Identificación de un Modelo Matemático para un
Sistema Dinámico
Espinoza Alberto, Farez Marco, Novillo Bryam, Vele Christian
Universidad Politécnica Salesiana, Carrera de Ingeniería Mecánica
Asignatura: Teoría de Control Cuenca – Ecuador, Fecha de entrega: 17/06/2019
1. RESUMEN
Palabras clave:
ABSTRACT
Keywords:
2. INTRODUCCIÓN
La teoría de control es fundamental
para los procesos industriales ya que
están sujetos a distintos requerimientos
de eficacia, disponibilidad y seguridad,
por lo que la complejidad de los
mismos crece constantemente y esto
hace necesario el desarrollo de
herramientas automáticas de ayuda al
operador humano, que mediante la
teoría de control y su aplicación
podemos destacar, las tareas destinadas
a la detección y diagnóstico de fallos.
El cambio en el proceso productivo,
debido fundamentalmente a la
evolución de las tecnologías de
información y la automatización de los
procesos industriales, ha permitido que
dichos complejos se adapten al
mercado, mejorando sus índices de
competitividad, elevando su eficiencia
y permitiendo el desarrollo de
controladores, que eliminen costos y
desperdicios en el proceso de
fabricación. Esto únicamente se puede
conseguir con un conocimiento
exhaustivo del comportamiento
dinámico del proceso, lo que nos
permitirá comprender el
comportamiento del sistema,
incluyendo sus partes críticas. El
modelo del sistema debe entenderse, no
1
sólo en el contexto industrial, se
extiende por el resto de sectores y
campos del conocimiento y su uso va
desde el control y la supervisión, hasta
la optimización y la predicción,
pasando por el diagnóstico y la
innovación en sistemas. [1]
El uso del software Matlab para la
identificación de sistemas dinámicos es
de gran ayuda ya que dispone de una
amplia colección de funciones
aplicables al campo de la identificación
de sistemas, agrupadas en el System
Identification Toolbox, que
constituyen una herramienta de gran
utilidad para la identificación y
modelado de sistemas dinámicos. Estas
funciones incluyen diferentes
algoritmos para el ajuste de parámetros
en todo tipo de modelos lineales. Así
mismo, permiten examinar las
propiedades de los modelos obtenidos,
e incluso realizar un preprocesamiento
de los datos utilizados para la
identificación, en caso de que sea
necesario. [1]
2.1.Sistema
Un sistema es toda realidad en la
que interactúan variables de
diferentes tipos para producir
señales observables.
 Salida: Son señales
observables.
 Entrada: son señales que
pueden ser manipuladas
libremente por dicho
observador.
 Perturbaciones: son
señales que afectan el
comportamiento dinámico,
 pero no pueden ser
manipuladas por el
observador. [1]
Fig.1. Sistema dinámico
2.4. Tipos de modelos
Autor: López E.
2.2. Modelo de un sistema
Es una construcción utilizada para
representar aproximadamente el
comportamiento de una realidad. Por
medio del modelo es incluso posible
predecir el comportamiento de un
sistema sin necesidad de recurrir a la
realización de experimentos sobre el
mismo. [1]
2.3.Aspectos generales
Se denomina identificación a la
técnica de construir un modelo a
partir de las variables medidas del
proceso: entradas o variables de
control, salidas o variables
controladas y, posiblemente,
perturbaciones.
En principio y con el objetivo de
modelizar se pueden proponer tres
formas distintas de utilizar los
métodos de identificación:
 Hacer distintas
aproximaciones para
estructurar el problema.
 Construir un modelo que
describa el comportamiento
entre las entradas y las
salidas, prescindiendo del
comportamiento físico.
 Utilizar los datos para
determinar los parámetros
no conocidos del modelo
físico obtenido a base del
estudio de propiedades y
leyes físicas del proceso
estudiado. [2]
2
Otro aspecto a tener en cuenta será el
tipo de modelo matemático que se
pretende identificar. Hay varias formas
de catalogar los modelos matemáticos:
deterministas o estocásticos, dinámicos
o estáticos, de parámetros distribuidos o
concentrados, lineales o no lineales, y de
tiempo continuo o tiempo discreto. [2]
Los modelos de sistemas físicos
pueden ser de muy diversos tipos. Una
clasificación, en función del grado de
formalismo matemático que poseen, es
la siguiente:
Modelos mentales, intuitivos o
verbales: Estos modelos carecen de
formalismo matemático. Para conducir
un coche, por ejemplo, se requiere un
modelo mental o intuitivo sobre el
efecto que produce el movimiento del
volante.
Modelos no paramétricos: Muchos
sistemas quedan perfectamente
caracterizados mediante un gráfico o
tabla que describa sus propiedades
dinámicas mediante un número no
finito de parámetros. Por ejemplo, un
sistema lineal queda definido mediante
su respuesta al impulso o al escalón, o
bien mediante su respuesta en
frecuencia. [2]
Modelos paramétricos o
matemáticos: Para aplicaciones más
avanzadas, puede ser necesario utilizar
modelos que describan las relaciones
entre las variables del sistema
mediante expresiones matemáticas
como pueden ser ecuaciones
diferenciales:
 Determinísticos o
estocásticos.
 Dinámicos o estáticos.
 Continuos o discretos.
2.5 Métodos de obtención de
modelos.
Existen dos métodos principales
para obtener el modelo de un
sistema:
 1. Modelado teórico: Se trata de
un método analítico, en el que
se recurre a leyes básicas de la
física para describir el
comportamiento dinámico de
un fenómeno o proceso.

2. Identificación del sistema: Se

trata de un método
experimental que permite
obtener el modelo de un sistema
a partir de datos reales
Figura 1. Fuente Autor
recogidos de la planta bajo
estudio. Creación de variables Caudal (Q),
Altura (H)
El modelado teórico tiene un campo de Para poder procesar los datos en IDENT
aplicación restringido a procesos muy es necesario importar los datos en
sencillos de modelar, o a aplicaciones manera de variables, es por eso, por lo
en que no se requiera gran exactitud en que se tiene que nombrar como
el modelo obtenido. [2] variables cada una de las columnas de
datos que se requiere analizar. Figura 2.
2.6. Identificación de sistemas
Se entiende por identificación de
sistemas a la obtención de forma
experimental de un modelo que
reproduzca con suficiente exactitud,
para los fines deseados, las
características dinámicas del proceso
objeto de estudio. [3]

El proceso de identificación
comprende los siguientes pasos:
Figura 2. Fuente Autor
Iniciar la herramienta IDENT de
1. Obtención de datos de entrada -
Matlab
salida.
Una de las formas de iniciar esta
2. Tratamiento previo de los datos
herramienta es en la ventana de
registrados.
comandos de Matlab se escribe la
3. Elección de la estructura del
palabra “ident” y presionando “Enter”
modelo
se podrá iniciar la herramienta de
4. Obtención de los parámetros del
Matlab. Figura 3.
modelo.
5. Validación del modelo.

3. DESARROLLO

Importación de datos en Matlab

Mediante la herramienta “Import Data”
que se encuentra en la barra de tareas de
Matlab, se realizó la extracción de los
datos, y para posteriormente realizar la
importación hacia la herramienta de
Matlab IDENT. Figura 1.
Figura 3. Fuente Autor

3
 Importación de datos en Ident
Para el análisis que requerimos debemos
importar los datos en dominio del
tiempo, es por eso que se elige “Time
Domain Data” (Figura 4), y posterior en
la ventana que se abre automáticamente,
se ingresa la variable de entrada Q y la
variable de salida H (Figura 5), que
fueron nombrados anteriormente.

Figura 6. Fuente Autor

Figura 4. Fuente Autor

Figura 5. Fuente Autor Figura 7. Fuente Autor

Tratamientos de datos
Se realizó un análisis de datos con el fin de Elección de la estructura de modelo
obtener un modelo matemático más
En la interfaz gráfica del IDENT se elige
preciso. En primera instancia mediante la
modelos de función de transferencia
gráfica que nos arroja el programa se puede
(figura 8) y se eligió una función de primer
apreciar que no existe datos de carácter
orden con el fin de que el modelo
erróneo como valores atípicos, etc. Sin
matemático no sea tan compleja (figura 9).
embargo, se puede apreciar que al final
existe un grupo de datos que son
innecesarios para el análisis (figura 6),
estos datos representan cuando la válvula
ya estaba cerrada y por lo tanto son datos
que no tienen validez alguna, es por eso
que se procede a quitar los datos que van
desde 2889 hasta el 2954, y se obtiene la
gráfica como se muestra en la figura 7.

Figura 8. Fuente Autor

4

Figura 9. Fuente Autor
Validación del modelo
El programa nos arroja una fusión de
transferencia (figura 10), la cual debe
cumplir con un requisito de validez.
Para que sea válido el modelo, este debe
tener una validación de mas del 90% como
mínimo, caso contrario el conjunto de
datos no estaría proporcionando la
suficiente información. En este caso
nuestro modelo de función de transferencia
tiene una validez del 94.41% (figura 11), lo
cual muestra que es una función válida
para un análisis de proceso de control.
Figura 10. Fuente Autor
Figura 11. Fuente Autor
4. CONCLUCIONES
5. REFERENCIAS
[1] Franco S. (2005). Introducción a
la identificación de sistemas.
Online. Recuperado de:
http://www.tecnicaindustrial.es/TI
Frontal/a-1408-introduccion-
identificacion-sistemas.aspx
[2] Kunusch C. (2003) Identificación
de sistemas dinamicos.Online.
Recuperado de :
https://catedra.ing.unlp.edu.ar/elect
rotecnia/cys/pdf/identificacion.pdf
[3] Lopez E. (2009). Identificación de
sistemas. [PDF].Recuperado de:
http://webcache.googleusercontent.co
m/search?q=cache:UkGrTzhNRaMJ:f
tp://ftp.unicauca.edu.co/Facultades/FI
ET/DEIC/Materias/Identificacion/doc
umentos/Ricardo%2520Garc%25EDa
%2520L%25F3pez/Identif.pdf+&cd=
1&hl=es-419&ct=clnk&gl=ec