05:58
[759: errmi] El
problema
de
control
bajo
errores
de
modelado:
planteamiento
general,
fuentes
de
error
*
05:58
[760: robplant] Control
robusto:
motivación
y
planteamiento
del
problema
****
14:16
Esta sección discute en términos “prácticos” (cualitativos, sin fórmulas) qué significa el error de modelado y a qué compromisos obliga su presencia en las aplicaciones de control, se utilice o no el control robusto (que proveerá de resultados “cuantitativos”).
[761: objcr] Objetivos
del
control
(en
general
y
robusto
en
particular)
**
07:51
[762: ceridea] El
compromiso
especificaciones-robustez:
idea
básica
*
07:35
[763: limaf] Límites
de
amplitud
y
frecuencia
para
tener
robustez
aceptable
***
09:23
Nota: Los procesos inestables y de fase no mínima ven exacerbadas las limitaciones anteriores, al requerirse una amplitud mínima para estabilizar (se recomienda revisar el vídeo [ minust(10:54)]) y ser muy peligrosa la saturación (en el caso inestable), o requerir una acción de control que tiende a infinito para conseguir una cierta trayectoria (caso fase no mínima). En resumen, el límite de prestaciones conseguibles (p.ej. ancho de banda de bucle cerrado) con una robustez “razonable” en procesos inestables y de fase no mínima puede ser bastante menor que en procesos “estables”-“fase mínima” con la misma amplitud del diagrama de valores singulares, según discutido en el vídeo [ limprhpm(12:39)]. La saturación es uno de los errores de modelado (no-linealidad) más frecuentes en la práctica.
[764: cere1] Compromiso
especificaciones-robustez:
ejemplo
rápido
modelo
primer
orden
**
02:18
[765: cerML1] Compromiso
especificaciones-robustez:
ejemplo
regulador
PID
(Matlab)
***
10:14
Nota: Una vez introducidos los conceptos de “márgenes de estabilidad” para intentar evaluar la “robustez” de un diseño en la Sección 26.1, el mismo ejemplo que acabamos de ver en el vídeo [ cerML1(10:14)] es estudiado en más profundidad en el vídeo [ cerm3pid(11:38)]. En dicho video se revelará que el diseño 1, que aparentemente es robusto aquí, adolece de inconvenientes importantes (excesiva ganancia a alta frecuencia) que hacen bastante poco aconsejable su implementación práctica sin modificaciones.
[766: cerit] Compromiso
especificaciones-robustez:
enfoque
iterativo
en
aplicaciones
y
discusión
final
***
09:32
[767: OAcondnum] Condicionamiento
Numérico:
Introducción
y
consideraciones
en
ingeniería
de
Control
***
11:56
[768: condnum] Ganancias
máxima
y
mínima
de
matrices,
condicionamiento
Numérico
(versión
extensa)
***
26:39
[769: condnml] Inconvenientes
de
ganancia
o
condicionamiento
numérico
alto
en
ingeniería
de
control:
ejemplo
Matlab
(estático)
***
15:24
Condicionamiento óptimo.
El vídeo [ mincond(15:49)] demuestra cómo calcular el condicionamiento
mínimo ante escalado diagonal (cambio de unidades) usando software de
optimización bajo desigualdades matriciales lineales (LMI). Ese realmente sería el
número de condición a considerar en una determinada planta, aunque los detalles
se omiten aquí por brevedad. La metodología de ganancia relativa (RGA) usada
en control descentralizado (vídeos [ rga2(11:00)] y [ rgacondm(07:23)]) también da
cotas sobre los valores alcanzables de ese número de condición mínimo ante
escalado diagonal. *****
Esta sección utiliza las herramientas de optimización genéricas, como las discutidas en la Sección 16.2, para diseñar el mejor regulador para una “familia” de procesos (de modo que las prestaciones sean aceptables incluso en el peor caso). Se recomienda al lector que revise las ideas de dicha sección si no está familiarizado con ellas.
[770: optrobpi1] Optimización
de
parámetros
de
modelo
Simulink
con
incertidumbre
(1):
planteamiento
****
10:42
[771: optrobpi2] Optimización
de
parámetros
de
modelo
Simulink
con
incertidumbre
(2):
resultados
caso
nominal
***
08:41
[772: optrobpi3] Optimización
de
parámetros
de
modelo
Simulink
con
incertidumbre
(3):
resultados
optimización
robusta,
mínimos
locales
****
08:56