Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
ndice de Tablas
Tabla 1 - Tipos de Modelos ................................................................................................................. 9 Tabla 2 - Mtodos de obtencin de modelos ................................................................................... 10
Control Automtico II
Pgina 3
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
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
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
Control Automtico II
Pgina 7
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
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
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
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.
Control Automtico II
Pgina 10
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.
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
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.
Control Automtico II
Pgina 12
Pasos:
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
Control Automtico II
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
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
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
Modelo OE:
La estructura Output-Error(OE) se presenta de la siguiente forma: ( ) ( ) ( ) ( ) ( ) Dnde: ( )
Modelo BJ:
La estructura Box Jenkins est dada por: ( ) ( ) ( ( ) Dnde: ( ) ( ) ( ) ( )
) .
Matlab
Estas funciones son llevadas al Matlab con los siguientes comandos: 1. Modelo ARX: [ ] Control Automtico II
( [ ( [
]) ]) Pgina 17
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:
( [
])
Control Automtico II
Pgina 18
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
Control Automtico II
Pgina 20
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
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
Control Automtico II
Pgina 23
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
Control Automtico II
Pgina 25
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