Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Departamento: ELECTRNICA
1. Introduccin..................................................................................................................... 1
1.1. Concepto de sistema................................................................................................. 1
1.2. Modelo de un sistema............................................................................................... 1
1.3. Tipos de modelos. .................................................................................................... 2
1.4. Mtodos de obtencin de modelos............................................................................ 3
BIBLIOGRAFA ................................................................................................................60
TEMA: Identificacin de Sistemas. Aplicacin al modelado de un motor de continua
1. Introduccin
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.
Perturbacin
e(t)
Entrada Salida
u(t) Sistema dinmico y(t)
Figura 1. Sistema dinmico con entrada u(t), perturbacin e(t) y salida y(t).
Los modelos de sistemas fsicos pueden ser de muy diversos tipos. Una clasificacin, en
funcin del grado de formalismo matemtico que poseen, es la siguiente:
Todo modelo matemtico o paramtrico, por tanto, consta de una o varias ecuaciones que
relaciona/n la/s entrada/s y salida/s (en los modelos dinmicos la variable t -tiempo- juega
tambin un papel primordial).
Ejemplo 1.
du 1 ( t )
1. la estructura del modelo: y( t ) = k 1 + k 2 u1 (t ) + k 3 u 2 (t )
dt
Los modelos obtenidos mediante tcnicas de identificacin tienen, sin embargo, las siguientes
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.
En la prctica, lo ideal es recurrir a una mezcla de ambos mtodos de modelado para obtener
el modelo final. El uso de datos reales para identificar los parmetros del modelo provee a
ste de una gran exactitud, pero el proceso de identificacin se ve tanto ms facilitado cuanto
mayor sea el conocimiento sobre las leyes fsicas que rigen el proceso.
2. Identificacin de sistemas
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.
Experimento
de registro
de datos
Tratamiento
de los datos
Eleccin
de la estructura
del modelo
Eleccin
Datos del criterio de ajuste
de parmetros
Modelo no vlido:
revisar
Modelo vlido:
usar
Existen diversos mtodos de identificacin, que pueden clasificarse segn distintos criterios:
Dependiendo de la aplicacin:
Suponiendo que el sistema es lineal, la relacin entre la salida del sistema y(t), su entrada u(t)
y el ruido e(t) puede expresarse del siguiente modo:
y( t ) = G ( q 1 ) u( t ) + e( t ) (ec.1)
G ( q 1 ) u ( t ) = g ( k ) u ( t k ) (ec.2)
k =1
y por tanto:
G ( q ) = g( k ) q k
1
(ec.3)
k =1
La secuencia g(k) se conoce como respuesta al impulso del sistema, y coincide con la salida
del mismo cuando a la entrada se aplica un impulso unitario. Por otro lado, la funcin G(z) es
la funcin de transferencia del sistema. Evaluando esta ltima a lo largo del crculo unidad
(z=ej) se obtiene la llamada respuesta en frecuencia del sistema, G(ej).
conseguir este tipo de seales en la prctica lleva a utilizar un mtodo indirecto para obtener
la respuesta impulsiva, conocido como anlisis de la correlacin.
Si se escoge como entrada al sistema u(t) un ruido blanco, cuya funcin de covarianza es:
si = 0
R u ( ) = E [ u( t + ) u( t ) ] = (ec.4)
0 si 0
entonces la correlacin cruzada entre la entrada y la salida puede ponerse del siguiente modo:
R yu ( ) = E[ y( t + ) u( t )] = g( ) (ec.5)
y por tanto la respuesta al impuso puede obtenerse a partir de las N muestras registradas de la
entrada y la salida del sistema del siguiente modo:
1 N
g( ) = y( t + ) u( t )
N t =1
(ec.6)
Este mtodo es muy apropiado para obtener una idea rpida de la relacin entre distintas
seales del sistema, retardos, constantes de tiempo y ganancias estticas del mismo.
e(t)
0.5 z 2 0.3 z 3
u(t) y(t)
1 + 0.2 z 1 + 016
. z 2 + 0.24 z 3
En primer lugar se realizar una simulacin del mismo en Matlab incluyendo la presencia
de un ruido aleatorio para obtener un conjunto de datos de entrada-salida que sirvan de
punto de partida para la identificacin (revsense las funciones del Toolbox de
Identificacin en el apndice).
>> numd=[0.5 -0.3]; %numerador de la funcin de transferencia en z
>> dend=[1 0.2 0.16 0.24]; %denominador de la funcin de transferencia en z
Respuesta al impulso
0.5
0.4
0.3
0.2
0.1
-0.1
-0.2
-0.3
-0.4
0 5 10 15 20
Nmero de muestra
N
R u ( ) = E[ u ( t + ) u ( t ) ] = 1 N u ( t + ) u ( t )
t =1
N
(ec.7)
R yu ( ) = E[ y( t + ) u( t )] = 1 N y( t + ) u( t )
t =1
se demuestra que puede obtenerse la respuesta en frecuencia del sistema mediante la siguiente
expresin:
yu ()
G( e j ) = (ec.9)
u ()
Las principales ventajas de este mtodo son el no requerir un procesamiento complejo de los
datos, ni ningn tipo de conocimiento previo sobre la planta, a excepcin de que sta sea
lineal. Adems, permite concentrar los datos obtenidos en torno al margen de frecuencias de
inters. El principal inconveniente es que el modelo resultante no puede usarse directamente
para simulacin.
Los modelos paramtricos, a diferencia de los anteriores, quedan descritos mediante una
estructura y un nmero finito de parmetros que relacionan las seales de inters del sistema
(entradas, salida y perturbaciones). En muchas ocasiones es necesario realizar la
identificacin de un sistema del cual no se tiene ningn tipo de conocimiento previo. En estos
casos, se suele recurrir a modelos estndar, cuya validez para un amplio rango de sistemas
dinmicos ha sido comprobada experimentalmente. Generalmente estos modelos permiten
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. En el caso de que se
requiera un modelo continuo, siempre es posible realizar una transformacin del dominio
discreto al continuo.
s( t ) = ( t ) + w ( t ) (ec.10)
donde w(t) es el trmino que modela la salida debida a las perturbaciones, (t) la salida
debida a la entrada, y s(t) la salida medible del sistema. Cada uno de estos trminos puede
desarrollarse de la siguiente forma:
( t ) = G (q 1 , ) u( t ) (ec.11)
w ( t ) = H (q 1 , ) e( t ) (ec.12)
1
s( t ) = A(q , ) y( t ) (ec.13)
donde q-1 es el operador retardo, representa un vector de parmetros, u(t) y e(t) son la
entrada al sistema y el ruido de entrada al mismo respectivamente e y(t) es la salida de inters
del sistema (que puede no coincidir con la salida medible). Tanto G(q-1,) como H(q-1,) son
cocientes de polinomios del tipo:
1 B(q 1 ) b 1 q nk + b 2 q nk 1 + + b nb q nk nb+1
G (q , ) = =
F(q 1 ) 1 + f1 q 1 + + f nf q nf
(ec.14)
C(q 1 ) 1 + c 1 q 1 + + c nc q nc
H (q 1 , ) = =
D(q 1 ) 1 + d 1 q 1 + + d nd q nd
B(q 1 ) C ( q 1 )
A(q 1 ) y( t ) = G (q 1 , ) u( t ) + H (q 1 , ) e( t ) = u( t ) + e( t ) (ec.16)
F(q 1 ) D ( q 1 )
Para elegir la estructura de este tipo de modelos hay que determinar el orden de cada uno de
los polinomios anteriores, es decir na, nb, nc, nd, nf y el retardo entre la entrada y la salida nk.
Una vez elegidos estos valores, slo queda determinar el vector de coeficientes (ai, bi, ci, di
y fi ) que hacen que el modelo se ajuste a los datos de entrada - salida del sistema real.
En la figura 5 se muestra el diagrama de bloques equivalente para cada uno de los modelos
anteriores.
e e
1
j
j
u B y B y
A u
F
e e
C
C
D
B
j j
1
u B y u y
A F
Ejemplo 3
Para el sistema del ejemplo 2, y dado que el ruido se suma directamente a la salida, el tipo
de estructura ms apropiada para identificacin debe ser del tipo Output Error (OE).
Dentro de este tipo, el nmero de parmetros ptimo de los polinomios B y F son los que
coinciden con la estructura real del sistema, es decir:
B( q 1 ) b 1 q 2 + b 2 q 3
y( t ) = u( t ) + e( t ) = u( t ) + e( t )
F( q 1 ) 1 + f 1 z 1 + f 2 z 2 + f 3 z 3
Sin embargo, es importante tener en cuenta que en la mayora de los casos el diseador no
dispone de esta informacin sobre el sistema real, por lo que ser necesario ensayar con
varios tipos de estructuras y nmero de parmetros hasta dar con el modelo que mejor se
ajusta a los datos de entrada-salida registrados.
Una vez elegida la estructura del modelo (tanto el tipo - ARX, ARMAX, BJ, OE...- como los
rdenes de cada polinomio), es necesario determinar el valor de los parmetros del mismo que
ajustan la respuesta del modelo a los datos de entrada - salida experimentales. Es importante
destacar, sin embargo, que esta etapa del proceso de identificacin se ve facilitada por la
existencia de herramientas software que proporcionan diferentes algoritmos para el ajuste de
parmetros. Una de estas herramientas es el Toolbox de Identificacin de Matlab (ver
apndice).
Existen varios mtodos o criterios para realizar este ajuste de parmetros, entre los que cabe
destacar el mtodo de mnimos cuadrados y el de variables instrumentales.
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 (t,) a la diferencia
entre la salida estimada por el modelo y la salida real del sistema en un determinado instante
de tiempo:
Se dice que una estructura posee regresin lineal cuando la salida estimada puede expresarse
como:
y e ( t , ) = T ( t ) (ec.18)
donde T(t) es un vector columna formado por las salidas y entradas anteriores (conocido
como vector de regresin), y es el vector de parmetros del modelo.
= [ a1 b nb ]
T
a2 a na b1
(ec.19)
( t ) = [ y( t 1) y( t na)
T
u( t nk ) u( t nk nb + 1)]
Aplicando los criterios fijados en los dos apartados anteriores, la expresin del error de
prediccin es:
( t , ) = y( t ) T ( t ) (ec.20)
1 N 1
[ y( t ) T ( t ) ]
2
VN () = (ec.21)
N t =1 2
Existe un valor de que minimiza la funcin anterior y que constituye la estimacin del
modelo por mnimos cuadrados:
1 N
LSE = sol T ( t ) [ y( t ) T ( t ) ] = 0 (ec.22)
N t =1
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:
VAIC () = VN () (1 + 2 d N) (ec.23)
Ejemplo 4
Utilice el mtodo de mnimos cuadrados para estimar los parmetros del modelo OE
escogido en el ejemplo 3, utilizando para ello los datos de entrada-salida generados en el
ejemplo 2. Estime tambin un modelo ARX del mismo orden que el anterior, y compare
los parmetros de los modelos obtenidos con los del sistema real.
B=
0 0 0.4988 -0.2973
0 0 0.0023 0.0034
F=
1.0000 0.1995 0.1529 0.2421
0 0.0070 0.0063 0.0058
0.4988 q 2 0.2973 q 3
y( t ) = u( t )
1 + 01995
. q 1 + 0.1529 q 2 + 0.2421 q 3
Y( z) 0.4988 z 2 0.2973 z 3
=
U( z) 1 + 01995
. z 1 + 01529
. z 2 + 0.2421 z 3
siendo sus parmetros prcticamente idnticos a los del sistema real. Entre la informacin
del modelo se encuentran tanto la funcin de prdidas por el mtodo de mnimos
cuadrados simple (0.967) como con el criterio de Akaike (0.9767).
0.4963 q 2 0.3054 q 3
y( t ) = u( t )
1 + 01766
. q 1 + 01398
. q 2 + 0.2204 q 3
Y( z) 0.4963 z 2 0.3054 z 3
=
U( z) 1 + 01766
. z 1 + 01398
. z 2 + 0.2204 z 3
En este caso los parmetros se desvan ms que en el anterior puesto que se supone el
ruido aadido en otro punto del sistema (ver figura 5). Puede observarse que las funciones
de prdidas son superiores que en el caso anterior.
1 N
IV = sol ( t )[ y( t ) T ( t ) ] = 0 (ec.24)
N t =1
donde los elementos del vector (t) son las llamadas variables instrumentales, que resultan de
aplicar algn tipo de filtro lineal al vector de regresin lineal T(t). Este mtodo es en realidad
una generalizacin del mtodo de mnimos cuadrados, que proporciona mejores resultados en
aquellos casos en que existe algn tipo de correlacin entre el ruido y la salida del sistema.
El primer paso dentro del proceso de identificacin es realizar algn tipo de experimento
sobre el sistema bajo estudio para obtener los datos de entrada-salida que servirn de base
para la obtencin del modelo final.
Para que el proceso de identificacin sea satisfactorio, es necesario que los datos utilizados
para tal fin contengan informacin significativa sobre el sistema. Esto implica un cuidadoso
diseo del experimento de adquisicin de datos, debindose tomar una serie de decisiones
respecto a las seales que deben ser medidas, el periodo de muestreo a utilizar, el tipo de
entrada ms adecuada, el nmero de datos a almacenar, etc.
La/s entrada/s al sistema deben ser cuidadosamente elegidas de forma que los datos recogidos
proporcionen toda la informacin posible sobre el sistema. A este respecto, conviene tener en
cuenta los siguientes aspectos:
La seal de entrada debe contener el mayor nmero de frecuencias posibles. Por ejemplo,
una seal senoidal pura no es adecuada en un experimento de identificacin, puesto que
slo se obtendr la respuesta del sistema para la frecuencia de dicha seal. Por el contrario,
las seales escalonadas (con cambios bruscos) son muy utilizadas, puesto que contienen un
espectro suficientemente amplio de frecuencias.
Para sistemas lineales, basta con utilizar dos niveles de entrada, preferiblemente barriendo
todo el rango de variacin permitido. En este tipo de sistemas se suelen utilizar seales
binarias de duracin aleatoria (conocidas como seales binarias aleatorias o
pseudoaleatorias), como la mostrada en la figura 6.a). Sin embargo, para sistemas no
lineales es necesario trabajar con ms de dos niveles de entrada, como se muestra en la
figura 6.b).
a)
b)
La eleccin del periodo de muestreo est directamente relacionada con las constantes de
tiempo del sistema, y tiene una influencia decisiva en el experimento de identificacin. As,
un periodo de muestreo muy pequeo puede llevar a la obtencin de datos redundantes, que
no aportan informacin sobre el sistema (pero s ocupan espacio en la memoria del dispositivo
de almacenamiento de datos), mientras que un periodo de muestreo demasiado grande
provoca grandes dificultades a la hora de identificar la dinmica del sistema.
Una regla comnmente usada consiste en escoger una frecuencia de muestreo alrededor de
diez veces el ancho de banda del sistema. Esto corresponde aproximadamente a muestrear en
torno a cinco u ocho valores del tiempo de subida de la respuesta al escaln del sistema.
Los datos registrados pueden tener deficiencias que implican efectos devastadores en el resto
del proceso de identificacin, como son las siguientes:
A continuacin, se ver la forma de tratar cada una de estas deficiencias para conseguir unos
datos adecuados para el proceso de identificacin.
Estas perturbaciones se producen por fuentes de ruido ajenas al sistema y pueden ser evitadas
mediante una correcta eleccin del perodo de muestreo. Si, tras el experimento, se observa
que el perodo de muestreo escogido era innecesariamente pequeo (captndose por tanto
estas perturbaciones indeseadas), se puede recurrir al diezmado de los datos, para evitar
repetir el experimento con un perodo de muestreo mayor.
Estos datos suelen presentarse de forma aislada, pero pueden tener un efecto muy negativo en
el proceso de identificacin. Por tanto, es fundamental eliminarlos antes de iniciar el proceso.
Esto se realiza generalmente manualmente, eliminando dicho dato y aproximando su nuevo
A (q 1 ) y( t ) = B(q 1 ) u( t ) + e( t ) (ec.25)
Se trata de una ecuacin en diferencias que establece una relacin lineal entre la secuencia de
salida y(t), la secuencia de entrada u(t) y una fuente de ruido e(t), siendo q-1 el operador
retardo. Este modelo, en principio, debera caracterizar tanto la dinmica del sistema
(variaciones en torno a un punto de trabajo), como su respuesta en rgimen permanente, es
decir, cuando u(t) e y(t) se estabilizan en un valor que llamaremos u0 e y0 respectivamente.
Para este ltimo caso, la ecuacin anterior equivale a:
Existen distintas vas para solucionar el problema anterior, algunas de las cuales se comentan
a continuacin:
Si la planta bajo estudio va a trabajar en torno a un punto de trabajo conocido, basta con
modelar el comportamiento del sistema en torno a dicho punto de operacin. Por tanto, el
modelo slo debe satisfacer las condiciones dinmicas del sistema, no debiendo cumplir la
relacin (ec.26). Una vez determinado el punto de trabajo deseado, (y0 , u0) , se realiza el
siguiente tratamiento sobre los datos de entrada - salida:
y( t ) = y m ( t ) y 0
(ec.27)
u( t ) = u m ( t ) u 0
Los nuevos datos de entrada - salida y(t) y u(t) representan las desviaciones de los datos
originales en torno al punto de equilibrio, y satisfacen simultneamente las ecuaciones
(ec.25) y (ec.26). En el caso de la ecuacin (ec.26), ambos miembros de la igualdad se
hacen cero, al ser (0,0) el nuevo punto de equilibrio de los datos.
1 N 1 N
y0 = y m ( t) ; u 0 = u m (t ) (ec.28)
N t =1 N t =1
Si una entrada que vara en torno a u0 produce una salida que vara en torno a y0, entonces
el punto (u0 , y0) es un buen candidato a ser un punto de equilibrio del sistema, o estar
cercano a l.
A (q 1 ) y m ( t ) = B(q 1 ) u m ( t ) + + e( t ) (ec.29)
El modelo anterior no es un modelo lineal, y por tanto, no puede ser tratado mediante la
teora de sistemas lineales. Una solucin a este problema consiste en considerar la
constante como una perturbacin constante, que puede modelarse como:
( t ) (ec.30)
1 q 1
A ( q 1 ) 1
y m ( t) = 1 u m ( t ) + w(t ) (ec.31)
B(q ) (1 q ) A (q 1 )
1
donde w(t)=(t)+e(t).
El desplazamiento , por tanto, puede ser descrito cambiando el modelo de ruido de 1/A(q-
1
) a 1/((1-q-1).A(q-1)). Esto es equivalente a realizar un prefiltrado de los datos a travs de
un filtro L(q-1)=1-q-1, es decir, a realizar una diferenciacin de los datos:
y Fm ( t ) = L(q 1 ) y m ( t ) = y m ( t ) y m ( t 1)
(ec.32)
u Fm ( t ) = L(q 1 ) u m ( t ) = u m ( t ) u m ( t 1)
Es importante notar que el modelo (ec.31) es un caso especial del (ec.25) si los rdenes de
A(q-1) y B(q-1) en este ltimo se incrementan en uno. Esto supone que un modelo de orden
superior del tipo (ec.25) puede converger con los datos (ym(t),um(t)), como ya se coment
al presentar la problemtica de los niveles de continua.
La seal ms simple que puede utilizarse para el anlisis del transitorio es, sin duda, la
funcin escaln. La respuesta de un sistema simple a la seal escaln puede aproximarse
generalmente mediante uno de los tres siguientes modelos paramtricos en el dominio
continuo:
A
G (s) = e L s (ec.35)
s 2
2 s
+ n + 1
2n
Si la respuesta al escaln del proceso tiene la forma de la figura 7, que responde a un sistema
de primer orden, la expresin que describe la respuesta es:
( t L)
y ( t ) = A U (1 e
) (ec.36)
Amplitud
AU
0.632AU
L
tiempo (s)
L+
Amplitud
AU
0.632AU
0.284AU
L
Tiempo(s)
L+/3
L+
Los parmetros del modelo pueden calcularse en este caso usando la construccin grfica
mostrada en la figura 8 y siguiendo el procedimiento:
1. Se toman dos puntos de la curva que corresponden al 63.2% y al 28.4% del valor
estacionario final y se determinan t0,284 y t0,632.
2. Se plantean las ecuaciones:
t 0,284 = L + 3
t 0,632 = L +
Para una determinada estructura que haya sido parametrizada en funcin de magnitudes
fsicas, un mtodo importante de validacin consiste en comparar el valor estimado de dichos
parmetros y el que sera de esperar mediante el conocimiento previo que se tiene de la planta.
Ejemplo 5
1
Amplitud
10
0
10
-1
10
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
frecuencia (Hz)
Fase
100
-100
-200
-300
-400
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
frecuencia (Hz)
Ejemplo 6
0.8
0.6
0.4
0.2
-0.2
-0.4
-0.6
-0.8
-1
-1 -0.5 0 0.5 1
Otro mtodo para determinar si el modelo bajo estudio contiene demasiados parmetros
consiste en comparar los parmetros estimados con su desviacin estndar. Si el intervalo de
confianza de un parmetro contiene el valor cero, se debe considerar la posibilidad de
eliminar dicho parmetro.
Ejemplo 7
Analice las desviaciones estndar del modelo obtenido en ejemplo anterior, y compruebe
que a partir de ellas tambin se deduce la posibilidad de reducir el orden del modelo.
>> present(th_op1)
B=
0 0 0.4931 -0.1479 -0.0869
0 0 0.0024 0.2361 0.1425
F=
1.0000 0.4930 0.2204 0.2906 0.0786
0 0.4778 0.0908 0.0754 0.1135
Puede comprobarse que el ltimo parmetro de cada polinomio tiene una desviacin
superior al propio parmetro, lo que informa sobre la posibilidad de eliminar dicho
parmetro.
f) Simulacin
Un procedimiento muy habitual que puede ser considerado como otra tcnica de validacin de
modelos consiste en simular el modelo con un conjunto de entradas distintas a las utilizadas
para identificacin, y comparar la respuesta del modelo con la obtenida del sistema real.
Ejemplo 8
Valide mediante simulacin el modelo OE de orden [2 3 2]. Para ello, aplique la misma
entrada al sistema real y al modelo, y compare las respuestas obtenidas. Se propone como
ejercicio ensayar diferentes estructuras y rdenes, y contrastar los resultados.
g) Anlisis de residuos
siendo el vector de parmetros del modelo, y(t) la respuesta real del sistema e ye(t) la
respuesta estimada por el modelo para la misma entrada.
Idealmente, estos residuos deben ser independientes de la entrada. Si no sucede as, significa
que hay componentes en (t) que proceden de la entrada u(t), lo cual a su vez significa que el
modelo no es capaz de describir completamente la dinmica del sistema.
Para realizar el estudio anterior, suele comprobarse la correlacin entre el error de prediccin
y la entrada al sistema, segn la expresin:
1 N
R u = ( t + ) u( t )
N t =1
(ec.38)
El modelo ser tanto ms exacto cuanto ms se acerquen a cero los trminos de la correlacin
anterior. Puede demostrarse que si (t) y u(t) son realmente independientes, la expresin
anterior (para valores grandes de N) es una distribucin normal, con media cero y varianza
Pr = R( k ) R u ( k )
1
(ec.39)
N
Si existe correlacin para valores negativos de , esto indica que existe realimentacin de
la salida hacia la entrada, no que el modelo sea deficiente.
Si Ru() es considerablemente distinto de cero para un valor 0, esto indica que el trmino
u(t-0) debera ser incluido en el modelo. ste es un buen mtodo para ajustar el orden ms
apropiado de la estructura del modelo.
Ejemplo 9
Realice una representacin de los residuos y la correlacin cruzada entre la entrada y los
residuos para determinar la validez del modelo OE de orden [2 3 2] obtenido
anteriormente:
>> resid(datos_valid,th_oe);
Puesto que la correlacin no se sale del margen de validez, se deduce que la dinmica del
sistema queda suficientemente caracterizada con el modelo escogido.
0.5
0 5 10 15 20 25
lag
Cross corr. function between input 1 and residuals from output
0.1 1
0.05
-0.05
-0.1
-25 -20 -15 -10 -5 0 5 10 15 20 25
lag
Sin embargo, si se estima un modelo de orden inferior (por ejemplo, con un parmetro
menos en el polinomio F), el anlisis de residuos sera el mostrado en la figura 12.
0.5
-0.5
0 5 10 15 20 25
lag
Cross corr. function between input 1 and residuals from output
0.2 1
-0.2
-0.4
-0.6
-25 -20 -15 -10 -5 0 5 10 15 20 25
lag
6. Identificacin recursiva
En determinadas ocasiones puede ser necesario estimar los parmetros de un modelo a la vez
que se reciben los datos de entrada-salida del mismo, como sucede en los sistemas de control
adaptativo. Esto permite actualizar los parmetros del modelo en el caso de que se produzcan
variaciones en la planta. Este tipo de algoritmos se conocen como mtodos de identificacin
recursiva.
( t ) = ( t 1) + K ( t ) ( y( t ) y e ( t )) (ec.40)
donde (t) es el vector de parmetros estimado en el instante t, y(t) la salida real del sistema
en dicho instante de tiempo, ye(t) la salida estimada con los parmetros actuales, y (t-1) el
vector de parmetros del modelo en el instante de tiempo anterior. De esta forma, K(t)
determina el modo en que el error de prediccin y(t)-ye(t) afecta en la actualizacin on-line de
los parmetros del modelo. Generalmente K(t) se elige del siguiente modo:
K ( t ) = Q ( t ) ( t ) (ec.41)
Uno de los criterios ms utilizados consiste en suponer que los parmetros reales de la planta
0 cambian aleatoriamente del siguiente modo:
o t) o ( w( t ) (ec.42)
R 1 = Ew ( t ) w T ( t ) (ec.43)
Suponiendo que el modelo puede escribirse como una regresin lineal, uno de los mtodos
ms sencillos de escoger la matriz Q(t) est basado en el filtro de Kalman, dando lugar al
siguiente algoritmo:
( t ) = ( t 1) + K( t ) ( y( t ) y e ( t ))
y e ( t ) = T ( t ) ( t 1) (ec.44)
K( t ) = Q( t ) ( t )
P( t 1)
Q( t ) =
R 2 + ( t ) P( t 1) ( t )
T
P( t 1) ( t ) T ( t ) P( t 1)
P( t ) = P( t 1) + R 1
R 2 + T ( t ) P( t 1) ( t )
Las alternativas hardware para controlar un motor de continua desde un dispositivo digital son
mltiples. La mayor parte de ellas actuan sobre el motor a travs de un sistema electrnico
que converte un cdigo digital (Vcod) en una tensin proporcional al mismo (Vm) capaz de
excitar al motor y leen la velocidad de ste (Wm) mediante un tacmetro digital que genera
un cdigo proporcional a la velocidad (Wcod), segn la estructura mostrada en la figura 13.
+ Vcod Vm
Wref CONTROLADOR ACTUADOR
ELECTRNICO
_
MOTOR
ENCODER
TACMETRO
DIGITAL
Wcod Wm
Desde este punto de vista, la planta sobre la que acta el controlador digital est formada por
el conjunto Actuador+Motor+Tacmetro, cuyo modelado es necesario abordar como etapa
previa al diseo del controlador.
La funcin de transferencia terica que modela cada uno de los bloques que componen la
planta es la siguiente:
1. Actuador electrnico. La relacin entre la tensin que llega al motor Vm, y el cdigo
digital Vcod debe ser lineal, de forma que el actuador electrnico se puede modelar como
una ganancia de valor:
Vm (s) Vm mx V
Kact = = = nN
Vcod(s ) Vcod mx 2 1
siendo VN la tensin que llega al motor cuando Vcod toma su valor mximo (2n-1 siendo n
el nmero de bits de Vcod).
1
Wm(s) KE Am
M (s) = = e Lms = e Lms
Vm(s) R a Jm m s + 1
s +1
KM KE
Wm N Ts
Wcod =
60
Por tanto, la funcin de transferencia P(s) de la planta completa (conjunto actuador + motor +
tacmetro) responde a una expresin del siguiente tipo:
en la que aparecen como parmetros la ganancia esttica total A, la constante de tiempo total
y el retardo total entre la entrada y la salida L.
INTERFAZ HARDWARE
ACTUADOR ELECTRNICO Vm
Vcod
V
Kact = n N
DISPOSITIVO 2 1 MOTOR
Am sLm
DIGITAL e
TACMETRO DIGITAL ms +1
Wcod N Ts Wm
Ktac =
60
Conocida la estructura terica del modelo de la planta, es necesario obtener el valor de sus
parmetros. Para ello puede recurrirse a los datos proporcionados por el fabricante, con la
limitacin de que dichos datos se refieren al modelo del motor, pudiendo estar sujetos a
importantes tolerancias. La alternativa consiste en realizar una identificacin experimental
basada en el registro de datos de entrada-salida y la posterior aplicacin de las tcnicas de
identificacin de sistemas vistas en este captulo.
Para que el proceso de identificacin sea satisfactorio, los datos recogidos deben contener
informacin significativa sobre la planta.
Solicitar periodo de
muestreo Ts
Inicializacin:
parar el motor
inicializar el hardware
Eviar vcod[i]
Leer wcod[i]
Dejar pasar Ts
Incrementar i SI
i<(nx)
NO
Tratamiento de datos si es
necesario
(ej: conversin de posicin a
velocidad, etc.)
Finalizacin:
parar el motor
guardar vcod[] y wcod[] en ficheros
Vcod
60
40
20
0
0 100 200 300 400 500 600 700 800
Wcod
200
150
100
50
0
0 100 200 300 400 500 600 700 800
Figura 16. Ejemplo de registro de datos de entrada-salida de una planta basada en motor CC.
1. Recupere en Matlab los datos recogidos en la fase anterior mediante el uso de las funciones
fopen(), fread() y fclose().
2. Realice la representacin grfica de los datos utilizando para ello la funcin del Toolbox de
Identificacin idplot().
3. Decida si es necesario realizar un tratamiento de los datos. En caso de que sea necesario, el
Toolbox de Identificacin proporciona, entre otras, las siguientes funciones para la
manipulacin de datos: dtrend() y idfilt().
Ejemplo 10.
Del anlisis del primer escaln de la figura 16 pueden extraerse las siguientes
conclusiones:
150 0
150 0
150 1
150 4
Puesto que las dos primeras muestras son nulas, puede asegurarse que TsL<2Ts.
2. La ganancia esttica se obtiene de la relacin entre el valor final de Wcod y Vcod, tal
y como se muestra en la siguiente figura:
Wcod ss 45
A= =
Vcod ss 150
150
Vcod
100
50
45
450,63
Wcod
0
0 18 50 100 150
n de muestra
Figura 17. Anlisis de la respuesta transitoria
= (18 2) Ts
2. Obtenga a partir de los resultados del apartado anterior el valor de la ganancia esttica,
constante de tiempo y retardo del motor. Para ello, mida previamente sobre el interfaz
hardware el valor exacto de las constantes Kact y Ktac.
3. Compare los resultados obtenidos con la informacin proporcionada por el fabricante del
motor.
Los mtodos de identificacin paramtrica se basan en la obtencin del modelo a partir de una
estructura y un nmero finito de parmetros. Entre las distintas estructuras (AR, ARX,
ARMAX, OE, BJ...), se ensayar nicamente la ARX, por ser una de las ms sencillas. Dicha
estructura responde a la siguiente ecuacin en diferencias para caracterizar el sistema:
A(q 1 ) y( t ) = B(q 1 ) u ( t ) + e( t )
y( t ) + a 1 y( t 1) + a 2 y( t 2) = b 0 u ( t 3) + b 2 u ( t 4)
o en el dominio transformado:
y( z ) b 0 + b 1 z 1
= z 3
u (z ) 1 + a 1 z 1 + a 2 z 2
2. Obtencin de los parmetros del modelo (en el ejemplo a1, a2, b0, y b1 ) que ajustan la
respuesta del mismo a los datos de entrada salida obtenidos experimentalmente.
El primer paso es tarea del diseador, mientras que el segundo puede realizarse mediante el
uso de herramientas software como el Toolbox de Identificacin.
2. Utilice la funcin ARX para obtener los parmetros del modelo con la estructura escogida
en el apartado anterior.
4. Una vez traducido al dominio continuo, compare los resultados con los obtenidos mediante
el estudio de la respuesta transitoria, tanto para la planta completa como para el motor.
Una vez obtenido el modelo, debe decidirse si ste se ajusta correctamente al comportamiento
de la planta. Para ello pueden seguirse diversos mtodos.
1. Utilice un nuevo conjunto de datos de entrada tanto para excitar a la planta real como para
simular el modelo mediante la funcin IDSIM. Pruebe varias estructuras y decida cul de
ellas se ajusta mejor a la planta.
2. Realice un anlisis de los residuos de los modelos anteriores para determinar la validez del
nmero de parmetros escogidos. Realice tambin el estudio mediante la representacin de
polos y ceros de los diferentes modelos y de las desviaciones estndar de sus parmetros.
3. Indique cules son los valores definitivos de los parmetros A, y L obtenidos del proceso
completo de identificacin.
Las versiones del Toolbox de Identificacin a partir de la 4.0 permiten trabajar en dos modos
distintos:
En este apndice se realiza una descripcin de las principales funciones del Toolbox de
Identificacin para trabajar en modo comando, as como una breve introduccin al Interfaz de
Usuario.
Los datos anteriores suelen encontrarse almacenados en ficheros ascii, que pueden ser
cargados en el Workspace de Matlab mediante la funcin load para el posterior trabajo con
los mismos.
Todas las funciones del Toolbox de Identificacin que requieren como parmetro los datos de
entrada-salida, deben recibir dichos datos en una matriz de dos columnas y N filas, siendo N
el nmero de datos (muestras) de entrada-salida registrados. En la primera columna deben
Mediante la funcin idplot se puede realizar una representacin de los datos de entrada -
salida, muy til para observar posibles deficiencias en los mismos que pueden dificultar el
proceso de identificacin, haciendo necesario un tratamiento previo de los mismos.
Ejemplo A.1.
OUTPUT #1
7
3
0 100 200 300 400 500
INPUT #1
7
Ejemplo A.2
>> datos_ident=dtrend(datos_ident);
>> idplot(datos_ident);
OUTPUT #1
2
-1
-2
0 100 200 300 400 500
INPUT #1
-1
Identificacin no paramtrica
covf Estimacin de la funcin de covarianza de una matriz de datos.
cra Anlisis de correlacin para obtencin de la respuesta al impulso.
etfe Estimacin de funcin de transferencia emprica y periodograma.
spa Anlisis espectral.
Presentacin de resultados
bodeplot Diagrama de Bode de una funcin de transferencia o espectro.
ffplot Representacin de funciones frecuenciales.
nyqplot Diagrama de Nyquist de una funcin de transferencia.
zpplot Representacin de ceros y polos.
Ejemplo A.3
>> bodeplot(g);
>> nyqplot(g); 10
-1
-2
10
-2 -1 0 1
10 10 10 10
frequency (rad/sec)
PHASE PLOT, input # 1 output # 1
0
ph -200
ase
-400
-600
-2 -1 0 1
10 10 10 10
frequency (rad/sec)
Figura A.3. Diagrama de Bode obtenido
150 0.4 30
0.2
180 0
210 330
240 300
270
1 B(q 1 ) C ( q 1 )
A ( q ) y( t ) = u( t ) + e( t )
F ( q 1 ) D ( q 1 )
donde u(t), y(t) y e(t) son la entrada, salida y ruido del sistema respectivamente, y A, B, C, D
y F son polinomios funcin del operador desplazamiento (q-1).
Escoger una estructura significa escoger los rdenes de todos los polinomios que intervienen.
En muchas ocasiones esta eleccin lleva a simplificaciones tpicas de la estructura general
anterior (conocida como PEM), entre las que hay que destacar:
ARX: A (q 1 ) y( t ) = B(q 1 ) u( t ) + e( t )
ARMAX: A (q 1 ) y( t ) = B(q 1 ) u( t ) + C(q 1 ) e( t )
Ejemplo A.4
y ( t ) 15
. y( t 1) + 0.7y( t 2) = 2.5u( t 2) + 0.9u( t 3)
A (q 1 ) = 1 15
. q 1 + 0.7q 2
B(q 1 ) = 0 + 0q 1 + 2.5q 2 + 0.9q 3
Todas las funciones del Toolbox de Identificacin para identificacin paramtrica responden
al siguiente formato de llamada:
donde y y u son vectores columna que contienen las muestras de salida y entrada
respectivamente, ths es un vector con informacin sobre la estructura escogida y th es el
modelo estimado en formato codificado (formato theta). Se utilizar una funcin u otra
dependiendo del tipo de modelo escogido (ARX, ARMAX, OE, BJ) o el mtodo de ajuste de
los parmetros (mnimos cuadrados o variables instrumentales).
[
ths = na nb nc nd nf nk ]
siendo na, nb, nc, nd y nf el nmero de coeficientes de los polinomios A, B, C, D y F de la
estructura escogida, y nk el nmero de retardos entre la entrada y la salida. En caso de que el
modelo escogido no tenga alguno/s de los polinomios anteriores, se suprimen del vector
anterior el/los componente/s correspondientes a dicho/s polinomio/s.
Todas las funciones devuelven los parmetros del modelo en formato codificado. Para
presentar dichos parmetros en pantalla puede utilizarse la funcin:
>> present(th)
que muestra por cada polinomio del modelo un vector que contiene los coeficientes del
mismo comenzando por el trmino independiente a la izquierda, y continuando con las
potencias crecientes del operador retardo q-1.
Identificacin paramtrica
ar Estimacin de un modelo AR usando mnimos cuadrados recursivos.
armax Estimacin de un modelo ARMAX usando mnimos cuadrados recursivos.
arx Estimacin de un modelo ARX usando mnimos cuadrados recursivos.
bj Estimacin de un modelo Box-Jenkins usando mnimos cuadrados recursivos.
oe Estimacin de un modelo Output Error usando mnimos cuadrados recursivos.
pem Estimacin de un modelo lineal genrico usando mnimos cuadrados recursivos.
ivar Estimacin de un modelo AR usando variables instrumentales.
ivx Estimacin de un modelo ARX usando variables instrumentales.
iv4 Estimacin de un modelo ARX usando variables instrumentales de 4 etapas.
Presentacin de resultados
present Presentacin de modelos paramtricos en formato theta.
Ejemplo A.5
Para el ejemplo del secador de mano, obtenga un modelo que se ajuste a la siguiente
estructura:
y( t ) + a 1 y( t T) + a 2 y( t 2 T) = b 1 u( t 3T) + b 2 u( t 4T)
B=
0 0 0 0.0652 0.0452 /*Coeficientes del polinomio B*/
0 0 0 0.0016 0.0025 /*Desviaciones de los coeficientes del polinomio B*/
A=
1.0000 -1.2765 0.3967 /*Coeficientes del polinomio A*/
0 0.0159 0.0146 /*Desviaciones de los coeficientes del polinomio A*/
Por tanto, los polinomios A(q-1) y B(q-1) resultantes de la identificacin son los
siguientes:
A (q 1 ) = 1 12765
. q 1 + 0.3967q 2
B(q 1 ) = 0.0652q 3 + 0.0452q 4
Ejemplo A.6
Para el ejemplo del secador de mano, obtenga la estructura que mejor ajusta el
comportamiento del sistema a un modelo ARX
La funcin struc devuelve una matriz con todas las estructuras resultantes de combinar
los rdenes na, nb y nk pasados como parmetros de entrada. La funcin arxstruc, a la
cual se le pasan la matriz de datos de identificacin, la de datos de validacin y la de
estructuras generada anteriormente, devuelve las funciones de prdidas de todas las
estructuras. Por ltimo, la funcin selstruc selecciona de todas las estructuras aqulla que
presenta una menor funcin de prdidas.
>> nn=struc([1:10],[1:10],[1:10]);
>> v=arxstruc(datos_ident,datos_val,nn);
>> nn=selstruc(v)
nn = 10 5 2
Por tanto, la estructura ARX ptima para los datos del secador de mano es aqulla que
tiene diez coeficientes para A(q-1), 5 para B(q-1) y dos retardos entre la entrada y la salida.
El Toolbox de Identificacin proporciona varias funciones que permiten traducir los modelos
identificados de un formato a otro, incluyendo el paso de modelos paramtricos a no
paramtricos y viceversa. Dichas funciones se muestran en la siguiente tabla:
Ejemplo A.7
Puesto que la conversin del dominio discreto al continuo depende del periodo de
muestreo utilizado, el primer paso es incluir en el formato theta del modelo obtenido en el
ejemplo A.5 la informacin del periodo de muestreo (supngase de 1 ms). A
continuacin, mediante las funciones thd2thc y th2tf se transforma el modelo del
dominio discreto al continuo primero, y despus del formato theta al de funcin de
transferencia (compuesto por numerador y denominador). Por ltimo, la funcin de
transferencia puede presentarse en pantalla mediante la funcin printsys.
>> th=sett(th,0.001);
>> present(th)
This matrix was created by the command ARX on 9/22 1998 at 10:37
Loss fcn: 0.001687 Akaike`s FPE: 0.001714 Sampling interval 0.001
The polynomial coefficients and their standard deviations are
B=
0 0 0 0.0652 0.0452
0 0 0 0.0016 0.0025
A=
1.0000 -1.2765 0.3967
0 0.0159 0.0146
>>thc=thd2thc(th);
>>[numc,denc]=th2tf(thc);
>> printsys(numc,denc,'s')
num/den =
2.481 s + 1.718e+005
-----------------------------------
s^2 + 924.5 s + 1.87e+005
Validacin de modelos
Compare Comparacin de la salida simulada con la salida real del sistema.
Idsim Simulacin de un modelo.
Pe Clculo de errores de prediccin de un modelo.
Predict Prediccin de salidas futuras de un modelo.
Resid Clculo de los residuos de un modelo.
Ejemplo A.8
Compare la respuesta real del sistema con la salida de simulacin del modelo usando para
ello los datos de entrada-salida reservados para validacin del modelo. Calcule tambin
los residuos del modelo.
>> compare(datos_valid,th);
Output # 1 Fit:
1.5 0.0856
0.5
-0.5
-1
-1.5
-2
0 100 200 300 400 500
Yellow: Model output, Magenta: Measured
output
Figura A.5. Comparacin de las salidas real y simulada.
>> resid(datos_valid,th);
0.5
-0.5
0 5 10 15 20 25
lag
Cross corr. function between input 1 and residuals from
0.2 output 1
0.1
-0.1
-30 -20 -10 0 10 20 30
lag
En la tabla A.7 se muestran todas las funciones para identificacin recursiva proporcionadas
por el Toolbox de Identificacin:
Identificacin Recursiva
Rarmax Estimacin recursiva de modelos ARMAX.
Rarx Estimacin recursiva de modelos ARX.
Rbj Estimacin recursiva de modelos Box Jenkins (BJ)
Roe Estimacin recursiva de modelos Output Error (OE - filtros IIR)
Rpem Estimacin recursiva de modelos genricos mediante errores de prediccin.
rplr Estimacin recursiva de modelos genricos mediante regresin pseudo-lineal.
donde datos contiene los datos de entrada - salida, nn especifica la estructura del modelo y los
parmetros adm y adg hacen referencia al mtodo de adaptacin y sus parmetros tpicos
respectivamente (dependen de la funcin utilizada).
Como se observa en la figura, la ventana dispone de dos zonas con varios recuadros cada una:
El tablero de modelos est en la zona derecha de la pantalla, y puede contener en cada uno
de sus recuadros diferentes modelos obtenidos a partir de la identificacin realizada con
datos del tablero de datos. Cada modelo quedar representado tambin por un icono
distinto.
Los datos del tablero de datos pueden provenir de las siguientes fuentes:
Todos los procesos realizados mediante el GUI actan sobre los llamados Datos de
Trabajo, contenidos en el recuadro central de la ventana (working data). Para modificar
los datos de trabajo basta con arrastrar con el ratn el icono con los nuevos datos de trabajo
desde el tablero de datos hasta el recuadro working data.
Del mismo modo, todos los procesos del GUI que necesiten datos para validacin los tomarn
del recuadro (validation data) situado debajo del tablero de modelos.
Tanto los datos de entrada-salida como los modelos pueden representarse en pantalla de
diversas formas.
Para representar en pantalla un conjunto de datos del tablero de datos, en primer lugar hay que
hacer click con el ratn sobre su icono, quedando ste resaltado mediante una lnea ms
gruesa. Pueden seleccionarse varios conjuntos de datos simutneamente. Para desactivar un
conjunto de datos, se vuelve a hacer click con el ratn sobre su icono. A continuacin se
selecciona en el men de Data Views el tipo de representacin que se desea: representacin
temporal de las seales (Time plot) o del espectro de las mismas (Data espectra).
Con los modelos se procede de igual manera, seleccionando con el ratn aqullos que se
quieren representar, y escogiendo el tipo de representacin entre salida del modelo (Model
output), residuos del modelo (Model resids), respuesta transitoria (Transient resp),
respuesta frecuencial (Frecuency resp), ceros y polos (Zeros and poles) y espectro del
ruido (Noise spectrum).
Los conjuntos de datos o los modelos creados mediante el interfaz grfico generalmente no
estn visibles desde el Workspace. Sin embargo, esta informacin puede ser exportada en
cualquier momento al Workspace sin ms que arrastrar con el ratn el icono de los datos o el
modelo correspondiente. El nombre de la matriz con la informacin del modelo o de los datos
coincidir con el del icono dentro del interfaz grfico.
A.10.1. Utilizando como punto de partida el fichero dryer2 proporcionado por Matlab, con
datos de entrada-salida correspondientes a un secador de mano obtenidos con un periodo de
muestreo de 0.08 segundos, se pide:
1. Cargue los datos en el Workspace, y separe los trescientos primeros datos para identificar y
el resto para validar. Realice la representacin grfica de ambos conjuntos de datos.
2. Elimine los niveles de continua del conjunto de datos para identificacin y realice una
nueva representacin grfica de los mismos.
3. Realice una representacin de la respuesta al impulso del sistema mediante un anlisis de
la correlacin (utilice para ello la funcin cra). Estime de forma aproximada a partir del
resultado cules son las constantes de tiempo del sistema y el retardo del mismo.
4. Obtenga la respuesta al escaln del sistema mediante una integracin de la respuesta al
impulso (se propone utilizar para ello la funcin cumsum).
5. Obtenga un modelo ARX con dos polos, un cero y tres retardos. Escriba la ecuacin en
diferencias correspondiente al modelo obtenido.
6. Para validar el modelo anterior, realice una simulacin del mismo con los datos reservados
para la validacin, y compare su respuesta con la respuesta real del sistema.
7. Obtenga los polos y ceros del modelo anterior.
8. Obtenga la funcin de transferencia discreta del modelo anterior.
9. Compare la funcin de transferencia anterior (obtenida de forma indirecta a partir de una
identificacin paramtrica de un modelo ARX) con la obtenida de la identificacin no
paramtrica directa mediante un anlisis espectral.
B = [0 1 0.5];
A = [1 -1.5 0.7];
1. Obtenga el formato theta del sistema anterior, utilizando para ello la funcin poly2th,
utilizando el tercer parmetro de la misma para caracterizar la presencia de perturbaciones
en el sistema.
2. Genere mediante la funcin rand un vector de entradas aleatorias u, otro de ruido aleatorio
e, y simule la respuesta del sistema en dichas condiciones utilizando para ello la funcin
idsim. Realice una representacin de los datos de entrada-salida obtenidos, que se
utilizarn en adelante para obtener varios modelos y comparar sus caractersticas.
3. Obtenga para los datos de entrada-salida anteriores un modelo ARX (por el mtodo de
mnimos cuadrados) con dos polos, un cero y un retardo entre la entrada y la salida.
4. Obtenga otro modelo por el mtodo de variables instrumentales, tambin con dos polos, un
cero y un retardo entre la entrada y la salida.
5. Obtenga las funciones de transferencia de los dos modelos obtenidos en los apartados 3 y
4. Represente sobre una misma grfica los diagramas de Bode correspondientes a dichas
funciones de transferencia.
6. Calcule y represente los residuos del modelo obtenido por el mtodo de variables
instrumentales.
7. Obtenga ahora un modelo ARMAX y otro BJ ambos de segundo orden (dos coeficientes
para todos los polinomios que intervienen) con un retardo entre la entrada y la salida.
Obtenga las funciones de transferencia para ambos modelos y compare los diagramas de
Bode con el obtenido por el mtodo de variables instrumentales.
8. Represente grficamente los residuos de los modelos ARMAX y BJ.
9. Simule los modelos ARMAX y BJ utilizando para ello el vector de entrada u obtenido en
el apartado 1. Dibuje sobre la misma grfica la salida real y las salidas de la simulacin de
ambos modelos.
10.Represente los polos y ceros de los modelos ARMAX y BJ.
A.10.3. Para la realizacin de este ejercicio se utilizarn tambin los datos del fichero
dryer2 proporcionado por Matlab. Se parte de dichos datos divididos en dos mitades: la
primera para identificar y la segunda para validar. A ambos conjuntos de datos se les ha
eliminado la componente continua.
Se pretende trabajar con diferentes modelos, todos ellos con la siguiente estructura:
1. Se desea obtener el retardo nk. Para ello, se escogern estructuras con na=nb=2, y se
ensayarn todos los modelos con retardos comprendidos entre 1 y 10. Obtenga las
funciones de prdidas para todos los modelos anteriores, y escoja la estructura ptima
(utilice las funciones arxstruc y selstruc).
2. A continuacin se buscar el orden del sistema ptimo, ensayando los 25 modelos posibles
de combinar rdenes de A y B comprendidos entre 1 y 5. Utilice como retardo el obtenido
en el apartado anterior.
3. Como norma general, los modelos obtenidos son tanto ms exactos cuanto mayor sea su
orden. Sin embargo, debe buscarse el modelo ms reducido que satisface la dinmica del
sistema. Realice una representacin de los ceros y polos del modelo seleccionado en el
apartado anterior y decida, en funcin de la proximidad de los mismos (tendencia a
cancelarse) si se puede reducir el orden del sistema. En caso afirmativo, realice la
simulacin del modelo ptimo y del reducido y analice las diferencias.
NOTA: resulvanse todos los ejercicios desde la lnea de comandos de Matlab primero y a
continuacin.
BIBLIOGRAFA
L. Ljung. System Identification. Theory for the user. Prentice Hall. 1987.
M.K. Masten. Modern Control Systems. Study Guide. IEEE/EAB Self-Study Course.
1995.
L Ljung. The System Identification Toolbox: The Manual. The MathWorks Inc. 1986.