Documentos de Académico
Documentos de Profesional
Documentos de Cultura
⎪
⎩eN = ΔyN − (−a1ΔyN −1 − a2 Δy N − 2 + b1Δu N −1 + b2 Δu N − 2 )
T
errores al cuadrado, es decir, minimiza: E E =∑ e
T −1 T
Solución: θˆ = ( X X) X Y
Modelo ARMAX.
Es decir, que a la salida “limpia” se le suma una perturbación que es un ruido blanco
e previamente filtrado por C(z)/A(z).
Modelo BJ (Box Jenkins).
Este primeramente utiliza se puede utilizar para una grafica en tiempo discreto
con un tiempo de muestreo luego pasar a un modelo continuo y compara de
forma grafica donde mucho depende el error en estas para una buena
identificación.
Se necesitara una cantidad mayor de datos para que las curvas se ajusten.
El primer método usa para identificar el sistema es el por aproximación de
parámetros utilizando para ello una respuesta en el tiempo del sistema a un
escalón en la entrada, el método implica a utilización de formulas y tablas y
curvas dependiendo de la respuesta en el tiempo con ellas obtener los
parámetros calsiscos de la formula del sistema de segundo orden, ubicando los
valores de la frecuencia no amortiguada, el factor de amortiguamiento y así
obtener un sistema lo mas aproximado al real.
Aplicación en Matlab método de mínimos cuadrados
El Toolbox de Identificación de Sistemas de Matlab contiene varias funciones para
la estimación paramétrica de modelos. Todas ellas comparten la misma estructura
de comando
Las variables de entrada “y” y “u” son vectores columna que contienen los datos de
salida y entrada respectivamente, mientras que la matriz N especifica la estructura
particular de los modelos a ser estimados. El modelo estimado resultante será
contenido en mod, además de ser codificado en formato theta, que es el formato
básico para la representación de modelos en este Toolbox. Dicho formato guarda la
información acerca de la estructura del modelo y de sus órdenes, retardos,
parámetros, y varianzas estimadas de los parámetros estimados en una matriz. El
formato theta puede ser convertido a cualquier otro modelo que nos resulte de
utilidad. Comúnmente, para presentar la información del modelo se usa el comando
‘present’:
>>present (mod)
Modelos ARX
Para estimar los parámetros ai y bi del modelo ARX se usa la función ‘arx’ :
El comando ‘pem’ cubre todos los casos de modelos de sistemas lineales tipo caja
negra. Sin embargo existen rutinas más eficientes para algunos casos especiales:
Se tiene
100
G ( s )= 4 3 2
s +18 s +97 s +180 s +100
Luego factorizando
100
G ( s )=
( s+1)(s+2)(s +5)(s +10)
Se aproxima a las siguientes funciones e transferencia:
10
G ( s )=
(s+1)( s+2)(s +5)
2
G ( s )=
(s+1)( s+2)
1
G ( s )=
(s+1)
Donde podemos ver que estas son parecidas unas mas que otras péro
verificando que se pueden reducir de orden
Mediante ident
Como se puede ver obteniendo los mismos resultados que el metodo 1 y como
podemos ver una mas de las utilidades de la funcion ident.
Para las fts dadas por calcular ts, tr rpousando las expresiones analiticas
dadas y mida los valores via simulacion compare los valores y comente
130
G ( s )= 2
18+15 s +76 s+ 130
130
G ( s )=
5( s¿¿ 2+10 s +26)¿
26
G ( s )= 2
s + 10 s+ 26
INVESTIGAR:
METODOLOGIA E IMPLEMENTACION
En todos los casos se supone que las condiciones iniciales del sistema son
nulas.
Para ello, se utilizan los valores de Y0, Y1 y Y2 (que son las amplitudes del
salto escalón de entrada, del primer sobrepico y segundo sobrepico de la
respuesta en el tiempo respectiva-
mente) y de T (que es el período de una oscilación de la respuesta en el
tiempo), tal como se observa en la figura (1).
Ellos son:
Debido a esta particularidad, resulta más accesible, como objetivo de
identificación en este caso, encontrar dos valores aproximados para los polos p1
y p2 del sistema, tal que representen de la mejor forma posible a los parámetros
fundamentales del sistema de segundo orden.