Está en la página 1de 26

CONTROL AUTOMTICO II IDENTIFICACIN (MODELAMIENTO PARAMTRICO) INFORME

Integrantes: - BERAUN REYES, Omar Alonso - CHUNG CHU, Augusto Csar A. - DIAZ GUILLEN, Hugo Alonso - MARTINEZ BARROS, Diego Javier - NAPANGA ZENTENO, Edward Jhon Profesor: Eddie ngel Sobrado Malpartida Seccin: C15 5 Fecha de entrega: 30 de Octubre

2012 II

Identificacin (Modelamiento) Paramtrico


ndice de Contenido
1.Introduccin ..................................................................................................................................... 4 2.Objetivos .......................................................................................................................................... 5 3.Marco Referencial ............................................................................................................................ 6 3.1.La Identificacin como herramienta para la modelizacin de sistemas ................................... 6 3.2.Modelo ...................................................................................................................................... 8 3.3.Sistema ...................................................................................................................................... 8 3.4.Tipos de Modelos ...................................................................................................................... 9 3.5.Modelo no Paramtrico ............................................................................................................ 9 3.6.Modelo Paramtrico ................................................................................................................. 9 3.7.Mtodos .................................................................................................................................... 9 4.Mtodos de Obtencin de modelos .............................................................................................. 10 4.1.Modelo Matemtico Terico ............................................................................................... 10 4.2.Identificacin de sistemas ....................................................................................................... 10 5.Sistemas Dinmicos ........................................................................................................................ 11 6.Metodologa de la Identificacin ................................................................................................... 12 7.Proceso de Identificacin ............................................................................................................... 13 7.1.Pasos ....................................................................................................................................... 13 7.2.Razones de las deficiencias ..................................................................................................... 14 7.3.Conceptos Previos para la Identificacin ................................................................................ 14 8.Mtodos para el ajuste de Parmetros de los modelos ................................................................ 15 8.1.Errores de prediccin de un modelo ....................................................................................... 15 8.2.Regresin Lineal ...................................................................................................................... 15 8.3.Mnimos Cuadrados ................................................................................................................ 16 9.Modelos Paramtricos ................................................................................................................... 16 9.1.Modelo ARX............................................................................................................................. 16 9.2.Modelo ARMAX ....................................................................................................................... 17 9.3.Modelo OE............................................................................................................................... 17 9.4.Modelo BJ ................................................................................................................................ 17 9.5.Matlab ..................................................................................................................................... 17 10.Conclusiones ................................................................................................................................ 20 Control Automtico II Pgina 2

Identificacin (Modelamiento) Paramtrico


ndice de Figuras
Figura 1 - Formas para el procesado de los mtodos de identificacin [Isermann80] ....................... 7 Figura 2 - Representacin de modelo ................................................................................................. 8 Figura 3 - Representacin de sistema ................................................................................................. 9 Figura 4 - Diagrama de bloques de un sistema dinmico ................................................................. 11 Figura 5 - Diagrama de flujo de la metodologa de identificacin ................................................... 12 Figura 6 - Diagrama de flujo del proceso de identificacin .............................................................. 13 Figura 7 - Modelo ARX en Matlab .................................................................................................... 18 Figura 8 - Modelo ARMAX En Matlab............................................................................................... 18 Figura 9 - Modelo OE En Matlab ...................................................................................................... 19

ndice de Tablas
Tabla 1 - Tipos de Modelos ................................................................................................................. 9 Tabla 2 - Mtodos de obtencin de modelos ................................................................................... 10

Control Automtico II

Pgina 3

Identificacin (Modelamiento) Paramtrico

Introduccin
El avance alcanzado por los sistemas computacionales, tanto en Hardware como en Software, ha permitido el desarrollo de sistemas de control de procesos muy eficientes. La implementacin de algoritmos fcilmente manejables por computadores o procesadores dedicados al control ha dejado atrs a los controladores tradicionales. La continua aparicin de nuevos controladores algebraicos y formulaciones de algoritmos de control han impulsado el estudio y la teorizacin sobre mltiples tpicos y herramientas matemticas relacionadas. Por tanto en innumerables situaciones y circunstancias es necesario obtener una fiel, o la ms cercana representacin matemtica de un proceso, por ejemplo para efectos de simulacin control avanzado de procesos. Esta representacin matemtica del proceso real se conoce como Modelo. La tcnica o procedimiento para obtener el modelo se conoce como Modelacin. Dependiendo del objetivo y la caracterstica del proceso, el modelo se puede obtener a travs de: Principios fsicos leyes fsicas. Experimentos. Combinacin de principios fsicos y experimentales.

Este deriva en que el diseo de un controlador continuo o discreto, ya sea mediante tcnicas clsicas o en variables de estado, requiere de un modelo de la planta a controlar que caracterice su comportamiento dinmico. Este modelo permite al diseador realizar y validar mediante simulacin el ajuste de los parmetros del controlador que permiten obtener una respuesta que satisfaga las especificaciones de diseo. Con ello se quiere presentar en este trabajo la teora bsica sobre la Identificacin de Sistemas dinmicos en los cuales resulta difcil, si no imposible, obtener de antemano un modelo matemtico.

Control Automtico II

Pgina 4

Identificacin (Modelamiento) Paramtrico

Objetivos

Conocer una metodologa de modelizacin denominada identificacin; dicha metodologa parte de la informacin disponible de dichos sistemas o, con otras palabras, el anlisis de las entradas, seal de excitacin, y las salidas, respuesta del sistema. Estudiar distintas herramientas para la identificacin (modelamiento) paramtrico.

Control Automtico II

Pgina 5

Identificacin (Modelamiento) Paramtrico


Marco Referencial
La Identificacin como herramienta para la modelizacin de sistemas
El funcionamiento de los procesos industriales ha cambiado drsticamente en las ltimas dcadas. Este cambio es debido principalmente a la evolucin de la tecnologa del ordenador. La automatizacin de los procesos ha comportado un aumento de la productividad de algunos sectores industriales, obligando a la industria a adaptarse a las demandas de mercado y aumentar su competitividad [Backx, 1993]. Para aumentar la competitividad ha sido necesario desarrollar nuevas tcnicas: mtodos y herramientas que permitan maximizar la eficiencia de los procesos, desarrollando controladores de gran calidad, y maximizar la flexibilidad de los procesos con el menor ajuste de la mquina. Para ello es imprescindible conocer el comportamiento dinmico del proceso, principalmente de las partes crticas. En la actualidad, cada vez ms, el trabajo de un ingeniero consiste en la realizacin de modelos matemticos de los procesos estudiados [Ljung 1994]. Los modelos son utilizados en reas tan distintas como: bioingeniera, construccin, economa, meteorologa, procesos qumicos, etc. El campo de utilizacin de dichos modelos es muy amplio, destacar aplicaciones como: control, supervisin, prediccin, simulacin, optimizacin, etc. A continuacin se comenta un poco ms las dos primeras: Diagnstico. Deteccin de fallos.

Segn [Seborg, 1994], las estrategias actuales de diseo de controladores pueden clasificarse en dos grupos: control convencional y control avanzado. El control convencional consistente en el control: manual, PID, de relacin, en cascada, en avance o retardo de fase. Segn dicho autor el 90% de los controladores de procesos industriales son actualmente controladores convencionales. Las estrategias de control avanzado se subdividen en tres grupos: tcnicas de control convencionales (control desacoplado, control selectivo, control con compensacin de retardo puro), tcnicas de control basadas en modelos numricos (control predictivo, control adaptativo, control robusto, control con modelo interno) y tcnicas de control basadas en conocimiento (sistemas expertos, control neuronal, control fuzzy). Tanto para la utilizacin de tcnicas de diseo convencionales como tcnicas avanzadas y especialmente las basadas en modelos, es necesario un modelo numrico preciso del proceso estudiado. Comentar tambin que los procesos industriales estn sujetos a severos requerimientos de eficacia, disponibilidad y seguridad. La complejidad de los mismos crece Pgina 6

Control Automtico II

Identificacin (Modelamiento) Paramtrico


constantemente y esto hace necesario el desarrollo de herramientas automticas de ayuda al operador humano: los sistemas de supervisin. Entre las tareas de este tipo es necesario destacar las tareas destinadas a la deteccin y diagnstico de fallos. Con una rpida deteccin de los fallos se puede evitar desde una prdida de prestaciones hasta un deterioro del sistema con consecuencias que pueden ser catastrficas para el propio sistema e incluso para el personal de la planta. Los sistemas de deteccin de fallos se basan en la obtencin de sntomas, de seales indicadoras de fallos, y su anlisis para indicar la posible existencia y localizacin de dicho fallo. Uno de los mtodos utilizados para ello es la comparacin del proceso con un modelo de simulacin, son los mtodos denominados diagnostico basado en modelos [Iserman84], [Gertler98].

Figura 1 - Formas para el procesado de los mtodos de identificacin [Isermann80]

Control Automtico II

Pgina 7

Identificacin (Modelamiento) Paramtrico


Modelo
Para interactuar con un sistema necesitamos conocer la forma como sus variables se relacionan entre s. Como definicin general, llamamos modelo de un sistema a una supuesta relacin de tales variables a partir de la observacin. En otras palabras, los modelos se construyen a partir de datos observados, y pueden ser de diverso tipo: Mentales Grficos Matemticos (analticos) De Software Los modelos analticos son los que interesan Figura 2 - Representacin de modelo fundamentalmente a las ciencias y la ingeniera, y lgicamente pueden presentar variados niveles de sofisticacin, dependiendo de la aplicacin o los objetivos del estudio. Este tipo de modelado se obtiene a partir del conocimiento de las caractersticas fsicas de los subsistemas que conforman el sistema. No obstante, en la vida diaria muchos sistemas son manejados con modelos mentales, los cuales no implican ningn formalismo matemtico. Ejemplo de ello es el hecho de tomar un libro. Los movimientos de nuestra mano, incluidas la velocidad, direccin y presin de los dedos, se controlan sin crear ningn modelo numrico. Los modelos de Software, por su parte, son programas utilizados para analizar y simular sistemas con el apoyo de las herramientas computacionales. Cuando se hace necesario conocer el comportamiento de un sistema en unas determinadas condiciones y ante unas determinadas entradas, se puede recurrir a la experimentacin sobre dicho sistema y a la observacin de sus salidas. Sin embargo, en muchos casos la experimentacin puede resultar compleja o incluso imposible de llevar a cabo, lo que hace necesario trabajar con algn tipo de representacin que se aproxime a la realidad, y a la que se conoce como modelo.

Sistema:
Un sistema es toda realidad en la que interactan variables de diferentes tipos para producir seales observables. Las seales observables que son de inters para el observador se denominan salidas del sistema, mientras que las seales que pueden ser manipuladas libremente por dicho observador son las entradas del mismo. El resto de seales que influyen en la evolucin de las salidas pero no pueden ser manipuladas por el observador se denominan perturbaciones.

Control Automtico II

Pgina 8

Identificacin (Modelamiento) Paramtrico

Figura 3 - Representacin de sistema

Tipos de Modelos Modelo no Paramtrico Modelo Paramtrico Concentran toda la informacin en la Consisten en un registro de respuestas a un estructura del modelo con un nmero limitado impulso o a un flanco en el dominio del tiempo, de parmetros. o una medida de la funcin de transferencia en el dominio de la frecuencia. Modelos que describen las relaciones entre las variables del sistema mediante expresiones Para aplicaciones ms avanzadas, puede ser matemticas como pueden ser: necesario utilizar modelos que describan las relaciones entre las variables del sistema Ecuaciones diferenciales (para sistemas mediante expresiones matemticas como continuos). pueden ser ecuaciones diferenciales (para Ecuaciones en diferencias (para sistemas sistemas continuos) o en diferencias (para discretos) sistemas discretos). Por ejemplo, un sistema lineal queda definido mediante su respuesta al impulso o al escaln, o bien mediante su respuesta en frecuencia.

En donde muchos sistemas quedan perfectamente caracterizados mediante un grfico o tabla que describa sus propiedades dinmicas mediante un nmero no finito de parmetros. Anlisis de la respuesta transitoria. Anlisis de la respuesta en frecuencia. Anlisis de la correlacin. Anlisis Espectral. Anlisis de Fourier.

Mtodos

Tcnicas frecuenciales Tcnicas temporales.

Tabla 1 - Tipos de Modelos

Mtodos no Paramtricos:
Anlisis de la respuesta transitoria, se basa en la obtencin de la respuesta del sistema a un impulso o a un escaln. Las seales de test a utilizar en este caso son un impulso o un escaln, respectivamente, y la salida registrada da el modelo correspondiente.

Control Automtico II

Pgina 9

Identificacin (Modelamiento) Paramtrico


Anlisis de correlacin, es un mtodo del dominio temporal, til para sistemas lineales y con seales continuas o discretas. Como resultado del mismo se obtiene la funcin de correlacin entre las variables de inters y, como caso especial, una funcin de pesos. Tcnicas frecuenciales, que son utilizadas directamente para estimar la respuesta frecuencial del sistema. Dentro de las tcnicas frecuenciales podemos diferenciar entre el anlisis de Fourier y el anlisis Espectral. Todas ellas son aplicables en el caso de considerar procesos lineales o linealizables. Para su utilizacin no se debe suponer ningn tipo de estructura para el modelo y los resultados obtenidos son de tipos grfico los cuales pueden ser ms o menos fciles de interpretar.

Mtodos Paramtricos:
Tcnicas frecuenciales, las cuales minimizan el error entre la respuesta frecuencial real del proceso y la respuesta frecuencial del modelo. Tcnicas temporales, las cuales minimizan el error temporal, error de prediccin o error de salida, entre el modelo y el proceso. Forman parte de este grupo los mtodos de identificacin paramtricos clsicos y con redes neuronales. Se debe tener en cuenta una cierta estructura para el modelo. Los parmetros del modelo se calculan minimizando ciertos criterios de error entre el modelo y el proceso. Ambas pueden ser utilizadas tanto para la estimacin de los parmetros de modelos continuos como discretos.

Mtodos de Obtencin de modelos


Modelo Matemtico Terico Se trata de un mtodo analtico, en el que se recurre a leyes bsicas de la fsica para describir el comportamiento dinmico de un fenmeno o proceso. Teniendo en cuenta que en cuenta que todo modelo matemtico o paramtrico, por tanto, consta de una o varias ecuaciones que relaciona/n la/s entrada/s y salida/s Los modelos matemticos se les conozca ms comnmente como modelos paramtricos, ya que pueden definirse mediante una estructura y un nmero finito de parmetros. Identificacin de sistemas Se trata de un mtodo experimental que permite obtener el modelo de un sistema a partir de datos reales recogidos de la planta bajo estudio. La identificacin de sistemas trata con el problema de construir modelos de un sistema a partir de observaciones (datos) sobre el mismo, donde se puede comentar que la esencia de ello es una modelacin experimental, pero en la prctica la identificacin de sistemas no solamente emplea informacin de observaciones sino que tambin el uso de informacin de leyes fsicas que gobiernan al sistema.

Tabla 2 - Mtodos de obtencin de modelos

Control Automtico II

Pgina 10

Identificacin (Modelamiento) Paramtrico


Con respecto al modelado terico, tiene un campo de aplicacin restringido a procesos muy sencillos de modelar, o a aplicaciones en que no se requiera gran exactitud en el modelo obtenido. En muchos casos, adems, la estructura del modelo obtenido a partir del conocimiento fsico de la planta posee un conjunto de parmetros desconocidos y que slo se pueden determinar experimentando sobre el sistema real. De ah la necesidad de recurrir a los mtodos de identificacin de sistemas. Tanto el modelado como la identificacin son necesarios para la interpretacin y observacin de los valores medidos obtenidos desde el sistema de estudio. Los modelos constituyen el enlace necesario entre experimentos y la toma de decisiones. El problema de la identificacin consiste en encontrar relaciones matemticas entre secuencias de entrada y las secuencias de salida. Para la identificacin (desventajas): 1. Su rango de validez suele ser limitado (slo son aplicables a un determinado punto de trabajo, un determinado tipo de entrada o un proceso concreto). 2. En muchos casos es difcil dar significado fsico al modelo obtenido, puesto que los parmetros identificados no tienen relacin directa con ninguna magnitud fsica. Estos parmetros se utilizan slo para dar una descripcin aceptable del comportamiento conjunto del sistema.

Sistemas Dinmicos
En trminos muy generales, hablar de sistemas dinmicos implica que el valor presente en la salida de un sistema en un instante depende no solamente de los valores de las entradas en ese instante sino tambin de sus valores previos.

Figura 4 - Diagrama de bloques de un sistema dinmico

Por tanto la identificacin de sistemas dinmicos consiste en la obtencin de un modelo aproximado para describir un sistema dinmico a partir de los datos obtenidos de experimentos entrada-salida realizados sobre el sistema, teniendo en cuenta que este tipo de tcnica no es reciente, sino que tiene su origen a principios de los aos 70. Debido a que los sistemas dinmicos abundan en nuestro medio ambiente, las tcnicas de identificacin de sistemas han cobrado gran relevancia en diversas reas del conocimiento Pgina 11

Control Automtico II

Identificacin (Modelamiento) Paramtrico


(ingenieras, economa, biotecnologa, etc.), donde se requiere de un modelo preciso para fines de anlisis, prediccin, simulacin, diseo y control. En particular, las tcnicas de control actuales requieren de modelos matemticos cada vez ms exactos para el anlisis y el diseo. Siendo que en muchos casos, tales modelos no pueden ser obtenidos en forma sencilla y econmica a partir de las leyes que rigen cada proceso. Aqu es entonces donde juegan un papel decisivo la Identificacin de Sistemas Dinmicos, que es una herramienta capaz de proporcionar los mtodos necesarios para obtener de manera relativamente sencilla los modelos matemticos buscados con un alto grado de exactitud.

Metodologa de la Identificacin
Los conceptos que se presentan de la teora de Identificacin de Sistemas Dinmicos, siendo esta la disciplina encargada de la realizacin de modelos matemticos de sistemas, partiendo del anlisis de datos experimentales, mediciones y observaciones del sistema. Su base terica se sustenta en parte por la teora de sistemas dinmicos y seales de naturaleza estocstica, como as tambin por mtodos y algoritmos matemticos para la correcta estimacin de los parmetros involucrados. El objeto de la identificacin de sistemas es encontrar una representacin del sistema de la forma: ( ) ( ) ( ) ( ) Disear perturbaciones sobre u(t) para ser aplicadas al proceso y obtener suficiente informacin que permita identificarlo.

Figura 5 - Diagrama de flujo de la metodologa de identificacin

Control Automtico II

Pgina 12

Identificacin (Modelamiento) Paramtrico


Proceso de Identificacin
Se entiende por identificacin de sistemas a la obtencin de forma experimental de un modelo que reproduzca con suficiente exactitud, para los fines deseados, las caractersticas dinmicas del proceso objeto de estudio.

Pasos:

Figura 6 - Diagrama de flujo del proceso de identificacin

1. Obtencin de datos de entrada - salida. Para ello se debe excitar el sistema mediante la aplicacin de una seal de entrada y registrar la evolucin de sus entradas y salidas durante un intervalo de tiempo. 2. Tratamiento previo de los datos registrados. Los datos registrados estn generalmente acompaados de ruidos indeseados u otro tipo de imperfecciones que puede ser necesario corregir antes de iniciar la identificacin del modelo. Se trata, por tanto, de preparar los datos para facilitar y mejorar el proceso de identificacin. 3. Eleccin de la estructura del modelo. Si el modelo que se desea obtener es un modelo paramtrico, el primer paso es determinar la estructura deseada para dicho modelo. Este punto se facilita en gran medida si se tiene un cierto conocimiento sobre las leyes fsicas que rigen el proceso. 4. Obtencin de los parmetros del modelo. A continuacin se procede a la estimacin de los parmetros de la estructura que mejor ajustan la respuesta del modelo a los datos de entradasalida obtenidos experimentalmente. A continuacin presentamos la siguiente clasificacin: Control Automtico II Pgina 13

Identificacin (Modelamiento) Paramtrico


Mtodos fuera de lnea: Dan estimaciones a partir de un bloque de datos obtenidos previamente del proceso. Mtodos en lnea: dan estimaciones recursivamente conforme se van obteniendo los datos del proceso. Son la nica alternativa cuando la identificacin es usada como parte de un control adaptivo o en el caso de parmetros variantes en el tiempo. 5. Validacin del modelo. El ltimo paso consiste en determinar si el modelo obtenido satisface el grado de exactitud requerido para la aplicacin en cuestin. Si se llega a la conclusin de que el modelo no es vlido, se deben revisar los siguientes aspectos como posibles causas: a) El conjunto de datos de entrada-salida no proporciona suficiente informacin sobre la dinmica del sistema. b) La estructura escogida no es capaz de proporcionar una buena descripcin del modelo. c) El criterio de ajuste de parmetros seleccionado no es el ms adecuado.

Razones de las deficiencias:


El procedimiento numrico es inadecuado para escoger el mejor modelo de acuerdo con nuestro criterio. El criterio de escogencia es inadecuado. El conjunto de modelos no es apropiado. El conjunto de datos no contiene la suficiente informacin para guiarnos.

Conceptos Previos para la Identificacin:


La Identificacin pretende estudiar modelos inferidos a partir de observaciones. El desarrollo del Control Adaptativo (C.A.) debe basarse en el conocimiento de las caractersticas dinmicas del sistema que se va a controlar. Se denomina Identificacin al conjunto de estudios, algoritmos y teoras que pretenden este conocimiento. Obtener las relaciones matemticas que ligan las variables de un proceso fsico no siempre es posible de forma directa. La Identificacin permite, mediante un conjunto de experiencias sobre el sistema, la determinacin indirecta de estas ecuaciones. En ocasiones, sistemas que se excitan con la misma seal de entrada en dos instantes diferentes no producen las mismas respuestas. Aparece, pues, la necesidad de considerar la presencia de sistemas de parmetros variables con el tiempo, lo mismo que de dinmica no modelada. En algunos casos, la Identificacin puede llevarse a cabo fuera de lnea; si tenemos la seguridad de que no habr variaciones en la estructura del proceso ni en sus caractersticas dinmicas, no as si el proceso puede variar su comportamiento dinmico con el tiempo. Pgina 14

Control Automtico II

Identificacin (Modelamiento) Paramtrico


La Identificacin clsica por seales de prueba tiene ciertas limitaciones al no considerar en general: seales perturbadoras, hacerse fuera de lnea y no ser de tipo Paramtrico. Las teoras de Identificacin han progresado de forma sustancial, hasta el punto de incluir dentro de sus algoritmos y tcnicas computacionales, la problemtica ms desfavorable. Las ideas anteriores nos llevan a concluir que las tcnicas sobre sistemas y seales digitales y los computadores permiten disponer de Algoritmos de Identificacin con caractersticas tales corno: Tener en cuenta las posibles seales perturbadoras y su naturaleza Poder realizarse en lnea Ser paramtrica De naturaleza recursiva, y por lo tanto de fcil implementacin computacional

Surgen desventajas. Para no invalidar sus aplicaciones debe considerarse un elevado nmero de condiciones, tales como: Naturaleza de la seal de entrada Naturaleza de la estructura del proceso Naturaleza de los parmetros del proceso

Mtodos para el ajuste de Parmetros de los modelos


Errores de prediccin de un modelo
Todo modelo matemtico es capaz de predecir el valor de la salida del sistema en funcin de las entradas y salidas en instantes anteriores. Se llama error de prediccin e (t, q) a la diferencia entre la salida estimada por el modelo y la salida real del sistema en un determinado instante de tiempo: ( ) ( ) ( )

Donde ye (t, q) es la salida estimada por el modelo en el instante t.

Regresin Lineal
Se dice que una estructura posee regresin lineal cuando la salida estimada puede expresarse como: Donde jT(t) es un vector columna formado por las salidas y entradas anteriores (conocido como vector de regresin), y q es el vector de parmetros del modelo. El modelo ARX es un claro ejemplo de estructura con regresin lineal, definiendo:

Control Automtico II

Pgina 15

Identificacin (Modelamiento) Paramtrico


Mnimos Cuadrados
Aplicando los criterios fijados en los dos apartados anteriores, la expresin del error de prediccin es: ( ) ( ) ( ) Se define la siguiente funcin del error:

Conocida como criterio de mnimos cuadrados para una regresin lineal. Existe un valor de q que minimiza la funcin anterior y que constituye la estimacin del modelo por mnimos cuadrados:

Para este vector de parmetros, la funcin de error VN toma su valor mnimo, siendo ste la funcin de prdidas del modelo estimado. Una variante del mtodo anterior, conocido como Criterio de Akaike consiste en minimizar otra funcin de prdidas distinta a la anterior, que puede obtenerse a partir de sta del siguiente modo:

Siendo d el nmero de parmetros del modelo y N el nmero de muestras de los datos de entrada-salida utilizados para su identificacin.

Modelos Paramtricos
Modelo ARX:
El modelo ARX se expresa de manera explcita: ( ) ( ) ( ) ( ) ( ) ( ) Las incgnitas a y b sern los coeficientes de la funcin de transferencia y se obtienen segn: a) Mnimos cuadrados: Minimiza la suma de los cuadrados de la parte derecha menos la parte izquierda con respecto a los coeficientes a y b. Para esto se usa la funcin ARX del Matlab. b) Variable instrumental: Se determinan a y b de manera tal que el error entre las partes derecha e izquierda no correlaciona con alguna combinacin lineal de entrada. Para esto se usa la funcin iv4.

Control Automtico II

Pgina 16

Identificacin (Modelamiento) Paramtrico


Modelo ARMAX:
En esta estructura ARMAX (AutoRegressive Moving Average eXogen) se introduce el polinomio C(q) al modelo ARX: ( ) ( ) ( ) ( ) ( ) ( ) Donde C se puede expresar de la siguiente manera: ( ) Todo esto da lugar a un sistema de ecuaciones donde las incgnitas son los coeficientes del modelo discreto, cuyas soluciones se obtienen por prediccin del error con el Mtodo de Mxima Verosimilitud. Para esto se usa la funcin ARMAX.

Modelo OE:
La estructura Output-Error(OE) se presenta de la siguiente forma: ( ) ( ) ( ) ( ) ( ) Dnde: ( )

Modelo BJ:
La estructura Box Jenkins est dada por: ( ) ( ) ( ( ) Dnde: ( ) ( ) ( ) ( )

Todos estos modelos son casos particulares de la estructura general: ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) - Dnde:

) .

Matlab
Estas funciones son llevadas al Matlab con los siguientes comandos: 1. Modelo ARX: [ ] Control Automtico II

( [ ( [

]) ]) Pgina 17

Identificacin (Modelamiento) Paramtrico


Para sistemas realimentados se recomienda usar variable instrumental.

Figura 7 - Modelo ARX en Matlab

En esta grafica la manera en la que se comporta el modelo ARX es que hace que se estabilice en menos de 100s, como en aproximadamente en el tiempo de 80s, de esta manera es como se ve usando la salida 2 y la entrada 8. 2. Modelo ARMAX:

( [

])

Figura 8 - Modelo ARMAX En Matlab

Control Automtico II

Pgina 18

Identificacin (Modelamiento) Paramtrico


La utilizacin del modelo ARMAX hace que la grfica se estabilice con ms lentitud ya que se lleva ms tiempo en hacerlo a comparacin del modelo ARX. 3. Modelo OE: ( [ ])

Figura 9 - Modelo OE en Matlab

A travs de este modelo, se estabilizara ms rpidamente a comparacin de las anteriores grficas, adems que tiene menor error que las anteriores. 4. Modelo BJ: ( [ ])

Control Automtico II

Pgina 19

Identificacin (Modelamiento) Paramtrico


Conclusiones:
Los modelos matemticos de sistemas dinmicos se pueden construir desde las leyes bsicas de la fsica, este es el caso del modelamiento matemtico, o se pueden construir desde una aproximacin experimental, este es el caso de la identificacin de sistemas. El diseo de controladores y mtodos de deteccin de fallos, es necesario disponer de un modelo matemtico que se ajuste al comportamiento del sistema estudiado, es por tanto la identificacin y modelamiento. Debido a que los sistemas dinmicos abundan en nuestro medio ambiente, las tcnicas de identificacin de sistemas han cobrado gran relevancia en diversas reas del conocimiento (ingenieras, economa, biotecnologa, etc.), donde se requiere de un modelo preciso para fines de anlisis, prediccin, simulacin, diseo y control.

Control Automtico II

Pgina 20

Identificacin (Modelamiento) Paramtrico


EJEMPLO:
Modelamiento de un Motor CD:
Para mostrar un ejemplo de la identificacin paramtrica, tenemos el siguiente sistema:

Esta es la respuesta de la velocidad del motor DC frente a un escaln unitario:

Esta es la respuesta de la velocidad del motor frente a una seal pseudo aleatoria con una amplitud que va de 0 a 5.

Control Automtico II

Pgina 21

Identificacin (Modelamiento) Paramtrico


Los datos del comportamiento del sistema, los guardamos para poder utilizarlos en la herramienta ident de matlab, que nos permitir realizar el modelamiento.

Una vez guardados los datos, verificamos si nuestra variable contiene los datos.

Con los datos guardados, llamamos a la herramienta IDENT de MATLAB, y llamamos los datos guardados para empezar con la identificacin.

Control Automtico II

Pgina 22

Identificacin (Modelamiento) Paramtrico

Una vez importados los datos, los trabajamos de la siguiente manera

Obtenemos el siguiente resultado.

Luego estimamos modelos de la siguiente manera

Control Automtico II

Pgina 23

Identificacin (Modelamiento) Paramtrico


Y obtenemos los modelos estimados, como se muestra a continuacin. Para tratar los datos, seleccionamos uno de los modelos y lo enviamos a ToLTI Viewer, para este caso, llamaremos el modelo arxqs

Obtenemos la reaccin de nuestro sistema con el modelo arxqs.

Luego el mismo modelo, lo enviamos a To Workspace para trabajarlos la ventana de comando de Matlab. Y consultamos si se cre nuestra variable:

Control Automtico II

Pgina 24

Identificacin (Modelamiento) Paramtrico

Llamamos a nuestra variable arxqs

Ordenando nuestra ecuacin del modelo arxqs obtenemos lo siguiente:

Asumimos una perturbacin nula, y obtenemos lo siguiente:

Ordenamos la ecuacin, creando una relacin entrada(u(t)) salida(y(t)):

Podemos crear nuestra funcin de transferencia usando el siguiente cdigo:

Control Automtico II

Pgina 25

Identificacin (Modelamiento) Paramtrico


Utilizamos el cdigo d2c para convertir los datos de tiempo discreto a tiempo continuo, con un tiempo de muestreo de 0.01 segundos. Esta funcin de transferencia, la ingresamos a simulink para poder simular nuestro sistema.

Y sometemos a nuestro sistema a la misma seal pseudo aleatoria y la comparamos con la seal obtenida al inicio para validar nuestro sistema. Podemos observar que las seales son muy aproximadas, solo que la seal simulada tiene sobre-impulsos con mayor amplitud que la seal real.

Control Automtico II

Pgina 26