Universidad Nacional del Sur

Control Moderno

Modelado en ecuaciones en variables de

estado e identificación de parámetros

Alumnos:
Gastón Vilches
Pedro Querejeta Simbeni

25 de abril de 2019
1. Introducción
El sistema bajo estudio es el péndulo con volante de inercia ya estudiado
en el primer informe del curso. En el presente trabajo se realizó la identifi-
cación del modelo no lineal del péndulo con volante de inercia a partir de
las mediciones de posiciones angulares y tensión de entrada. El trabajo se
dividió en dos partes. En la primera se obtuvieron y procesaron la velocidad
y aceleración del sistema a partir de mediciones de posición angular. En la
segunda parte se utilizaron estas mediciones para realizar la identificación
del modelo dinámico.
Para encontrar el modelo dinámico se utilizó el método de Lagrange,
y luego se lo representó en variables de estado. Luego, se identifican los
parámetros del modelo utilizando el método de descomposición en valores
singulares. Finalmente se ensayó el modelo no lineal identificado utilizando
Simulink para compararlo con mediciones del sistema real.
La variable de entrada del modelo estudiado es la tensión del motor y su
salida es la posición angular θ1 . Se desprecian las pérdidas por fricción de los
ejes y del aire.

2. Desarrollo de la primera parte

Para estimar la velocidad angular a partir de las mediciones de posición
angular se utilizó diferencias finitas. Lo mismo para la aceleración, a partir
del vector de velocidad. Las ecuaciones (1), (2) y (3) corresponden al cálculo
de diferencias hacia adelante, hacia atrás y centradas respectivamente.

x1 [(k + 1)T ] − x1 [kT ]

x˙1 [kT ] ≈ (1)
T
x1 [kT ] − x1 [(k − 1)T ]
x˙1 [kT ] ≈ (2)
T
x1 [(k + 1)T ] − x1 [(k − 1)T ]
x˙1 [kT ] ≈ (3)
2T
Para este trabajo se optó por utilizar la ecuación (3) ya que no introduce
retardo en el cálculo de la derivada. En los extremos, cuando k = 1 o k = N
(siendo N la longitud del vector), no es posible usar la ecuación (3). Entonces,
para obtener el elemento correspondiente a la posición k = 1 se utilizó la
ecuación (1), y para k = N la (2).
Las mediciones de posición se obtuvieron de manera digital, de modo
que están cuantizadas. Al derivar la posición para obtener la velocidad y la

1
aceleración, el ruido de cuantización se amplificó, por lo que fue necesario
filtrar las señales. Para ello se utilizó un filtro pasabajos, debido a que este
ruido es de alta frecuencia. Se utilizó una ventana de Kaiser y las frecuencias
y órdenes del filtro variaron según la medición. En general se utilizó un filtro
de orden 20 y una frecuencia de corte de 0,95 (normalizada a 2π) para la
posición del péndulo, y un filtro de orden 16 y una frecuencia de corte de 2,2
para la posición del volante de inercia.
La derivación y filtrado de señales se implementó mediante scripts en
Matlab. La calidad de filtrado se analizó mediante inspección visual de las
señales temporales.

3. Desarrollo de la segunda parte

3.1. Representación en variables de estado
En el primer informe del curso, se utilizó el método de Euler-Lagrange
para obtener las ecuaciones dinámicas del sistema, siendo éstas

I1 θ¨1 + m1 c2 θ̈1 + I2 (θ¨1 + θ¨2 ) + m2 L2 θ¨1 + m1 gc sen θ1 + m2 gL sen θ1 = 0, (4)

y
N kT N 2 kT kf ˙
I2 (θ¨1 + θ¨2 ) = Vi − θ2 . (5)
R R
Para la representación en variables de estados se definió x = [θ1 , θ̇1 , θ2 , θ̇2 ]T =
[x1 , x2 , x3 , x4 ]T . Reescribiendo las ecuaciones anteriores y reemplazando don-
de corresponda cada xi se obtuvo:

(I1 + I2 + m1 c2 + m2 L2 )x˙2 + I2 x˙4 + g(m1 c + m2 L) sen x1 = 0, (6)

N 2 KT K F N KT
I2 x˙2 + I2 x˙4 + x4 = Vi . (7)
R R
Para escribir el sistema en variables de estado se despejó a ẋ2 y ẋ4 de
las ecuaciones (6) y (7), obteniendo las ecuaciones (9) y (11). Las otras dos
ecuaciones de estado del sistema se obtuvieron de la definición de las variables
de estado. Entonces, el sistema en variables de estado resulta:

x˙1 = x2 , (8)
x˙2 = −q1 sen x1 + q2 x4 − q3 Vi , (9)
x˙3 = x4 , (10)
x˙4 = q1 sen x1 − x4 q2 (1 + ρ) + Vi q3 (1 + ρ), (11)

2
 donde
g(m1 c + m2 L)
q1 = , (12)
I1 + m1 c2 + m2 L2
N 2 KT KF
q2 = , (13)
R(I1 + m1 c2 + m2 L2 )
N KT
q3 = , (14)
R(I1 + m1 c2 + m2 L2 )
ρ = (m1 c2 + m2 L2 + I1 )/I2 . (15)

3.2. Identificación de parámetros del modelo

Para la identificación de los parámetros qi y ρ se utilizaron las mediciones
obtenidas en la Sección 2. Para ello se reescribieron las ecuaciones (9) y (11)
de la siguiente manera
   
− sen θ11 θ̇21 −Vi1   θ̈11
 − sen θ q
12 θ̇22 −Vi2 
1
 θ̈12  ˆ
  
..  q2 =  ..  ⇒ Aq̂1 = θ̈1 (16)

 .. ..  
 . . .  q  . 
3
− sen θ1n θ̇2n −Vin θ¨1n

   
sen θ11 −θ̇21 Vi1   θ̈21
 sen θ − θ̇ V q1  θ̈ 
ˆ

12 22 i2   22 
..  q2 (1 + ρ) =  ..  ⇒ (−A)q̂2 = θ̈2 . (17)

 .. ..
 . . .  q (1 + ρ)  . 
3
sen θ1n −θ̇2n Vin θ̈2n

Luego, para identificar los vectores q̂i se utilizó el método de descomposi-

ción en valores singulares. Para ello la matriz A se escribió como A = U ΣV T ,
se eliminaron los elementos correspondientes a los autovalores iguales a cero
de la matriz Σ y finalmente se despejaron los vectores q̂i .
Teniendo los valores de los vectores q̂i , hay diferentes opciones para definir
el valor de cada qi y de ρ. Para q1 se puede elegir entre uno de los dos q1 que
hay en los vectores o tomar un promedio entre ambos. El valor de ρ se puede
calcular como el cociente entre el segundo o tercer elemento de q̂2 y q̂1 . Luego,
hay diferentes combinaciones para elegir q2 , q3 y ρ, como por ejemplo tomar
como que q2 y q3 de q̂1 son correctos, y promediar los dos posibles valores de
ρ o tomar sólo un valor posible de ellos. Pero también se podrı́a tomar como
correcto al valor de q2 de q̂1 , calcular el valor de ρ con él y promediar los dos
posibles valores de q3 que se pueden calcular. Además, estas combinaciones
son posibles con cada conjunto de mediciones, y cada una dará resultados

3
distintos. En nuestro caso optamos por los parámetros qi obtenidos de q̂1
y ρ de q̂2 de la primera medición, pues representaba relativamente bien el
sistema en todas las demás mediciones.

3.3. Simulación
Para comparar los posibles resultados mencionados se implementó en Si-
mulink el modelo no lineal representado por las ecuaciones (4) y (5). Este
modelo utiliza los coeficientes identificados, y se utilizó para contrastar el
modelo identificado con las mediciones obtenidas en la primera parte. Se uti-
lizaron varias combinaciones de las mencionadas anteriormente, y se eligió al
mejor conjunto de coeficientes en base a inspección visual de los gráficos de
mediciones superpuestos a los resultados del modelo identificado.

4. Resultados
En la Fig. 1 se muestra el resultado de la primera parte del informe
aplicado al conjunto de mediciones 1. Es decir, las señales de velocidad y
aceleración obtenidas a partir de θ1 . En la misma se ve que al derivar θ1
aparece un ruido que puede ser atribuible a la cuantización de la señal, y
cómo la señal filtrada preserva correctamente la forma. En la aceleración este
efecto resulta menos evidente a simple vista, pues ha sido obtenida luego de
haber filtrado la velocidad.
Con las señales de posición, velocidad y aceleración se identificaron los
parámetros qi y ρ siguiendo el análisis presentado en la Sección 3.2. En dicha
sección se mencionaron diferentes posibilidades para calcular los coeficientes
qi y ρ, y que cada una de ellas se puede aplicar a cada conjunto de medicio-
nes. Se determinó por prueba y error que el mejor conjunto de coeficientes
se obtuvo con las mediciones 1, calculando los qi de la ecuación (16) y pro-
mediando los dos posibles valores de ρ calculados con la ecuación (17) y los
qi mencionados. De esta manera, se obtuvieron los siguientes parámetros:
q1 = 26,0825, (18)
q2 = 6,81208 × 10−3 , (19)
q3 = 21,6668 × 10−3 , (20)
ρ = 294,85162. (21)
En las Fig. 2 y 3 se muestran las señales medidas directamente en el
sistema superpuestas a los resultados del modelo identificado en Simulink.
La Fig. 2 corresponde a las mediciones 1 y la Fig. 3 a las mediciones 4. Cabe
recordar que la identificación se realizó sólo con el conjunto de mediciones 1.

4
Figura 1: Posición, velocidad y aceleración angular del péndulo (1) y el vo-
lante (2) para la medición 1. Señales filtradas en negro y sin filtrar en ver-
de.

Figura 2: Posición, velocidad y aceleración angular del péndulo (1) y el vo-

lante (2) para la medición 1. Señal medida
5 en negro y señal estimada con el
modelo en rojo.
Figura 3: Posición, velocidad y aceleración angular del péndulo (1) y el vo-
lante (2) para la medición 4. La señal medida en negro y el modelo estima-
do en rojo.

En las Fig. 2 y 3 se distingue que el modelo predice correctamente la

dinámica de tita 1, es decir, de la posición del péndulo. La velocidad y ace-
leración del volante de inercia del modelo se corresponde bien con lo medido
para la medición 1, y un poco menos exacto para la medición 4. En los dos
casos la posición del volante de inercia presenta un error que se acumula a lo
largo del tiempo. Esto es porque ninguna variable de estado depende de la
posición del volante. Por esto, el modelo puede alejarse de la posición angu-
lar del volante independientemente de la exactitud del resto de las variables.
Además, dicha posición es la integral de la velocidad angular, por lo que un
error pequeño pero siempre del mismo signo en la velocidad se acumulará
dando un gran error en la posición. Finalmente, el hecho de que las estima-
ciones de la dinámica del péndulo sean más exactas que las del volante puede
deberse a que la mayorı́a de los parámetros (los qi ) se identificaron con la
ecuación de estado de la velocidad del péndulo.

6
5. Conclusiones
Del análisis de los resultados de la Sección 4 se concluyen los siguientes
puntos:

El método de identificación basado en descomposición en valores singu-

lares utilizado en este trabajo resultó efectivo para identificar el modelo
no lineal estudiado.

Dicho método de identificación depende fuertemente de la calidad de

las mediciones realizadas y la señal de control utilizada.

Fue posible identificar el modelo a partir de las mediciones de sólo

las posiciones angulares, derivándolas para obtener las velocidades y
aceleraciones.

La implementación del modelo en Simulink resulta una buena herra-

mienta para contrastar la exactitud del modelo identificado con medi-
ciones reales del sistema.

6. Anexo: archivos utilizados

Para realizar este trabajo se escribieron varios scripts de Matlab, que se
encuentran dentro de cada carpeta de mediciones. El archivo “script.m” de-
riva las señales de posición para obtener la velocidad y aceleración, las filtra,
las guarda con su correspondiente nombre y las grafica para mostrarlas. El
archivo “identificacion.m” utiliza los resultados de “script.m” para identifi-
car el modelo. El archivo “modelo.mdl” es el modelo de Simulink utilizado.
Los parámetros elegidos para identificar al modelo se cargar con el archivo
“cargarModelo.m”. Cabe destacar que “identificacion.m” carga los mismos
datos que “cargarModelo.m”, sólo que el primero los identifica desde las medi-
ciones existentes y el segundo los carga desde el archivo “parametros.dat” que
son los resultados de este trabajo. Finalmente, el archivo “graficoModelo.m”
grafica los resultados del modelo de Simulink superpuestos a las mediciones.