IDENTIFICACIÓN DE SISTEMAS

UNIVERSIDAD NACIONAL DE COLOMBIA- SEDE MEDELLÍN-

2020

Proyecto Industrial

Ricardo Montoya Lopez

INTEGRANTES

Brayan Estiven Lopez Quintero

Mateo Sepulveda Zapata

Introducción
En muchas áreas de la industria hay artefactos cuyo comportamiento es difícil de determinar y
posteriormente de modelar la única certeza que se tiene respecto a los mismos es que realizan
una operación que depende de lo que se conoce como una “señal de entrada” y responde con lo
que se denomina “una señal de salida” o para simplificar se utilizan los términos de entrada y
salida. Para poder conocer y optimizar el uso de dichos artefactos existe la disciplina conocida
como “Identificación de sistemas” la cual tiene como propósito adquirir o construir un modelo
cuyo propósito es describir el comportamiento de un sistema a partir de una serie de datos
obtenidos a partir de diferentes pruebas. Por lo que se aborda una situación simulada donde los
datos son el esqueleto que describe un sistema.

Objetivos

● Aplicar la metodología básica para la construcción de un modelo basado en datos.

● Explorar la herramienta informática Ident de MatLab y las diferentes opciones que la
misma le puede ofrecer a un proceso de identificación de sistemas.
● Utilizar diferentes herramientas que permitan el análisis de datos principalmente la
conversión de los mismos en un modelo.

1- Identificación de variables en el caso entregado

Con base a la información suministrada se intuye que el sistema es algún tipo de climatizador de
recintos, para este caso en específico se tiene entregó como variable de entrada la apertura de la
válvula de expansión (Rcap), probablemente la encargada de la estrangulación del gas que pasa a
través del ciclo de refrigeración, como variable de salida se ha dado la temperatura de la cámara
de frío (Tc).
2- Comportamiento natural del caso entregado

La respuesta Natural del sistema se muestra a continuación en la figura 1 aplicando una apertura
de válvula aleatoria.

Figura 1. Temperatura en la cámara fría con una apertura de válvula de 1%

3- Parámetros para la Prueba preliminar

Teniendo en cuenta que la entrada que se va a utilizar es la apertura de la válvula de expansión se

debe garantizar entonces que los valores para esta deben encontrarse entre un 0,001 % y un 100%
de apertura, además se tiene que la alimentación de la máquina es constante y la temperatura
ambiente es de 20 ° C, a continuación, se muestran diferentes pruebas realizadas para distintos
porcentajes de apertura de la válvula de expansión.
 Figura 2. Prueba preliminar para diferentes valores de apertura de la válvula de expansión.

4- Diseño del experimento

Se diseñará una señal persistentemente excitada, a través de la prueba preliminar realizada se

encontró que el tiempo de establecimiento es aproximadamente 6 h lo que nos da que:

5 τ =6 h
τ =1.2 h
Entonces el periodo de duración para cada escalón será de 3 h pues cumple con la regla de:

τ
< periodo<3∗τ
2
0.6< 3<3.6

Figura 3. Señal persistentemente excitada

5- Toma de datos
Se aplica la señal persistentemente excitada a la planta lo que nos da como respuesta se puede
observar en la figura 4.

Figura 4. Respuesta ante la señal persistentemente excitada

6- Rezagos potenciales por correlograma:

Figura 5. Correlograma entre salida y entrada con xcorr.

Figura 6. Correlograma cruzado a partir de crosscorr

Figura 6. Autocorrelación de la entrada.

 Figura 7. Autocorrelación salida con parcorr.

Las gráficas anteriores fueron tomadas con los comandos parcorr y crosscorr, en la figura 5
tenemos el correlograma cruzado de entrada y salida donde se puede observar una alta
correlación desde el rezago #1 hasta el rezago #7 tomando un régimen de .2 con una relación
totalmente directa y descendente los cual nos indica que esta serie de tiempo es ergódica con
respecto a la media y con covarianzas estacionarias y por lo tanto el modelo a proponer en base a
este análisis sería un modelo ARX. En la figura 6 se evidencia el autocorrelograma de la entrada en
el cual se destacan los rezagos 2, 3, 4, 7, 10, 14 y 16. En la figura 7 se tiene el autocorrelograma de
la salida en el cual se destacan los rezagos 2, 7, 8 y 9.

7. Con los análisis hechos de los correlogramas se propone el siguiente modelo en diferencias
ARX(4 7 1):

Donde P es el operador de rezagos.

8. Estimacion de parametros

La estimación de los parámetros de la ecuación en diferencias se lleva a cabo en el toolbox de

MATLAB System Identification obteniéndose la siguiente ecuación:
9. Para la evaluación del modelo inicial se utilizaron el 30% de los datos obtenidos al aplicar la
señal persistentemente excitante, el seguimiento del modelo obtiene un 60% de fiabilidad lo cual
lo ubica muy por debajo de los modelos propuestos más adelante.

Figura 8. Modelo ARX vs datos de la planta, error del modelo.

Figura 9. Residuales del modelo ARX

10. Modelos propuestos

Al utilizar la herramienta de MatLab System Identification se realizaron estimaciones de

diferentes modelos que podrían describir el comportamiento del sistema utilizando una
 proporción de 70/30 aproximadamente: 70% de los datos para estimar el modelo y 30% de los
datos para validarlo.

Como criterio de preselección se hizo la búsqueda de un modelo que tuviera el mayor nivel de
ajuste. Para este caso los modelos estimados tuvieron un intervalo de ajuste de (78, 80)
porciento. La figura 10 muestra un resumen de los modelos preseleccionados.

Figura 10. Modelos propuestos.

Para los Modelos propuestos la forma ARMAX fue la que proporcionó mejores resultados:

Modelo AMX 5272: Ajuste 78.88%

Figura 11. Modelo AMX 5272.

Modelo AMX 3171: Ajuste 79.49%

Figura 12. Modelo AMX 3171.

Modelo AMX 5171: Ajuste 79.65%

 Figura 13. Modelo AMX 5171.

Modelo AMX 5371: Ajuste 79.77%

Figura 14. Modelo AMX 5371.

 Modelo AMX 5271: Ajuste 79.82%

Figura 15. Modelo AMX 5271.

11. Criterios de selección

Para seleccionar el modelo se tuvieron presentes algunos criterios los cuales permitirían tener un
modelo adecuado para los datos obtenidos.

El porcentaje de ajuste: En cuanto se ajusta el modelo a los datos obtenidos. Teniendo como meta
mínima un porcentaje del 70%

La estructura del modelo: Debido a la estructura de la entrada y la salida respecto al tiempo desde
un inicio se planteó la idea de que el modelo elegido no tendría la forma de una ecuación
diferencial o una de transferencia.

simplicidad: Se procuró escoger un modelo con pocos términos debido a que manejar uno con
ecuaciones muy voluminosas o extensas podría ser impráctico en términos de consumo de
memoria de computación. Además, de ser un poco menos maleable.

12. Validación

Los modelos propuestos fueron validados utilizando la herramienta de matlab denominada

systemIdentificacion, inicialmente se tenía una nube de datos que fueron recolectados
previamente de la planta en estudio de estos datos se seleccionó un 70% para identificar los
modelos y un 30% fueron reservados para la validación, una vez obtenidos varios modelos se
procedió a validarlos como se puede observar en las figuras 10:15.

13. Verificación

Para verificar los modelos se excito cada uno con una entrada de tipo escalón para ver su
respuesta en el tiempo con una magnitud de 1 que corresponde al 100% de apertura de la válvula
se encontró entonces que el error de estado estacionario estaba entre el 9.3% y el 25%

Figura 16. Verificación de los modelos encontrados

14. Modelo Elegido

El modelo elegido es el AMX 5271. Esta decisión fue tomada principalmente por 2 motivos:
El modelo en cuestión cumple los criterios de selección previamente descritos lo cual lo convirtió
en uno de los posibles candidatos y dado que resaltó como el modelo con el mayor ajuste
(79.77%) entonces fue seleccionado.

Al momento de realizar otras pruebas los otros modelos candidatos no mostraron tener un mejor
comportamiento o destacar por encima del mejor candidato.

Tomando en consideración las razonas pasadas el modelo AMX 5271 acumulo losmeritos
suficientes para ser el seleccionado.

15. Conclusiones técnicas:

- La identificación de sistemas es un proceso que requiere de diferentes capacidades:

habilidades ingenieriles como montajes y conocimientos fenomenológicos como
habilidades en estadística y programación. Lo cual es evidenciado con el desarrollo del
presente proyecto.
- Los correlogramas pueden dar indicios de la estructura inicial de un modelo, sin embargo
no necesariamente pueden apuntar a la dirección correcta tal y como se pudo apreciar en
proyecto dado que inicialmente se planteó un modelo ARX pero el que tuvo mejor ajuste
fue un AMX.
- Las características para la elección del modelo a utilizar varían en función de muchos
factores tales como la simplicidad, el error de validación, el ajuste a nuevos datos y
mayormente su fácil implementación y control.
- Los modelos AR, MA y sus derivados son ampliamente utilizados debido a su alta eficiencia
y facilidad de cálculo, desde un principio box and jenkins y sus análisis de series fueron
bastante superiores en estos aspectos.
- Tomando en cuenta los márgenes del error se puede afirmar que por más ajustes que se le
hagan al modelo las incertidumbres físicas tendrán siempre un papel protagónico, en este
caso las válvulas suelen bastante imprecisas en lo que respecta a determinar con precisión
si nivel de apertura (sobre todo una valvula de expansion)

16. En este apartado se ejemplifica la identificación de modelo del modelo de una aeronave
basados en MATLAB y sus diversos comando entre los que se encuentra el ident:

IDENTIFICACIÓN EXPERIMENTAL DE MODELOS MATEMÁTICOS EN UN AVIÓN A ESCALA

En este documento se hace un análisis de un avión a escala y se obtienen diversos modelos para
cada una de las funcionalidades de la aeronave con el fin de implementar vehículos autónomos
que puedan desplazarse con seguridad o servir de ayuda a los tripulantes de la nave.

Para el desarrollo de prototipos y modelos del avión se realizarán pruebas en tierra que permitan
evidenciar las dinámicas de los servomotores utilizados en la nave y la relación entrada y salida de
cada uno de los subsistemas del avión.

Principalmente el movimiento del avión se da en tres diferentes sentidos:

 Figura 17 . Ejes de movimiento de la aeronave.

Para la recolección de datos se utilizarán sensores que medirán los ángulos de los servomotores,
además de la prueba en tierra se realizará una prueba en aire para analizar el comportamiento y la
ubicación espacial del avión.

Para la identificación del angulo de elevacion se realizo una excitación del sistema con una señal
persistentemente excitante y se tomaron los siguientes datos

Figura 16 . Señales de excitación y respuesta para estímulos binarios pseudoaleatorios en el eje de

elevación del prototipo para pruebas en tierra
 Figura 17 . Correlación de modelos para identificación de la relación de transferencia entre el
ángulo de elevación y el ciclo útil de entrada a los servomotores de posicionamiento del eje de
elevación.

Finalmente después de ejecutar este procedimiento en la aeronave logran obtener los dos
siguientes modelos:

● Modelo para angulo de elevacion:

Para la relación entre el ángulo de elevación y el ciclo útil de entrada a los servomotores de
posicionamiento del eje de elevación, se obtuvo la función de transferencia:

● Modelo para ángulo de alabeo:

Para el caso de la relación de transferencia entre el ángulo de alabeo y el ciclo útil de entrada a los
servomotores de posicionamiento del eje de alabeo, se obtuvo la siguiente función de
transferencia:
Referencias:

● Ljung, L. (1999). System identification. Wiley encyclopedia of electrical and

electronics engineering, 1-19.
● Olden, J. D., & Neff, B. D. (2001). Cross-correlation bias in lag analysis of aquatic
time series. Marine Biology, 138(5), 1063-1070.
● Podobnik, B., Wang, D., Horvatic, D., Grosse, I., & Stanley, H. E. (2010). Time-lag
cross-correlations in collective phenomena. EPL (Europhysics Letters), 90(6), 68001.
● Levitan, E. S. (1960). Forced oscillation of a spring‐mass system having combined
Coulomb and viscous damping. the Journal of the Acoustical Society of America,
32(10), 1265-1269.
● Berman, M. (1963). The formulation and testing of models. Annals of the New York
Academy of Sciences, 108(1), 182-194.