You are on page 1of 16

SISTEMAS DINAMICOS

1) Comando ident

La caja de herramientas (Toolbox), System Identificacion, es un método o herramienta del


software matemático Matlab, para construir modelos matemáticos de sistema dinámicos usando
medidas del mismo, como señales de entrada y salida. Esta función nos permite crear un modelo
cuando el sistema no es tan fácil de modelar. Se puede usar en el dominio del tiempo, de la
frecuencia, tiempo discreto y espacio estado.

La caja de herramienta posee distintas técnicas de identificación, tanto como para sistemas
lineales como no lineales. –

El proceso de identificación requiere:

 Mediciones de señales de entrada y salida del sistema


 Seleccionar un modelo de estructura
 Aplicar un método de estimación, que permita deducir parámetros que se ajusten a la
estructura seleccionada
 Evaluar el modelo estimado, para verificar si es adecuado para la aplicación necesaria.

Entre los distintos modelos podemos encontrar:

1. Modelo Autoregresivos con Variables Exógenas, ARX: Este modelo utiliza la técnica de
mínimos cuadrados para realizar la estimación. Tiene la siguiente forma: sys=arx(data,[na
nb nk])

Siendo 𝐴(𝑞)𝑦(𝑡) = 𝐵(𝑞)𝑢(𝑡) + 𝑒(𝑡)

a. Argumentos de entrada:
i. Data: son los datos a los que se le realizara la estimación.
ii. na: orden del polinomio 𝐴(𝑞), lo que representa el número de pasos del
tiempo de la salida en el pasado, (número de ceros)
iii. nb: Orden del polinomio 𝐵(𝑞) + 1. Es el número de pasos del tiempo de la
entrada en el pasado., (número de polos)
iv. nk: Es el retardo de la entrada 𝑢(𝑡) con respecto a la salida 𝑦(𝑡)
2. Autoregresive Moving Average with Exogenous Input, ARMAX: Constituye una clase
especial de las ecuaciones en diferencia. Es usado, cuando hay razón para creer que la
perturbación del ruido en los datos medidos realmente entra en el proceso en una
posición tal que contiene la dinámica de proceso en su “color”. Tiene la siguiente forma:
sys=armax(data,[na nb nc nk]).

Siendo
𝐴(𝑞)𝑦(𝑡) = 𝐵(𝑞)𝑢(𝑡 − 𝑛𝑘 ) + 𝐶(𝑞)𝑒(𝑡)
a. Argumentos de entrada:
i. Data: Son los coeficiente de la matriz de los factores exógenos, es decir los
datos a realizar estimación.
ii. na: orden del polinomio 𝐴(𝑞), lo que representa el número de pasos del
tiempo de la salida en el pasado, (número de ceros)
iii. nb: Orden del polinomio 𝐵(𝑞) + 1. Es el número de pasos del tiempo de la
entrada en el pasado., (número de polos)
iv. nc: Orden del polinomio C(q)
v. nk: Es el retardo de la entrada 𝑢(𝑡) con respecto a la salida 𝑦(𝑡)
3. Modelo Outputs-Error, OE: se representa por la ecuación: sys=oe(data,[nb nf nk])
𝐵(𝑞)
𝑦(𝑡) = 𝑢(𝑡 − 𝑛𝑘) + 𝑒(𝑡)
𝐹(𝑞)
a. Argumentos de entrada:
i. Data: Son los coeficiente de la matriz de los factores exógenos, es decir los
datos a realizar estimación.
ii. nb: Orden del polinomio 𝐵(𝑞) + 1. Es el número de pasos del tiempo de la
entrada en el pasado., (número de polos)
iii. nf: Orden del polinomio F(q)
iv. nc: Orden del polinomio C(q)
4. Modelo BJ:
a. Argumentos de entrada:
i. Data: Son los coeficiente de la matriz de los factores exógenos, es decir los
datos a realizar estimación.
ii. nb: Orden del polinomio 𝐵(𝑞) + 1. Es el número de pasos del tiempo de la
entrada en el pasado., (número de polos)
iii. nc: Orden del polinomio C(q)
iv. nd=orden del polinomio del polinomio D(q)
v. nf=Orden del polinomio F(q)
vi. nk: Es el retardo de la entrada 𝑢(𝑡) con respecto a la salida 𝑦(𝑡)

en conclusión

Modelo Características Variables Representación Aplicación


ARX data, na, nb, nk
ARMAX
OE
BJ
2) DESCRIPCIÓN DEL PROBLEMA:

La compañía donde usted trabaja ha realizado la adquisición de un nuevo equipo industrial que
permitirá incrementar los niveles de producción de la empresa. Con el fin de prevenir fallas y
proteger la alta inversión realizada, el presidente de la compañía ha ordenado la creación de un
sistema de monitoreo que permita supervisar el buen funcionamiento de la máquina y diagnosticar
la existencia de alguna falla. Para el diseño del sistema de monitoreo y diagnóstico de fallas se
requiere conocer de forma precisa el modelo matemático del equipo industrial; de esta manera se
dice que la máquina está funcionando correctamente si la salida real es similar a la salida de su
modelo matemático; en caso contrario es posible que la máquina esté presentando fallas.

Usted y sus compañeros de grupo son designados para encontrar el modelo matemático más
preciso posible.

Inicialmente, se cuenta con unos archivos de datos los cuales son: entrada_lineal.mat,
entrada_no_lineal.mat y salida_real.mat. Los cuales son tablas de información extraída de nuestro
sistema, con un tiempo de muestreo de 0.01 segundos y fueron tomados durante 100 segundos,
por lo tanto, vamos a extraer la función de transferencia para la salida con respecto a la entrada
lineal, y otra para la salida con respecto a la entrada no lineal.

En Matlab, lo primero que hacemos es cargar los archivos, con la función Load

Load entrada_lineal.mat
Load entrada_no_lineal.mat
Load salida_real.mat

Y luego abrimos la caja de herramientas ident, nos aparece la siguiente ventana


En la pestaña Import data, seleccionamos Time domain data, y en Input colocamos la variable QiL
que es la señal lineal de entrada, y de salida h, y le damos importar, esta señal será nuestra la

respuesta del sistema con una entrada lineal, repetimos el proceso pero ahora la entrada será
QiNL que es la señal no lineal de entrada, la salida seguirá siendo h,
Después de haber importado las señales, se cierra la venta y nos dirigimos a la pestaña Estimate, y
le damos en Transfer Funtion Models, teniendo en cuenta el tiempo de muestreo.

Le damos Estimate, y procedemos


a ver la señal generada
3) Para obtener los órdenes de los modelos matemáticos ARX, ARMAX; OE y BJ; en la pestaña
Estimate le damos, para la entrada lineal, en Polinomial Models y se nos abre la siguiente
ventana.

Y en la casilla Orders, se pueden observar los valores calculados para el sistema, en este
caso, na=4, nb=4, nk=1.
Para los otros modelos, se van seleccionando en la pestaña Structure, y de allí:
Obtenemos que los ordenes de los modelos son:

 ARMAX: na=2, nb=2, nc=2, nk=1


 OE. nb=2, nf=2, nc=1
 BJ: nb=2,nc=2,nd=2,nf=2, nk=1

Y después de haber Estimate, encontramos que la función de cada modelo es:

 ARX, entrada lineal

𝑦(𝑧) 0.0165𝑧 3 − 0.001996𝑧 2 − 0.002676𝑧 + 0.01753


= 4
𝑢(𝑧) 𝑧 − 0.2782𝑧 3 − 0.1717𝑧 2 − 0.1965𝑧 − 0.2088

 ARMAX, entrada lineal


𝑦(𝑧) 𝑧 2 + 0.17677𝑧 − 0.46
= 2
𝑢(𝑧) 𝑧 − 0.1606𝑧 − 0.7277

 OE, Entrada Lineal

𝑦(𝑧) 0.02295𝑧 + 0.001144


= 2
𝑢(𝑧) 𝑧 − 0.2433𝑧 − 0.6376
 BJ, entrada lineal

𝑦(𝑧) 𝑧^4 − 0.635 𝑧^3 − 0.8516 𝑧^2 + 0.3045 𝑧 + 0.2132


=
𝑢(𝑧) 𝑧^4 − 0.8679 𝑧^3 − 0.8426 𝑧^2 + 0.4577 𝑧 + 0.2536
Para la entrada no lineal será:
 ARX, entrada no lineal
 ARMAX, entrada no lineal

 OE, Entrada no lineal


 BJ, entrada no lineal

Observando la respuesta de cada sistema cuando se aplica una entrada constante 𝑒(𝑡) =
2 𝑉, durante los primeros 2 segundos y en ese momento se aplica una entrada escalón
unitario durante 5 segundos más. Nos da los siguientes resultados

Excitación de entrada
Respuesta Función de
Transferencia Lineal

Respuesta modelo ARX para la


entrada lineal

Respuesta modelo ARMAX para la


entrada lineal
Respuesta modelo OE y BJ para la entrada lineal

Estos dos modelos a pesar de dar respuestas en la función ident, al momento de aplicarle
las señales de entrada a la función de transferencia no devuelven ningún valor, a pesar de
haber utilizado exactamente el
mismo proceso para la simulación
de las señales anteriores.

Respuesta función de transferencia


No Lineal

Respuesta modelo ARX para la


entrada lineal
Respuesta modelo ARMAX para la
entrada lineal

Respuesta modelo OE para la


entrada lineal

Respuesta modelo BJ para la


entrada lineal
Todas estas graficas fueron obtenidas con el siguiente script
close all
clear all

n0=[.02285 0];
d0=[1 -.329 -.5581];
g0=tf(n0,d0,0.01); %%FUNCION DE TRANSFERENCIA ORIGINAL

n=[0.0165 -0.001996 -0.002676 0.01753];


d=[1 -0.2782 -.1717 -.1965 -.2088];
g=tf(n,d,0.01); %%fUNCION DE TRANSFERENCIA ARX

n1=[0.02262 -0.0007701];
d1=[1 -.3148 -.5777];
g1=tf(n1,d1,0.01); %%FUNCION DE TRANSFERENCIA ARMAX

n2=[1 -.3428 -.3685];


d2=[1 -.5531 -.439];
g2=tf(n2,d2,0.01); %%FUNCION DE TRANSFERENCIA OE

n3=[1 -.635 -.8516 .3045 .2132];


d3=[1 -.8679 -.8426 .4577 .2536];
g3=tf(n3,d3,0.01); %FUNCION DE TRANSFERENCIA BJ

n4=[0.0129 -.006382 -.00398 -0.0002711];


d4=[1 -.4943 -.2546 -.1831 -.04774];
g4=tf(n4,d4,0.01) %%Funcion de Transferencia ARX no lineal

n5=[1 -.2051 -.1233];


d5=[1 -.7458 -.2401];
g5=tf(n5,d5,0.01) %%Funcion de Transferencia Armax no lineal

n6=[0.1017 -0.1016];
d6=[1 -.4951 -.5045];
g6=tf(n6,d6,0.01) %%Funcion de Transferencia OE no lineal

n7=[0.002515 0];
d7=[1 -0.0009007 -0.9764];
g7=tf(n7,d7,0.01) %%Funcion de Transferencia no lineal

n8=[1 -.08749 -.285 +.3567 -.3489];


d8=[1 -.6638 -.3554 .1796 -.4921];
g8=tf(n8,d8,0.01) %%Funcion de Transferencia OE no lineal

figure
t=linspace(0,8,801);
x=2-heaviside(t-2);
lsim(g0,x,t)
title('Funcion Lineal')
axis([0,10,0,1])
figure
lsim(g,x,t)
title('Funcion ARX Lineal')
axis([0,10,0,1])
figure
lsim(g1,x,t)
title('Funcion ARMAX Lineal')
axis([0,10,0,1])
figure
lsim(g2,x,t)
title('Funcion OE Lineal')
axis([0,10,0,1])
figure
lsim(g3,x,t)
title('Funcion BJ Lineal')
axis([0,10,0,1])

figure
lsim(g4,x,t)
title('Funcion ARX NoLineal')
axis([0,10,0,1])
figure
lsim(g5,x,t)
title('Funcion ARMAX NoLineal')
axis([0,10,0,1])
figure
lsim(g6,x,t)
title('Funcion OE NoLineal')
axis([0,10,0,1])
figure
lsim(g7,x,t)
title('Funcion NoLineal')
axis([0,10,0,1])
figure
lsim(g8,x,t)
title('Funcion BJ NoLineal')
axis([0,10,0,1])
figure
plot(t,x)
title('Entrada de Prueba')
axis([0,10,0,3])

El cual tiene todas las funciones de transferencia de los distintos modelos, extraídas de la
herramienta ident.
CONCLUSIONES

System Identification Toolbox, es una herramienta muy didáctica y versátil para el


modelamiento de sistemas dinámicos de los cuales poco conocemos de su estructuración,
y solo podemos observar las entradas y salidas del sistema, esta utilidad, nos permite
encontrar una función de transferencia que modele el sistema, así como distintos modelos
matemáticos que hagan una homologación del sistema original, de manera muy sencilla y
práctica.
De los distintos modelos simulados, tanto para la entrada lineal y la no lineal, se pudo
observar que hay algunos que no responden, a ciertos estímulos, por lo cual se vuelven
inservibles para ciertos aspectos, de las simulaciones hechas en el transcurso de este
informe, se puede recomendar el uso de los modelos ARX y ARMAX, para el sistema con
entrada lineal, ya que su respuesta fue muy acertada con respecto a la respuesta original
del sistema; mientras que se recomienda el uso del modelo, ARX para el sistema con entrada
no lineal, ya que su respuesta es muy acercada a la respuesta del sistema.

You might also like