IDENTIFICACION DE MODELO EN TIEMPO CONTINUO

1.-OBJETIVOS.

En lo que sigue, se va a realizar una introducción a los comandos de matlab relacionados con la
teoría de control de sistemas. Casi todas las funciones que se describen pertenecen al Control
System Toolbox. Las funciones principales se van a explicar sobre ejemplos demostrativos, con el
fin de que su uso y comprensión sean lo más sencillos posible. Se realizarán ejemplos tanto en el
dominio temporal, continuo y discreto, como en el frecuencial.

2. SOFWARE Y MATERIALES A UTILIZAR

 SIMULINK
 MATLAB
 MANUAL DE SISTEMA IDENTIFICATION (SYSTEM IDENTIFICATION)

3.-MARCO TEORICO.

Identificación de Sistemas.

Identificación Identificación de Sistemas Sistemas puede definirse como el área de Teoría de

Sistemas que estudia metodologías para la obtención de modelos matemáticos de sistemas
dinámicos a partir de mediciones sobre el sistema.

System Description

Este estudio se refiere caso los datos recogidos a partir de una escala de laboratorio "servosistema
posicional con realimentación de velocidad". Considérese el sistema de seguimiento de la Figura 5-
13(a). En este aparato se realimenta la señal de velocidad a la entrada, junto con la señal de
posición, para producir una señal de error.

En cualquier sistema de seguimiento, tal señal de velocidad se genera con facilidad mediante un
tacómetro La realimentación de velocidad de un tacómetro se usa mucho en los servosistemas de
posicionamiento. Se observa que, si el sistema está sujeto a señales de ruido, la realimentación de
velocidad puede generar cierta dificultad si un esquema de realimentación de velocidad específico
realiza una diferenciación de la señal de salida.

Primero cargamos los datos de entrada-salida a la MATLAB® espacio de trabajo.

Planificación de Experimentos y Obtención de datos:

Selección del tipo de entradas con las cuales se excitará al sistema. Deben ser lo suficientemente
ricas (Persistencia de Excitación) como para excitar todos los modos (Dinámicos) del sistema.

Sólo pueden identificarse los modos que son observables desde las salidas y son suficientemente
excitados desde las entradas (i.e., la parte controlable y observable del sistema).
Sólo pueden identificarse los modos que son observables desde las salidas y son suficientemente
excitados desde las entradas (i.e., la parte controlable y observable del sistema).

Tipos de Entradas:
Random Binary, Pseudo-Random Binary
(PRBS), Escalones/Pulsos Múltiples, Senoidales, etc.

Parámetros de las Señales:

e.g., número de registros en
una PRBS, tiempo de conmutación, magnitud, duración,
frecuencia de la señal, etc.

Modelos

Modelos lineales o Modelos No Lineales

Modelos en TD: ecuaciones en diferencia, funciones transferencia en el dominio Z, modelos en

espacio de estados, modelos autoregresivos.

Modelos en TC: ecuaciones diferenciales, funciones tranferencia en el dominio de S, modelos

en espacio de estados.

Validación del Modelo.

Obtención de una medida del modelo. Esto
Decidir si el modelo es lo suficientemente bueno para la aplicación para la cual fue derivado
(capacidad de predicción).
Determinar cuán lejos del sistema real está el modelo (medida de la incertidumbre del
modelo).
Determinar si el modelo y los datos son consistentes con las hipótesis sobre la estructura de
modelo.

La validación requiere normalmente la realización de nuevos experimentos, modificando

posiblemente la estructura de modelo, o las señales de excitación, o el criterio, etc.

5. PROCEDIMIENTO.
Diagrama de en el simulink.

SCOPE

Toma de datos.
Entrada y salida.

>> data

data =

Time domain data set with 1001 samples.

Sample time: 0.1 seconds

Outputs Unit (if specified)

y1

Inputs Unit (if specified)

u1
datos.

Input_exp1=[y(:,3)];
Input_exp2=[y(:,4)];
Output_exp1=y(:,2);
Output_exp2=y(:,5);

figure (2)
plot(tout,y(:,1),tout,y(:,2))
legend('Input 1','Output 1','Output 2')
figure (3)
plot(tout,y(:,1),tout,y(:,3))
legend('Input 1','Input 2','Output 1')

figure (4)
plot(ze)
figure (5) % Open a new MATLAB Figure window
plot(zv) % Plot the validation data

Ze1 = ze(1:1000);
Zv1 = zv(1:1000);

Ge=spa(ze);

figure (6)
bode(Ge)
figure (7)
Mimp = impulseest(Ze1,60);

% step response
step(Mimp)

delayest(ze)
NN1 = struc(2:5,1:5,5);
selstruc(arxstruc(ze(:,:,1),zv(:,:,1),NN1))

NN2 = struc(1:3,1:3,10);
selstruc(arxstruc(ze(:,:,2),zv(:,:,2),NN2))
Opt = tfestOptions('Display', 'on');
np = [2 1];
ioDelay = [2.5 5];
mtf = tfest(Ze1, np, [], ioDelay, Opt);
mtf
mtf = tfest(Ze1,np,[],ioDelay,Opt);

figure (8)
compare(Zv1,mtf)
figure (9)
resid(Zv1,mtf)
5. CONCLUSIONES Y RECOMENDACIONES
 Logramos navegar en el interfaz de Matlab (simulink), desarrollando un
modelo para poder obtener datos y poder ontener datos para realizar
nuestro trabajo.
 Se logró modelar una función de transferencia a partir de datos tomados.
 Analizamos el modelo estimado con los diagramas de Bode, Nyquis, y
escalon.

6. BIBLIOGRAFIA

 Ingenieria de control moderna Ogata

 Matlabworks