Documentos de Académico
Documentos de Profesional
Documentos de Cultura
IDENTIFICACIÓN
Universidad Distrital Francisco José de Caldas
Ingeniería en Control
Control Digital
Edison Giancarlo Prieto 20182383030
1. INTRODUCCIÓN
3. MODELOS:
Hay dos formas de obtener los modelos: en términos de leyes físicas, o por
experimentación sobre un proceso. Un proceso no puede ser representado por un
único modelo matemático. Hay una serie de modelos que van desde los detallados y
complejos de simulación hasta los muy sencillos, fáciles de manipular
analíticamente. El control automático de sistemas requiere del conocimiento del
modelo matemático que represente el comportamiento del mismo. Las estructuras
del modelo se sacan del conocimiento previo del proceso y de las perturbaciones.
En algunos casos el único conocimiento previo que se tiene es que el proceso se
puede describir como un sistema lineal en un rango de operación concreto.
Entonces es natural utilizar representaciones de sistemas lineales de tipo general.
Estas representaciones se conocen como modelos de caja negra. Un ejemplo típico
es el modelo de ecuación en diferencias.
Donde u es la entrada, y es la salida y e es una perturbación de tipo ruido blanco.
Los parámetros, así como el orden de los modelos, se consideran como parámetros
desconocidos. Algunas veces es posible aplicar leyes físicas para obtener modelos
de procesos que contienen solamente algunos parámetros de valor desconocido.
Donde ϕ1, ϕ2, ..., ϕn son funciones conocidas y θ1, θ2, ..., θn son parámetros
desconocidos.
- Ejemplo:
Para este ejemplo se discretizó el sistema y se asignó una entrada aleatoria (u).
Con el modelo discretizado se obtuvo la función de transferencia y se evaluó la
salida. Con los pares (y,u) se realizó la estimación por el principio de mínimos
cuadrados.
- Algoritmo de Matlab:
Se obtiene así:
Y la función de transferencia:
Equivale a introducir a la salida “limpia” una perturbación que es un ruido blanco “e”
previamente filtrado por 1/A(z)
donde ζ (t) se conoce como el vector variable instrumental. Se debe tener en cuenta
que el método de mínimos cuadrados se obtiene si (t) = ϕ (t). Los elementos del
vector ζ (t) se denominan instrumentos y generalmente se obtienen de entradas
pasadas mediante el filtrado lineal y se pueden escribir conceptualmente como
En términos generales, el vector del instrumento debe estar bien correlacionado con
las entradas y salidas retrasadas pero no correlacionada con la secuencia de ruido.
- EJEMPLO:
- EJEMPLO EN MATLAB:
Modelo estimado:
Para un sistema de entrada única / salida única (SISO), la estructura del modelo
polinomial ARMAX es:
Puede ver los valores de los parámetros numéricos para cada modelo estimado se
hace clic con el botón derecho en el icono del modelo en la aplicación Identificación
del sistema. Se abre el cuadro de diálogo Información del modelo.
4.5 Visualización de modelos:
[1] Lennart Ljung: System Identification: Theory for the User 1999.
[2] Hernan Guidi: Open and Closed-loop Model Identication and Validation.
2008
[3] Constantine H. Houpis Stuart N. Sheldon: Linear Control System Analysis
and Design with MATLAB, sexta edición. 2014
[4] Control and estimation of distributed parameter systems. International
conference in Maria Tost, Austria. 2001
[5] Dr. Roland Tóth : Modeling and Identication of Linear Parameter-Varying
Systems. 2010
[6] Raman K. Mehra,Dimitri G. Lainiotis: System identification, Advances and
Case Studies . 1976
[7] César Pérez López: MATLAB control systems engineering.
[8] David Murray-Smith: Methods of system identification, parameter
estimation and optimisation applied to problems of modelling and control in
engineering and physiology
[9] Christiaan Heij, André C.M. Ran, F. van Schagen - Introduction to
Mathematical Systems Theory Linear Systems, Identification and
Control-Birkhäuser Basel. 2006
[10] Anish Deb, Srimanti Roychoudhury: Control System Analysis and
Identification with MATLAB
[11] Estimación De Parámetros En Modelos Arma Por El Criterio De Mínimos
Cuadrados. Scientia et Technica Año XII, No 31, Agosto de 2006
[12] J.R. Raol, G. Girija and J. Singh: Modelling and Parameter Estimation of
Dynamic Systems. 2004
[13] Lennart Ljung: System Identication for Control and Simulation.
[14] Marion Gilson: What has Instrumental Variable method to offer for
system identification? 2015