerlo: cuando se tiene activada la opción de au-
toajuste, al momento de realizar las modificaciones a las condiciones, automáticamente
la optimización se lleva a cabo. De otro modo, se usa el botón “fit” para correr la
optimización.

165
Capítulo 5. Diseño y análisis de estructuras de control

• Ventana de resultados: cuando se hace el ajuste, en la ventana se muestra la estructura

del modelo identificado, sus parámetros, los intervalos de confianza de los parámetros
(95 %) y los estadísticos para calificar la calidad del modelo (i.e., suma de cuadrados del
error (SSE), el coeficiente de determinación (R-square), coeficiente de determinación
ajustado (Adjusted R-square) y error estándar de estimación (RMSE)).

• Gráfica del resultado: muestra los datos usados para la regresión y los valores predichos
por el modelo.

• Tabla de ajuste: presenta el valor de los estadísticos que determinan la calidad del modelo
en una tabla.

La herramienta se usa de manera muy sencilla: como punto de partida, es necesario contar con
los datos para ajustar el modelo, los cuales pueden provenir de experimentos o de la simulación
de un sistema complejo no lineal (en Matlab o Simulink). Se requieren dos series de datos: la
de tiempo y la del estado de interés; entonces, el primer paso es realizar una simulación del
modelo no lineal en respuesta a una perturbación conocida. La naturaleza de la perturbación
es muy importante para la estimación, pues define la estructura del modelo y la utilidad de
los parámetros. Algunas señales útiles para la estimación son: paso, impulso, sinusoidales,
aleatorias estructuradas. Por su parte, para la identificación de procesos químicos, la entrada
paso es comúnmente usada.

Nota: cuando se tienen datos experimentales, se recomienda realizar tratamiento de señales:

colocarlas las mediciones en variables de desviación, normalizar, quitar outliers o eliminar
tiempo muerto. Generalmente, esto ayuda a la optimización.

Al tener los datos en el workspace, estos pueden ser reconocidos en la ventana de trabajo del
Curve fitting; simplemente se seleccionan de la lista de opciones que se despliega en cada
una de las series requeridas. Cuando los datos se han seleccionado, se grafican inmediatamente
y, por defecto, la herramienta realiza una regresión lineal; entonces aparece el modelo en la
parte de resultados con los parámetros de calidad del ajuste. En este punto se puede seleccionar
el tipo de función de transferencia a la que se le realizará el ajuste: primer orden, primer orden
más tiempo muerto, segundo orden, etc. Teniendo en cuenta que se manejan series de tiempo,
la ecuación definida por el usuario para el ajuste debe ser la solución analítica en el tiempo
de la función de interés. Nótese que esta solución analítica depende del tipo de perturbación
usada para obtener los datos. Cuando se actualiza la función, se obtienen los nuevos paráme-
tros y se ven los resultados gráficamente. El uso de la herramienta se muestra en el ejemplo 5.1.

Ejemplo 5.1.

Ajuste de funciones de transferencia con el Curve fitting

Se desea determinar unas funciones de transferencia de bajo orden para el sistema Van de
Vusse alrededor del punto de operación D̄ = 4/7 min−1 y C̄Af = 10 mol l−1 (tabla 6.1). Se

166
 Capítulo 5. Diseño y análisis de estructuras de control

tiene interés particular en las funciones de transferencia con respecto a la entrada de tasa de
dilución.

Solución

Para este problema, se va a utilizar la implementación del modelo no lineal en Simulink para
generar las series de tiempo requeridas para la estimación del modelo. Se perturba el sistema
con una entrada paso en la tasa de dilución de D = 4/7 min−1 a D = 5/7 min−1 en el tiempo
cero. El código que genera las series de tiempo es:

%--------------------------------------------------------------------------
% Programa para realizar identificación de modelos en el SIT_app
% SIT_app: System Identification Toolbox
% Modelo no lineal en Simulink
% Programa maestro en Matlab

clc
clear
close all

%% Generación de datos para identificación

% Aplicación de la perturbación

D0 = 4/7; % Condición inicial de tasa de dilución (min^-1)

Caf0 = 10; % Condición inicial concentración de A a la entrada (mol/l)
Df = 5/7; % Valor final de la perturbación en tasa de dilución
Caff = 10.0; % Valor final de la perturbación en Caf
Ts = 0.01; % Tiempo de muestreo

sim('VDV_NLsimulation')

% Resultados del modelo no lineal

tiempo=yout_NL.Time; % Serie de tiempo con el tiempo asociado a la salida

D=Inputs.Data(:,1); % Serie de tiempo con la tasa de dilución
Caf=Inputs.Data(:,2); % Serie de tiempo con la concentración de entrada
Ca=yout_NL.Data(:,1); % Serie de tiempo con la variable Ca
Cb=yout_NL.Data(:,2); % Serie de tiempo con la variable Cb

Dist = D - D0; % Perturbación D

Cafdist = Caf - Caf0; % Perturbación Caf
Ca_dev = Ca - Ca(1); % Ca en variables de desviación
Cb_dev = Cb - Cb(1); % Cb en variables de desviación

En el mismo programa de Matlab, se pasan las series de tiempo a variables de desviación.

Cuando se tienen los datos en el workspace, se abre la herramienta Curve fitting, se cargan
en la ventana de trabajo y se procede a definir la función de transferencia apropiada para
la respuesta. Es importante identificar a qué tipo de función de transferencia corresponde
el comportamiento de los datos, para del mismo modo seleccionar función que pueda repre-

167
Capítulo 5. Diseño y análisis de estructuras de control

sentarlos. Se utilizan los estadísticos de estimación para valorar la calidad del ajuste. Como
opción, se puede incluir los intervalos de confianza del predictor usando el menú de tools,
sección prediction bounds.

La ventana de configuración para una de las estimaciones se muestra en la figura 5.2, inclu-
yendo los resultados para la concentración de A:

Figura 5.2. Configuración de la herramienta Curve fitting para la determinación de una función
de transferencia de primer orden entre CA y D, R-square=1

La implementación usa la respuesta de un sistema de primer orden en el tiempo como se

muestra en la ecuación (5.1). Hay que notar la relevancia de usar la función heaviside(t)
para forzar qué para tiempos menores a cero, la función valga cero. Esto es un complemento
que mejora los resultados de salida.

f (t) = KM (1 − exp(−t/τ )) · heaviside(t) (5.1)

Se realiza el procedimiento de manera análoga para la concentración de B y se obtienen los

siguientes resultados (figura 5.3):

168
 Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.3. Resultados del ajuste con la herramienta Curve fitting para la determinación de una
función de transferencia de primer orden más tiempo muerto entre CB y D, R-square=0.98

Como se observa, el resultado de la función de transferencia de primer orden no predice la

respuesta inversa de este sistema que se conoce como de fase no mínima.

Reto 1: para una descripción más apropiada, encontrar la función que da el siguiente
resultado (figura 5.4):

Figura 5.4. Resultado de otra función usando Curve fitting para la determinación de una
función de transferencia entre CB y D

169
Capítulo 5. Diseño y análisis de estructuras de control

Reto 2: introduzca ruido a las variables de estado sumándole un número aleatorio y

repita el procedimiento de identificación.

5.2.1.1. Comentarios

Es importante tener en cuenta que esta herramienta, al usar optimización determinística para
un problema de optimización no-convexo, no garantiza la convergencia al óptimo global ni
que realmente se tenga un buen ajuste. Dado el caso de que se presente algún problema con
el ajuste del modelo, es necesario verificar que las opciones de ajuste que vienen por defecto
sean las adecuadas para el sistema en cuestión. La opciones se pueden modificar haciendo clic
en el botón Fit options, donde aparecerá una ventana como se muestra en la figura 5.5. Algu-
nos parámetros importantes para modificar son: el algoritmo de optimización, los estimados
iniciales de los parámetros y los límites superior e inferior de los parámetros de ajuste. Así,
por ejemplo, cuando la dinámica del sistema es tan lenta que las constantes de tiempo son
exageradamente grandes, es probable que aparezca un error en el momento de hacer el ajuste.
Para ayudar al método, entonces se pueden poner valores apropiados en los límites superior
e inferior que estén de acuerdo con la dinámica del sistema. Esto último dependerá de cada
caso en especial y requiere conocimiento del sistema.

Figura 5.5. Ventana de configuración para realizar el ajuste en la herramienta Curve fitting

170
 Capítulo 5. Diseño y análisis de estructuras de control

Adicionalmente, cuando hay problemas en la optimización, la herramienta informa por qué el

proceso de optimización no convergió o qué criterio de salida alternativo se utilizó para dete-
ner la optimización. Este mensaje es importante al momento de tomar decisiones referentes a
los otros parámetros para configurar para el algoritmo.

Por último, la herramienta Curve fitting es solo una interfaz gráfica de Matlab que usa los
métodos de optimización con resticciones. Es así que, para ajustes más complejos, por ejemplo
el ajuste de parámetros para el modelo cuando se usan ecuaciones diferenciales, se recomienda
desarrollar código directamente tanto para el problema de optimización como para determinar
los índices de desempeño del modelo. De esta manera, se tiene acceso por ejemplo a optimiza-
dores estocásticos, al uso de índices estadísticos más robustos para valorar el poder predictivo
del modelo o a la realización del proceso de validación propiamente del modelo y no simple-
mente estimación de parámetros. Este tipo de problemas está más allá del alcance de este libro.

5.2.2. Identificación del modelo en espacio de estados

Para sistemas multivariable, es conveniente identificar todo el modelo directamente en su re-
presentación en espacio de estados. Esto puede realizarse usando diferentes aproximaciones
llamadas estimación de caja negra y estimación estructurada, dependiendo de la naturaleza
del sistema y del conocimiento previo de este (MatWorks, 2022d). En la primera aproximación,
se debe especificar el orden del modelo y los atributos que configuran la estructura general de
las matrices del sistema. Los comandos que se pueden utilizar son ssest,ssregest o n4sid.
Para la segunda aproximación, es necesario construir un modelo de arranque que contiene
valores iniciales para todas las matrices y estos pueden ser fijos o libres para estimar. Segui-
damente, el modelo de arranque se carga a la función ssest para realizar la estimación.

La forma genérica del modelo de espacio de estados que se estima es:

dx
= Ax(t) + Bu(t) + Ke(t) (5.2)
dt
y(t) = Cx(t) + Du(t) + e(t)

Como se observa, esta realización genérica desacopla las entradas de las perturbaciones. Den-
tro de las opciones de las funciones, se puede fijar que ciertas matrices no sean estimadas para
darle así una configuración especial al modelo. Las funciones se utilizan de manera análoga.
Como ejemplo se muestra la siguiente sintaxis para usar la función n4sid:

%--------------------------------------------------------------------------
sys = n4sid(data,n,opt,Name,Value)
%--------------------------------------------------------------------------

171
Capítulo 5. Diseño y análisis de estructuras de control

Donde:

sys : sistema identificado en espacio de estados

data : series de tiempo con matrices entrada-salida
n : orden del sistema para identificar
opt : opciones ajustables usando n4sidOptions
Name-Value : argumentos para tiempo de muestreo, forma canónica,
alimentación directa, entrada de perturbación

Una vez se estima el modelo, es necesario confirmar la representación obtenida. Esto se realiza
en el ejemplo 5.2 para un sistema multivariable.

Ejemplo 5.2.

Identificación de espacio de estados

Se desea determinar una representación en espacio de estados para el reactor Van de Vusse al-
rededor del punto de operación D̄ = 4/7 min−1 y C̄Af = 10 mol l−1 (tabla 6.1). Para efectuar
la estimación, se perturba el sistema con una entrada paso positiva en cada entrada alrededor
del punto de operación con amplitud de D = 1/7 min−1 y CAf = 0,5 mol l−1 .

Solución

Para utilizar la herramienta de estimación de modelos en espacio de estados, el programa

se divide en cuatro secciones importantes. Se utiliza un programa maestro en Matlab que
ejecuta secciones de código tanto en Matlab como en Simulink. En la primera, se realiza la
estimación del modelo lineal analítico para el reactor Van de Vusse reciclado de la sección 3.3,
para construir un objeto de espacio de estados.

En la segunda parte, se debe perturbar el modelo no lineal para generar las series de tiempo
de respuesta. Para esto se utiliza la implementación de modelo no lineal en Simulink con
entradas paso. En este caso, se propone utilizar 10 min de simulación, con la perturbación en
la tasa de dilución en el tiempo cero y en la concentración de entrada transcurridos 5 min.
Esta configuración se implementa directamente en Simulink en los bloques de las entradas,
donde los valores de las entradas antes y después de la perturbación se especifican desde el
programa principal en Matlab. En esta simulación en particular, se cambia el método numé-
rico de solución de ecuaciones diferenciales en Simulink a uno discreto para generar series de
tiempo con tamaño de paso constante, el cual se especifica también desde Matlab. Se utilizan
nuevamente los bloques To workspace para que las entradas y salidas estén disponibles en el
workspace para el programa principal en Matlab. Se ejecuta entonces el programa de Simulink
llamado VDV_NLsimulation.

En la tercera parte parte del programa se realiza la estimación del modelo continuo en espacio
de estados con ayuda del comando n4sid. Hay que recordar que para realizar la estimación

172
 Capítulo 5. Diseño y análisis de estructuras de control

se transforman las señales de Simulink a variables de desviación. Como entradas a la función

de identificación, se transforman las series de tiempo a un formato especial para au identifi-
cación con el comando iddata. En este comando se especifican las salidas, las entradas y el
tiempo de muestreo; como bonus, se le asignan nombres para facilitar identificar los valores
de las matrices obtenidas. Ahora, para la identificación, el comando realiza la estimación de
un modelo discreto por defecto; por ende, hay que especificarle que se desea identificar un
modelo continuo. Nótese que se usó la característica que DisturbanceModel es none, lo que
fuerza a la matriz D a ser cero.

Como cuarto paso, se simula la respuesta de sistema lineal analítico y el identificado para
valorar inicialmente la representación de los modelos con respecto a las series de tiempo del
modelo no lineal. Los resultados finalmente son graficados.

La implementación en Simulink es la misma utilizada anteriormente (figura 5.6):

Figura 5.6. Implementación del modelo no lineal en Simulink

El código de Matlab con las secciones descritas anteriormente es:

%--------------------------------------------------------------------------
% Programa para realizar identificación de modelos en espacio de estados
% Modelo no lineal en Simulink
% Programa maestro en Matlab

clc
clear
close all

%% Modelo en espacio de estados SS=A,B,C,D

% Parámetros cinéticos

k1 = 5/6; % Constante de reacción para A-->B (min^-1)

173
Capítulo 5. Diseño y análisis de estructuras de control

k2 = 5/3; % Constante de reacción para B-->C (min^-1)

k3 = 1/6; % Constante de reacción para 2A-->D (mol/(l min))

% Estado estable

Dss=4/7; % Tasa de dilución (min^-1)

Cafss=10; % Concentración de A a la entrada (mol/l)
Cao=3; % Concentración de A (mol/l)
Cbo=1.117;% Concentración de B (mol/l)

a11=-Dss-k1-2*k3*Cao;
a12=0;
a21=k1;
a22=-Dss-k2;
b11=Cafss-Cao;
b12=Dss;
b21=-Cbo;
b22=0;

At=[a11 a12; a21 a22];

Bt=[b11 b12; b21 b22];
Ct=eye(2);
Dt=zeros(2);

syst=ss(At,Bt,Ct,Dt);

%% Identificación del modelo

% Aplicación de la perturbación

D0 = 4/7; % Condición inicial de tasa de dilución (min^-1)

Caf0 = 10; % Condición inicial concentración de A a la entrada (mol/l)
Df = 5/7; % Valor final de la perturbación en tasa de dilución
Caff = 10.5; % Valor final de la perturbación en Caf
Ts = 0.01; % Tiempo de muestreo

sim('VDV_NLsimulation')

% Resultados del modelo no lineal

tiempo=yout_NL.Time; % Serie de tiempo con el tiempo asociado a la salida

D=Inputs.Data(:,1); % Serie de tiempo con la tasa de dilución
Caf=Inputs.Data(:,2); % Serie de tiempo con la concentración de entrada
Ca=yout_NL.Data(:,1); % Serie de tiempo con la variable Ca
Cb=yout_NL.Data(:,2); % Serie de tiempo con la variable Cb

Dist = D - D0; % Perturbación D

Cafdist = Caf - Caf0; % Perturbación Caf
Ca_dev = Ca - Ca(1); % Ca en variables de desviación
Cb_dev = Cb - Cb(1); % Cb en variables de desviación

%% Identificación a espacio de estados

Data=iddata([Ca_dev Cb_dev],[Dist Cafdist],Ts); % Serie de tiempo

set(Data,'InputName',{'D' 'Caf'},'OutputName',{'Ca' 'Cb'}); % Propiedades

174
 Capítulo 5. Diseño y análisis de estructuras de control

sys = n4sid(Data,2,'Ts',0,'DisturbanceModel','none');

% Simulación de los modelos lineales

[y,t,x]=lsim(sys,[Dist Cafdist],tiempo); % Modelo identificado

[yt,tt,xt]=lsim(syst,[Dist Cafdist],tiempo); % Modelo linealizado

%% Gráfica de ajuste y datos

figure('Name', 'Identificación de Sistemas' );

subplot(211)
plot(tiempo(1:10:end),Ca_dev(1:10:end),'*k');
hold on
plot(t,yt(:,1),'b','LineWidth',2);
plot(t,y(:,1),'--r','LineWidth',2);
legend('Sistema','Lineal','Identificado')
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
ylabel('C_A[mol/l]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid on
subplot(212)
plot(tiempo(1:10:end),Cb_dev(1:10:end),'*k');
hold on
plot(t,yt(:,2),'b','LineWidth',2);
plot(t,y(:,2),'--r','LineWidth',2);
legend('Sistema','Lineal','Identificado')
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
ylabel('C_B[mol/l]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid on

Cuando se ejecuta el programa, el modelo identificado en espacio de estados es:

sys =
Continuous-time identified state-space model:
dx/dt = A x(t) + B u(t) + K e(t)
y(t) = C x(t) + D u(t) + e(t)

A =
x1 x2
x1 -7.406 -29.36
x2 0.8686 2.582

B =
D Caf
x1 149.4 10.35
x2 -17.05 -0.8423

175
Capítulo 5. Diseño y análisis de estructuras de control

C =
x1 x2
Ca 0.1266 0.7091
Cb 0.01879 0.2302

D =
D Caf
Ca 0 0
Cb 0 0

K =
Ca Cb
x1 0 0
x2 0 0

Parameterization:
FREE form (all coefficients in A, B, C free).
Feedthrough: none
Disturbance component: none
Number of free coefficients: 12
Use "idssdata", "getpvec", "getcov" for parameters and their uncertainties.

Status:
Estimated using N4SID on time domain data "Data".
Fit to estimation data: [98.08;98.45]%
FPE: 2.233e-13, MSE: 3.385e-06

Como se puede ver, no solamente se arrojan los resultados de la estimación sino también esta-
dísticas de incertidumbre y calidad del ajuste a través de las funciones idssdata, getpvec,
getcov y los valores de fit to estimation data, error final de predicción de Akaike (Akaike’s
Final Prediction Error-FPE) y promedio del cuadrado de los errores (Mean-Squared Error-
MSE). Los resultados de la simulación son (figura 5.7):

176
 Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.7. Comparación entre los resultados de los modelos del sistema (modelo no lineal), lineal
(modelo lineal obtenido analíticamente) y el identificado (modelo lineal identificado) usando las mismas
señales de entrada

Es evidente que el modelo lineal analítico se desvía del modelo no lineal debido a que este
es válido en una vecindad muy cercana al punto de operación. Por otro lado, este error no
aparece en el modelo estimado a causa de la naturaleza del ajuste realizado.

5.2.3. Herramienta para la identificación de sistemas (System Identifica-

tion Toolbox)
Matlab ofrece una herramienta para la identificación de sistemas llamada System Identifi-
cation Toolbox (MatWorks, 2022v). La herramienta fue implementada como una aplicación
gráfica GUI que se encuentra en la sección de aplicaciones de Control System Design and
Analysis. La ventana de la aplicación se muestra en la figura 5.8. Esta aplicación permite
identificar modelos dinámicos tanto lineales como no lineales a partir de series de datos del
tipo entrada-salida en el dominio del tiempo o de la frecuencia. Los modelos para identificar
pueden ser discretos o continuos: funciones de transferencia, espacio de estados, modelos no

177
Capítulo 5. Diseño y análisis de estructuras de control

lineales, polinomiales, espectros y modelos de correlación.

Figura 5.8. Ventana de la herramienta System Identification Toolbox

La herramienta, aparte de llevar a cabo la identificación de parámetros de los modelos prede-

terminados o definidos por el usuario, permite realizar el pretratamiento de la serie de datos
(i.e., graficar, filtros, remoción de tendencias), evaluar la calidad del modelo usando técnicas
estadísticas reconocidas para la validación de modelos (i.e., comparación de salidas, análisis
de residuales, análisis de incertidumbre), análisis de modelos (i.e., discretización de modelos,
reducción de modelos, linealización de modelos no lineales y predicciones) y herramientas
para diagnosis (i.e., identificación en línea, detección de fallas y predicción de la vida útil
remanente) (Ljung, 1999). Muchos elementos de este toolbox están por fuera del alcance de
un curso introductorio al control automático de procesos, por lo que solo es ejemplificará lo
que es relevante para identificar el sistema.

En el ejemplo 5.3 se presentan los pasos para visualizar el uso de la herramienta.

Ejemplo 5.3.

Ajuste de funciones de transferencia con el System Identification app

Se desea determinar unas funciones de transferencia de bajo orden para el sistema Van de
Vusse alrededor del punto de operación D̄ = 4/7 min−1 y C̄Af = 10 mol l−1 (tabla 6.1). Se

178
 Capítulo 5. Diseño y análisis de estructuras de control

tiene interés en las funciones de transferencia con respecto a la entrada de tasa de dilución.

Solución

Para este problema se va a utilizar la implementación del modelo no lineal que se tiene en
Simulink para generar las series de tiempo requeridas para la estimación del modelo. Con
este objetivo, se perturba el sistema con una entrada paso en la tasa de dilución de D = 4/7
min−1 a D = 5/7 min−1 en el tiempo cero. El código que genera las series de tiempo es el
mismo del ejemplo 5.1. Es preciso tener presente que se usa un método numérico discreto para
la solución de las ecuaciones diferenciales con un tiempo de muestreo Ts=0.01; además, que
a la herramienta de identificación de sistemas se le alimentan datos en variables de desviación.

Cuando se tienen los datos en el workspace, se abre la aplicación de System Identification

buscándola en el menú de aplicaciones - Control system design and analysis. En primera ins-
tancia, se cargan las series de tiempo de interés para la identificación del sistema; para lo
cual se abre la pestaña de import data, en donde se escoge la opción de serie de tiempo. En
la ventana emergente se selecciona el vector de la entrada y la salida que se encuentran en el
workspace, es decir primero la serie input: D - output: Ca y luego la serie input: D - output:
Cb. La ventana de configuración se muestra en la figura 5.9.

Figura 5.9. Configuración de la herramienta System Identification app con las series de tiem-
po para realizar la estimación

Para ver las series de tiempo cargadas, se señala la opción time plot que se encuentra debajo
de los bloques donde se importaron los datos. Para que salga cada serie de tiempo en una
figura independiente, es preciso asegurarse de que solo una señal esté señalada en los bloques
de importación de datos. Las figuras generadas por la herramienta no tienen un buen formato,
pero pueden ser exportadas a través de la opción File - copy figure. Teniendo la figura como

179
Capítulo 5. Diseño y análisis de estructuras de control

un .fig su formato puede ser modificado para generar (figura 5.10):

Figura 5.10. Series de tiempo cargadas como entradas para la estimación de funciones de transferencia
en la herramienta System Identification app

Posteriormente, se prepara la primera identificación. En principio, se puede utilizar opciones

de pretratamiento, pero en este caso no se requiere. Lo que se hace es señalar la serie de
tiempo a la que se desea realizar la identificación de sistema y se arrastra al bloque wor-
king data y también para el bloque validation data (Nota: normalmente, en identificación
de sistemas se utiliza el 70 % de los datos para la identificación del modelo y el 30 % para
su validación (Ljung, 1999). En este caso no se utiliza esto, pues se quiere solo corroborar el
poder de reproducción que tiene el modelo frente a los datos que se usaron para la estimación).

Una vez se tengan los datos cargados para la estimación, se despliega la ventana Estimate,
donde se selecciona la opción Transfer function model; después de esto, se evidencia la siguiente
ventana emergente (figura 5.11):

180
 Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.11. Ventana de configuración para la estimación de funciones de transferencia en la herra-

mienta System Identification toolbox

En esta ventana se indica el número de polos y ceros para identificar, además si se quiere
identificar un modelo continuo o discreto; en este caso, se indicó 2 polos y 1 cero, y que el
modelo deseado es continuo. Adicionalmente, aparecen opciones para tiempo muerto (i.e.,
I/O delay) y para algunas condiciones para la estimación. Para este ejemplo, se dejaron las
opciones por defecto, pero se forzó que las condiciones iniciales fueran cero. Una vez con-
figurada la estimación se procede con el botón Estimate y es entonces cuando aparece una
ventana llamada Plant Identification Process. Esta ventana muestra información del modelo
para identificar y la serie de tiempo, además de datos acerca de la estimación como el método
y las iteraciones realizadas para estimar los parámetros del modelo. Finalmente, muestra los
resultados de la estimación indicando el grado de ajuste con el coeficiente de determinación,
el FPE y MSE. La ventana resultante para la estimación de la función de transferencia entre
CA y D se muestra en la figura 5.12:

181
Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.12. Ventana de resultados de la estimación de funciones de transferencia en la herramienta

System Identification toolbox

La función de transferencia identificada puede evidenciarse dando doble clic sobre el resultado
llamado por defecto tf1. La siguiente ventana se despliega (figura 5.13):

182
 Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.13. Ventana de resultados de la estimación de la función de transferencia entre CA y D,

para un modelo de segundo orden

Desde la ventana puede darse la opción de exportar al workspace la función de transferencia

como un objeto de formato idtf que contiene en una estructura el modelo más sus propiedades.
Otra opción es utilizar el botón Present; de esta manera se copia en el workspace la función
de transferencia incluida la incertidumbre de los parámetros y datos de la estimación. Ahora,
los resultados obtenidos para las dos funciones de transferencia de interés se muestran en las
figuras 5.14 y 5.15:

183
Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.14. Resultados de la predicción del modelo entre CA y D, con ajuste de r2 =100 %

Figura 5.15. Resultados de la predicción del modelo entre CB y D con un ajuste de r2 =99.97 %

De lo anterior se evidencia el alto grado de ajuste teniendo en cuenta que el modelo está
prácticamente superpuesto con los datos usados para la estimación.

184
 Capítulo 5. Diseño y análisis de estructuras de control

5.3. Diseño de estructuras de control

Una vez se definen los objetivos de control para un sistema basado los requerimientos del
proceso (e.g., calidad de producto, condiciones de seguridad, productividad deseada, entre
otros) y el análisis dinámico, se procede con el diseño de la estructura de control. Este pro-
cedimiento consiste en la selección de variables por controlar, variables para manipular y la
conexión entre ellas o emparejamiento (Seborg et al., 2011). Inicialmente, pueden usarse reglas
heurísticas para delimitar el tamaño del problema por resolver. Sin embargo, es importante
contar con herramientas que permitan realizar este proceso de manera sistemática. Aparecen
entonces dos metodologías que permiten cuantificar el nivel de interacciones entre lazos de
control descentralizado de una entrada-una salida (SISO) y el grado de direccionalidad en
sistemas multivariable llamadas el arreglo de ganancias relativas (relative gain array-RGA)
y el número de condición (a través de la descomposición en valores singulares) (Skogestad
y Postlethwaite, 2001). En las siguientes subsecciones se presenta cómo utilizar estas herra-
mientas en Matlab.

5.3.1. Arreglo de ganancias relativas (RGA)

El método RGA fue propuesto originalmente en 1966 por Bristol para ser evaluado usando las
ganancias en estado estable, luego fue extendido para esarse en un rango de frecuencias (Sko-
gestad y Postlethwaite, 2001). Esta metodología se utiliza para analizar problemas de control
multivariable, donde el análisis provee una medida de las interacciones entradas-salidas y, por
ende, recomendar los emparejamientos más apropiados entre variables controladas y manipu-
ladas. La ganancia relativa para una salida yi con respecto a la entrada uj se define como la
relación entre las ganancias de lazo abierto y lazo cerrado, así:

(∂yi /∂uj )ū

λij = (5.3)
(∂yi /∂uj )ȳ

Donde el numerador corresponde a la sensibilidad estacionaria de la salida yi con respecto a la

entrada uj cuando el resto de entradas son constantes. A esta ganancia se le llama ganancia
de lazo abierto y se obtiene directamente de la representación lineal del sistema. Por otra
parte, el denominador corresponde a la sensibilidad de la salida yi con respecto a la entrada
uj cuando el resto de y permanecen constantes. A este valor se le llama sensibilidad de lazo
cerrado ya que solo puede ser alcanzada solo cuando otros lazos de control están cerrados.
Para sistemas lineales cuadrados, la matriz de RGA se calcula de manera individual o como
matriz de la siguiente manera (Skogestad y Postlethwaite, 2001):

 T 
−1
λij = (Kij ) K (5.4)
ij
 T 
−1
Λ=K⊗ K (5.5)

185
Capítulo 5. Diseño y análisis de estructuras de control

Donde:

λij : ganancia relativa entre yi y uj

Kij : ganancia de lazo abierto entre yi y uj

T
K −1 : transpuesta de la inversa de matriz de ganancias
Λ : matriz de ganancias relativas
⊗ : producto punto o Shur product

Como tal, Matlab no ofrece una función que permita hacer el cálculo, razón por la que deben
realizarse las operaciones de manera individual. En el caso de no tener una matriz cuadrada
de ganancias, indicando que no se tiene igual número de variables controladas y para mani-
pular, en principio no se puede obtener la matriz inversa de ganancias; para este caso se usa
el comando de la matriz pseudoinversa de Moore-Penrose con el comando pinv.

Ejemplo 5.4.

Determinación de la matriz RGA

Se desea determinar la matriz RGA y, por tanto, el emparejamiento de la estructura de con-

trol SISO para el sistema Van de Vusse alrededor del punto de operación D̄ = 4/7 min−1 y
C̄Af = 10 mol l−1 (tabla 6.1).

Solución

Como punto de partida para determinar la matriz RGA, se toma el modelo lineal del sistema
en cuestión. En principio se puede utilizar cualquiera de las implementaciones mostradas en la
sección 3.3, un modelo simplificado usando reducción de modelos o un modelo identificado; en
este caso se utiliza la linealización analítica del sistema. Para realizar el emparejamiento hay
que definir cuántos de los estados se desea controlar. Teniendo en cuenta que se tienen solo
dos estados, se supone que se busca controlarlos a ambos usando los dos grados de libertad
disponibles. La viabilidad de estos objetivos de control fue corroborada al determinar la ma-
triz de controlabilidad del sistema. Posteriormente, se debe determinar la matriz de ganancias
para el sistema que será 2 x 2. Se proponen dos estrategias para esto:

• Utilizar la ecuación para obtención de ganancias a partir de las matrices de espacio de

estado:

Kij = −C jrow ∗ A−1 ∗ B icol + Dijrow (5.6)

• Transformar la representación de espacio de estados a funciones de transferencia y em-

plear el teorema del valor final para evaluar la ganancia.

186
 Capítulo 5. Diseño y análisis de estructuras de control

Una vez se tiene la matriz de ganancias, se aplica la ecuación para determinar la matriz
RGA. Finalmente, ambos resultados son comparados desde el punto de vista de las matrices
de ganancias y RGA. Para cuantificar el error, se realiza un rearreglo de la matriz como vector.

El código de Matlab con las secciones descritas es:

%--------------------------------------------------------------------------
% Programa para realizar el diseño de estructura de control
% Método - arreglo de ganancias relativas

clc
clear
close all

%% Modelo en espacio de estados SS=A,B,C,D

% Parámetros cinéticos

k1 = 5/6; % Constante de reacción para A-->B (min^-1)

k2 = 5/3; % Constante de reacción para B-->C (min^-1)
k3 = 1/6; % Constante de reacción para 2A-->D (mol/(l min))

% Estado estable

Dss=4/7; % Tasa de dilución (min^-1)

Cafss=10; % Concentración de A a la entrada (mol/l)
Cao=3; % Concentración de A (mol/l)
Cbo=1.117;% Concentración de B (mol/l)

a11=-Dss-k1-2*k3*Cao;
a12=0;
a21=k1;
a22=-Dss-k2;
b11=Cafss-Cao;
b12=Dss;
b21=-Cbo;
b22=0;

A=[a11 a12; a21 a22];

B=[b11 b12; b21 b22];
C=eye(2);
D=zeros(2);

syst=ss(A,B,C,D);

%% Determinación de la matriz de ganancias - método 1

% Transformación matricial

for i=1:length(A)
for j=1:length(B)
K1(i,j)=-C(j,:)*inv(A)*B(:,i)+D(j,i);
end

187
Capítulo 5. Diseño y análisis de estructuras de control

end

RGA1=K1.*(inv(K1))'

%% Determinación de la matriz de ganancias - método 2

% Funciones de transferencia y teorema del valor final

for j=1:length(B)
[num,den]=ss2tf(A,B,C,D,j);
for i=1:length(A)
K2n(j,i)=poly2sym(num(i,:))/poly2sym(den);
end
end

x = 0;
K2 = eval(K2n);
RGA2=K2.*(inv(K2))';

%% Resultados

figure
subplot(121)
bar(categorical({'K11','K12','K21','K22'}),...
reshape((K1-K2)./K1,[1,prod(size(K1))]));
xlabel('Ganancias','FontWeight','bold','FontSize',14)
ylabel('Error ( %)','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
subplot(122)
bar(categorical({'RGA11','RGA12','RGA21','RGA22'}),...
reshape((RGA1-RGA2)./RGA1,[1,prod(size(RGA1))]));
xlabel('Arreglo de ganancias relativas','FontWeight','bold','FontSize',14)
ylabel('Error ( %)','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')

Las matrices calculadas por ambos métodos son:

K1 =

2.9109 0.5848
0.2376 0.0885

K2 =

2.9109 0.5848
0.2376 0.0885

RGA1 =

2.1717 -1.1717
-1.1717 2.1717

RGA2 =

188
 Capítulo 5. Diseño y análisis de estructuras de control

2.1717 -1.1717
-1.1717 2.1717

Los errores relativos en ambos cálculos se muestran en la figura 5.16:

Figura 5.16. Errores relativos en la determinación de las ganancias de lazo abierto y ganancias
relativas para el sistema Van de Vusse

Se observa en las figuras que las diferencias entre ambas aproximaciones para la determina-
ción de las ganancias y RGA es prácticamente un error numérico del orden de magnitud de
la exactitud relativa del punto flotante.

Reto: utilizar la representación cero-polo para determinar la ganancia del sistema y

validar los resultados con las otras aproximaciones.

5.3.2. Método de descomposición en valores singulares

Este método es muy interesante, pues la descomposición en valores singulares (SVD, por sus
siglas en inglés), trae información importante de las ganancias y la direccionalidad multiva-
riable, que ayuda a entender sistemas en los que todas las entradas afectan todas las salidas
en diferente medida (i.e., sistemas interaccionantes).

189
Capítulo 5. Diseño y análisis de estructuras de control

La descomposición en valores singulares puede ser usada para:

• Selección de variables controladas, medidas y manipuladas.

• Evaluación de la robustez de una estrategia de control.

• Determinación de la mejor estructura de control para un sistema de múltiples entradas-

múltiples salidas (MIMO).

En el análisis de la descomposición en valores singulares, se puede inicialmente valorar los

valores propios (i.e., eigenvalores) del sistema en estado estable. Si se considera el sistema
lineal en estado estable definido por la ecuación (5.7):

ȳ = K ū (5.7)

Donde y y u corresponden a las salidas y entradas, y K será la matriz de ganancias del

sistema. Una vez definidas la ganancia y las entradas en estado estable, se puede decir que
las n ecuaciones lineales con n incógnitas deben ser linealmente independientes. Si no es este
el caso, entonces no todas las n variables de salida pueden ser independientemente reguladas.
Entonces, para verificar la independencia lineal del sistema, se calculan los eigenvalores de la
matriz K. Estos eigenvalores (λ) serán las raíces de la ecuación (5.8):

|K − λI| = 0 (5.8)

Si uno de los eigenvalores es cero, entonces K es una matriz singular y el sistema al que repre-
senta será difícil de controlar. Ahora, si por lo menos uno de los eigenvalores es muy pequeño
en comparación con los otros, entonces se requerirán grandes cambios en una o más variables
manipuladas para poder controlar el sistema. Si bien esta interpretación de los eigenvalores
es útil, se considera que no es muy robusta para caracterizar sistemas interaccionantes; es allí
donde se propone utilizar mejor la descomposición en valores singulares. Algunas caracterís-
ticas de la descomposición en valores singulares son:

• Los valores singulares son el resultado de la descomposición K = W ΣV T , donde Σ es

una matriz diagonal con los valores singulares, y W & V son matrices unitarias que
cumplen: W W T = I y V V T = I.

• Las columnas de W vectores singulares de entrada y las columnas de V son vectores

singulares de salida.

• Los valores singulares de K (definidos como σ1 , σ2 ,. . . , σn ) son números no negativos

definidos como la raíz cuadrada positiva de los eigenvalores de la matriz K T · K.

• Los primeros r valores singulares son números positivos, donde r es el rango de la matriz
K T · K.

190
 Capítulo 5. Diseño y análisis de estructuras de control

• El remanente de valores singulares (i.e., n − r) son cero.

• Por lo general, los valores singulares diferentes de cero se ordenan de mayor a menor
(i.e., σ1 : mayor, σr : menor valor singular diferente de cero).

Para utilizar la información contenida en los valores singulares, se recurre al concepto del
número de condición (CN, por sus siglas en inglés), el cual es la razón entre el mayor y menor
valor singular de la matriz K. Teniendo en cuenta el orden en el que se arrojan los valores
singulares, el número de condición se define como

σ1
CN = (5.9)
σr
Esto es análogo al caso de los eigenvalores: cuando se tiene que K es singular, el CN será
infinito. Ahora, si el sistema es mal condicionado (ill-conditioned), el número de condición
será muy grande (e.g., CN >10), lo que indica que pequeños cambios en el proceso hacen muy
difícil de controlar la planta.

Al llevar a cabo una comparación con la matriz RGA, se encuentra que esta última es esca-
lada (normalizada) y, por tanto, los valores contenidos en la matriz no dependen de la escala
de entradas y salidas. Por el contrario, la descomposición en valores singulares sí depende de
la escala.

Para obtener la descomposición en valores singulares se utiliza el comando svd de Matlab.

En los ejemplos 5.5 y 5.6 se mostrará cómo usar el método de descomposición en valores
singulares. En el primer ejemplo se determinará si el control para el sistema Van de Vusse
será problemático.

Ejemplo 5.5.

Descomposición en valores singulares-reactor VDV

Se requiere determinar en número de condición para el sistema Van de Vusse alrededor del
punto de operación D̄ = 4/7 min−1 y C̄Af = 10 mol l−1 (tabla 6.1), donde se desea contro-
lar la concentración de A y B en el reactor usando las dos entradas disponibles (sistema 2×2).

Solución

Como punto de partida para determinar la descomposición en valores singulares, se toma el

modelo lineal del sistema en cuestión. En este caso se utiliza la linealización analítica del sis-
tema. De manera análoga al ejemplo anterior, se supone que se desea controlar ambos estados
usando los dos grados de libertad disponibles, cuya viabilidad fue corroborada al determinar
la matriz de controlabilidad del sistema. Posteriormente, se debe determinar la matriz de
ganancias para el sistema que será 2 x 2, utilizando la aproximación desde espacio de estados

191
Capítulo 5. Diseño y análisis de estructuras de control

(i.e., Kij = −C jrow ∗ A−1 ∗ B icol + Dijrow ). Es entonces cuando se aplica la descomposición en
valores singulares y se determina el número de condición.

El código de Matlab con las secciones descritas es:

%--------------------------------------------------------------------------
% Programa para realizar el diseño de estructura de control
% Método - Descomposición en valores singulares

clc
clear
close all

%% Modelo en espacio de estados SS=A,B,C,D

% Parámetros cinéticos

k1 = 5/6; % Constante de reacción para A-->B (min^-1)

k2 = 5/3; % Constante de reacción para B-->C (min^-1)
k3 = 1/6; % Constante de reacción para 2A-->D (mol/(l min))

% Estado estable

Dss=4/7; % Tasa de dilución (min^-1)

Cafss=10; % Concentración de A a la entrada (mol/l)
Cao=3; % Concentración de A (mol/l)
Cbo=1.117;% Concentración de B (mol/l)

a11=-Dss-k1-2*k3*Cao;
a12=0;
a21=k1;
a22=-Dss-k2;
b11=Cafss-Cao;
b12=Dss;
b21=-Cbo;
b22=0;

A=[a11 a12; a21 a22];

B=[b11 b12; b21 b22];
C=eye(2);
D=zeros(2);

syst=ss(A,B,C,D);

%% Determinación de la matriz de ganancias - método 1

% Transformación matricial

for i=1:length(A)
for j=1:length(B)
K(i,j)=-C(j,:)*inv(A)*B(:,i)+D(j,i);
end
end

192
 Capítulo 5. Diseño y análisis de estructuras de control

[U,S,V] = svd(K); % S contiene los valores singulares

CN = S(1,1)/S(end,end); % Número de condición

disp(' ')
disp('La matriz de valores singulares es:')
disp(' ')
disp(S)

disp(' ')
disp('El número de condición es:')
disp(' ')
disp(CN)

Las matrices calculadas son:

La matriz de valores singulares es:

2.9796 0
0 0.0398

El número de condición es:

74.8596

Los resultados obtenidos en el número de condición son congruentes con el ejemplo 5.4, donde
la matriz RGA anticipaba las interacciones en el sistema y posibles problemas para controlar
los dos estados simultáneamente.

Para mostrar cómo descomponer un sistema más grande que el reactor Van de Vusse y luego
evaluar qué estructuras de control son pertinentes, se propone el ejemplo 5.6.

Ejemplo 5.6.

Descomposición en valores singulares-sistema 3 x 3

Para el sistema representado por la matriz de ganancias que se muestra a continuación, de-
terminar el número de condición para el sistema completo y para todas las descomposiciones
posibles de sistemas 2 × 2.

193
Capítulo 5. Diseño y análisis de estructuras de control

 
0,48 0,90 −0,006
K = 0,52 0,95 0,008 
 
0,90 −0,95 0,020

Solución

Como punto de partida para determinar la descomposición en valores singulares, se introduce

la matriz de ganancias. Para el caso en el que se desea controlar el sistema completo (i.e.,
3 × 3), se calcula el RGA y el número de condición para la matriz completa de ganancias.
Seguidamente, se construyen subsistemas (o matriz reducida) borrando una fila y una colum-
na de la matriz K a la vez. A este subsistema se le evalúa el número de condición, buscando
las matrices de ganancia con el número de condición más pequeño, que corresponden a las
estructuras más prometedoras para realizar el control del sistema. Lo que se busca es que el
número de condición sea CN <10. Como detalle especial en este programa, se guardan en una
célula los índices de las estructuras de control de la matriz reducida para construir la tabla de
resultados. Para esto se utiliza una matriz pivote de ganancias, además de un arreglo especial
de matrices y vectores para guardar los índices de las filas y columnas que se están preservando.

El código de Matlab con las secciones descritas es:

%--------------------------------------------------------------------------
% Programa para realizar el diseño de estructura de control
% Método - Descomposición en valores singulares

clc
clear
close all

%% Matriz de ganancias y determinación de RGA + SVD (sistema full)

K = [0.48 0.90 -0.006;

0.52 0.95 0.008;
0.90 -0.95 0.020];

RGA=K.*(inv(K))'; % Matriz RGA

[U,S,V] = svd(K); % S contiene los valores singulares

CN = S(1,1)/S(end,end); % Número de condición

disp(' ')
disp('La matriz de RGA es:')
disp(' ')
disp(RGA)

disp(' ')
disp('La matriz de valores singulares es:')
disp(' ')

194
 Capítulo 5. Diseño y análisis de estructuras de control

disp(diag(S))

disp(' ')
disp('El número de condición es:')
disp(' ')
disp(CN)

%% Determinación de SVD para subsistemas

% Nota: se elimina una fila y columna a la vez

index = 1:1:length(K); % Vector of indexes

for i=1:length(K)
for j=1:length(K)
Kp=K;
Kp(i,:) = [];
Kp(:,j) = [];
[U,S,V] = svd(Kp); % S contiene los valores singulares
RGAnew = Kp.*(inv(Kp))'; % RGA sistema reducido
CN(i,j) = S(1,1)/S(end); % Número de condición
NewIndIp = index;
NewIndJp = index;
NewIndIp(i)= [];
NewIndJp(j)= [];
Strc{i,j} = ['y' num2str(NewIndIp(1)) '-' 'y' num2str(NewIndIp(2));
'u' num2str(NewIndJp(1)) '-' 'u' num2str(NewIndJp(2))];
RGA_M{i,j}= RGAnew;
end
end

%% Resultados

disp(' ')
disp('V. Controladas Var. Manipuladas CN ')
for i=1:length(K)
for j=1:length(K)
disp([Strc{i,j}(1,:) ' ' Strc{i,j}(2,:) ' '...
' ' num2str(CN(i,j))])
end
end

%--------------------------------------------------------------------------

Los resultados arrojados por el programa son:

La matriz de RGA es:

0.7100 -0.1602 0.4501

-0.3557 0.7925 0.5632
0.6456 0.3677 -0.0133

195
Capítulo 5. Diseño y análisis de estructuras de control

La matriz de valores singulares es:

1.6183
1.1434
0.0097

El número de condición es:

166.5212

V. Controladas Var. Manipuladas CN

y2-y3 u2-u3 67.8599

y2-y3 u1-u3 337.767
y2-y3 u1-u2 1.4486
y1-y3 u2-u3 139.2559
y1-y3 u1-u3 69.3747
y1-y3 u1-u2 1.514
y1-y2 u2-u3 132.7522
y1-y2 u1-u3 71.9545
y1-y2 u1-u2 184.4362

Según la matriz de RGA del sistema completo, el emparejamiento recomendado para este es
muy complejo y puede proponerse: y1 − u1 , y2 − u3 y y3 − u2. Sin embargo, en los valores
obtenidos del RGA se nota que los valores de λ < 0,5 implican problemas. Ahora, el valor del
número de condición para el sistema completo (CN = 166.5212) confirma que el control del
sistema completo es muy difícil. Por tanto, se realizan las reducciones del sistema y se nota
que el número de condición para los subsistemas y2 − y3 con u1 − u2 , y y1 − y3 con u1 − u2
tienen valores relativamente bajos. Para estos sistemas se extraen manualmente los RGA, con
el fin de validar los emparejamientos:

RGA_M{1,3}=

0.3662 0.6338
0.6338 0.3662

RGA_M{2,3}=

0.3602 0.6398
0.6398 0.3602

De esta última validación, se concluye que las estructuras más prometedoras para ser evaluadas
serían:

196
 Capítulo 5. Diseño y análisis de estructuras de control

• Estructura 1: y2 − u2 y y3 − u1

• Estructura 2: y1 − u2 y y3 − u1

Nota: es preciso tener cuidado con los índices de las estructuras diseñadas.

5.3.2.1. Comentarios

Como se observó en el último ejemplo, el método de descomposición en valores singulares

es un complemento del método de RGA; donde el SVD se usa para identificar rápidamente
subsistemas de estructuras de control con propiedades favorables, con el objetivo de identificar
luego el emparejamiento para controladores SISO usando el método de RGA.

5.4. Implementación de controladores on-off en Simulink

Los controladores on-off son el tipo de control por retroalimentación más simples y baratos.
Fueron los primeros controladores en ser implementados de manera mecánica por los griegos
para el control de sus sistemas hidráulicos en el 250 a.C. y aún se utilizan tanto en la vida
cotidiana como en la industria para la regulación de variables no tan críticas; por ejemplo:
control de sistemas de calefacción, refrigeración, nivel, entre otros (Seborg et al., 2011).

La implementación de este tipo de controladores es muy sencilla debido a que funciona como
un condicional o interruptor, en la que la salida del controlador se conmuta entre dos valores
así:

(
pmax si e ≥ 0
p(t) = (5.10)
pmin si e < 0

Donde los valores de pmax y pmin son los valores de la acción de control cuando la variable
para controlar está por encima o por debajo del valor del set-point (error = yset − y). Nótese
que los valores de p(t) máximo y mínimo pueden ser 0 % y 100 % cuando se trata de válvulas
de control, pero pueden ser otros valores nominales cuando se refiere a otras variables mani-
puladas.

Ahora, como se observa, este controlador on-off puro comienza a operar tan pronto se tiene
un error positivo o negativo en relación con el valor deseado de la variable controlada. Esto
es conveniente para sistemas lentos y que no poseen ruido. Teniendo en cuenta que estos
dos últimos factores pueden no cumplirse, la acción de los controladores on-off se relaja al
introducir una banda muerta o brecha diferencial que reduce la sensibilidad del controlador
al error:

197
Capítulo 5. Diseño y análisis de estructuras de control

(
pmax si e ≥ δ
p(t) = (5.11)
pmin si e < −δ

Donde 2δ es el tamaño de la banda muerta o brecha diferencial. La banda no necesariamente

tiene que ser simétrica: podría tener diferente sensibilidad cuando el error es positivo a cuando
es negativo. La introducción de la brecha diferencial genera un espacio alrededor del set-point
en el que el controlador no toma acción de control, haciendo menos sensible a este último al
ruido de la medición de la variable controlada y relajando las acciones impuestas al actuador.
Cuando el valor de δ tiende a cero, el controlador de brecha diferencial tiene al control on-off
puro.

Para implementar el controlador on-off de brecha diferencial en Simulink, se utiliza un solo

bloque llamado Relay que se encuentra en la librería Discontinuities. Este bloque tiene
como objetivo lograr una conmutación o swtich entre dos valores dependiendo de la señal de
entrada que se le alimente. A este bloque se le debe alimentar la condición de conmutación,
que en este caso es el valor del error. En la figura 5.17 se muestra el bloque y la configuración
necesaria por defecto.

Figura 5.17. Bloque para control on-off y su configuración

Es necesario indicar cuándo debe encenderse y apagarse la acción del bloque dependiendo de
la señal alimentada (i.e., Switch on point y Switch off point); así como qué valor debe tomar
la acción de control p(t) en estas dos situaciones, es decir, pmax y pmin . En el ejemplo 5.7 se
muestra cómo implementar el control on-off y realizar diferentes tipos de pruebas de rechazo
a perturbaciones y cambio de set-point incluyendo ruido.

198
 Capítulo 5. Diseño y análisis de estructuras de control

Ejemplo 5.7.

Implementación de un controlador on-off de brecha diferencial-Simulink

Determinar la respuesta dinámica del sistema no lineal del reactor Van de Vusse utilizando
un controlador on-off de brecha diferencial, evaluando la influencia de la configuración del
controlador (i.e., tamaño de la brecha diferencial), diferentes perturbaciones (i.e., cambio de
set-point y perturbación en entrada) y la presencia de ruido. Como estructura de control,
se establece controlar la concentración de salida del componente B, utilizando como variable
manipulada la concentración de entrada del reactivo A (CAf ). Las condiciones iniciales del
reactor corresponden al estado estable óptimo (i.e., D̄ = 4/7 (min−1 ), C̄Af = 10 (mol/l),
C̄A = 3 (mol/l) y C̄B = 1,117 (mol/l)).

Solución

Se propone utilizar la estrategia de programación con un código maestro en Matlab en el

que se definen las condiciones de simulación y emplear Simulink para la implementación del
reactor con S-function y el controlador con Relay. Como situación especial, se utilizan unos
bloques de Switch en Simulink que permiten definir si suceden ciertas situaciones dependiendo
de la configuración en el programa maestro, como se describirá más adelante.

Para el programa principal de Matlab es necesario definir las condiciones iniciales de las varia-
bles de entrada del sistema, la tasa de dilución y la concentración de entrada de A, estas son
requeridas por el programa de Simulink. Además se define el tiempo de simulación, el cual fue
definido con simulaciones preliminares. Seguidamente, se establecen parámetros requeridos por
el controlador como el tamaño del la brecha diferencial (2δ), el set-point de la concentración
de B y unas variables binarias para activar las pruebas de seguimiento de set-point o activa-
ción de ruido en las simulaciones. En esta sección también hay que difinir las perturbaciones
por aplicar en la tasa de dilución y cambio de set-point de la concentración de B, y en qué
momento ocurren. Estas últimas variables se requieren para bloques de Simulink. Finalmente,
el código de Matlab ejecuta el programa de Simulink llamado VDV_NLsim_on_off_control
y grafica los resultados.

El código de Matlab con las secciones descritas es:

%--------------------------------------------------------------------------
% Programa para realizar control on-off del reactor VDV
% Modelo no lineal en Simulink
% Programa maestro en Matlab

clc
clear
close all

199
Capítulo 5. Diseño y análisis de estructuras de control

%% Generación de datos de entrada para la simulación sin ruido

% Definiciones del sistema

D_ss = 4/7; % Condición inicial de tasa de dilución (min^-1)

Caf_ss= 10; % Condición inicial concentración de A a la entrada (mol/l)
tsim = 20; % Tiempo de simulación (min)

% Dediniciones del controlador

H_Cb = 0.2; % Histéresis para control de Cb

Cb_setin = 1.117; % Set-point de Cb inicial
SPT_on = 1; % Prueba de set-point tracking on
Noise_on = 1; % Variable para activar ruido
Noise_var = 0.01; % Varianza del ruido

% Aplicación de las perturbaciones

Df = 7/7; % Perturbación en tasa de dilución (min^-1)

tdistD = 10; % Tiempo donde se perturba D
Cb_setf= 1.4; % Perturbación única de set-point de Cb
tdistCb= 5; % Tiempo donde se perturba Cbset

sim('VDV_NLsim_on_off_control')

% Resultados del modelo no lineal

tiempo=yout_NL.Time; % Serie del tiempo

Cbset=Cb_set.Data(:,1); % Serie de tiempo con el set-point
D=Inputs.Data(:,1); % Serie de tiempo con la tasa de dilución
Caf=Inputs.Data(:,2); % Serie de tiempo con la concentración de entrada
Ca=yout_NL.Data(:,1); % Serie de tiempo con la variable Ca
Cb=yout_NL.Data(:,2); % Serie de tiempo con la variable Cb

%% Resultados

figure('Name', 'Desempeño de control' );

subplot(221)
plot(tiempo,D,'b','LineWidth',2);
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
ylabel('D [min^-1)]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid on
subplot(222)
plot(tiempo,Ca,'b','LineWidth',2);
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
ylabel('C_A [mol/l]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid on
subplot(223)
plot(tiempo,Caf,'b','LineWidth',2);
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
ylabel('C_{Af} [mol/l]','FontWeight','bold','FontSize',14)
axis([0 tiempo(end) 0 max(Caf)+5])
set(gca,'FontSize',12,'FontWeight','bold')

200
 Capítulo 5. Diseño y análisis de estructuras de control

grid on
subplot(224)
plot(tiempo,Cb,'b','LineWidth',2);
hold on
plot(tiempo,Cbset,'r','LineWidth',2)
plot(tiempo,Cbset+H_Cb/2,'--r','LineWidth',2)
plot(tiempo,Cbset-H_Cb/2,'--r','LineWidth',2)
legend('Cb','Cb_{set}')
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
ylabel('C_B [mol/l]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid on

%--------------------------------------------------------------------------

En Simulink se prepara el programa mostrado en la figura 5.18, que contiene el modelo del
reactor Van de Vusse implementado como una S-function, el controlador y las perturbacio-
nes.

Figura 5.18. Implentación en Simulink del control on-off de la concentración de B utilizando CAf
como variable manipulada

La implementación en Simulink tiene varias secciones. En la primera parte, se encuentra la

perturbación al sistema con el bloque que define la tasa de dilución; los valores inicial, final
y donde ocurre la perturbación fueron definidos desde el programa maestro. Para establecer
la configuración de set-point de CB , se utiliza una configuración conmutada por la variable
SPT_on y el bloque Switch. Si esta variable es mayor a cero, la simulación realiza la prueba
de set-point tracking definida por el bloque Signal builder, cuya configuración se muestra
en la figura 5.19; por el contrario, si SPT_on es cero, se realiza una única perturbación escalón
definida por el bloque Step.

201
Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.19. Configuración definida para la prueba de set-point tracking utilizando el bloque de
Signal builder

Para el control se usa el bloque Relay dentro de una estructura de control retroalimentado
y la configuración mostrada en la figura 5.20. Los parámetros requeridos se obtienen desde el
programa maestro en Matlab; además, es preciso tener cuidado con los signos.

Figura 5.20. Configuración definida el control on-off usando el bloque Relay

202
 Capítulo 5. Diseño y análisis de estructuras de control

Finalmente, el programa incluye un bloque Switch para que la variable medida pueda uti-
lizar ruido o no, dependiendo de la variable Noise_on, que se define en el programa de
Matlab. Si se desea realizar la simulación con ruido, se debe establecer esta señal con el blo-
que Random number, el cual crea una señal aleatoria definida por su media y su varianza. En
este caso se usa un valor medio de cero y una varianza definida por la variable Noise_var.

Utilizando el programa principal, se tiene una herramienta que permite valorar diferentes
configuraciones del sistema; inicialmente, el desempeño del controlador frente a un cambio
único de set-point y el rechazo de una perturbación de la tasa de dilución como se muestra
en la figura 5.21.

Figura 5.21. Respuesta del sistema de control on-off ante cambios simples de set-point y tasa de
dilución

El mismo caso anterior puede ser evaluado en presencia de ruido, como se muestra en la figura
5.22, donde se observa el gran efecto que tiene en el desempeño de la variable manipuada y
controlada.

203
Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.22. Respuesta del sistema de control on-off ante cambios simples de set-point y tasa de
dilución cuando se aplica ruido

Otra opción es realizar la prueba de set-point tracking más el rechazo de perturbaciones como
se muestra en la figura 5.23.

Figura 5.23. Respuesta del sistema de control on-off para la prueba de set-point tracking más rechazo
a perturbación en la tasa de dilución

204
 Capítulo 5. Diseño y análisis de estructuras de control

Reto 1: realizar un programa aún más generalizado para ejecutar más pruebas y
generar una sola figura que evidencie el impacto de cada variable modificada.

Reto 2: diseñar parámetros de desempeño para cuantificar el impacto de la modifica-

ción de la configuración del controlador on-off.

5.4.1. Comentarios
Si bien el control on-off es sencillo de implementar y evaluar, es evidente que resulta en va-
riaciones cíclicas de la variable controlada debido a la acción tipo onda cuadrada que tiene la
variable manipulada. Posiblemente, las oscilaciones en la variable controlada no son necesa-
riamente un problema, aunque sí puede existir un estrés excesivo sobre el actuador debido a
los cambios abruptos a los que es expuesto cuando se tienen dinámicas rápidas del sistema o
brechas diferenciales muy pequeñas. Esto debe ser evaluado en cada caso para validar que no
se trate de un problema en la implementación real.

5.5. Implementación de controladores PID continuos en Simu-

link
El controlador Proporcional-Integral-Derivativo (PID) es el control por retroalimentación es-
trella en la industria, debido a su relativa simplicidad que complementa su robustez. Los ele-
mentos que componen el controlador PID pueden ser usados en otras combinaciones: control
Proporcional puro (P), control Proporcional-Integral (PI) o control Proporcional-Derivativo
(PD), o control integral puro (I), además de complementos como un saturador de la acción de
control, el filtro derivativo y un antireset windup. En las siguientes subsecciones se presenta
su implementación utilizando bloques independientes y el uso de un bloque específico de PID
proporcionado por Matlab.

5.5.1. Implementación de control PID convencional

El control PID puede ser visto como la explotación del conocimiento del comportamiento del
error (i.e., diferencia entre el valor de la variable controlada y su set-point) para determi-
nar una acción de control. Este controlador puede ser implementado tanto en serie como en
paralelo y con con los parámetros del controlador acoplados o desacoplados. Históricamente,
la implementación en paralelo con parámetros acoplados es la más común y muchos de los
métodos de sintonización de controladores se han diseñado para proveer los parámetros para
esta implementación. La ecuación del controlador es:

Z t
1 de(t)
 
∗ ∗
p(t) = p̄ + Kc e(t) + e(t )dt + τd (5.12)
τi 0 dt
Donde:

205
Capítulo 5. Diseño y análisis de estructuras de control

p(t) : acción de control

p̄ : bias-valor de estado estable
e(t) : error
Kc : ganancia del controlador
τi : constante de tiempo integral
τd : constante de tiempo diferencial

La ecuación (5.12) es útil para una implementación en código de Matlab o su transformación

para implementación digital. Sin embargo, se puede aprovechar la implementación del modelo
no lineal en Simulink y sus prestaciones para efectuar el control en este entorno. Para hacerlo,
se transforma la ecuación del controlador en función de transferencia, donde la entrada es el
error y la salida la acción de control, así:

P (s) 1
 
= Kc 1 + + τd s (5.13)
E(s) τi s

Donde:

P (s) : acción de control (Laplace)

E(s) : error (Laplace)
Esta implementación en Simulink se muestra en la figura 5.24. Como adición, se ha incluido
un bloque llamado Saturation a la salida del controlador, el cual limita los valores de la
señal que se le alimenta entre un valor mínimo y máximo; esto se hace para evitar que una
mala sintonización del controlador pueda afectar negativamente al sistema.

Figura 5.24. Implementación de un control PID en Simulink usando la estructura en paralelo. Nota:
los bloques utilizados son Gain, Integrator y derivative

En principio, esta implementación en Simulink debería funcionar, aunque hay un problema.

Como se observa en la función de transferencia de la ecuación (5.14), la acción derivativa del

206
 Capítulo 5. Diseño y análisis de estructuras de control

controlador no cumple la condición de realización; es decir, el polinomio del numerador tiene

un orden mayor al polinomio del denominador. En términos matemáticos, esto implica que
ante un cambio escalón en el error la parte derivativa del controlador daría como resultado
una función impulso no implementable por medios físicos en controladores análogos o digi-
tales. Adicionalmente, la acción derivativa del controlador puede llegar a ser muy sensible
al ruido en la variable medida, detectando cambios bruscos en la derivada del error sin que
esto implique cambios reales. Para mitigar estos problemas, el controlador debe modificarse
relajando la acción derivativa usando un filtro, así:

P (s) 1 τd s
 
= Kc 1 + + (5.14)
E(s) τi s ατd s + 1

Donde α es un valor entre 0.05 y 0.2, con 0.1 como valor típico. Esta implementación resuelve
el problema de la condición de realización de la parte derivativa del controlador, así como
también reduce la sensibilidad ante el ruido y ayuda con el fenómeno del derivative kick. La
implementación en Simulink del PID con filtro derivativo se muestra en la figura 5.25. No
obstante, se recomienta definitivamente eliminar el fenómeno del derivative kick, y aplicar la
acción derivativa sobre la variable medida y no sobre el error (Seborg et al., 2011).

Figura 5.25. Implementación de un control PID en Simulink con filtro derivativo usando la estructura
en paralelo. Nota: los bloques utilizados son Gain, Integrator, y derivative

En principio la estructura anterior es funcional y se pueden usar los parámetros directamente

obtenidos por las correlaciones de sintonización más comunes.

Como adición a la implementación en Simulink, se puede utilizar una acción para evitar un
fenómeno llamado reset windup, que afecta la parte integral del control PID cuando el siste-
ma tiene errores persistentes. Por ejemplo: cuando se inicia un proceso (start-up), la variable
controlada está alejada del valor del set-point. Esto implica que hay un error grande que se
mantiene por un intervalo de tiempo y, como consecuencia, la integral del error puede adqui-
rir valores muy grandes provocando que el actuador se sature. La saturación del actuador se
manifiesta, por ejemplo, cuando una válvula se abre al 100 % o se cierra totalmente. Incluso

207
Capítulo 5. Diseño y análisis de estructuras de control

cuando la variable controlada llegue al set-point, la acción integral sigue saturando el actuador
lo que genera un gran Overshoot difícil de eliminar. Para removerlo naturalmente, la acción
integral debería tener un error en el sentido contrario por un largo periodo de tiempo (Seborg
et al., 2011).

Para evitar el fenómeno de reset windup, se puede incorporar a la implementación del PID
una acción que borra la memoria de la acción integral. Por este efecto, esa acción se denomina
antireset windup. La implementación del controlador PID con antireset windup se muestra en
el ejemplo 5.8.

Ejemplo 5.8.

Implementación de un controlador PID antireset windup-Simulink

Determinar la respuesta dinámica del sistema no lineal del reactor Van de Vusse utilizando
un controlador PID con acción antireset windup, para evaluar la influencia de la sintoniza-
ción del controlador, la reacción ante diferentes perturbaciones (i.e., cambio de set-point y
perturbación en entrada) y la presencia de ruido. Como estructura de control, se establece
controlar la concentración de salida del componente B, utilizando como variable manipulada
la concentración de entrada del reactivo A (CAf ). La condiciones iniciales del reactor corres-
ponden al estado estable óptimo (i.e., D̄ = 4/7 (min−1 ), C̄Af = 10 (mol/l), C̄A = 3 (mol/l) y
C̄B = 1,117 (mol/l)).

Solución

De manera análoga al caso del control on-off, se propone utilizar la estrategia de programación
con Matlab como programa maestro y usar Simulink para la implementación del reactor y el
controlador. Se recicla la estrategia de conmutación para usar las diferentes perturbaciones y
adicionar ruido a la simulación. Como complemento al caso anterior, en la parte inicial del
programa de Matlab, donde se hacen las confirguraciones, se define una nueva variable llama-
da Useantiwindup, que se utilizará en la implementación del controlador PID para activar
la acción de antireset windup.

Adicionalmente, se diseñó una función llamada PID_tuner (no mostrada, para dejarla como
reto), la cual tiene el método de sintonización IMC (Internal Model Control) para calcular
las constantes del controlador (i.e., Kc, τi y τd ), que corresponden a la salida de la función
(Seborg et al., 2011). Teniendo en cuenta que la función de sintonización utiliza el modelo
linealizado representado en funciones de transferencia, esta función requiere como entradas
el índice de la variable que se va a controlar, el índice de la variable manipulada y qué tan
rápido se desea la respuesta en lazo cerrado en comparación con el lazo abierto. Para este
caso la variable para controlar es CB con índice 2 (segunda ecuación diferencial); la variable
manipulada es CAf con índice 2, pues es la segunda entrada y se desea que la respuesta en
lazo cerrado sea 5 veces más rápida que en lazo abierto, así que τc = τ /5. En la función,

208
 Capítulo 5. Diseño y análisis de estructuras de control

la sintonización del parámetro del filtro diferencial se hace manualmente; además, la función
permite introducir los parámetros del controlador sin usar el método IMC. Posteriomente,
se definen las perturbaciones, el código de Matlab ejecuta el programa de Simulink llamado
VDV_NLsim_PID_control_pedal y grafica los resultados.

El código de Matlab es:

%--------------------------------------------------------------------------
% Programa para realizar control PID del reactor VDV
% PID-antiresetwindup usando bloque contrucción propia
% Modelo no lineal en Simulink
% Programa maestro en Matlab

clc
clear
close all

%% Generación de datos de entrada para la simulación sin ruido

% Definiciones del sistema

D_ss = 4/7; % Condición inicial de tasa de dilución (min^-1)

Caf_ss= 10; % Condición inicial concentración de A a la entrada (mol/l)
tsim = 20; % Tiempo de simulación (min)

% Definiciones de controlador

SPT_on = 0; % Prueba de set-point tracking on

Cb_setin = 1.117; % Set-point de Cb inicial
Noise_on =1; % Variable para activar ruido (=1 activo)
Noise_var=0.001; % Varianza del ruido
Useantiwindup=1; % Define el uso o no del Antireset windup
Caf_max=20; % Concentración máxima de entrada A (mol/l)

% Sintonización

[K,Ti,Td,FilD]=PID_tuner(2,2,5); % Función de sintonización

% PID_tuner(y,u,Vel)
Tirw = Ti; % Tiempo integral del Antireset windup (manual)

% Aplicación de las perturbaciones

Df = 7/7; % Perturbación en tasa de dilución (min^-1)

tdist = 10; % Tiempo donde se perturba D
Cb_setf= 1.4; % Perturbación única de set-point de Cb
tdistCb= 5; % Tiempo donde se perturba Cbset

sim('VDV_NLsim_PID_control_pedal')

% Resultados del modelo no lineal

tiempo=yout_NL.Time; % Serie del tiempo

209
Capítulo 5. Diseño y análisis de estructuras de control

Cbset=Cb_set.Data(:,1); % Serie de tiempo con el set-point

D=Inputs.Data(:,1); % Serie de tiempo con la tasa de dilución
Caf=Inputs.Data(:,2); % Serie de tiempo con la concentración de entrada
Ca=yout_NL.Data(:,1); % Serie de tiempo con la variable Ca
Cb=yout_NL.Data(:,2); % Serie de tiempo con la variable Cb

%% Resultados

figure('Name', 'Desempeño de control' );

subplot(221)
plot(tiempo,D,'b','LineWidth',2);
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
ylabel('D [min^-1)]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid on
subplot(222)
plot(tiempo,Ca,'b','LineWidth',2);
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
ylabel('C_A [mol/l]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid on
subplot(223)
plot(tiempo,Caf,'b','LineWidth',2);
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
ylabel('C_{Af} [mol/l]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid on
subplot(224)
plot(tiempo,Cb,'b','LineWidth',2);
hold on
plot(tiempo,Cbset,'r','LineWidth',2)
legend('Cb','Cb_{set}')
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
ylabel('C_B [mol/l]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid on

%--------------------------------------------------------------------------

Ahora, en Simulink se prepara el programa mostrado en la figura 5.26, que contiene el modelo
del reactor Van de Vusse implementado como una S-function, el controlador PID en un
subsistema y las perturbaciones usadas anteriormente en el controlador on-off.

210
 Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.26. Implentación en Simulink del control PID de la concentración de B utilizando CAf como
variable manipulada

Se observa que la implementación en Simulink es casi igual que en el caso anterior, al sustituir
el bloque de Relay por un bloque de subsistema llamado PID antireset windup, que se
construyó con la implementación del controlador. Nótese que a la salida del controlador se
adiciona el p̄, llamado bias; este valor corresponde al valor de la variable manipulada en el
estado estable inicial. Lo anterior es necesarion pues el controlador está en variables de des-
viación y hay que retornarlo a variables nominales.

Dentro del bloque PID antireset windup se incluye el controlador PID mostrado en la
figura 5.25, al cual se adiciona una sección para borrar la memoria de la acción integral para
el caso en que el actuador se sature, modificación denominada acción antireset windup. Esta
acción es necesaria para controladores usados en arranque de equipos o situaciones en las que
se tiene grandes cambios de set-point, donde la memoria de la acción integral hace que se
sature el actuador provocando overshoots significativos (Seborg et al., 2011).

La implementación modificada se muestra en la figura 5.27.

211
Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.27. Implementación de un controlador PID con acción antireset windup para el control de
la concentración CB usando CAf

En la implementación del PID, la acción PID antireset windup se logra evaluando la señal
de salida del controlador antes y después de un saturador. Si ambas señales son iguales, su
resta hace que la acción PID antireset windup sea cero y el controlador PID con filtro
diferencial no se afecta. Sin embrago, si la señal del controlador es mayor al máximo o menor
al mínimo establecido en el saturador, restarlas genera un valor diferente de cero. Este valor es
multiplicado por el mismo valor de la acción integral (aunque podría ser diferente ganancia)
y se adiciona a las acciones proporcional, integral y derivativa. Al realizar esto, se genera una
acción contraria a la acumulación de error por la parte integral, que al final viene a disminuir
la acumulación de error en la memoria del controlador. Como se mencionó, se adicionó un
Switch con la variable Useantiwindup para activar el efecto PID antireset windup.

Como se evidenció, el programa principal permite valorar fácilmente diferentes configuraciones

tanto para el controlador como para el tipo de pruebas por realizar. Cuando se ejecuta el
programa para el escenario donde se tiene un solo cambio de set-point y una perturbación en
la tasa de dilución se obtiene (figura 5.28):

212
 Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.28. Respuesta del sistema de control PID con filtro derivativo y antireset windup ante
cambios simples de set-point y tasa de dilución

El caso anterior también se puede evaluar en presencia de ruido, como se muestra en la figura
5.29.

Figura 5.29. Respuesta del sistema de control PID con filtro derivativo y antireset windup ante
cambios simples de set-point y tasa de dilución cuando se aplica ruido

En la figura 5.29 se valida la relevancia de evaluar siempre el controlador y la variable ma-

nipulada; si bien el controlador puede manejar el ruido, la variable manipulada tiene una

213
Capítulo 5. Diseño y análisis de estructuras de control

respuesta compleja de implementar. Ahora, otro escenario de simulación es la prueba de set-

point tracking más el rechazo de perturbaciones como se muestra en la figura 5.30.

Figura 5.30. Respuesta del sistema de control PID con filtro derivativo y antireset windup para
la prueba de set-point tracking más rechazo a perturbación en la tasa de dilución

Reto 1: construir una función generalizada que permita realizar la sintonización del
controlador usando diferentes métodos y así valorar su efecto en la respuesta.

Reto 2: generalizar el código de la implementación en Matlab para evaluar diferentes

controladores simultáneamente y valorar su desempeño de manera comparativa.

Reto 3: el controlador PID puede ser implementado como una S-function. Intentar
implementarlo para valorar su desempeño. Esto es práctico cuando de tienen varios
lazos de control en el sistema.

Reto 4: partiendo de la naturaleza lineal de un controlador PID, implementar un

sistema de control PID en espacio de estados y así tener un solo módulo para muchos
controladores, pues un solo modelo de controlador puede albergar varios controladores.

Reto 5: evaluar el comportamiento del sistema cuando el sensor y el actuador tienen

dinámica, por ejemplo, retraso de tiempo (time delay), función de transferencia de
primer o segundo orden, descalibración.

214
 Capítulo 5. Diseño y análisis de estructuras de control

5.5.2. Implementación del bloque PID en Simulink

Como se evidenció en la sección 5.5.1 y en la literatura de control clásico, un controlador
PID posee varios tipos de implementaciones que le otorgan características especiales; las que
se presentaron en la sección anterior corresponden a las más simples. En Simulink, los desa-
rrolladores de Matworks han implementado un bloque para un control PID con muchas más
prestaciones que la implementación convencional, este bloque se encuentra en la sección de
Continuous en la librería de Simulink. Cabe anotar que para el alcance de este libro, solo se
utilizará el bloque de PID convencional; sin embargo, hay otras implementaciones con más
grados de libertad y configuraciones.

El bloque PID convencional de Simulink permite implementar controladores PID o composi-

ciones diferentes de sus segmentos (i.e., Proporcional-Integral (PI), Proporcional-Derivativo
(PD), Proporcional puro (P) o Integral puro (I)), donde la variable para manipular se obtie-
ne como la suma ponderada de las acciones incluyendo la acción del filtro diferencial con un
sistema de primer orden (Nota: se requiere el filtro diferencial para que la acción derivativa
cumpla la condición de realización). Un aspecto interesante es que este bloque permite utilizar
la implementación en paralelo tanto ideal como desacoplada del controlador y usar saturación
directamente su configuración. Solo para mentes intrépidas, se puede ver la programación del
bloque PID haciendo clic derecho, Mask y luego Look under mask.

Simulink permite implementar de varias formas el PID en paralelo, como se muestra en las
siguientes ecuaciones:

!
P (s) 1 N
 
=P +I +D (5.15)
E(s) s 1 + N 1s
!!
P (s) 1 N
 
=P 1+I +D 1 (5.16)
E(s) s 1+ s

La configuración del bloque de PID se presenta en la figura 5.31.

Los aspectos por configurar en la ventana principal para este bloque son (MatWorks, 2023):

a) Controller: corresponde al tipo de acciones que se desea incorporar en el controlador, es

decir, Proporcional-Integral-Derivativo (PID), Proporcional-Integral (PI), Proporcional-
Derivativo (PD), Proporcional puro (P), Integral puro (I). Cuando la opción se cambia,
inmediatamente la ventana habilita solo los parámetros que pueden ser modificados para
esa configuración.
b) Form: allí se puede configurar, si se desea, la implementación con parámetros acoplados o
desacoplados.
c) Time domain: se configura si el controlador es para un sistema continuo o discreto. Para
efectos de control clásico de procesos, se maneja tiempo continuo.
d) Discrete-time settings: se utiliza para configurar el tiempo de muestreo para sistemas
discretos. Por defecto tiene -1, que significa que utiliza el tiempo de muestreo definido

215
Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.31. Ventana de configuración del bloque PID convencional de Simulink

por los bloques del modelo. En control de procesos, usando un modelo en ecuaciones
diferenciales, el tiempo de muestreo será definido por el método numérico que resuelve las
ecuaciones.

e) Ventana Main: esta ventana se encuentra debajo de la fórmula del controlador. Aquí se
tienen los parámetros del controlador y la opción de usar el Autotuning para encontrarlos.

• Parámetros del controlador: dependiendo de la estructura seleccionada en la parte

inicial, se contará con diferentes parámetros para especificar. Estos pueden ser ali-
mentados directamente cuando se usa la opción Internal o desde afuera del bloque
cuando se usa la opción external. En el segundo caso, aparecerán unas entradas extra
al bloque para alimentarlos desde el programa principal. Tener alimentación externa
puede ser útil para evaluar el controlador bajo diferentes parámetros o cuando se
desea implementar controladores con parámetros variables.
• Automated tuning: esta es una herramienta muy potente que permite utilizar una
estrategia basada en modelos para estimar los parámetros del controlador, donde el
usuario puede encontrar el balance deseado entre desempeño y robustez del contro-
lador. Para esto, el toolbox de control linealiza el modelo matemático de la planta o
utiliza datos para la aproximación lineal. Este puede emplear una aproximación ba-
sada en funciones de transferencia o respuesta en el dominio de la frecuencia (Nota:
este aspecto será extendido más adelante).
• Zero-crossing detection: esta opción pertmite localizar de manera precisa discontinui-
dades en la señal, sin que esto resulte en el uso de tamaños de paso muy pequeños del

216
 Capítulo 5. Diseño y análisis de estructuras de control

método numérico, lo que dervaría en tiempos de simulación muy largos. Se recomienda

usar esta opción activada.

f) Ventana Initialization: es un menú donde se especifican características de las condiciones

inicales del controlador.

• Integrator and filter initial conditions: para esta parte se selecciona si se desea espe-
cificar las condiciones iniciales del integrador y el filtro diferencial de manera interna
o externa con bloques específicos. Las condiciones iniciales para cada uno de estos
parámetros define cuál es la salida del controlador en el tiempo cero. Si el controlador
se establece en variables de desviación, se recomienda usar estos valores en cero y
especificar el bias por fuera del bloque.
• External reset: esta opción permite establecer una condición que reinicializa el in-
tegrador y el filtro diferencial. Cuando se activa, en el bloque de PID aparece una
nueva entrada, donde se debe especificar la condición que activa la reinicialización de
los parámetros a las condiciones especificadas en Integrator Initial condition y Filter
Initial condition en los puertos I0 y D0. La señal de activación puede ser una señal
creciente, decreciente o de nivel; aquí se podría seleccionar una opción para ignorar
la reinicialización durante el proceso de linealización.
• Tracking mode: es una opción que permite a la salida del controlador seguir una señal
especificada por el puerto TR (tracking) que aparece en el bloque de PID al activarla.
En este caso, la diferencia entre la señal de referencia y la salida del controlador se
retroalimentan a la entrada del integrador. Esta opción no es de uso convencional,
pero ofrece aplicaciones para evitar windup en estructuras de control que tienen varios
lazos de control o cuando se desea tener transiciones suaves en sistemas que alternan
el uso entre dos controladores.

g) Ventana Output saturation: en este menú se especifican condiciones de saturación para la

salida del controlador y la posibilidad de incorporar acción de antireset windup.

• Limit output: por defecto se tiene -infinito y +infinito como límites inferior y superior
de la señal de salida del controlador. En esta casilla, se pueden modificar indepen-
dientemente estos valores para evitar conflicto con el modelo o los actuadores. Níotese
que la implementación del controlador está en variables de desviación, es decir que la
señal de salida del controlador sí puede tomar valores negativos siempre y cuando no
viole condiones de implementación una vez el bias se adciona a la salida de este.
• Anti-windup: esta opción permite activar la acción de “borrado de memoria” de la
acción integral del controlador cuando se presenta el fenómeno de Reset windup, a
través de dos mecanismos. El primero se denomina Clamping (represión), en el que
se introduce un circuito de retroalimentación análogo al mostrado en la sección 5.5.1.
Para esto, se retroalimenta al integrador la diferencia entre la señal saturada y la
insaturada de salida del controlador. Este mecanismo se recomienda para plantas
con tiempos muertos pequeños, pues puede tener un desempeño pobre para plantas
con tiempos muertos grandes. El segundo mecanismo se denomina back-calculation,
y corresponde a la adición a la estructura anterior de una ganancia a la señal re-
troalimentada. Se recomienda utilizar el mismo tiempo integral para esta ganancia

217
Capítulo 5. Diseño y análisis de estructuras de control

√
(I = K/τi ) para controladores PI o I ∗ D para las plantas con tiempos muertos
relativamente altos.

h) Ventana Data types: las opciones por configurar en esta ventana están asociadas a la
herramienta complementaria llamada Open Fixed-Point Tool, a la cual puede accesarse
directamente desde Data types. Su uso está más allá del alcance de este libro.
i) Ventana State Attributes: esta es una ventana con parámetros útiles cuando se desea ge-
nerar código. Aquí se pueden asignar nombres y atributos para diferentes partes del con-
trolador. Por ejemplo, se puede asignar un nombre al estado asociado al integrador o al
filtro diferencial para controladores continuos.

A pesar de la gran cantidad de opciones que posee el bloque del controlador PID, su uso es
relativamente sencillo e intuitivo una vez se tienen claros los fundamentos del controlador y el
significado de sus parámetros. En el ejemplo 5.9, se establece un paralelo de la implementación
realizada en el caso de estudio anterior, donde no solo se evidencia la simple configuración del
bloque de PID, sino el potencial de la heramienta para la sintonización de los parámetros del
controlador.

Ejemplo 5.9.

Implementación de un controlador PID-Simulink

Determinar la respuesta dinámica del sistema no lineal del reactor Van de Vusse utilizando
un controlador PID con acción antireset windup, usando el bloque predeterminado de Si-
mulink para control PID de un grado de libertad, con el fin de evaluar la herramienta de
autosintonización del controlador y su influencia en la respuesta del sistema ante diferentes
perturbaciones (i.e., cambio de set-point y perturbación en entrada) y la presencia de ruido.
Como estructura de control, se establece controlar la concentración de salida del componente
B, utilizando como variable manipulada la concentración de entrada del reactivo A (CAf ).
Las condiciones iniciales del reactor corresponden al estado estable óptimo (i.e., D̄ = 4/7
(min−1 ), C̄Af = 10 (mol/l), C̄A = 3 (mol/l) y C̄B = 1,117 (mol/l)).

Solución

Siguiendo la misma línea de los controladores hasta ahora implementados, se propone utilizar
la estrategia de programación con Matlab como programa maestro y usar Simulink para la
implementación del reactor y el controlador.

Se recicla la estrategia de conmutación para usar las diferentes perturbaciones y adicionar

ruido a la simulación en la parte inicial del programa de Matlab, donde se hacen las con-
firguraciones, removiendo la variable llamada Useantiwindup, pues esta acción se configura
directamente en el bloque de PID en Simulink. Adicionalmente, la función PID_tuner dise-
ñada en el ejemplo anterior puede ser utilizada aquí también, solo con la precaución de la

218
 Capítulo 5. Diseño y análisis de estructuras de control

transformación por realizar para convertir los parámetros de un PID acoplado a uno desaco-
plado. Esta transformación se puede llevar a cabo directamente en el código de Matlab o en
el bloque de Simulink.

Posteriomente, se definen las perturbaciones, el código de Matlab ejecuta el programa de Si-

mulink llamado VDV_NLsim_PID_control_box y grafica los resultados.

El código de Matlab es:

%--------------------------------------------------------------------------
% Programa para realizar control PID del reactor VDV
% PID usando bloque de Simulink
% Modelo no lineal en Simulink
% Programa maestro en Matlab

clc
clear
close all

%% Generación de datos de entrada para la simulación sin ruido

% Definiciones del sistema

D_ss = 4/7; % Condición inicial de tasa de dilución (min^-1)

Caf_ss= 10; % Condición inicial concentración de A a la entrada (mol/l)
tsim = 20; % Tiempo de simulación (min)

% Definiciones de controlador

SPT_on = 1; % Prueba de set-point tracking on

Cb_setin = 1.117; % Set-point de Cb inicial
Noise_on =1; % Variable para activar ruido
Noise_var=0.01; % Varianza del ruido
Caf_max=20; % Concentración máxima de entrada A (mol/l)

[K,Ti,Td,FilD]=PID_tuner(2,2,5); % Función de sintonización

% PID_tuner(y,u,Vel)
Tirw = Ti; % Tiempo integral del Antireset windup (manual)

% Aplicación de las perturbaciones

Df = 7/7; % Perturbación en tasa de dilución (min^-1)

tdist = 10; % Tiempo donde se perturba D
Cb_setf= 1.4; % Perturbación única de set-point de Cb
tdistCb= 5; % Tiempo donde se perturba Cbset

sim('VDV_NLsim_PID_control_box')

% Resultados del modelo no lineal

tiempo=yout_NL.Time; % Serie del tiempo

219
Capítulo 5. Diseño y análisis de estructuras de control

Cbset=Cb_set.Data(:,1); % Serie de tiempo con el set-point

D=Inputs.Data(:,1); % Serie de tiempo con la tasa de dilución
Caf=Inputs.Data(:,2); % Serie de tiempo con la concentración de entrada
Ca=yout_NL.Data(:,1); % Serie de tiempo con la variable Ca
Cb=yout_NL.Data(:,2); % Serie de tiempo con la variable Cb

%% Resultados

figure('Name', 'Desempeño de control' );

subplot(221)
plot(tiempo,D,'b','LineWidth',2);
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
ylabel('D [min^-1)]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid on
subplot(222)
plot(tiempo,Ca,'b','LineWidth',2);
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
ylabel('C_A [mol/l]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid on
subplot(223)
plot(tiempo,Caf,'b','LineWidth',2);
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
ylabel('C_{Af} [mol/l]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid on
subplot(224)
plot(tiempo,Cb,'b','LineWidth',2);
hold on
plot(tiempo,Cbset,'r','LineWidth',2)
legend('Cb','Cb_{set}')
xlabel('Tiempo [min]','FontWeight','bold','FontSize',14)
ylabel('C_B [mol/l]','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid on

%--------------------------------------------------------------------------

Ahora, en Simulink se prepara el programa mostrado en la figura 5.32, que contiene el modelo
del reactor Van de Vusse implementado como una S-function, el controlador PID usando el
bloque de Simulink y las perturbaciones empleadas anteriormente en los controladores.

220
 Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.32. Implentación en Simulink del control PID de la concentración de B empleando CAf
como variable manipulada, utilizando el bloque de PID con un grado de libertad

Se observa que la implementación en Simulink es casi igual que en el caso anterior, al sustituir
el bloque de PID antireset windup por un bloque con la leyenda PID(s) con un extraño
símbolo al final de la palabra (se explicará más adelante). Una vez más, nótese que a la salida
del controlador se le adiciona el bias p̄.

Dentro del bloque PID controller se realiza la configuración del controlador PID utilizando
la implementación en paralelo en tiempo continuo. Por tanto, la ecuación del controlador será:

!
P (s) 1 N
 
=P +I +D (5.17)
E(s) s 1 + N 1s

En la ventana Main se escoge la fuente interna y se introducen los parámetros del controlador.
Aquí se puede elegir entre: utilizar los parámetros obtenidos de la función PID_tuner, leer los
parámetros desde el workspace o, como en este caso, utilizar la herramienta de sintonización
de Simulink para obtenerlos. La implementación modificada se muestra en la figura 5.33.

221
Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.33. Ventana inicial de configuración de un controlador PID para el control de la concen-
tración CB usando CAf (Nota: los parámetros del controlador que aparecen fueron obtenidos con la
herramienta de sintonización de Matlab)

Con el fin de usar la herramienta de sintonización de controladores PID de Simulink, se esco-

ge en primera intancia el método por utilizar. Para control de procesos, debido a la cercanía
con las funciones de transferencia en lugar de las respuestas en el dominio de la frecuencia,
se recomienda el método basado en las funciones de transferencia. Se selecciona entonces el
botón de sintonización (Tune...). Cuando se oprime el botón, Simulink inicia el proceso de
linealizacion numérica de la planta alrededor del punto de operación indicado por las condicio-
nes iniciales mediante una estrategia de bloque-por-bloque por defecto, en donde cada bloque
es linealizado individualmente para que luego Simulink combine los resultados y se genere la
representación lineal de cada sistema. Este método es el recomendado, teniendo en cuenta
que muchos bloques de Simulink tienen su representación lineal programada directamente.
Durante este proceso, aparece el mensaje mostrado en la figura 5.34.

Figura 5.34. Mensaje de inicialización de la herramienta de sintonización de controladores PID en

Simulink, indicando que el proceso de linealización de la planta ha iniciado

222
 Capítulo 5. Diseño y análisis de estructuras de control

Una vez este proceso de linealización termina, la ventana de sintonización mostrada en la

figura 5.35 surge. Por defecto, en la respuesta del sistema aparece la figura de la respues-
ta del sistema sintonizado ante una perturbación escalón en el set-point. Si en el bloque de
PID no había una sintonización del controlador, en la figura solo se vislumbra una respuesta
llamada Tuned response. Ahora, si en el bloque había una sintonización, ya sea introducida
manualmente o anterior obtenida con el Autotuning, entonces en la figura se evidenciarán dos
respuestas: una llamada Block response y tuned response, correspondientes a la sintonización
original y la modificada a través de la herramienta de autotuning.

En la parte superior de la ventana de Autotuning se ven opciones para la planta (no hay
que modificar nada aquí), el controlador, la herramienta de diseño y herramientas de la sin-
tonización. En este punto es importante detenerse un poco y explorar dichas opciones. En
las opciones del controlador, Simulink recomienda por defecto una sintonización balanceada
entre una prueba de seguimiento de set-point y una de rechazo a perturbaciones, debido a
que la sintonización tiene un carácter antagónico. Cuando se oprime el botón de opciones del
controlador se despliega una ventana en la que se puede escoger entre las opciones Balanced,
Reference tracking e Input disturbance rejection. Seleccionando cada una de ellas se evidencia
el impacto en la respuesta del sistema en la figura principal.

Figura 5.35. Ventana de sintonización de controladores PID para el caso del ejemplo

En la siguiente pestaña, llamada Design, se puede seleccionar entre dominio de tiempo y fre-
cuencia, donde se recomienda seleccionar tiempo. Adicionalmente, es posible adicionar una
serie de figuras a la ventana principal para el análisis del sistema. Las opciones disponibles

223
Capítulo 5. Diseño y análisis de estructuras de control

se muestran en la figura 5.36, las cuales incluyen: Plant, Open-loop, Reference tracking, Con-
troller effort, Input disturbance rejection, Output disturbace rejection, entre otras. Cuando se
selecciona una opción, esta figura aparece compartiendo espacio con la figura por defecto de
la respuesta en lazo cerrado ante una perturbación escalón del set-point.

Figura 5.36. Opciones de figuras que se pueden analizar para la respuesta en lazo cerrado del sistema
sintonizado

Por ejemplo, se desea evaluar tanto la respuesta del sistema con una prueba de cambio de
set-point y una prueba de rechazo a perturbaciones, utilizando la sintonización balanceada y
una sintonización adaptada para cambios de set-point. Para esto, se cambia en la ventana de
diseño la opción de sintonización Balanced a la opción Reference tracking, y en la ventana
de Add plot se adiciona una figura de Input disturbance rejection. Cuando se realiza esto,
automáticamente aparece una nueva figura en la ventana de la herramienta de sintonización
y las respectivas respuestas como se observa en la figura 5.37. Nótese que los parámetros
del controlador que se presentan en la parte inferior han cambiado en comparación con la
figura 5.35 y, para actualizar el bloque de PID principal, hay que oprimir el botón llamado
Update block ubicado en la parte superior derecha.

224
 Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.37. Evaluación de una sintonización alternativa a la obtenida por defecto por la herramienta
Autotuning de Simulink

Si se desea evidenciar los parámetros del controlador diseñado inicialmente con los nue-
vos resultados cuantitativos del desempeño de estos controladores (i.e., Rise time, Settling
time, Overshoot, Peak time, closed loop stability, entre otros), se puede oprimir la opción
Show parameters en la parte superior y obtener los resultados mostrados en la figura 5.38.

Figura 5.38. Resultados de la sintonización por defecto y modificada hacia pruebas de seguimiento
de set-point: parámetros de los controladores e índices de desempeño de los controladores

225
Capítulo 5. Diseño y análisis de estructuras de control

Por otro lado, la herramienta de sintonización permite un ajuste manual de las caracterís-
ticas del desempeño del sistema en lazo cerrado en relación con Response Time (seconds) y
Trasnsient Behavior. Para Response Time (seconds) se puede ajustar el controlador más lento
o más rápido y para Trasnsient Behavior si se require un controlador más agresivo o más
robusto. Es posible intuir que para cada configuración ambos extremos son antagónicos; por
ejemplo: si se desea evaluar la posibilidad de tener una respuesta en lazo cerrado más rápida,
se puede ajustar Response Time (seconds) ya sea en la barra o directamente modificando el
número que aparece al lado derecho de la barra. Como prueba se movió un 25 % el indicador
de Response time (seconds) hacia la derecha, lo que implicó que el parámetro cambiara de
0.8081 a 0.244. Los resultados se muestran en la figura 5.39.

Figura 5.39. Resultados de la sintonización por defecto y modificada hacia pruebas de seguimiento
de set-point: parámetros de los controladores e índices de desempeño de los controladores

Tanto las configuraciones por defecto de diseño del controlador como las manuales, abren una
gama de posibilidades para implementar controladores y evaluarlos sin tener que recurrir a
simulaciones individuales desde el programa principal. Esto permite identificar potenciales
candidatos de una manera más rápida para luego ser evaluados y comparados. Una vez se
está satisfecho con el resultado, se actualizan los parámetros del controlador y se cierra la
ventana de sintonización.

Para las otras opciones de configuración del bloque del controlador PID, solamente se modifica
en este caso Ouput saturation para evitar que la variable manipulada tome valores superiores
a Caf max e inferiores a cero como se muestra en la figura 5.40, y se activa la opción Antireset
windup. Al activar esta opción, en el bloque principal del PID aparecerá una marca especial
en el nombre como ya se mencionó.

226
 Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.40. Configuración del bloque de PID en la opción Output Saturation incluyendo límites
inferior y superior para la variable manipulada y la acción Antireset windup

Cuando se ejecuta el programa para el escenario donde se tiene un solo cambio de set-point y
una perturbación en la tasa de dilución se obtiene (figura 5.41):

Figura 5.41. Respuesta del sistema de control PID sintonizado con la herramienta Autotuning ante
cambios simples de set-point y tasa de dilución

227
Capítulo 5. Diseño y análisis de estructuras de control

El caso anterior puede ser evaluado en presencia de ruido, como se muestra en la figura 5.42.

Figura 5.42. Respuesta del sistema de control PID sintonizado con la herramienta Autotuning ante
cambios simples de set-point y tasa de dilución cuando se aplica ruido

Otra opción es realizar la prueba de set-point tracking más el rechazo de perturbaciones como
se muestra en la figura 5.43.

Figura 5.43. Respuesta del sistema de control PID sintonizado con la herramienta Autotuning para
la prueba de set-point tracking más rechazo a perturbación en la tasa de dilución

228
 Capítulo 5. Diseño y análisis de estructuras de control

Reto 1: seleccionar las diferentes opciones de diseño del controlador para respuestas
mejoradas ante perturbaciones o pruebas de cambio en set-point para valorar el carácter
antagónico de las sintonizaciones.

Reto 2: generalizar el código para evaluar diferentes controladores simultáneamente y

valorar su desempeño de manera comparativa.

5.6. Estabilidad en lazo cerrado

Adentrados en el análisis de lazo cerrado del sistema, una vez identificados los lazos de control
potenciales con sus variables para controlar y manipular, y de manera paralela a la evaluación
de implementaciones de algún tipo de controlador, es importante validar problemas potenciales
de estabilidad. Allí es donde la teoría clásica de control propone validar límites de estabilidad
en lazo cerrado mediante un controlador. Para sistemas relativamente pequeños, los métodos
de Routh y sustitución directa son apropiados para determinar la ganancia máxima (y en el
caso del método de Routh, la ganancia mínima también) de un controlador proporcional para
que el sistema sea estable en lazo cerrado. Teniendo en cuenta las potenciales limitaciones de
estos métodos para sistemas de orden mayor a 3, en esta sección se implementará el método
de localización de raíces (rlocus) y se realizarán pruebas para validar los resultados obtenidos.

El método de Root locus determina y grafica las trayectorias de los polos de uno o más sistemas
SISO en lazo cerrado en función de una ganancia (K) de un controlador proporcional con
retroalimentación negativa. En otras palabras, el método de Root locus evalúa el efecto en la
localización de los polos de un sistema al variar la ganancia retroalimentada. La localización
de los polos indican directamente la estabilidad en lazo cerrado (MatWorks, 2022q). Si se
tiene el siguiente sistema:

num(s)
sys(s) = (5.18)
den(s)

Los polos del sistema en lazo cerrado para un controlador proporcional vienen dados por las
raíces del polinomio:

den(s) + K(num(s)) = 0 (5.19)

El objetivo del método es entonces determinar las raíces del polinomio anterior en función
de la ganancia del controlador proporcional (K) cuando varía de cero a infinito. De manera
conveniente, el método ajusta el vector de ganancias para producir una respuesta suavizada.
Teniendo en cuenta que se utiliza el Zero-pole map, los polos aparecen el la gráfica como “x”.
Como alternativa a la figura de localización de polos, se puede utilizar el método para que se
entregen el vector de ganancias y las raíces, o para que el usuario especifique las ganancias de

229
Capítulo 5. Diseño y análisis de estructuras de control

interés.

Para utilizar el método, se utiliza el siguiente código:

%----------------------------------------------------------------------------
rlocus(sys); % Graficar el resultado de localización de polos
[r,k] = rlocus(sys); % Obtener polos y ganancias
%----------------------------------------------------------------------------

Es preciso tener cuidado en cuanto al modo en que se construye el sistema lineal cuando está
compuesto por diversas funciones de transferencia. Los casos de referencia se muestran en la
figura 5.44 (Nota: ver reto 3 en el ejemplo 5.10).

Figura 5.44. Ejemplos de representaciones de lazos cerrados con retroalimentación negativa para
ser utilizados por la función rlocus (Nota: observe cómo el producto de funciones de transferencia
representan el proceso, actuadores y sensores)

La figura que se obtiene usando la función rlocus es especial, ya que permite visualizar in-
formación directamente desde la figura dando clic sobre el punto de interés. Allí aparecerá la
ganancia (K), el polo, el factor de amortiguamiento (Damping), el sobreimpulso (Overshoot
( %)) y la frecuencia (rad/s). Además, el punto en cuestión puede moverse y se evidencia el
cambio de la ganancia.

Para ejemplificar el uso de esta función de Matlab se presentan dos casos de estudio: en el
primero se muestra el uso de la función rlocus y en el segundo se evalúa la estabilidad de un
controlador más complejo.

230
 Capítulo 5. Diseño y análisis de estructuras de control

Ejemplo 5.10.

Determinación de la estabilidad en lazo cerrado de un sistema lineal compuesto

Se desea conocer los límites de la ganancia de un control proporcional (K) para tener esta-
bilidad en lazo cerrado de un sistema lineal compuesto por varias funciones de transferencia
representando: el proceso, la dinámica del actuador y la dinámica del sensor. Las funciones
de transferencia son, respectivamente:

1
Gp(s) = (5.20)
5s + 1
1
Gv(s) = (5.21)
2s + 1
1
Gm(s) = (5.22)
s+1
El diagrama de bloques del sistema se muestra en la figura 5.45. Nótese que la ganancia K
deberá ser sustituida por valores numéricos.

Figura 5.45. Representación del lazo cerrado de la estructura de control en cuestión para el análisis
de estabilidad de un control proporcional con ganancia (K)

Para complementar el análsis, evaluar si el sistema en lazo abierto es estable e implementar

el controlador proporcional con diferentes ganancias para validar los resultados arrojados por
la función rlocus.

Solución

Para la solución de este ejemplo, se propone utilizar la estrategia de programación directa-

mente en Matlab con una etapa inicial de evaluación y una etapa secundaria de validación de
resultados. Inicialmente, se crean las funciones de transferencia del sistema como objetos en
el código y, enseguida, se determina por inspección la estabilidad del sistema en lazo abierto
(aunque por el principio de superposición se sabe que los polos del sistema en lazo abierto

231
Capítulo 5. Diseño y análisis de estructuras de control

hacen que el sistema sea estable). Para esto se evalúa la respuesta paso del sistema utilizando
la función step únicamente sobre las funciones en el lazo abierto, sin incluir el sensor ni el
controlador. Posteriormente, se utiliza la función rlocus para graficar directamente la loca-
lización de los polos del lazo cerrado. El paso clave para esta función es la manera en que
se introducen las funciones de transferencia; la ganancia del controlador proporcional no se
incluye y debe prestarse atención a cómo se ponen las funciones de transferencia, junto con el
sensor en este caso, que correspondería al lazo cerrado. Originalmente, el código se construye
hasta aquí y se ejecuta para deteminar si hay una ganancia de controlador proporcional que
haga inestable el lazo cerrado; cabe la posibilidad de que no exista y el sistema sea estable
para cualquier ganancia.

Cuando se analiza la figura y efectivamente existe un límite de estabilidad, el valor de la ga-

nancia se extrae de esta cuando las tendencias cruzan el eje de Re = 0 y se puede ejecutar la
segunda parte del código. En este punto, se propone usar el diagrama cero-polo para mostrar
la localización de los ceros y los polos del sistema en lazo cerrado cuando varía la ganancia del
controlador proporcional. Para esto se construye la función de transferencia en lazo cerrado
usando el comando feedback y posteriormente se usa pzplot. Por último, se validan los
resultados aplicando la prueba escalón a los lazos cerrados.

El código de Matlab con las secciones descritas, para las cuales se han introducido algunas
configuraciones especiales para las figuras, es:

%--------------------------------------------------------------------------
% Programa para determinar estabiliad en lazo cerrado
% Caso: sistema de varias funciones de transferencia
% Métodos: rlocus y pole/zero location

clc
clear all
close all

%% Etapa de evaluación

% Modelo en funciones de transferencia

Km=1; % Ganancia de set-point

Gp=tf(1,[5 1]); % FT del proceso
Gv=tf(1,[2 1]); % FT del actuador
Gm=tf(1,[1 1]); % FT sensor

% Prueba de respuesta paso

OLsys=(Km*Gp*Gv); % FT de lazo abierto

step(OLsys); % Prueba paso para lazo abierto
ylabel('Respuesta','FontWeight','bold','FontSize',14)
xlabel('Tiempo','FontWeight','bold','FontSize',14)
title('Respuesta paso','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')

232
 Capítulo 5. Diseño y análisis de estructuras de control

% Método de Root locus

figure
rlocus(Km*Gp*Gv*Gm); % Prueba rlocus - lazo cerrado
ylabel('Eje imaginario','FontWeight','bold','FontSize',14)
xlabel('Eje real','FontWeight','bold','FontSize',14)
title('Root locus','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')

%% Etapa de validación

% Diagrama cero-oolo de lazo cerrado para diferentes ganancias

Kc1 = 1; % Ganancia de controlador P (Estable)

Kc2 = 12.6; % Ganancia de controlador P (Críticamente estable)
Kc3 = 15; % Ganancia de controlador P (Inestable)

CL1 = feedback(Km*Gp*Gv*Kc1,Gm); % Lazo cerrado 1

CL2 = feedback(Km*Gp*Gv*Kc2,Gm); % Lazo cerrado 2
CL3 = feedback(Km*Gp*Gv*Kc3,Gm); % Lazo cerrado 3

figure
pzplot(CL1,CL2,CL3)
legend('Kc=1','Kc=12.6','Kc=15')
ylabel('Eje imaginario','FontWeight','bold','FontSize',14)
xlabel('Eje real','FontWeight','bold','FontSize',14)
title('Zero-Pole Map','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')

% Validación de respuesta paso para tres diferentes situaciones de estabilidad

figure
subplot(311)
step(CL1)
ylabel('Respuesta','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid on
subplot(312)
step(CL2)
ylabel('Respuesta','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid on
subplot(313)
step(CL3)
ylabel('Respuesta','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')
grid on

Como ejercicio complementario de validación, se puede implementar en Simulink el lazo cerra-

do como se mostró en la figura 5.45, para evaluar el desempeño del controlador proporcional.

Utilizando la primera parte del programa principal, se obtiene la respuesta paso del sistema

233
Capítulo 5. Diseño y análisis de estructuras de control

en lazo abierto como se muestra en la figura 5.46. Como característica destaca que se puede
obtener información de los valores de respuesta y de tiempo haciendo clic sobre la figura. Por
otro lado, si se hace doble clic sobre la figura se despliega la ventana de editor de propiedades
donde se pueden modificar propiedades de estilo y características de la respuesta (figura 5.47).

Figura 5.46. Valoración de la estabilidad del sistema en lazo abierto

Figura 5.47. Modificación de las propiedades de estilo de la figura de respuesta paso con el comando
step

Como producto del método de rlocus se obtiene la figura 5.48, donde se ha ubicado el cursor

234
 Capítulo 5. Diseño y análisis de estructuras de control

en el plano complejo imaginario en la intersección de la trayectoria de uno de los polos con el

eje Re = 0. Se observa entonces que la parte real del polo es prácticamente cero.

Figura 5.48. Respuesta del método rlocus para determinación de trayectoria de polos en lazo
cerrado

Tomando como resultado que la ganancia última es K = 12.6, se introduce la segunda parte
del código con el fin de construir lazos cerrados para el sistema con unas ganancias de control
proporcional iguales a:

%--------------------------------------------------------------------------
Kc1 = 1; % Ganancia de controlador P (Estable)
Kc2 = 12.6; % Ganancia de controlador P (Críticamente estable)
Kc3 = 15; % Ganancia de controlador P (Inestable)
%--------------------------------------------------------------------------

Para luego obtener la representación de los polos y ceros en el diagrama complejo imaginario
mostrado en la figura 5.49. Se observa que para la ganacia de CL1, el sistema sería estable;
para CL2 con K = 12.6, los polos del sistema se ubican sobre el eje correspondiente a una
parte real de cero, lo que lo hace críticamente estable y, para el caso de CL3, el sistema debería
ser inestable. Se muestra en la figura que el factor de amortiguamiento para este sistema es
cero, lo que valida que es crítamente amortiguado.

235
Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.49. Representación de los polos y ceros en el plano complejo imaginario de los tres sistemas
CL1, CL2, CL3, que incorporan diferentes ganancias de un controlador proporcional

Para estos casos, se valida la respuesta del sistema ante una perturbación escalón, la cual se
muestra en la figura 5.50.

Figura 5.50. Respuesta de los sistemas CL1, CL2 y CL3 en lazo cerrado ante una perturbación escalón
unitario

236
 Capítulo 5. Diseño y análisis de estructuras de control

Reto 1: demostrar analíticamente con el método de Routh que la ganancia última del
sistema es K = 12.6.
Reto 2: demostrar analíticamente con el método de ganancia última que K = 12.6.

Reto 3: analizar las estructuras propuestas para el controlador proporcional en la

figura 5.44 y su validez en la implementación real.

Como segundo caso, se tiene la determinación de la estabilidad en lazo cerrado para el sistema
de reacción Van de Vusse cuando se implementa un controlador PID. Esto es particularmente
importante, pues la acción integral disminuye la estabilidad de un sistema mientras la acción
derivativa otorga estabilidad al lazo de control.

Ejemplo 5.11.

Determinación de la estabilidad en lazo cerrado del reactor Van de Vusse cuando

se utiliza un controlador PID

Se desea analizar la estabilidad en lazo cerrado para el reactor Van de Vusse tanto para un
control proporcional como para un PID, teniendo en cuenta que el control integral disminuye
la estabilidad del sistema mientras que el control derivativo la incrementa. Como estructura
de control, se establece controlar la concentración de salida del componente B, utilizando
como variable manipulada la concentración de entrada del reactivo A (CAf ). La condiciones
iniciales del reactor corresponden al estado estable óptimo (i.e., D̄ = 4/7 (min−1 ), C̄Af = 10
(mol/l), C̄A = 3 (mol/l) y C̄B = 1,117 (mol/l)).

Solución

Para la solución de este ejemplo, se propone utilizar la estrategia de programación directa-

mente en Matlab. Como paso preliminar, se debe derteminar la representación lineal de la
entrada y la salida de interés del proceso; es decir, la función de transferencia que relaciona
la concentración de salida del componente B y la concentración de entrada del reactivo A
(CAf ). Para esto se utiliza la linealización analítica del sistema previamente determinada en
el capítulo 3. Se tiene la representación en espacio de estados que es transformada a funciones
de transferencia para finalmente extraer la función de interés (i.e., (2,2), pues es la relación
entre la salida 2 y la entrada 2). Se propone utilizar la prueba escalón unitario a esta función
de transferencia con la función step para validar su estabilidad de entrada acotada-salida
acotada (BIBO). Posteriormente, se aplica el método de rlocus para determinar si hay una
ganancia de control proporcional que inestabilice el sistema en lazo cerrado.

237
Capítulo 5. Diseño y análisis de estructuras de control

Enseguida se presenta la manera de extraer los parámetros de la función de transferencia de

segundo orden para ser usados en la sintonización del controlador por el método IMC (i.e.,
ganancia, constante de tiempo y factor de amortiguamiento). Se define entonces la constante
τc , correspondiente a la constante de tiempo que se desea obtener en lazo cerrado. Con es-
tos valores se pueden encontrar los parámetros del controlador: ganancia (Kc), constante de
tiempo integral (τi ) y constante de tiempo derivativo (τd ), y se define arbitrariamente el filtro
derivativo. Con estos parámetros, se crea un modelo definido especialmente para control PID
usando la función pid, análogo a una función de transferencia o espacio de estados. Se genera
así el modelo en lazo cerrado con el controlador incluido para proceder a graficar en el plano
complejo imaginario los polos del lazo cerrado.

El código de Matlab con las secciones descritas, para las cuales se han introducido algunas
configuraciones especiales para las figuras, es:

%--------------------------------------------------------------------------
% Programa para determinar estabiliad en lazo cerrado
% Caso: reactor Van de Vusse
% Métodos: rlocus y pole/zero location

clc
clear all
close all

% Modelo en espacio de estados

k1 = 5/6; % Constante de reacción para A-->B (min^-1)

k2 = 5/3; % Constante de reacción para B-->C (min^-1)
k3 = 1/6; % Constante de reacción para 2A-->D (mol/(l min))

% Estado estable

D=4/7; % Tasa de dilución (min^-1)

Cafo=10; % Concentración de A a la entrada (mol/l)
Cao=3; % Concentración de A en estado estable (mol/l)
Cbo=1.117;% Concentración de B en estado estable (mol/l)

a11=-D-k1-2*k3*Cao;
a12=0;
a21=k1;
a22=-D-k2;
b11=Cafo-Cao;
b12=D;
b21=-Cbo;
b22=0;

A=[a11 a12; a21 a22];

B=[b11 b12; b21 b22];
C=eye(2);
D=zeros(2);

238
 Capítulo 5. Diseño y análisis de estructuras de control

Sys_ss=ss(A,B,C,D,'StateName',{'Ca';'Cb'},'InputName',{'D';'Caf'},...
'OutputName',{'Ca';'Cb'}); % Crea espacio de estados

Sys_tf = tf(Sys_ss); % Transformación directa a FT

Sys = Sys_tf(2,2) % Función de transferencia de interés

% Estabilidad de lazo cerrado con controlador proporcional

figure
step(Sys); % Prueba paso del sistema
ylabel('Respuesta','FontWeight','bold','FontSize',14)
xlabel('Tiempo','FontWeight','bold','FontSize',14)
title('Respuesta paso','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')

figure
rlocus(Sys); % Prueba rlocus lazo cerrado
ylabel('Eje imaginario','FontWeight','bold','FontSize',14)
xlabel('Eje real','FontWeight','bold','FontSize',14)
title('Root locus','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')

%% Estabilidad de lazo cerrado para un controlador PID

% Método de sintonización IMC

Vel=5; % Parámetro de sintonización IMC

K = -C(2,:)*inv(A)*B(:,2)+D(2,2); % Ganancia del sistema
Den = Sys.Denominator{1}; % Denominador del sistema
tao = sqrt(Den(1)); % Constante de tiempo
zeta = Den(2)/(2*tao); % Constante de amortiguamiento
taoc = tao/Vel; % Aceleración de lazo cerrado

Kc = 2*zeta*tao/(taoc*K); % Ganancia del controlador

taoi= 2*zeta*tao; % Constante integral
taod= tao/(2*zeta); % Constante diferencial
FilD = 0.5; % Constante filtro diferencial

C1 = pid(Kc,taoi,taod,taod/FilD) % Define objeto PID

CL1 = feedback(Sys*C1,1) % FT de lazo cerado con PID

figure
pzplot(CL1); % Diagrama polo-zero
ylabel('Eje imaginario','FontWeight','bold','FontSize',14)
xlabel('Eje real','FontWeight','bold','FontSize',14)
title('Zero-Pole Map','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')

figure
step(CL1)
ylabel('Respuesta','FontWeight','bold','FontSize',14)
xlabel('Tiempo','FontWeight','bold','FontSize',14)
title('Respuesta paso','FontWeight','bold','FontSize',14)
set(gca,'FontSize',12,'FontWeight','bold')

239
Capítulo 5. Diseño y análisis de estructuras de control

Ejecutando el código, la función de transferencia de interés se imprime en el Command Win-

dow:

Sys =

From input "Caf" to output "Cb":

0.4762
---------------------
s^2 + 4.643 s + 5.382

Continuous-time transfer function.

Nótese que debido a las propiedades especiales asignadas al objeto de espacio de estados, la
entrada y la salida de interés se muestran en los resultados. El resultado de la perturbación
escalón a esta función de transferencia se presenta en la figura 5.51.

Figura 5.51. Valoración de la estabilidad del sistema en lazo abierto usando la prueba paso

Con la prueba de localización de polos por medio del rlocus se obtiene la figura 5.52. A
diferencia del ejemplo anterior, en este caso no se cruza el plano de parte real negativa a
positiva, los que indica que para este sistema no hay límite de estabilidad.

240
 Capítulo 5. Diseño y análisis de estructuras de control

Figura 5.52. Trayectorias de la localización de los polos del lazo cerrado para un controlador propor-
cional y el sistema Van de Vusse

Para el controlador PID, el objeto del controlador y el lazo cerrado tienen las siguientes
representaciones:

C1 =

1 s
Kp + Ki * --- + Kd * --------
s Tf*s+1

with Kp = 262, Ki = 4.64, Kd = 0.215, Tf = 0.431

Continuous-time PIDF controller in parallel form.

CL1 =

From input to output "Cb":

125.2 s^2 + 292.3 s + 5.132

---------------------------------------------
s^4 + 6.964 s^3 + 141.3 s^2 + 304.7 s + 5.132

Continuous-time transfer function.

241
Capítulo 5. Diseño y análisis de estructuras de control

La gráfica del los polos del sistema y respuesta escalón se muestra en las figuras 5.53 y 5.54.

Figura 5.53. Representación de los polos y ceros en el plano complejo imaginario del lazo cerrado del
controlador PID

Figura 5.54. Respuesta del sistema en lazo cerrado ante una perturbación escalón unitario

242
 Capítulo 5. Diseño y análisis de estructuras de control

5.7. Comentarios finales

Debe entenderse esta sección como una antesala de las posibilidades en cuanto a implementa-
ción de controladores SISO en Matlab y su evaluación. Los retos mencionados en cada ejemplo
pueden ser el punto de partida para la realización de implementaciones más complejas, por
ejemplo aquellas que incluyan diferentes fuentes de incertidumbre (e.g., parámetros de mode-
los, entradas y salidas), sistemas con mayor número de controladores, otro tipo de estructuras
de control (e.g., control en cascada, Override control, Input reseting control, control PID de
dos grados de libertad), sistemas con dinámica en los sensores o actuadores, implementaciones
de control digital, entre otras. ¡El ingenio de cada estudiante es ahora el límite!

243
Capítulo 6

Caso de estudio

Resumen
En este capítulo se presenta el modelo básico utilizado para implementar los métodos y herra-
mientas abordados en este libro. El caso de estudio escogido es de gran pertinencia para Ingeniería
Química, con una baja complejidad en aras que el estudiante no tenga limitaciones para su im-
plementación. Sin embargo, este caso de estudio tiene los elementos básicos que se encuentran
en casos de estudio más retadores.

6.1. Reactor Van de Vusse

6.1.1. Descripción del proceso
El sistema de reacciones de Van de Vusse consta de tres reacciones irreversibles en serie y
paralelo:

k k
A −−−−1−−→ B −−−−2−−→ C

k
2A −−−−3−−→ D

En este sistema, el reactivo A se transforma en el producto intermedio B que subsecuentemente

se descompone en C. En paralelo, A puede transformarse en D. En este caso, el reactivo de
interés es B y, por tanto, el objetivo del caso de estudio es analizar el sistema para las
condiciones donde este producto se vea favorecido.
La reacción se lleva a cabo en un reactor continuo de tanque agitado (CSTR, por sus siglas en
inglés), donde solamente se alimenta el reactivo A. La cinética del sistema se supone elemental;
la reacción se lleva a cabo a temperatura constante y el volumen del reactor no cambia con el
tiempo (control perfecto de nivel). El diagrama del proceso se muesta en la figura 6.1. Para
este sistema, las entradas son la composición de A en el alimento y el flujo de entrada. Por
otro lado, los estados son las concentraciones de las especies A, B, C y D.

245
Capítulo 6. Caso de estudio

Figura 6.1. Representación del sistema reactivo de Van de Vusse en un CSTR

6.1.2. Modelamiento del proceso y parámetros

Para este sistema, teniendo en cuenta la irrevesibilidad de las reaccciones, se observa que
los balances de materia para A y B son independientes de las concentraciones de C y D.
Sin embargo, las concentraciones de D y C sí son dependientes de A y B; debido a que el
compuesto de interés es B, se hace irrelevante plantear los balances de materia para C y D.
Los balances para los compuestos de interés son:

dCA F 2
= (CAf − CA ) − k1 CA − k3 CA (6.1)
dt V
dCB F
= (CBf − CA ) + k1 CA − k2 CB
dt V
Para el modelo se conocen los siguientes parámetros, variables de entrada y condiciones ini-
ciales:

246
 Capítulo 6. Caso de estudio

Tabla 6.1. Parámetros, variables de entrada y condiciones iniciales para el reactor

Parámetro Valor Unidades

k1 5/6 min−1
k2 5/3 min−1
k3 1/6 mol l−1 min−1
F̄ /V = D̄ 4/7 min−1
C¯Af 10 mol l−1
CAo 2 mol l−1
CBo 1,117 mol l−1
Fuente: Elaboración propia

247
 Referencias

Referencias

Åström, K. J. y Murray, R. M. (2008). Feedback systems: An introduction for scientists and

engineers. Princeton University Press.
Cellier, F. y Kofman, E. (2006). Continuous system simulation. Springer.
Chapra, S. C. (2012). Applied numerical methods with MATLAB for engineers and scientists
(third edition). McGraw-Hill.
Coleman, T. F. y Li, Y. (1996). An interior, trust region approach for nonlinear minimization
subject to bounds. SIAM Journal on Optimization, 6(2), 418–445. https://doi.org/10.
1137/0806023.
Gawronski, W. y Juang, J. N. (1990). Model reduction in limited time and frequency intervals.
International Journal of Systems Science, 21(2), 349–376. https://doi.org/10.1080/
00207729008910366.
Laub, A. J., Heath, M. T., Paige, C. C., y Ward, R. C. (1987). Computation of system ba-
lancing transformations and other applications of simultaneous diagonalization algorithms.
IEEE Transactions on Automatic Control, 32(2), 115–122. https://ieeexplore.ieee.
org/document/1104549.
Ljung, L. (1999). System identification: theory for the user (second edition). Prentice-Hall.
MatWorks (2022a). balred: model order reduction. https://se.mathworks.com/help/ident/
ref/dynamicsystem.balred.html.
MatWorks (2022b). Choose an ODE solver. https://la.mathworks.com/help/matlab/
math/choose-an-ode-solver.html.
MatWorks (2022c). Cursor measurements panel. https://se.mathworks.com/help/
simulink/ug/cursor-measurements-panel.html.
MatWorks (2022d). Estimate state-space models at the vommand line: black box vs.
structured state-space model estimation. https://se.mathworks.com/help/ident/ug/
how-to-estimate-state-space-models-at-the-command-line.html.
MatWorks (2022e). fmincon: find minimum of constrained nonlinear multivariable function.
https://la.mathworks.com/help/optim/ug/fmincon.html.
MatWorks (2022f). fsolve: solve system of nonlinear equations. https://se.mathworks.com/
help/optim/ug/fsolve.html#description.

249
Referencias

MatWorks (2022g). hsvd: Hankel singular values of dynamic system. https://se.mathworks.

com/help/control/ref/dynamicsystem.hsvd.html.

MatWorks (2022h). hsvplot: plot Hankel singular values and return plot handle. https:
//se.mathworks.com/help/control/ref/dynamicsystem.hsvplot.html.

MatWorks (2022i). Integrator block - Simulink. https://se.mathworks.com/help/

simulink/slref/integrator.html.

MatWorks (2022j). linmod: extract continuous-time linear state-space model around operating
point. https://la.mathworks.com/help/simulink/slref/linmod.html.

MatWorks (2022k). linmod2: extract continuous-time linear state-space model around opera-
ting point. https://la.mathworks.com/help/simulink/slref/linmod2.html.

MatWorks (2022l). minreal: minimal realization or pole-zero cancellation. https://se.

mathworks.com/help/control/ref/dynamicsystem.minreal.html.

MatWorks (2022m). Model reduction basics. https://la.mathworks.com/help/control/

ug/about-model-order-reduction.html.

MatWorks (2022n). modred: eliminate states from state-space models. https://se.

mathworks.com/help/control/ref/statespacemodel.modred.html.

MatWorks (2022o). Peak finder measurements panel. https://se.mathworks.com/help/

simulink/ug/peak-finder-panel.html.

MatWorks (2022p). residue: partial fraction expansion (partial fraction decomposition).

https://la.mathworks.com/help/matlab/ref/residue.html.

MatWorks (2022q). rlocus: root locus plot of dynamic system. https://se.mathworks.com/

help/control/ref/dynamicsystem.rlocus.html.

MatWorks (2022r). Scope bilevel measurements panel. https://se.mathworks.com/help/

simulink/ug/bilevel-measurements-panel.html.

MatWorks (2022s). Scope signal statistics panel. https://se.mathworks.com/help/

simulink/ug/signal-statistics-panel.html.

MatWorks (2022t). sminreal: structural pole/zero cancellations. https://se.mathworks.

com/help/control/ref/inputoutputmodel.sminreal.html.

MatWorks (2022u). ss: state-space model. https://la.mathworks.com/help/control/ref/

ss.html.

MatWorks (2022v). System identification toolbox. https://se.mathworks.com/help/ident/

index.html.

MatWorks (2022w). tf: transfer function model. https://la.mathworks.com/help/control/

ref/tf.html.

250
 Referencias

MatWorks (2022x). trim: find trim point of dynamic system. https://la.mathworks.com/

help/simulink/slref/trim.html.

MatWorks (2022y). What is an s-function? https://se.mathworks.com/help/simulink/

sfg/what-is-an-s-function.html.

MatWorks (2022z). zpk: zero-pole-gain mode. https://la.mathworks.com/help/control/

ref/zpk.html.

MatWorks (2023). pid controller: continuous-time or discrete-time pid controller. https:

//se.mathworks.com/help/simulink/slref/pidcontroller.html.

Migoni, G. y Kofman, E. (2007). Linearly implicit discrete event methods for stiff ODEs.
Part I: theory [conference]. In RPIC 2007-XII Reunion de Trabajo en Procesamiento de la
Información y Control, Río Gallegos, Argentina.

Nocedal, J. y Wright, S. J. (1999). Numerical optimization. Springer.

Rosen, C., Vrecko, D., Gernaey, K., Pons, M.-N., y Jeppsson, U. (2006). Implementing ADM1
for plant-wide benchmark simulations in Matlab/Simulink. Water Science and Technology,
54(4), 11–19.

Seborg, D. E., Edgar, T. F., Mellichamp, E. A., y Doyle, F. J. (2011). Process dynamics and
control (third edition). John Wiley & Sons.

Skogestad, S. y Postlethwaite, I. (2001). Mutivariable feedback control - design and analysis

(second edition). John Wiley & Sons.

Smith, C. y Corripio, A. (2000). Control automático de procesos, teoría y práctica (tercera

edición). Limusa.

Varga, A. (1991). Balancing-free square-root algorithm for computing singular perturbation

approximations [conference]. In Proceedings of 30th IEEE Conference on Decision and
Control (1062-1065, vol. 2), Brighton, United Kingdom. https://ieeexplore.ieee.org/
document/261486.

251
Índice alfabético

A constante 12-14, 25-26, 28-29, 31, 34, 42, 60,

69, 75, 79, 86, 88, 108, 122, 133, 138,
accion de control 195-196, 203-204 142, 144, 152, 168, 170-172, 183, 185,
active-set 74 190, 204, 206, 236-237, 243
método 74 constante de tiempo integral 204, 236
antireset windup 203, 206, 209-212, 215-216, constante de tiempo diferencial 204
224-225 control
Arreglo de ganancias relativas (RGA) 183- on-off 195-197, 203, 208
184, 187, 191-194 Proporcional (P) 203, 210, 213, 227, 229-
231, 233-235, 237
B Proporcional-Derivativo (PD) 203, 210,
213, 235
balreal 149-151, 153-155
Proporcional-Integral (PI) 203, 210, 213
balred 148-149, 247
Proporcional-Integral-Derivativo (PID)
banda muerta 196
146, 161-162, 203, 213
BIAS 12, 20, 204, 209, 215, 2019
Control Automático de Procesos 8-10, 25,
BIBO 235
45, 53, 176
estabilidad 115
controlabilidad 113, 119-121, 184, 189
bode 125-126, 147
convergencia 66-68, 70, 72, 76, 168
brecha diferencial 196-197
curve-fitting 162-169
C D
C# 23, 45
derivative kick 205
C++23, 45
diseño de estructuras de control 21, 161, 183
callbacks 43, 55, 61, 79, 137
Relative Gain Array (RGA) 183-187,
células 36-377, 103, 105-106, 109, 135
189, 191-195
cero-polo 11, 65-66, 99, 106-109, 111, 116-
Singular Value Decomposition (SVD) 187,
117, 131, 146-148, 151, 156-157, 159,
192-193, 195
187, 230
representación 11, 65, 107, 111, 131, 147, E
187
zpk 106, 109, 249 ecuaciones diferenciales ordinarias 9, 25-28,
ceros 106-108, 116, 119, 126, 131, 146-147, 30, 33, 37, 40, 45, 55, 62-63, 65-66,
151, 179, 230, 233-234, 240 82, 91, 98, 103, 105, 162
Condition Number (CN) véase número de Función anónima 25-26, 28-32, 67-70,
condición (CN) 73, 75-76, 91

253
Índice alfabético

Funciones separadas 25, 32-33, 84, 88, Graphical User Interface (GUI) 126, 162,
108 175
eigenvalores 115, 188-189
error 26-27, 51-52, 58-59, 89, 91, 99, 114, H
133-134, 136, 139-141, 149, 154-155,
Hankel 148-151, 153, 158, 248
159, 164, 168, 174-175, 185-187, 195-
Heaviside 96-97, 123, 166
196, 203-206, 210
espacio de estados 11, 65, 83-84, 92, 99, 104, I
106-109, 111, 117, 122, 125, 128-130,
132, 134-138, 147-149, 151-152, 155, Identificación de sistemas 173
158-159, 169-170, 173, 175, 212, 238 Toolbox 175-182
representación 66, 92, 103, 106-107, 116, impulse 122-123, 126
119-120, 132, 137,169-170, 184, 235 Integrator 38-39, 41, 46, 204-205, 215
estabilidad Interior-point 74-75
BIBO 115, 235 Internal Model Control (IMC) 206-207, 236-
inherente 114-116 237
lazo cerrado 115, 161-162, 183, 206, 222, Interpreted function 26, 38-41, 46, 55
224, 227, 229-230, 233-236, 239-240
numérica 27, 114-115 J
estado estable 65, 69, 70, 74, 77, 79, 83, 85,
Jacobiano 88-89, 115
87-88, 90, 115, 141-143
Simbólico 84-85
solución 66-68, 81-82, 92, 144
Numérico 87, 91
exactitud 36, 46, 87-88, 90-91, 187
exitflag 67-69, 73, 75 K
F Karush-Kuhn-Tucker (KKT) 71
Filosofía de programación 10, 47 L
Matlab como ambiente maestro 24
Simulink como ambiente maestro 24, 38, Laplace 7, 22, 65-66, 94-99, 101-103, 105,
47 107, 113, 204
Flag 46, 48-51, 55-59, 67-71, 73, 75, 77 Transformada 66, 94-98, 105, 107
Filtro derivativo 203, 205, 211-212, 236 Transformada inversa 66, 98, 101-103
fmincon 72-75, 77-78, 247 Levenberg-Marquardt 67
Fortran 23, 45 linmod 91-93, 108, 248
freqresp 125 lsim 52, 58-59, 79, 81, 92-93, 108, 122-123,
fsolve 66-68, 70-73 126, 165, 170, 172-173, 197-198, 207,
Función de transferencia 105-111, 131, 142, 217
143, 146, 164-167, 179-181, 204, 212,
230, 235-236, 238 M
Representación 65, 132, 147, 162, 235
math operators 12, 21
G matrices 16, 36-37, 82-83, 85-87, 90-92, 103-
104, 107-108, 117, 120-121, 126, 130-
Gain 21-22, 183, 204-205, 249 132, 148-151, 169-171, 184-186, 188,
Ganacia del controlador 204, 227, 230 191-192
Gram 149-150 método Runge-Kutta 26, 114

254
 Índice alfabético

MIMO 105-106, 116, 120-122, 130, 188 residue 98, 100-101

minreal 147-148, 151, 153, 157 reto 91, 206, 228, 241
modred 150-151, 153 Root locus (r-locus) 227
ruido 28, 36, 161, 168, 195-198, 201-202, 205-
N 207, 211, 216-217, 226
Nichols 113, 125-126
Número de condición (CN) 183, 189-194 S
Nyquist 113, 115, 125-126
serie de Taylor 26, 65, 81, 83, 87, 114
O set-point 195-203, 206-212, 217-218, 221-227,
230
observabilidad 113, 119-121, 149-150
set-point tracking 199-200, 202, 212, 226
optimizador 67, 72-74
s-function 25-26, 45-52, 54-58, 61-62, 80,
optimoptions 67, 69, 73, 75
92, 108, 137, 197, 199, 208, 212, 218
overshoot 141, 143, 145, 206, 209, 223, 228
mdlInitializeSizes 50-52, 54, 57-60
P mdlDerivatives 50-53, 57, 59-60
mdlUpdate 50-51, 53, 58, 60
periodo de oscilación (period of oscillation) mdlOutputs 50-51, 53-54, 58, 60
142 sigma 126
Phyton 23 signal builder 12-14, 18, 199-200
polos 98-99, 101, 106-108, 116-119, 126, 131, signal routing
146-147, 149-150, 179, 227-230, 233- mux 20, 41, 130
234, 236, 238, 240 deMux 20, 130
pretty 85-86, 95-96, 101-103 selector 20-21
problemas de valor inicial 9, 25-26 manual switch 20
puntos de equilibrio 78, 81 switch 20, 50, 57, 196-197, 199, 201, 210
pzmap 116, 118-119, 126, 151, 153 Simulink 7-11, 13, 16-19, 21-26, 28, 37-41,
43, 45-48, 51, 55, 58, 60, 62-64, 78-
R 80, 91-93, 104, 108, 113, 121, 129-
raíces del polinomio 98, 101, 115, 227 130, 132, 134-135, 137-138, 142-143,
ramp 12-13, 18, 115 146-148, 151-152, 155, 159, 161, 164-
rigidez 27, 32 165, 170-171, 196-197, 199, 204-209,
restricciones 72-75, 78 213-214, 216-221, 223, 231
razón de asentamiento (decay ratio) 142-143, commonly used blocks 10
145 continuous 10, 12, 38, 48-49, 53, 56-57,
rechazo a perturbaciones 161, 197, 221-222 59, 110-111, 118, 129, 156-157, 159,
reducción de modelos 146, 151-156, 176, 184 173, 213, 238, 239
mireal 147 library browser 10, 12, 15
smireal 148 math operations 10, 21
balred 148 ports and subsystems 10
balreal 149 signal routing 10, 12, 19, 38, 41
modred 147 sinks 10, 12, 15-17, 23, 38, 41, 91
Relative Gain Array (RGA) 183, 192 sources 11-12, 16-17, 38, 41, 91
relay 196-197, 200, 209 user-defined functions 11, 38, 41
reset windup 205-206, 215 sinks 10, 12, 15-17, 23, 38, 41, 91

255
Índice alfabético

sintonización de controladores 146, 161, 203-

207, 212, 216-217, 219, 220-224, 227,
236-237
autotuning 214, 221, 223, 225-226
SISO 116, 121, 162, 183-184, 195, 227, 241
sminreal 148
sobreimpulso véase oveershot
solver 26, 29-30, 32-33, 36, 62, 67-68
step 12, 26, 41, 48-49, 53, 56-57, 60, 70, 76-
77, 121-123, 126, 199, 230-232, 235,
237
System identification app 176-178

T
tiempo de asentamiento (settling time) 141,
143-144, 223
tiempo derivativo 236
tiempo de elevación (rise time) 141, 223
tiempo integral 204, 215, 236
tiempo pico (time to first peak) 141
trim 78-79, 81, 249
trust-region 67-68, 70-71
trust-region-dogleg 67-68, 70-71
trust-region-reflective 74, 78

V
Valores singulares véase Hankel

Z
Zero-pole map 227, 231, 237

256
 Óscar Andrés Prado-Rubio es ingeniero químico de
la Universidad Nacional de Colombia (2005), máster en
Automatización de Procesos Industriales de la Univer-
sidad de Ibagué (2007) y PhD en Ingeniería Química
y Bioquímica de la Universidad Técnica de Dinamarca
(2010). Cuenta con un postdoctorado en la Universidad
Técnica de Dinamarca (2012) y se desempeñó como es-
pecialista en membranas y como gerente de proyectos
en LiqTech International S.A. (2013), Dinamarca. Pos-
teriormente, se vinculó a la Universidad Nacional de Co-
lombia como profesor asociado y, recientemente, como
director de Investigación y Extensión de la Sede Mani-
zales (2018-2021). Prado-Rubio ha sido profesor visitante
en la Universidad de Newcastle (2016), Universidad de
Guanajuato (2017), Universidad Técnica de Dinamarca
(2018) y en el Instituto Nacional de las Ciencias Aplica-
das de Francia (2018). Actualmente, se desempeña como
Investigador Senior en la Universidad Técnica de Dina-
marca (2022-2024).

Con más de 13 años de experiencia docente, el profesor Prado-Rubio se ha desempeñado en asignaturas

de Control Automático de Procesos, Ingeniería de las Reacciones Químicas, Métodos Numéricos, Inten-
sificación de Procesos y Operación de Planta Piloto. Desde el punto de vista investigativo, su carrera
se centra en el diseño, optimización y control de bioprocesos. Esto incluye: biorreactores, operaciones
de separación (especialmente membranas) y desarrollo de sistemas intensificados. Recientemente, su
trabajo se enfoca en el desarrollo de herramientas de Cuarta Revolución Industrial para la implementa-
ción de gemelos digitales y facilitar la operación óptima en bioprocesos. Como resultado, ha publicado
más de 80 contribuciones científicas arbitradas (capítulos de libro, artículos en revistas indexadas y
artículos en memoria de eventos científicos), más de 70 contribuciones en conferencias, 10 seminarios
invitados y 1 software registrado.
 From zero to hero:
funcionalidades prácticas de Matlab/Simulink
para el análisis y control de procesos
Fue editado por la
Editorial Universidad Nacional de Colombia.
El libro se digitalizó en formato pdf enriquecido en agosto de 2023.
Bogotá, D. C., Colombia.
El control automático de procesos es un área vital para los ingenieros
químicos pues facilita la operación de procesos industriales de manera
estable y óptima. En la actualidad, gracias a las estrategias de digitaliza-
ción impulsadas por la Cuarta Revolución Industrial (tecnologías 4.0),
el control automático de procesos se ha perfilado con mayor potencial
para dar soluciones a los retos industriales a los que se enfrentarán los
futuros ingenieros químicos. Entonces, la operación óptima de proce-
sos complejos, además de buscar la máxima productividad y menor
consumo energético también, considerará menor impacto ambiental
y mayor seguridad en los procesos.
Debido a la naturaleza interdisciplinaria del control automático
de procesos, así como la relativa complejidad de las formulaciones
matemáticas y grado de abstracción de los conceptos, esta es una
asignatura exigente y su aprendizaje no es una tarea sencilla. Por otro
lado, las herramientas de simulación han mostrado ser un comple-
mento importante en la formación de los ingenieros químicos, pues
permiten la compresión de la teoría a través de la implementación de
casos de estudio complejos que requieren solución numérica. Es así
que la simulación de procesos dinámicos es vital para el aprendizaje del
control automático de procesos. Sin embargo, literatura didáctica que
permita al estudiante un aprendizaje más autónomo no se encuentra
fácilmente, especialmente para Simulink. Este libro es una herramienta
para ayudar a los estudiantes de Ingeniería Química a comprender la
teoría del control automático de procesos por medio de la simulación
en Matlab/Simulink.
El libro muestra diferentes estrategias de programación y herra-
mientas (algoritmos, funciones, apps) en Matlab/Simulink aplicables
al análisis de sistemas dinámicos, con la finalidad de diseñar y evaluar
estructuras de control descentralizado. Gracias al contenido de este
libro, el estudiante puede desarrollar muy rápidamente sus habilidades
de programación y así facilitar el entendimiento de la teoría de control
procesos. En particular, este libro reta a sus lectores a llegar más allá
de lo que normalmente se plantea en los libros de control de procesos,
para que al final… ¡el ingenio de cada estudiante sea el límite!