Está en la página 1de 46

Introduccin

En esta parte de la experiencia haremos un anlisis grfico a travs de las funciones


ARX y ARMAX que nos entrega MATLAB Generalmente los modelos paramtricos se
describen en el dominio discreto, puesto que los datos que sirven de base para la
identificacin se obtienen por muestreo. Con estos mtodos de hacer regresiones
discretas tomaremos varias muestras para analizarlas y ver cual es el mejor mtodo.
Tenemos una forma de graficar un sistema por mtodos de polinomios el cual se puede
representar en dos matrices:
ARX :Este utiliza la estimacin de parmetros utilizando mnimos cuadrados adems
es una matriz de 1x3 con la siguiente estructura [na nb nk] que se representa por un
polinomio del tipo A(z)y(t) = B(z)u(t) + e(t)
ARX model: A(z)y(t) = B(z)u(t) + e(t)
Donde:
A (z) y B (z): representan los polinomios que describen la dinmica del sistema
e (t)

: perturbacin del sistema

u (t) : entrada del sistema


y (t) : salida del sistema

ARMAX : Este utiliza una estimacin de parmetros usando datos de dominio de


tiempo adems es una matriz de 1x4 la cual tiene la siguiente estructura [na nb nc nk]
que se representa por un polinomio del tipo A(z)y(t) = B(z)u(t) + C(z)e(t)
ARMAX model: A(z)y(t) = B(z)u(t) + C(z)e(t)
Donde:
A (z), B (z) y C(z) : representan los polinomios que describen la dinmica del sistema
e (t)

: perturbacin del sistema

u (t) : entrada del sistema


y (t) : salida del sistema

Desarrollo
Para poder hacer uso de este mtodo en MATLAB se prosigue a ingresar al commad
Windows y se escribe el comando >>ident y seguimos los mismos pasos usados para
regresin pero en el momento de elegir Estimate--> ahora se pone la opcin
polynominal Models.

En polynominal Models nos muestran su estructura como polinomios, adems se


pueden estimar (representar grficamente y obtener polinomio). En structure podemos
elegir las opciones que vamos a trabajar como arx y armx como se mostrar en la
siguiente imagen:

Mtodo ARX

perturbacin

que

es

un

Equivale a introducir a la salida limpia una


ruido blanco e previamente filtrado por 1/A(z):

En polynominal Models nos dan la opcin para


cambiarles los valores de la matriz, nos muestran su estructura como polinomios.

En
la opcin order editor nosotros podemos
modificar los polos (na), ceros (nb), y el retardo
(nk).

Luego de eso procedemos a estmate donde podremos visualizar nuestro modelo de


salida

Al hacer click en la funcin nos arroja los valores de los polinomios

El cual al apretar present este aparecer en el command window de Matlab. Con esto
nosotros podemos saber el valor de los polinomios de nuestra funcin .

Nuevos valores arx (841)


arx841 =
Discrete-time ARX model: A(z)y(t) = B(z)u(t) + e(t)
A(z) = 1 - 1.126 (+/- 0.02475) z^-1 + 0.07693 (+/- 0.04301) z^-2 + 0.2463 ( +/0.03194) z^-3 - 0.07202 (+/- 0.01221) z^-4
B(z) = 0.0007068 (+/- 0.001029) z^-1 + 0.005736 (+/- 0.00124) z^-2 + 0.06306 ( +/0.00124) z^-3 + 0.0529 (+/- 0.002094) z^-4
Name: arx841
Sample time: 0.08 seconds
Parameterization:
Polynomial orders: na=4 nb=4 nk=1

Luego apretaremos Model output para poder apreciar la medida y simulacin de la


salida.

Procederemos a tomar nuestro modelo y arrastrarlo a To workspace para poder


visualizarlo en command window alli nosotros seremos capases de ver los distintos
mtodos de estabilidad como Bode, nyquist y LGR y simular en matlab.

BODE

NYQUIST

STEP

LGR

Nuevos valores arx (881)

Valores de los polinomios


arx881 =
Discrete-time ARX model: A (z) y (t) = B (z) u (t) + e (t)
A(z) = 1 - 0.957 (+/- 0.03178) z^-1 + 2.207e-05 (+/- 0.04416) z^-2 - 0.03999 (+/0.04409) z^-3 + 0.1017 (+/- 0.0433) z^-4 + 0.002487 (+/- 0.04217) z^-5 + 0.07365 (+/0.04159) z^-6 - 0.0703 (+/- 0.03185) z^-7 + 0.01215 ( +/- 0.01209) z^-8
B(z) = 0.0001593 (+/- 0.000992) z^-1 + 0.005938 (+/- 0.001192) z^-2 + 0.06418 (+/0.001206) z^-3 + 0.0624 (+/- 0.002372) z^-4 + 0.01908 (+/- 0.003062) z^-5 - 0.006951
(+/- 0.003111) z^-6 - 0.01387 (+/- 0.003058) z^-7 - 0.01086 (+/- 0.002671) z^-8

Name: arx881
Sample time: 0.08 seconds
Parameterization:
Polynomial orders: na=8 nb=8 nk=1

SELECCIONAMOS LA NUEVA REGRESIN

BODE

NYQUIST

STEP

LGR

Nuevos valores arx (100 4 1)

Valores de los polinomios


arx10081 =
Discrete-time ARX model: A(z)y(t) = B(z)u(t) + e(t)
A(z) = 1 - 0.9568 (+/- 0.03176) z^-1 + 0.003229 (+/- 0.04411) z^-2 - 0.04024 (+/0.0439) z^-3 + 0.09711 (+/- 0.04317) z^-4 + 0.004961 (+/- 0.04194) z^-5 + 0.07369 (+/0.04144) z^-6 - 0.05528 (+/- 0.03665) z^-7 - 0.03908 ( +/- 0.03401) z^-8 + 0.06515 (+/0.02807) z^-9 - 0.02931 (+/- 0.01169) z^-10

B(z) = 3.418e-05 (+/- 0.0009884) z^-1 + 0.006117 (+/- 0.001187) z^-2 + 0.06412 (+/0.001199) z^-3 + 0.06238 (+/- 0.002366) z^-4 + 0.01934 (+/- 0.003048) z^-5 - 0.006484
(+/- 0.003097) z^-6 - 0.01397 (+/- 0.003047) z^-7 - 0.01066 ( +/- 0.002675) z^-8
Name: arx10081
Sample time: 0.08 seconds
Parameterization:
Polynomial orders: na=10 nb=8 nk=1

SELECCIONAMOS LA NUEVA REGRESIN

BODE

NYQUIST

STEP

LGR

Nuevos valores arx (50 25 1)

Valores de los polinomios


arx50251 =
Discrete-time ARX model: A(z)y(t) = B(z)u(t) + e(t)
A(z) = 1 - 0.8986 (+/- 0.0339) z^-1 + 0.01177 (+/- 0.04563) z^-2 - 0.0454 ( +/- 0.04569) z^-3 + 0.05903 (+/- 0.04572)
z^-4 - 0.04218 (+/- 0.04577) z^-5 + 0.0463 (+/- 0.0457) z^-6 - 0.04015 (+/- 0.04572) z^-7 - 0.08301 (+/- 0.04573) z^-8
+ 0.08285 (+/- 0.04581) z^-9 - 0.04208 (+/- 0.04584) z^-10 + 0.01915 (+/- 0.04574) z^-11 + 0.001154 (+/- 0.04572)
z^-12 + 0.05137 (+/- 0.04569) z^-13 - 0.06454 (+/- 0.04574) z^-14 + 0.05804 (+/- 0.0459) z^-15 - 0.04583 (+/0.04593) z^-16 + 0.001621 (+/- 0.0458) z^-17 + 0.022 ( +/- 0.04559) z^-18 - 0.05301 (+/- 0.04558) z^-19 + 0.02053
(+/- 0.04573) z^-20 - 0.01853 (+/- 0.04507) z^-21 + 0.0421 (+/- 0.04385) z^-22 - 0.01988 ( +/- 0.04332) z^-23 +
0.005611 (+/- 0.03852) z^-24 - 0.005618 (+/- 0.03597) z^-25+ 0.02119 (+/- 0.03598) z^-26 - 0.02634 (+/- 0.03595) z^27 - 0.001659 (+/- 0.03595) z^-28 + 0.02845 (+/- 0.03595) z^-29 - 0.02529 (+/- 0.03595) z^-30 + 0.01565 (+/0.03596) z^-31 - 0.02028 (+/- 0.03601) z^-32 + 0.02584 ( +/- 0.03604) z^-33 - 0.007342 (+/- 0.03599) z^-34 - 0.03303
(+/- 0.03589) z^-35 + 0.03962 (+/- 0.03584) z^-36 + 0.01234 (+/- 0.03584) z^-37 - 0.06497 (+/- 0.03582) z^-38 +
0.07788 (+/- 0.0359) z^-39 - 0.04807 (+/- 0.03605) z^-40 + 0.003298 (+/- 0.0361) z^-41 + 0.003121 (+/- 0.03602) z^42 - 0.00867 (+/- 0.03587) z^-43 + 0.02059 (+/- 0.03579) z^-44 - 0.005798 (+/- 0.03584) z^-45 - 0.003702 (+/0.03597) z^-46 - 0.0008045 (+/- 0.03606) z^-47 - 0.0126 (+/- 0.03572) z^-48 + 0.02954 (+/- 0.02942) z^-49 - 0.0164
(+/- 0.0123) z^-50

B(z) = -0.00103 (+/- 0.001032) z^-1 + 0.006095 (+/- 0.001224) z^-2 + 0.0641 (+/- 0.001234) z^-3 + 0.06637 (+/0.0025) z^-4 + 0.02744 (+/- 0.003366) z^-5 + 0.001797 (+/- 0.003479) z^-6 - 0.0088 (+/- 0.003468) z^-7 - 0.01089
(+/- 0.003465) z^-8 - 0.009718 (+/- 0.003477) z^-9 - 0.009215 (+/- 0.003498) z^-10 - 0.013 (+/- 0.003517) z^-11 0.01252 (+/- 0.003543) z^-12 - 0.01065 (+/- 0.00356) z^-13 - 0.007876 (+/- 0.003575) z^-14 - 0.005597 (+/0.003576) z^-15 - 0.0008433 (+/- 0.003565) z^-16 + 0.0003346 (+/- 0.003537) z^-17 + 0.001548 (+/- 0.003502) z^-18
+ 0.001158 (+/- 0.003482) z^-19 + 0.0001855 (+/- 0.003466) z^-20 - 0.001992 (+/- 0.003448) z^-21 - 0.002808 (+/ 0.003428) z^-22 - 0.004054 (+/- 0.003429) z^-23 - 0.003505 (+/- 0.003327) z^-24 - 0.002556 (+/- 0.002835) z^-25

Name: arx50251
Sample time: 0.08 seconds
Parameterization:

Polynomial orders: na=50 nb=25 nk=1


Luego apretaremos Model output para poder apreciar la medida y simulacin de la
salida.

SELECCIONAMOS LA NUEVA REGRESION

BODE

NYQUIST

LGR

STEP

Esta regresin nos muestra que al variar solo un poco los polos Na y aumentar el retardo Nk nuestra
regresin no va a ser tan aproximada a la deseada.

Mtodo ARMAX
Es decir, que a la salida limpia se le suma una perturbacin que es un ruido blanco e
previamente filtrado por C(z)/A(z).

Cambiaremos de modelo y procederemos a realizar los mismos pasos ya nombrados


anteriormente

En polynominal Models nos dan la opcin para cambiar la estructura para ARMAX,
luego de elegirla esta nos muestra el orden de este del polinomio y la ecuacin que lo
representa adems del metodo.

Armax (3333)

En la opcin order editor nosotros podemos modificar los polos (na), ceros (nb), el
ruido de entrada (nc) y el retardo (nk).

Al hacer click en la funcin nos arroja los valores de los polinomios

Valores de los polinomios


amx3333 =
Discrete-time ARMAX model: A(z)y(t) = B(z)u(t) + C(z)e(t)
A(z) = 1 - 2.281 (+/- 0.01548) z^-1 + 1.709 (+/- 0.02235) z^-2 - 0.4236 (+/- 0.008741)
z^-3
B(z) = 0.06755 (+/- 0.0009952) z^-3 - 0.02539 (+/- 0.00252) z^-4 - 0.03745 (+/0.00187) z^-5
C(z) = 1 - 1.382 (+/- 0.03591) z^-1 + 0.4523 (+/- 0.05492) z^-2 + 0.004408 ( +/0.03294) z^-3
Name: amx3333
Sample time: 0.08 seconds
Parameterization:
Polynomial orders: na=3 nb=3 nc=3 nk=3

Luego apretaremos Model output para poder apreciar la medida y simulacin de la


salida.

Procederemos a tomar nuestro modelo y arrastrarlo a To workspace para poder


visualizarlo en command window alli usaremos los mtodos de estabilidad como
Bode, nyquist y LGR y simular en matlab.

BODE

NYQUIST

STEP

LGR

Armax (3233)

Valores de los polinomios


amx3233 =
Discrete-time ARMAX model: A(z)y(t) = B(z)u(t) + C(z)e(t)
A(z) = 1 - 1.568 (+/- 0.03869) z^-1 + 0.8091 (+/- 0.05678) z^-2 - 0.152 (+/- 0.02179) z^3
B(z) = 0.06908 (+/- 0.0009986) z^-3 + 0.01849 (+/- 0.003831) z^-4
C(z) = 1 - 0.6424 (+/- 0.04951) z^-1 + 0.2728 (+/- 0.03722) z^-2
Name: amx3233
Sample time: 0.08 seconds
Parameterization:
Polynomial orders: na=3 nb=2 nc=2 nk=3

Luego apretaremos Model output para poder apreciar la medida y simulacin de la


salida.

BODE

NYQUIST

STEP

LGR

Armax (4333)

Valores de los polinomios


amx4333 =
Discrete-time ARMAX model: A(z)y(t) = B(z)u(t) + C(z)e(t)
A(z) = 1 - 2.487 (+/- 0.04099) z^-1 + 2.179 (+/- 0.101) z^-2 - 0.7929 (+/- 0.08331) z^-3
+ 0.1018 (+/- 0.02333) z^-4
B(z) = 0.06791 (+/- 0.001) z^-3 - 0.04247 (+/- 0.004546) z^-4 - 0.02521 (+/- 0.003922)
z^-5
C(z) = 1 - 1.616 (+/- 0.05229) z^-1 + 0.8001 (+/- 0.08618) z^-2 - 0.1812 (+/- 0.04009)
z^-3
Name: amx4333
Sample time: 0.08 seconds
Parameterization:
Polynomial orders: na=4 nb=3 nc=3 nk=3
Luego apretaremos Model output para poder apreciar la medida y simulacin de la
salida.

BODE

Nyquist

STEP

LGR

Armax (4443)

Valores de los polinomios


amx4443 =
Discrete-time ARMAX model: A(z)y(t) = B(z)u(t) + C(z)e(t)
A(z) = 1 - 2.592 (+/- 0.2068) z^-1 + 2.418 (+/- 0.4774) z^-2 - 0.9695 (+/- 0.3593) z^-3 +
0.1441 (+/- 0.08866) z^-4
B(z) = 0.06774 (+/- 0.001008) z^-3 - 0.04861 (+/- 0.01394) z^-4 - 0.02429 (+/0.005998) z^-5 + 0.005371 (+/- 0.00878) z^-6
C(z) = 1 - 1.71 (+/- 0.2085) z^-1 + 0.8947 (+/- 0.3029) z^-2 - 0.138 (+/- 0.1241) z^-3 0.04457 (+/- 0.03578) z^-4

Name: amx4443
Sample time: 0.08 seconds
Parameterization:
Polynomial orders: na=4 nb=4 nc=4 nk=3

Luego apretaremos Model output para poder apreciar la medida y simulacin de la


salida.

BODE

Nyquist

STEP

LGR

Como podemos apreciar tenemos 8 graficas estimadas, tambin podemos determinar


el porcentaje de aproximacin y su grafica en Model Output, ver sus valores y

estructura dando click derecho sobre la grfica importada y adems convertir la


informacion en un workspace deslizando la grfica importada sobre el cuadro to
workspace.

Conclusin
Para finalizar, se concluye que las funciones de transferencia se pueden representar a
travs de polinomios, para este anlisis se utiliza la transformada z la cual nos permite

llevar la seal anloga a una seal discreta y as obtener valores en cada parte de la
curva.
Ambos mtodos de anlisis de regresin son buenos para el caso del arx, dar un
sistema de ecuaciones donde las incgnitas sern los coeficientes de la funcin de
transferencia discreta que son obtenidos cuando el mtodo arx minimiza la suma de los
cuadrados y para armax se introduce en el polinomio C(q), esto da lugar a un sistema
de ecuaciones donde las incgnitas son los coeficientes del modelo discreto, y las
soluciones se obtienen por prediccin del error.
La respuesta y la aproximacin de estos sistemas vara segn la cantidad de polos
existentes, a medida que bamos agregando mas polos nos acercbamos mas al valor
deseado un ejemplo claro es el ARX 881 con el ARX 10081 donde uno nos daba un
88.61% y el otro 90.62% otro detalle era en que al agregar retardos nuestra
aproximacin disminua considerablemente hasta que en algunos casos nos daba un 54.81% esto paso con el ARX 1120 .El agregar polos aumenta la exactitud de esta se
acerca bastante pero a la vez aumenta el tiempo de estabilizacin esto se puede
visualizar al aplicar un escalon donde en el ARX 50251 se estabiliza a los 7 segundos
mientras que en el ARX 881 a los 3.5 segundos
Una ventaja de usar ARMAX es que nos dara valores mas cercanos a los deseados
esto se debe a que ocupa un polinomio mas que actua sobre el error en el ARMAX
4443 nos da un 91.24% a un 91.22% de ARMAX 4333, adems el tiempo de
estabilizacin aumenta hasta unos 40 segundos que el mtodo ARX esto se puede ver
en la respuesta al escalon con el ARMAX 4443.
Se puede decir que con el mtodo de regresiones ARX se logra una respuesta ms
rpida que con el mtodo ARMAX, pero con el mtodo ARMAX se acerca ms al
porcentaje de exactitud de la planta que estamos analizando