Table of Contents

En teoría de control, un observador estatal es un sistema que proporciona una estimación del estado interno de un sistema real dado, desde mediciones de la entrada y salida del sistema real. Normalmente es implementado por ordenador, y proporciona la base de muchas aplicaciones prácticas. Los observadores juegan un papel fundamental en la ingeniería de control moderno, permitiendo estrategias de control sofisticados que de otra manera serían imposibles cuando la información completa del estado es indisponible.

Comprender a los observadores estatales: Conceptos fundamentales

Conocer el estado del sistema es necesario para resolver muchos problemas de teoría de control; por ejemplo, estabilizar un sistema utilizando la retroalimentación del estado. En la mayoría de los casos prácticos, el estado físico del sistema no puede ser determinado por observación directa. En lugar de ello, los efectos indirectos del estado interno se observan a través de los resultados del sistema.

Un ejemplo simple es el de los vehículos en un túnel: las tarifas y velocidades a las que entran y salen los vehículos pueden ser observados directamente, pero el estado exacto dentro del túnel sólo se puede estimar. Esta analogía ilustra el reto principal que los observadores abordan: reconstruyendo información completa del sistema de mediciones parciales.

La condición de la observabilidad

Si un sistema es observable, es posible reconstruir completamente el estado del sistema desde sus mediciones de salida utilizando el observador del estado. El sistema es observable, que es cierto si el estado del sistema puede determinarse desde la entrada y la salida en un tiempo finito. Matemáticamente, esto significa que la matriz de observabilidad del sistema tiene rango completo.

La matriz de observabilidad es una herramienta fundamental para determinar si los estados de un sistema pueden ser estimados. Para un sistema lineal de tiempo-invariante con matriz de estado A y matriz de salida C, la matriz de observabilidad O se construye a partir de poderes sucesivos de las matrices del sistema. Un sistema es completamente observable cuando esta matriz tiene rango completo, lo que significa que todos los estados pueden ser determinados de forma única a partir de las mediciones de salida.

Por qué los observadores son esenciales

En el enfoque de post-placement del diseño de sistemas de control, asumimos que todas las variables estatales están disponibles para la retroalimentación. En la práctica, sin embargo, no todas las variables estatales están disponibles para la retroalimentación, por ejemplo, si el componente está en una ubicación inaccesible, o los sensores son caros.

Es necesario recurrir a observadores varias limitaciones prácticas:

  • Limitaciones físicas: Algunos estados pueden ser físicamente imposibles o poco prácticos para medir directamente
  • Limitaciones de los costos: Los sensores de alta calidad para todas las variables del estado pueden ser prohibitivamente costosos
  • Limitaciones de espacio: La instalación de sensores para cada variable estatal puede no ser factible en sistemas compactos
  • Preocupaciones de fiabilidad: La reducción del número de sensores puede mejorar la fiabilidad general del sistema
  • Reducción de ruido: Los observadores pueden proporcionar estimaciones filtradas que son menos ruidosas que mediciones directas

El propósito y los beneficios de los observadores en sistemas de control

Los observadores estatales son componentes esenciales en muchos sistemas de control, especialmente cuando se requiere el vector de estado completo para el control de retroalimentación, pero no pueden medirse directamente, lo que permite la aplicación de estrategias de control avanzadas que dependen de la información completa del estado, incluso cuando sólo se disponga de mediciones parciales.

Control de la retroalimentación del Estado

Un controlador basado en observadores es un controlador de retroalimentación dinámico con una estructura de dos etapas. En primer lugar, el controlador genera una estimación de la variable estatal del sistema a controlar, utilizando la salida medida y la entrada conocida del sistema. La estimación del estado se trata como si fuera igual al estado exacto del sistema, y es utilizado por un controlador de retroalimentación del estado estático.

Esta arquitectura de dos etapas separa el problema de estimación del problema de control, permitiendo a los ingenieros diseñar cada componente de forma independiente. Este principio de separación es un resultado poderoso en la teoría de control lineal que simplifica significativamente el proceso de diseño general.

Mejora del rendimiento y el robustez del sistema

Los observadores contribuyen a mejorar el rendimiento del sistema de múltiples maneras. Pueden filtrar el ruido de medición, proporcionando estimaciones estatales más limpias que los datos de sensores crudos. También pueden estimar estados que cambian demasiado rápido para que los sensores puedan rastrear con precisión, o estados que son difíciles de medir debido a las condiciones ambientales. Al proporcionar estimaciones estatales fiables, los observadores permiten algoritmos de control más sofisticados que pueden optimizar las métricas de rendimiento, como el tiempo de fijación, la solución y el error de estado fijo.

Un observador robusto debe poder mantener un desempeño y estabilidad satisfactorios, incluso cuando el sistema actual se desvía del modelo asumido o está sujeto a perturbaciones externas. Esta robustez es crítica en aplicaciones reales donde las incertidumbres y perturbaciones modelo son inevitables.

Compensando para Limitaciones de Sensores

Los sensores del mundo real tienen limitaciones inherentes, incluyendo restricciones de ancho de banda, retrasos de medición, ruido y deriva. Los observadores pueden compensar estas limitaciones combinando predicciones basadas en modelos con mediciones de sensores. El observador utiliza el modelo dinámico del sistema para predecir la evolución del estado entre mediciones, y luego corrige estas predicciones cuando se dispone de nuevas mediciones. Este enfoque puede proporcionar estimaciones de estado más precisas y oportunas que los sensores solo.

Tipos de observadores estatales

Modo lineal, retardado, deslizante, alto rendimiento, Tau, observadores basados en la homogeneidad, extendidos y cúbicos se encuentran entre varias estructuras de observadores utilizadas para la estimación estatal de sistemas lineales y no lineales. Cada tipo de observador tiene características específicas que lo hacen adecuado para aplicaciones particulares y tipos de sistema.

Observadores de Estado de orden completo

Si el observador estatal observa todas las variables estatales del sistema, independientemente de si algunas variables estatales están disponibles para la medición directa, se llama observador de estado de orden completo. Observadores de encargo completo estiman todos los estados del sistema, incluyendo aquellos que podrían ser directamente medibles. Si bien esto puede parecer redundante, los observadores de mando completo ofrecen ventajas en términos de simplicidad de diseño y filtración de ruido.

Un observador de pedido completo tiene la misma dimensión que la planta que se observa. Reconstruye todo el vector estatal mediante el procesamiento de todas las mediciones de entrada y salida disponibles. El diseño de observadores de pedidos completos está bien establecido, con procedimientos sistemáticos basados en la colocación de polos o técnicas de control óptimas.

Observadores estatales de orden reducido

Si una o más variables estatales pueden medirse o observarse directamente, el sistema sólo requiere un observador de orden reducido, es decir, un observador que tiene un orden inferior al de la planta. El observador de pedido reducido puede estimar los estados inmesurables, y una vía de retroalimentación directa puede ser utilizada para obtener los valores de estado medidos.

Los observadores de orden reducido son más eficientes de forma computacional que los observadores de mando completo porque sólo estiman los estados no asegurados. Esta eficiencia puede ser crucial en los sistemas integrados con recursos o cuando se requieren altas tasas de muestreo. El diseño de observadores de menor orden es más complejo que los observadores de mando completo, pero los ahorros computacionales durante la implementación a menudo justifican el esfuerzo adicional de diseño.

Open-Loop vs. Cerrado-Loop Observers

El esquema conceptualmente más simple para estimar estados es un observador abierto. Si A no es Hurwitz/Schur estable, el error se divierte. Los observadores de apertura parecen simples pero no funcionan en la práctica. Un observador de apertura simplemente replica la dinámica del sistema sin ningún mecanismo de corrección. Cualquier error de estimación inicial o desajuste del modelo persistirá o crecerá con el tiempo.

Los observadores cerrados, en cambio, incorporan la retroalimentación de la diferencia entre los productos medidos y estimados. Este mecanismo de retroalimentación impulsa el error de estimación hacia cero, haciendo que los observadores de cierre cerrado sean prácticos para aplicaciones reales. El observador de Luenberger es el tipo más común de observador de cierre cerrado para sistemas lineales.

El Observador de Luenberger: Diseño y Teoría

El bloque Luenberger Observer implementa un tiempo discreto Luenberger observador. Usa este bloque para estimar los estados de un sistema observable utilizando: Las entradas discretas y salidas del sistema. Una representación estatal-espacial discreta del sistema. Nombrada después de David Luenberger que introdujo el concepto en los años 60, el observador Luenberger se ha convertido en el enfoque estándar para la estimación del estado en sistemas lineales.

Mathematical Foundation

Conocemos las matrices A, B, C y D de nuestra planta, para que podamos utilizar estos valores exactos en nuestro estimador. Sabemos la entrada al sistema, conocemos la salida del sistema, y tenemos las matrices del sistema. Lo que no sabemos, necesariamente, son las condiciones iniciales de la planta.

Lo que el estimador intenta hacer es hacer que el enfoque estatal del vector actual sea rápido y luego refleje el vector de estado actual. Lo hacemos al tomar la diferencia entre la salida de la planta y la salida del estimador. La matriz de ganancia de observador L está diseñada para impulsar el error de estimación a cero.

El observador de Luenberger para un sistema lineal continuo toma la forma de un sistema dinámico que funciona en paralelo con la planta real. Utiliza las mismas matrices del sistema (A, B, C) como la planta, pero incluye un plazo de corrección adicional proporcional al error de estimación de salida. Este término de corrección, ponderado por el observador de ganancia matriz L, proporciona el mecanismo de retroalimentación que asegura la convergencia de los estados estimados a los estados reales.

Dinámicas de error de Observador

La clave para entender el diseño de observadores es analizar la dinámica de errores — cómo evoluciona la diferencia entre los estados reales y estimados con el tiempo. Al subcontratar las ecuaciones de observadores de las ecuaciones de plantas, obtenemos una ecuación diferencial que describe la evolución del error. Los eigenvalues de la matriz de dinámicas de error (A - LC) determinan cuán rápido converge el error de estimación a cero.

La dinámica de error será dictada por los eigenvalues de A + LC. Generalmente una buena idea para que el observador converja más rápido que la planta. Esta convergencia más rápida asegura que el observador proporciona rápidamente estimaciones exactas del estado, incluso cuando se empiezan a tener condiciones iniciales incorrectas.

Pole Placement for Observer Design

Los valores eigenvalues de A + LC son libremente asignables a través de L si y sólo si (C, A) es observable. Este resultado es el doble del termorema de colocación de postes para el control de la retroalimentación del estado. Así como podemos colocar polos cerrados arbitrariamente para sistemas controlables, podemos colocar los polos de observación arbitrariamente para sistemas observables.

Es crucial elegir la matriz de ganancia L con juicio, ya que influye críticamente en la respuesta dinámica del observador. Típicamente, esto se logra mediante técnicas de colocación de polos o un enfoque de control óptimo.

El procedimiento de colocación de postes para el diseño de observadores implica:

  • Seleccionar las ubicaciones de postes de observadores deseadas sobre la base de los requisitos de rendimiento
  • Formando el polinomio característico deseado de estos polos
  • Resolver la matriz de ganancia de observador L que logra este polinomio característico
  • Verificación de que el observador resultante cumple con las especificaciones de estabilidad y rendimiento

La respuesta transitoria del estimador, es decir, la cantidad de tiempo que toma el error a aproximadamente cero, debe ser significativamente más corta que la respuesta transitoria de la planta. Los polos del estimador deben ser, por regla general, al menos 2-6 veces más rápido que los polos de su planta. Esta directriz asegura que el observador converge rápidamente en relación con la dinámica de la planta, minimizando el impacto de errores de estimación inicial en el rendimiento de control.

Dualidad entre control y observabilidad

Al diseñar el observador de estado de orden completo, podemos resolver el problema dual, es decir, resolver el problema de la sustitución de polos para el sistema dual. Este principio de dualidad es uno de los resultados más elegantes en la teoría del control. El problema de diseñar un observador para un sistema (A, C) es matemáticamente equivalente a diseñar un controlador de opinión del estado para el sistema dual (AT[FLT], C[FLT2]

Esta dualidad significa que todas las herramientas y técnicas desarrolladas para el diseño del controlador pueden aplicarse directamente al diseño de observadores simplemente transponiendo las matrices pertinentes. Herramientas de software para el diseño del sistema de control normalmente explotan esta dualidad, utilizando los mismos algoritmos para el diseño del controlador y del observador.

El filtro Kalman: Estimación del Estado Optimal

Mientras que el observador de Luenberger está diseñado basado en la colocación de postes deterministas, el filtro Kalman toma un enfoque estocástico para la estimación del estado. El filtro Kalman es óptimo en el sentido de que minimiza el error de estimación cuadrado promedio cuando el sistema está sujeto al ruido blanco gausiano tanto en la dinámica del proceso como en las mediciones.

Modelo de sistema estocástico

El filtro Kalman está diseñado para sistemas donde el ruido de proceso y el ruido de medición están presentes. El ruido del proceso representa incertidumbres en el modelo del sistema, perturbaciones y dinámicas no modeladas. El ruido de medición representa inexactitudes de sensores y interferencia ambiental. El filtro Kalman modela explícitamente estas fuentes de ruido como procesos aleatorios con propiedades estadísticas conocidas.

El filtro opera en dos etapas: predicción y corrección. En la etapa de predicción, el filtro utiliza el modelo del sistema para predecir el estado en el paso siguiente. En la etapa de corrección, cuando se dispone de una nueva medición, el filtro actualiza su predicción con un peso óptimo del estado predicho contra la medición basada en sus incertidumbres relativas.

Computación óptima de ganancia

A diferencia del observador Luenberger, donde el beneficio es elegido por colocación de polos, el beneficio de filtro Kalman se calcula mediante la resolución de una ecuación Riccati que equilibra la incertidumbre de predicción contra la incertidumbre de medición. Este beneficio óptimo minimiza el rastro de la matriz de covariancia de error, que representa el error de estimación cuadrado esperado.

El beneficio del filtro Kalman varía con el tiempo a medida que evoluciona la covariancia del error. Para los sistemas invariantes de tiempo con estadísticas de ruido constantes, el beneficio del filtro Kalman converge a un valor de estado estable, dando como resultado el filtro de estado estable Kalman. Este filtro de estado estable tiene ganancias constantes y es computacionalmente más simple de implementar que el filtro de tiempo.

Filtro Kalman extendido para sistemas no lineales

Algunas técnicas comunes de diseño de observadores no lineales incluyen: Filtros extensos Kalman (EKF), que linealizan el sistema no lineal alrededor de la estimación actual del estado. El EKF extiende el marco de filtro Kalman a sistemas no lineales linealizando repetidamente la dinámica del sistema y las ecuaciones de medición alrededor de la estimación actual del estado.

En cada paso del tiempo, el EKF compute matrices jacobinas que representan la aproximación lineal local de las funciones no lineales. Estos jacobinos se utilizan en las ecuaciones de predicción y corrección, similar al filtro lineal Kalman. Mientras que el EKF no es óptimo para los sistemas no lineales, a menudo proporciona buen rendimiento y se ha aplicado con éxito en numerosas aplicaciones incluyendo navegación, robótica y sistemas aeroespaciales.

Estructuras avanzadas de observación

Observadores de Modo Sliding

Algunos tipos comunes de observadores conmutados incluyen el observador de modo deslizante, observador de estado no lineal, observador de tiempo fijo, observador de alta ganancia conmutado y observador de unidad. El observador de modo deslizante utiliza retroalimentación de alta ganancia no lineal para conducir estados estimados a una hipersuperficie donde no hay diferencia entre la producción estimada y la salida medida.

Los observadores de modo deslizante también tienen propiedades atractivas de resiliencia al ruido que son similares a un filtro Kalman. La naturaleza discontinua de la retroalimentación del modo deslizante proporciona la robustez inherente a las incertidumbres y perturbaciones del modelo. Sin embargo, el conmutador discontinua también puede introducir el chattering, que puede ser indeseable en algunas aplicaciones.

Observadores de alto nivel

Cuando el aumento de observadores es alto, el observador lineal Luenberger converge muy rápidamente al sistema. Sin embargo, el alto aumento de observadores conduce a un fenómeno de pico en el que el error inicial del estimador puede ser prohibitivamente grande (es decir, impráctico o inseguro de usar).

Como consecuencia, se dispone de métodos de observación no lineales de alta ganancia que convergen rápidamente sin el fenómeno de pico. Estos observadores avanzados de alta ganancia utilizan funciones de ganancia no lineal que proporcionan un alto aumento cuando los errores de estimación son grandes, pero reducen el aumento a medida que disminuyen los errores, evitando el problema de pico al tiempo que mantiene una rápida convergencia.

Observadores intervalidos y heridos

Los observadores de linaje o intervalo constituyen una clase de observadores que proporcionan dos estimaciones del estado simultáneamente: una de las estimaciones proporciona un límite superior al valor real del estado, mientras que la segunda proporciona un límite inferior. El valor real del estado es entonces conocido como estar siempre dentro de estas dos estimaciones. Estos límites son muy importantes en aplicaciones prácticas, ya que hacen posible conocer en cada momento la precisión de la estimación.

Los observadores intervalorados son particularmente valiosos en aplicaciones de seguridad crítica donde se requieren límites garantizados en las estimaciones estatales. También son útiles para la detección de fallas, ya que las mediciones que caen fuera de los límites predichos indican posibles fallos de sensores o errores de modelo.

Estrategias y metodologías de diseño

Selección del tipo de Observador

La elección del tipo de observador depende de varios factores, incluyendo características del sistema, condiciones de ruido, recursos computacionales y requisitos de rendimiento. Para sistemas lineales con modelos bien conocidos y ruido mínimo, un observador Luenberger diseñado por colocación de postes es a menudo suficiente. Cuando el proceso significativo y el ruido de medición están presentes, un filtro Kalman proporciona un rendimiento óptimo.

Para sistemas no lineales, la elección se vuelve más compleja. Los filtros extendidos Kalman funcionan bien para sistemas ligeramente no lineales, mientras que los observadores de modos deslizantes o observadores de alta ganancia pueden ser más apropiados para sistemas o sistemas altamente no lineales con incertidumbres significativas. El diseñador debe equilibrar los requisitos de rendimiento contra la complejidad de la implementación y el costo computacional.

Requisitos de precisión modelo

El rendimiento de los observadores depende críticamente de la exactitud del modelo. El observador utiliza el modelo del sistema para predecir la evolución del estado, por lo que los errores del modelo se traducen directamente a errores de estimación. Para los observadores de Luenberger, los errores del modelo pueden causar errores de estimación de estado fijo o incluso inestabilidad si los errores son suficientemente grandes.

Los filtros Kalman son algo más robustos para modelar errores porque actualizan continuamente sus estimaciones basadas en mediciones. Sin embargo, errores de modelo significativos todavía degradarán el rendimiento. En la práctica, los diseñadores deben validar sus modelos a través de experimentos de identificación del sistema e incluir márgenes de seguridad apropiados en el diseño de observadores para tener en cuenta las incertidumbres modelo.

Caracterización de ruido

Para el diseño eficaz de los filtros Kalman, es necesario conocer con precisión las estadísticas de proceso y medición de ruido para calcular los beneficios óptimos. Incluso para los observadores de Luenberger, entender las características de ruido ayuda a seleccionar los puntos de escape adecuados de los observadores.

El ruido de medición suele provenir de limitaciones sensoriales, interferencia electromagnética y efectos de cuantificación en convertidores analógicos a dígitos. El ruido del proceso representa perturbaciones, dinámicas no modeladas y variaciones de parámetros. La caracterización de estas fuentes de ruido mediante la recopilación de datos experimentales y el análisis estadístico es un paso importante en el proceso de diseño de observadores.

Especificaciones de rendimiento

El diseño de observadores debe ser impulsado por especificaciones claras de rendimiento, incluyendo:

  • Tiempo de convergencia: ¿Cuán rápido deben descomponerse los errores de estimación a niveles aceptables?
  • Exactitud del estado: ¿Qué nivel de error de estimación es aceptable en estado estable?
  • Sensibilidad de ruido: ¿Cuánto debe el ruido de medición del filtro de observador?
  • Robustness: ¿Cuánta incertidumbre modelo puede tolerar el observador?
  • Costo computacional: ¿Cuáles son las limitaciones en el tiempo de procesamiento y la memoria?

Estas especificaciones guían la selección del tipo de observador y la sintonización de parámetros de observador. Las compensaciones suelen existir entre objetivos competidores, por ejemplo, una convergencia más rápida requiere beneficios de observadores mayores, lo que aumenta la sensibilidad del ruido.

Consideraciones de la aplicación

Discretización para la implementación digital

El bloque implementa un observador Luenberger de tiempo discreto utilizando el método Euler atrasado debido a su simplicidad y estabilidad. La mayoría de los sistemas de control modernos se implementan digitalmente, requiriendo la descretización de los diseños de observadores continuos.

La elección del tiempo de muestreo es crítica. La frecuencia de muestreo debe ser lo suficientemente alta para captar la dinámica del sistema y proporcionar estimaciones puntuales del estado, pero no tan alta que las limitaciones computacionales se vuelven problemas problemáticos o numéricos surgen. Una guía común es mostrar al menos 10 veces más rápido que las dinámicas más rápidas del interés en el sistema.

Eficiencia computacional

La implementación de Observador requiere multiplicaciones y adiciones de matrices en cada paso del tiempo. Para sistemas de alta orden o sistemas con tasas de muestreo rápidas, la eficiencia computacional se vuelve importante.

  • Observadores de orden reducido: Estimar sólo a los estados no asegurados para reducir la computación
  • Métodos de matriz de pares: Estructura de los gastos en matrices de sistema para reducir las operaciones
  • Aritmética de punto fijo: Usar aritmética entero en lugar de punto flotante para una computación más rápida
  • Procesamiento del paralismo: Distribuir computaciones a través de múltiples procesadores cuando esté disponible

Los procesadores modernos integrados y los procesadores de señales digitales proporcionan suficiente poder computacional para la mayoría de las implementaciones de observadores. Sin embargo, la atención cuidadosa a la eficiencia computacional sigue siendo importante para los sistemas o aplicaciones con recursos que requieren tasas de muestreo muy altas.

Estabilidad numérica

En la aplicación de los observadores pueden surgir cuestiones numéricas, en particular para sistemas con escalas de tiempo muy separadas o matrices mal condicionadas. La aritmética de precisión finita puede llevar a la acumulación de errores de compensación a lo largo del tiempo.

  • Use algoritmos numéricos robustos para las operaciones de matriz
  • Variables de estado Escala para tener magnitudes similares
  • Supervisar los números de las matrices utilizados en las computaciones
  • Aplicar la reiniciación periódica si es necesario
  • Use aritmética de precisión más alta para cálculos críticos

Tuning y validación del parámetro

La concepción del beneficio de observador es un aspecto fundamental de la aplicación del observador Luenberger en los sistemas de control. La matriz de ganancia de observador, representada típicamente como (L), es crucial para garantizar la eficacia de la estimación, estabilidad y convergencia de los estados estimados a los estados reales.

Los observadores de implementación requieren una afinación cuidadosa de parámetros para equilibrar la sensibilidad y sensibilidad al ruido. Los diseños iniciales basados en análisis teóricos a menudo requieren refinamiento mediante simulación y pruebas experimentales.

  • Simular al observador con ruido y perturbaciones realistas
  • Ajuste de los beneficios de los observadores para lograr el rendimiento deseado
  • Prueba de robustez a las incertidumbres modelo y variaciones de parámetros
  • Validación del rendimiento con datos experimentales del sistema real
  • Iterating el diseño basado en los resultados de la prueba

Verificación de la estabilidad y la convergencia

Es esencial garantizar la estabilidad y la convergencia del observador dentro del sistema de control. Para los observadores lineales, la estabilidad puede verificarse comprobando que todos los valores eigenvalues de la matriz de dinámicas de errores tienen partes reales negativas (tiempo continuo) o magnitud inferior a una (tiempo de de descreto). Para los observadores no lineales, el análisis de estabilidad de Lyapunov puede ser necesario.

Las propiedades de convergencia deben verificarse mediante simulación en varias condiciones iniciales y escenarios operativos. El observador debe converger de forma fiable incluso cuando se empiezan a calcular las iniciales deficientes. Los exámenes deben incluir escenarios de peor envergadura, como errores iniciales grandes, perturbaciones máximas y condiciones de funcionamiento extremas.

Principio de separación y control basado en el observador

El principio de separación, que sostiene los sistemas lineales bajo ciertas hipótesis, permite el diseño independiente del controlador de opinión del Estado y el observador del Estado. Este resultado fundamental simplifica enormemente el diseño de sistemas de control basados en observadores.

El principio de separación establece que para sistemas lineales de tiempo-invariantes, el controlador y el observador pueden diseñarse independientemente sin afectar las propiedades de estabilidad de cada uno. Los polos cerrados del sistema combinado son la unión de los polos de controlador y los polos de observador. Esto significa que podemos diseñar primero un controlador de opinión estatal asumiendo que todos los estados están disponibles, luego diseñar un observador para estimar los estados, y el sistema combinado será estable si ambos componentes son individualmente estables.

Sin embargo, el principio de separación tiene limitaciones importantes. Se aplica sólo a los sistemas lineales, para sistemas no lineales, el diseño de controlador y de observador son generalmente acoplados. Incluso para los sistemas lineales, mientras se preserva la estabilidad, el rendimiento puede verse afectado por la interacción entre el controlador y el observador. El observador introduce dinámicas que pueden afectar la respuesta transitoria, y el ruido de medición filtrado a través del observador puede afectar el rendimiento de control.

Aplicaciones Prácticas de los Observadores

Sistemas de control de motores

El vector estatal incluye la velocidad del rotor que se mide, y la corriente de motor dc, que se calcula utilizando un observador. Tanto el observador como el controlador estatal de alimentación se sintetizan mediante la colocación de polos utilizando el modelo del sistema del espacio-estado. El control motor es una de las aplicaciones más comunes de los observadores en los sistemas industriales.

En unidades de motor eléctrico, los observadores estiman variables como flujo de rotor, par de carga y posición de rotor. Estas estimaciones permiten estrategias de control de alto rendimiento como control de campo para motores AC. Control de motor sin sensores, donde se eliminan los sensores mecánicos y sus mediciones estimadas por los observadores, reduce el costo y mejora la fiabilidad manteniendo un buen rendimiento.

Sistemas de navegación y navegación aeroespacial

Los filtros Kalman se utilizan ampliamente en aplicaciones aeroespaciales para navegación, guía y control. Los aviones y naves espaciales utilizan observadores para estimar la posición, velocidad y actitud de GPS, sensores inerciales y otras mediciones. La capacidad de los filtros Kalman para fusionar óptimamente información de múltiples sensores con diferentes características los hace ideales para estas aplicaciones.

Los sistemas de piloto automático modernos dependen de observadores para estimar la velocidad del viento, la densidad del aire y otras variables ambientales que no pueden medirse directamente. Estas estimaciones permiten un control de vuelo más preciso y una mayor eficiencia del combustible.

Sistemas de automoción

El sistema de control de rollos activo (ARC) presenta una solución prometedora para mejorar la estabilidad del rollo de camión. Este estudio se desvía para diseñar un controlador para el sistema ARC adaptado a las operaciones de camiones de alta velocidad. Consiste en formular una función de coste para el regulador lineal de cuadrícula (LQR) óptimo, incorporando variables directamente pertinentes a la estabilidad del rollo de camiones.

Las aplicaciones automotrices de los observadores incluyen la estimación del estado del vehículo para sistemas de control de estabilidad, estimación de la batería en vehículos eléctricos y estimación del estado del motor para el control de emisiones. Los sistemas avanzados de asistencia del conductor utilizan observadores para estimar variables dinámicas del vehículo que informan sobre las decisiones sobre el freno, la dirección y la evitación de colisión.

Control de Procesos e Ingeniería Química

Los detalles del sistema CSTR y su modelo matemático se ilustran. El observador Luenberger de orden reducido está diseñado y aplicado para la estimación estatal en CSTR no lineal. Los procesos químicos a menudo tienen estados que son difíciles o costosos de medir, tales como concentraciones, temperaturas en lugares inaccesibles y tasas de reacción. Los observadores proporcionan estimaciones de estas variables para el control de retroalimentación.

En reactores continuos de tanques revueltos (CSTR), los observadores estiman concentraciones y temperaturas reaccionarias que no pueden medirse continuamente. Estas estimaciones permiten estrategias de control avanzadas que optimizan la calidad del producto y la eficiencia energética manteniendo un funcionamiento seguro.

Sistemas de energía renovable

El observador Luenberger permite la observación del comportamiento de los voltajes de activación y concentración en el ánodo y cathode, que son difíciles de medir en condiciones de funcionamiento reales. Este trabajo propone un método de estimación de parámetros simples a la implementación basado en el observador Luenberger. Además, el observador Luenberger permite la observación del comportamiento de los voltajes de activación y concentración en el ánodo y cathode, que son difíciles de medir el PFC

Las células de combustible y los electrolizadores se benefician de observadores que estiman estados internos como el contenido de agua de membrana, las concentraciones reaccionarias y las distribuciones de temperatura. Estas estimaciones permiten estrategias de control que maximizan la eficiencia y prolongan la vida útil de los componentes. Los sistemas de control de turbinas de viento utilizan observadores para estimar la velocidad del viento, las vibraciones de torre y el par de transmisión para una extracción de energía óptima y reducción de carga.

Robotics and Mechatronics

Los sistemas robóticos utilizan a los observadores ampliamente para la estimación estatal en tareas de manipulación, locomoción y navegación. Los observadores estiman las velocidades conjuntas de mediciones de posición, fuerzas de contacto de corrientes de motor y perturbaciones externas de errores de rastreo. Estas estimaciones permiten el control de fuerza, control de fuerza y rechazo de perturbaciones.

En robots humanoides y robots legged, los observadores estiman el centro de posición y velocidad de masas, fuerzas de reacción terrestre y propiedades del terreno. Estas estimaciones son críticas para el control de equilibrio y la locomoción estable en terrenos irregulares.

Desafíos y limitaciones

Modelo de incertidumbre y error

El rendimiento de los observadores se degrada cuando el modelo del sistema utilizado en el observador difiere del sistema actual. Las incertidumbres modelo surgen de variaciones de parámetros, dinámicas no modeladas, no linealidades y cambios ambientales. Las técnicas de diseño de observadores robustas tratan de mantener un rendimiento aceptable a pesar de estas incertidumbres, pero hay límites fundamentales para lo que se puede lograr.

Los observadores adaptativos que actualizan los parámetros modelo en línea pueden ayudar a abordar las incertidumbres del parámetro. Sin embargo, los esquemas adaptables añaden complejidad y pueden introducir preocupaciones adicionales de estabilidad. En la práctica, los diseñadores deben validar cuidadosamente los modelos e incluir márgenes de robustez adecuados en el diseño de observadores.

Medición de ruido y perturbaciones

Otro reto asociado con el Luenberger Observer es su rendimiento al tratar las mediciones de salida ruidosas. Los sistemas del mundo real a menudo soportan el ruido de medición, que puede degradar aún más la exactitud de estimación del estado del observador. El Luenberger Observer procesa los productos para estimar estados, pero la presencia de ruido puede introducir imprecisiones, comprometiendo la fiabilidad del observador.

Los altos beneficios de los observadores mejoran la velocidad de convergencia pero amplifican el ruido de la medición. Los bajos beneficios reducen la sensibilidad del ruido pero la convergencia lenta. Encontrar el equilibrio adecuado requiere un ajuste cuidadoso o métodos de diseño óptimos como el filtro Kalman. Técnicas de filtrado adicionales como filtros de baja velocidad o filtros promedio móvil pueden ayudar, pero introducen el retraso de fase que puede afectar el rendimiento de control.

Desafíos del sistema no lineal

El diseño de las ganancias de observadores presenta otro reto, particularmente en los sistemas no lineales. El Observador de Luenberger es fundamentalmente lineal; por lo tanto, su aplicación a los sistemas no lineales requiere linearización alrededor de un punto de funcionamiento. Este enfoque puede reducir su eficacia a medida que el cambio de dinámica del sistema, lo que conduce al rendimiento suboptimal.

Los observadores no lineales, como los filtros de Kalman ampliados, los observadores de modo deslizante y los observadores de alta ganancia, se enfrentan a estos desafíos pero presentan sus propias complejidades. Los observadores extendidos pueden divergir si la linearización es mala. Los observadores de modo deslizante pueden exhibir charlas. Los observadores de alta ganancia pueden amplificar el ruido.

Limitaciones computacionales

Para los sistemas rápidos o los observadores de alto orden, la carga computacional puede ser significativa. Los procesadores embedded tienen una capacidad de memoria y procesamiento limitada, limitando la complejidad de los observadores que pueden ser implementados. El diseño de algoritmos cuidadoso y la codificación eficiente son necesarios para cumplir con los requisitos en tiempo real.

Se deben considerar las compensaciones entre la complejidad de los observadores y el desempeño de los observadores. Los observadores simplificados con menor precisión pueden ser necesarios cuando los recursos computacionales son limitados.

Iniciación y comportamiento transitorio

Los observadores requieren estimaciones iniciales del estado para comenzar a funcionar. Las estimaciones iniciales deficientes pueden llevar a grandes errores transitorios que afectan el rendimiento del control o incluso causan inestabilidad.El fenómeno de pico en observadores de alta ganancia puede producir señales de control peligrosamente grandes durante el transitorio inicial.

Las estrategias para abordar los problemas de inicialización incluyen el uso de estimaciones iniciales conservadoras, la limitación de la autoridad de control durante el transitorio inicial, o el empleo de observadores conmutados que utilizan diferentes ganancias durante el inicio y la operación de estado estable. En algunas aplicaciones, una breve fase de arranque abierta permite al observador converger antes de cerrar el circuito de control.

Temas avanzados e investigación actual

Distribuidos y observadores en red

Este documento presenta un esquema de diseño distribuido del observador estatal de tipo Luenberger para sistemas dinámicos lineales de tiempo continuo. El observador propuesto consiste en observadores locales en red, y cada observador local calcula la estimación por las mediciones locales, que puede no ser suficiente para recuperar el estado completo. Por lo tanto, al comunicarse con los observadores vecinos, el observador propuesto compensa la información insuficiente.

Las redes de observadores distribuidas son relevantes para sistemas a gran escala como redes de energía, redes de transporte y redes de sensores. Cada observador local tiene acceso a mediciones parciales y debe comunicarse con observadores vecinos para reconstruir el estado completo. Los retos de diseño incluyen la manipulación de demoras de comunicación, pérdidas de paquetes y limitaciones de topología de red.

Detección por defecto y diagnóstico

La idea básica que sustenta el enfoque de observación de Luenberger es aproximar los estados del sistema real basados en los datos medidos disponibles. La señal residual se genera para comparar los estados estimados del observador con los estados observados del sistema real. Los observadores juegan un papel central en los sistemas de detección y diagnóstico de falla basados en modelos.

Al comparar las estimaciones de observadores con las mediciones reales, se pueden generar señales residuales que indican la presencia de fallas. Desviaciones sistemáticas entre estimaciones y mediciones sugieren fallos de sensores, fallas de actuador o cambios en la dinámica del sistema. Los esquemas avanzados de diagnóstico de fallas utilizan bancos de observadores, cada uno diseñado asumiendo un escenario diferente de falla, para aislar e identificar fallas específicas.

Sistemas de tiempo-delé

Este documento presenta algunos resultados recientes sobre el diseño de observadores para sistemas de retardo de tiempo. Se centra en métodos que pueden llevar a diseñar algunos observadores útiles en situaciones prácticas. Muchos sistemas físicos presentan retrasos en el tiempo debido a fenómenos de transporte, retrasos en la comunicación o retrasos en el procesamiento. La designación de observadores para sistemas de retardo de tiempo requiere técnicas especializadas que representan la naturaleza infinita de los sistemas retardados.

Los observadores basados en el predictor intentan predecir que los estados futuros indemnizan por demoras. Las técnicas de asignación de espectro finito colocan el espectro del sistema de demoras para lograr el rendimiento deseado. Estos métodos avanzados extienden la teoría de observadores para manejar la complejidad adicional introducida por demoras temporales.

Sistemas de parámetros distribuidos

El diseño de un observador Luenberger ampliado se considera para resolver el problema de observación estatal de sistemas semilinear distribuidos-paramétricos. Para ello, se propone una técnica basada en el respaldo para el diseño de los pesos de inyección de salida utilizando la linealización (extended) del sistema de error semilineal de observador con respecto al estado observador.

Los sistemas descritos por ecuaciones diferenciales parciales, como la transferencia de calor, el flujo de fluidos y estructuras flexibles, requieren teoría de observadores infinitas. Las implementaciones prácticas utilizan la discretización espacial para obtener aproximaciones finitas-dimensionales, pero el diseño debe tener en cuenta la naturaleza distribuida del sistema.

Herramientas de software y plataformas de implementación

Las herramientas de software populares para simular un Luenberger Observer incluyen MATLAB/Simulink, que proporciona un entorno robusto para el desarrollo y los sistemas de control de pruebas. En MATLAB, el diseñador puede aprovechar funciones integradas como el lugar y lqr para computar la matriz de ganancia de observadores. Estas funciones permiten a los usuarios diseñar observadores que cumplan criterios de rendimiento específicos, mejorando significativamente la robustez del sistema.

El sistema de control de MATLAB ofrece funciones integrales para el diseño de observadores, incluyendo la colocación de postes, diseño basado en LQR y diseño de filtros Kalman. Simulink ofrece un modelo de diagrama de bloques que facilita la simulación y prueba de sistemas de control basados en observadores.

Plataformas de aplicación incorporadas

Cuando se trata de la implementación en tiempo real, la elección de hardware es fundamental. Los procesadores de señal digital (DSP), microcontroladores o FPGA pueden ser empleados dependiendo de los requisitos y la complejidad del sistema. Los microcontroladores modernos con unidades de punto flotante proporcionan suficiente poder computacional para muchas implementaciones de observadores a bajo costo.

Los procesadores de señales digitales ofrecen arquitecturas optimizadas para operaciones de matriz y procesamiento de señales, haciéndolos bien adaptados para aplicaciones exigentes de observadores. Los arrays de puertas programables en el campo (FPGA) proporcionan el máximo rendimiento mediante procesamiento paralelo y pueden implementar múltiples observadores simultáneamente. La elección depende de los requisitos de rendimiento, restricciones de costos y recursos de desarrollo.

Sistemas de Operación en tiempo real

Para sistemas complejos con múltiples circuitos de control y observadores, los sistemas operativos en tiempo real (RTOS) proporcionan programación de tareas, comunicación entre tareas y garantías de tiempo. Un RTOS asegura que las computaciones de observadores se completen dentro de sus plazos incluso cuando múltiples tareas compiten por tiempo de procesador. Las plataformas RTOS populares para aplicaciones de control incluyen FreeRTOS, VxWorks y QNX.

Buenas prácticas para el diseño y la aplicación de los observadores

Metodología de diseño sistemática

Un enfoque sistemático del diseño de observadores incluye las siguientes medidas:

  • Modelado de sistemas: Desarrollar un modelo matemático preciso a través de principios o identificación de sistemas
  • Análisis de la observabilidad: Verificar que el sistema es observable de las mediciones disponibles
  • Selección tipo de observador: Elija una estructura de observación adecuada basada en las características y requisitos del sistema
  • Diseño paramétrico:] El observador de diseño gana con colocación de postes, control óptimo u otros métodos
  • validación de la simulación: Prueba el diseño del observador mediante simulación integral
  • validación experimental: Validar el rendimiento con datos experimentales del sistema real
  • Refinement: Iterate el diseño basado en la simulación y los resultados experimentales

Documentación y pruebas

La documentación completa de las decisiones de diseño de observadores, suposiciones y resultados de validación es esencial para el mantenimiento y futuras modificaciones. Documenta el modelo del sistema, análisis de observabilidad, cálculos de diseño, resultados de simulación y validación experimental. Esta documentación proporciona una referencia para la solución de problemas y permite a otros comprender y modificar el diseño.

Las pruebas completas deben cubrir el funcionamiento normal, los escenarios peor de los casos y los modos de falla. Prueba al observador en diversas condiciones iniciales, perturbaciones y variaciones de parámetros. Verifique que el observador mantiene la estabilidad y el rendimiento aceptable en todo el rango operativo. Incluya pruebas para fallos de sensores y desigualables de modelos para asegurar un funcionamiento robusto.

Monitoreo y diagnóstico

Implementar capacidades de monitoreo para rastrear el rendimiento de observadores durante el funcionamiento. Monitorear errores de estimación, secuencias de innovación y residuos para detectar rendimiento o fallos degradados. Implementar algoritmos de diagnóstico que puedan identificar la fuente de problemas como la deriva del sensor, el desajuste del modelo o errores del software.

Aprendizaje de la máquina y observadores afectados por datos

Investigaciones recientes exploran la combinación de observadores basados en modelos con técnicas de aprendizaje automático. Las redes neuronales pueden aprender cartografías complejas no lineales que son difíciles de modelar analíticamente. Los enfoques híbridos utilizan modelos basados en la física para la dinámica nominal y las redes neuronales para compensar las incertidumbres de modelos y los efectos no modelados. Estos observadores basados en datos muestran la promesa de sistemas complejos donde los modelos analíticos precisos son difíciles de obtener.

Sistemas y Seguridad Ciber-Physical

A medida que los sistemas de control se enlazan y conectan cada vez más, surgen preocupaciones de seguridad. Los ataques maliciosos pueden dañar las mediciones de sensores o inyectar datos falsos en el sistema. Los observadores seguros que pueden detectar y mitigar esos ataques son un área de investigación activa. Estos observadores utilizan la redundancia, técnicas criptográficas y detección de anomalías para mantener una estimación estatal confiable incluso bajo ataque.

Observadores de eventos y expertos

Los observadores tradicionales operan a tasas de muestreo fijas, pero los enfoques desencadenados por eventos actualizan estimaciones sólo cuando sea necesario basados en umbrales de error u otros criterios. Esto reduce el ancho de banda de carga computacional y comunicación en sistemas conectados. Diseñar observadores estables y convergentes con eventos requiere nuevos marcos teóricos que representan la naturaleza aperiodica de las actualizaciones.

Sistemas cuánticos y aplicaciones emergentes

El objetivo de este trabajo es investigar la extensión del enfoque de diseño de observadores Luenberger a los sistemas estocásticos cuadrangulares lineales para obtener observadores cuánticos coherentes. Mostramos cómo se puede diseñar un observador cuántico físicamente realizable, consistente con las leyes de la mecánica cuántica. El observador cuántico tiene la propiedad de que los valores medios de las variables observadoras rastrean asintotically los valores medios correspondientes de la planta.

A medida que se desarrollan sistemas de computación cuántica y control cuántico, la teoría de observadores se extiende a sistemas cuánticos. Estos observadores cuánticos deben respetar los principios fundamentales de la mecánica cuántica, incluyendo el principio de incertidumbre y el teorema de no cierre. Esto representa un área fronteriza donde la teoría de control se interpone con la física cuántica.

Conclusión

Los observadores son herramientas indispensables en los sistemas de control modernos, permitiendo estrategias de control sofisticadas cuando no se dispone de información estatal completa. Desde el observador fundamental de Luenberger hasta los esquemas avanzados no lineales y adaptables, la teoría de observadores proporciona un marco rico para la estimación del estado. Entender las bases teóricas, metodologías de diseño y consideraciones de implementación práctica es esencial para los ingenieros de control que trabajan en sistemas reales.

La clave para la aplicación exitosa de los observadores radica en la elaboración cuidadosa de modelos de sistemas, la selección adecuada de observadores, el diseño sistemático y la validación completa. Aunque es preciso abordar retos como la incertidumbre modelo, el ruido de medición y las limitaciones computacionales, los observadores bien diseñados proporcionan estimaciones estatales fiables que permiten el control de alto rendimiento en diversas aplicaciones desde las unidades de motor a los sistemas aeroespaciales.

A medida que avanza la tecnología, la teoría de observadores sigue evolucionando con nuevas aplicaciones en sistemas en red, sistemas ciberfísicos y dominios emergentes como el control cuántico. Los principios fundamentales siguen siendo constantes: utilizando mediciones disponibles y conocimientos de sistema para reconstruir estados no asegurados, permitiendo estrategias de control que de otra manera serían imposibles.

Para ingenieros e investigadores que trabajan con sistemas de control, dominar el diseño y la implementación de observadores es una habilidad valiosa que abre posibilidades para soluciones de control avanzadas. La combinación de comprensión teórica sólida, experiencia práctica de diseño y conciencia de las tendencias actuales de investigación posiciona a los profesionales para abordar problemas de estimación de estado desafiantes en sistemas cada vez más complejos.

Para más información sobre sistemas de control y estimación estatal, explore recursos de la Sociedad de Sistemas de Control de EIEE, ]MathWorks Control System Toolbox documentation, y libros de texto académicos sobre la teoría moderna de control. Cursos y tutoriales en línea ofrecen experiencia práctica con el diseño de observadores y la implementación en diversos entornos de software.