Desarrollo y Comparación de Controladores para la Plataforma de Simulación de Vuelo Quanser® Aero

Abstract

Este trabajo aborda el diseño, implementación y comparación de diversas estrategias de control aplicadas al sistema Quanser Aero, una plataforma experimental utilizada para el desarrollo de algoritmos de control avanzado en sistemas no lineales. El objetivo principal es garantizar un desempeño óptimo en la regulación de los ángulos de Pitch (cabeceo) y Yaw (guiñada), parámetros fundamentales en aplicaciones de robótica y sistemas aeroespaciales. Se evaluaron tres estrategias principales de control: un controlador PID, dos configuraciones de controladores LQR y un controlador adaptativo, considerando simulaciones detalladas y experimentos en la planta física. El análisis se basó en métricas de desempeño, error de seguimiento y consumo energético. Entre los controladores evaluados, la configuración de LQR que prioriza el consumo energético se destacó como la mejor opción general, logrando un equilibrio entre precisión y eficiencia tanto en simulación como en la planta física. En esta última, el LQR registró costos Jpitch = 890,8 y Jyaw = 1118,5, confirmando su capacidad para minimizar el esfuerzo de control sin comprometer el seguimiento. El controlador adaptativo demostró un gran potencial en simulación, alcanzando errores casi nulos en régimen permanente; sin embargo, no pudo implementarse con éxito en la planta física debido a dificultades técnicas. Por su parte, el controlador PID cumplió con los objetivos básicos de seguimiento, pero su desempeño fue inferior, obteniendo Jpitch = 1189,9 y Jyaw = 2278,5 en la planta física. Este estudio valida la efectividad del modelo linealizado y las metodologías aplicadas, consolidando la utilidad del Quanser Aero como plataforma experimental. Además, sienta las bases para el desarrollo de controladores avanzados en sistemas no lineales, abriendo oportunidades para la implementación de estrategias como el Control Adaptativo de Orden Fraccionario, Control Predictivo, Difuso y Neuronal, capaces de abordar dinámicas más complejas y condiciones reales más exigentes.