SISTEMAS DE

INDENTIFICACION DE
SISTEMAS MULTIVARIABLES
EN MATLAB
INTEGRANTES:
-BRIONES RIVERA PIER 1423225497
-CRUZ RODRIGUEZ ANGELO RAUL 1423225605
-ESPINOZA DIAZ RENZO FRANCISCO 1423215135
-LOAYZA DIAZ JEAN PAUL 1423215198
-UBILLUS MORENO LUIS 1123210013
INTRODUCCION
¿Qué es?

Un sistema de control es aquel que es capaz de lograr

que una ó varias variables se comporten de una manera
deseada. La variable puede mantenerse constante o
cambiar de una manera determinada
ANTECEDENTES
Sin embargo, las aplicaciones industriales no pudieron ser desarrolladas
debido a que la capacidad computacional requerida no estaba aún disponible a
un precio aceptable hace casi 30 años. Este hecho constituye la principal razón
por la cual soluciones teóricas no se hayan convertido en realizaciones
prácticas.
El concepto de usar una técnica de cómputo para solucionar el problema de
control óptimo de lazo abierto, cuya finalidad era el sintetizar un controlador
realimentado, fue probablemente el área de estudio de muchos científicos en el
campo del control óptimo.
RESUMEN
Un proceso cualquiera se puede representar mediante un bloque
genérico con un número determinado de entradas y de salidas.
Cuando el número de éstas es superior a la unidad se denomina, de
múltiples entradas y múltiples salidas, o simplemente sistema
MIMO.
Hacemos hincapié en que se trata de un sistema multivariable porque,
por ejemplo, si bien el caudal de agua al sumidero afecta
fundamentalmente a la densidad de entrada al hidrociclón y en
consecuencia a la granulometría, a través de la carga circulante
afectará posteriormente a la densidad dentro del molino, de tal forma
que se trata de variables no independientes entre sí, sino que una
afecta a la otra.
Otro ejemplo es el caso de un horno rotativo

En este caso las variables de salida son las temperaturas en el frente y fondo del horno, y
las variables manipuladas el caudal de gas aplicado al quemador y la posición de la clapeta
de salida de gases
ALTERNATIVAS DE CONTROL
Existen distintas formas de solucionar el problema del control de sistemas
multivariables:
A. Tres aproximaciones desde la perspectiva monovariable

B. Las técnicas de control moderno que permiten tratar a los sistemas

multivariables como un todo
IDENTIFICACION DE SISTEMAS

 La identificación de sistemas se refiere a

todas las técnicas y métodos diseñados
para construir modelos matemáticos de un
sistema dinámico a partir de mediciones.
 Lo que se hace es tomar el sistema,
remitirse a las leyes básicas de la física que
gobiernan su comportamiento (leyes de
Newton, leyes de Maxwell, leyes de
Kirchoff, etc.), analizar, y a partir de esto,
extraer el modelo.
 Se toma mediciones del comportamiento
dinámico del sistema en su entrada y su
salida, y tratamos de encontrar una relación
matemática que pueda describir
satisfactoriamente la interacción entre ellas.
PROCESO DE IDENTIFICACION

 Obtención de datos de entrada –

salida
 Tratamiento previo de los datos
registrados
 Elección de la estructura del
modelo
 Obtención de los parámetros del
modelo
 Validación del modelo.
METODOS DE IDENTIFICACION

Pueden ser :

1. No paramétricas
2. Paramétricas
Técnicas de identificación no
paramétrica
 Se caracterizan mediante gráficos, diagramas o representaciones que
describen las propiedades dinámicas mediante un número no finito de
parámetros
 Algunos de estos métodos son:

A. Identificación no paramétrica en el dominio del tiempo

B. Identificación no paramétrica en el dominio de la frecuencia.
Identificación no paramétrica en el dominio del tiempo

 Mediante esta técnica de identificación se pretende obtener la

respuesta al impulso del sistema, o bien la respuesta al escalón del
mismo.
 Se debe registrarse la evolución temporal de la salida del sistema tras
la aplicación de una señal impulso o escalón.
 En la práctica lleva a utilizar un método indirecto para obtener la
respuesta impulsiva, conocido como análisis de la correlación.
ANALISIS DE CORRELACION

 Si se escoge como entrada al sistema u(t) un

ruido blanco, cuya función de covarianza es:

 Entonces la correlación cruzada entre la

entrada y la salida puede ponerse del
siguiente modo:

 por tanto la respuesta al impuso puede

obtenerse a partir de las N muestras
registradas de la entrada y la salida del
sistema del siguiente modo:
Identificación no paramétrica en el
dominio de la frecuencia
 El modelo resultante es una representación de la respuesta en
frecuencia del sistema, obtenida mediante la aplicación de señales de
entrada sinusoidales de distintas frecuencias.
 Cuando no sea posible aplicar este tipo de entradas, puede recurrirse
a la aplicación de un ruido blanco, que permite obtener la respuesta en
frecuencia mediante el conocido análisis espectral.
 Este análisis se basa en la realización de la transformada de Fourier
de las funciones de covarianza de la entrada y la salida y la correlación
entre la entrada y la salida.
ANALISIS ESPECTRAL

 Redefinimos las siguientes s

funciones de correlación:

 Y sus transformadas de Fourier:

 Se demuestra que puede obtenerse

la respuesta en frecuencia del
sistema mediante la siguiente
expresión:
EJEMPLO

>> numd=[0.5 -0.3];

>> dend=[1 0.2 0.16 0.24];
>> u=idinput(1000,'PRBS',[0 0.25],[0 50]);
>> e=randn(1000,1);
>> y_sin=dlsim(numd,dend,u);
>> y=y_sin+e;
>> datos=[y u];
>> cra(datos);
>>hold on; dimpulse(numd,dend);
Técnicas de identificación
paramétrica
 Los modelos paramétricos quedan descritos mediante una estructura y
un número finito de parámetros que relacionan las señales de interés
del sistema.
 En muchas ocasiones es necesario realizar la identificación de un
sistema del cual no se tiene ningún tipo de conocimiento previo
 En estos casos, se suele recurrir a modelos estándar, cuya validez
para un amplio rango de sistemas dinámicos ha sido comprobada
experimentalmente.
 La dificultad radica en la elección del tipo de modelo (orden del mismo,
número de parámetros, etc.) que se ajuste satisfactoriamente a los
datos de entrada - salida obtenidos experimentalmente.
MODELOS PARAMETRICOS

 La expresión más general de un modelo discreto es del tipo:

 Donde w(t) es el término que modela la salida debida a las

perturbaciones, h(t) la salida debida a la entrada, y s(t) la
salida medible del sistema.

 Tanto G(q-1 ,q) como H(q-1 ,q) son cocientes de polinomios

del tipo
MODELOS PARAMETRICOS

 y A(q-1,Ɵ) un polinomio del tipo:

 El vector de parámetros q contiene

los coeficientes ai, bi, ci, di y fi de
las funciones de transferencia
anteriores. La estructura genérica
de estos modelos es por tanto:
Tipos de modelos y estructuras
paramétricas
 Métodos para el ajuste de parámetros
Regresión lineal
 Se dice que una estructura posee regresión
lineal cuando la salida estimada puede
expresarse como:
 El modelo ARX es un claro ejemplo de
estructura con regresión lineal, definiendo:
Método de mínimos cuadrados
(LSE)
 Aplicando los criterios fijados en los dos
apartados anteriores, la expresión del
error de predicción es:
 Se define la siguiente función del error:
 conocida como criterio de mínimos
cuadrados para una regresión lineal
 >> th_oe = oe(datos,[2 3 2]);
EJEMPLO >> present(th_oe)
B=0 0 0.4988 -0.2973
0 0 0.0023 0.0034
F=1 0.1995 0.1529 0.2421
0 0.0070 0.0063 0.0058

Por tanto, el modelo OE obtenido es el siguiente:

Ahora se realiza la estimación del modelo ARX:

>> th_arx = arx(datos,[3 2 2]);
>> present(th_arx)
B=0 0 0.4963 -0.3054
 y por tanto nb=2, nf=3 y nk=2 0 0 0.0025 0.0031
A = 10.1766 0.1398 0.2204
0 0.0073 0.0069 0.0065
Por tanto, el modelo ARX obtenido es el siguiente:
SISTEMAS MULTIVARIABLES

 Son sistemas con mas de una

variable que puede ser controlada.
 En muchos procesos industriales el
objetivo consiste en mantener más
de una variable en su punto de
ajuste o valor deseado.
 CONTROL POR REALIMENTACION DEL
ESTADO

1.- Objetivo:
Determinar el vector k para el control por realimentación de estado de un
sistema determinado, con función de transferencia conocida y polos deseados.
 2.- Contenido Teórico:
2.1.- Definición de Estado
 
 El estado de un sistema dinámico es el conjunto más pequeño de variables (llamadas variables de estado) tal
que, el conocimiento de esas variables en un determinado instante t0 junto con el conocimiento de los valores
de la señal de entrada para los instantes t >= t0, permite determinar el comportamiento y evolución del
sistema para cualquier instante de tiempo t >= t0.

 La dinámica de un sistema se puede describir en función del valor del vector de estados y de la señal de
entrada (asumiendo que el sistema es no autónomo) mediante unas ecuaciones que tendrán la forma:

 𝑥(𝑘 + 1) = 𝑓(𝑥(𝑘), 𝑢(𝑘), 𝑘)

 𝑦(𝑘) = 𝑔(𝑥(𝑘), 𝑢(𝑘), 𝑘)
No obstante si nos centraremos en los Sistemas Lineales e Invariantes en el tiempo (LTI), este tipo de sistemas son
descritos mediante las siguientes ecuaciones:
 𝑥(𝑘 + 1) = 𝐴𝑥(𝑘) + 𝐵𝑢(𝑘)
 𝑦(𝑘) = 𝐶𝑥(𝑘) + 𝐷𝑢(𝑘)
 2.2.- Obtención de la representación de un espacio de estados de sistemas
discretos
 Partiendo de un sistema discreto descrito por:
 𝑦(𝑘) + 𝑎1𝑦(𝑘 − 1) + 𝑎2𝑦(𝑘 − 2) + ⋯ + 𝑎𝑛𝑦(𝑘 − 𝑛) = 𝑏0𝑢(𝑘) + 𝑏1𝑢(𝑘 − 1) + ⋯ + 𝑏𝑛𝑦(𝑘 − 𝑛)

 Figura 1. Diagrama de bloques de la representación en espacio de estados de un sistema LTI.

El sistema puede ser descrito por la siguiente función de transferencia:
 Utilizando el método de programación anidada se obtiene la representación de
del sistema en espacio de estados denominada Forma Canónica Observable (FO)
del sistema (FCC).
 2.3.- Resolución de la Ecuación de Estado
  
 Se puede obtener una expresión de x(n) en función solo de las condiciones iniciales y u(k).
 𝑋(1) = 𝐺𝑥(0) + 𝐻𝑢(0)
 𝑋(2) = 𝐺𝑥(1) + 𝐻𝑢(1) = 𝐺2(0) + 𝐺𝐻𝑢(0) + 𝐻𝑢(1)
 𝑋(3) = 𝐺𝑥(2) + 𝐻𝑢(2) = 𝐺3(0) + 𝐺2𝐻𝑢(0) + 𝐺𝐻𝑢(1) + 𝐻𝑢(2)
 Se puede generalizar a:

 
 2.4.- Discretización de las ecuaciones de estado continúa
 Para un sistema continuo en espacio de estados:
 𝑥̇ = 𝐴𝑥 + 𝐵𝑢
𝑦 = 𝐶𝑥 + 𝐷𝑢
 Al discretizar el sistema con un tiempo de muestreo T se obtiene:
𝑥((𝑘 + 1)𝑇) = 𝐺(𝑇)𝑥(𝑘𝑇) + 𝐻(𝑇)𝑢(𝑘𝑇)
 Quedando la ecuación de salida como:
𝑦(𝑘𝑇) = 𝐶𝑥(𝑘𝑇) + 𝐷𝑢(𝑘𝑇)
 2.7.- Realimentación del estado
  
 En esta sección se presenta una estrategia de control que permite elegir la
situación de los polos de bucle cerrado del sistema, mediante la
realimentación lineal del vector de estados. Se verá que la condición necesaria
para que esto se pueda conseguir es que el sistema sea controlable. Por otra
parte, se asume que todas las variables de estados son accesibles, es decir, se
puede medirlas directamente sin tener que estimarlas por otros
procedimientos.
 Dado un sistema discreto lineal, invariante y controlable, en el que se supone
el estado es medible (figura 2):
El control por realimentación del estado es:
𝑢(𝑘) = 𝑟(𝑘) − 𝐾𝑥(𝑘)
 Es decir, la señal de control se obtiene de la realimentación negativa del vector de estados
multiplicado por una cierta matriz de ganancias K. Este tipo de ley de control se la denomina
usualmente realimentación del vector de estados. Con esta ley de control el sistema en bucle
cerrado quedará como en la figura 3.

 
 Identificación de Sistemas Multivariables: MIMO

La identificación permite construir modelos matemáticos de sistemas dinámicos a partir de datos

experimentales.
La mayoría de procesos en la industria son de naturaleza multivariable, el modelo dinámico de un
sistema multivariable es esencial para el diseño de sistemas de control automático .

SISTEMAS MIMO
Son sistemas con varias entradas y salidas, en los que una entrada afecta a varias salidas y
recíprocamente una salida es afectada por varias entradas.

Entradas

Salidas
Identificación de un Sistema MIMO en un Ejemplo Practico:
La mayoría de los procesos industriales requieren el control sobre más de una variable, como el caso de un
circuito de molienda (pulverización y a la dispersión del material sólido, ya sean granos de alimentos,
piedras o cualquier otro material sólido) semiautógena, donde se puede pensar en distintas variables:
Variables a controlar como la granulometría del producto, la densidad a la entrada del hidrociclón o el
caudal de salida .
Variables que pueden ser manipuladas, como el caudal de agua añadida al sumidero y el caudal másico de
entrada de mineral al molino.
Formas de resolver problemas de control de sistemas multivariables
A. Se puede reducir a diseñar cada lazo de control de manera independiente del resto de los lazos (es
decir, sin tomar en cuenta la presencia del resto de los lazos de control).

B. Para resolver el problema del control de sistemas multivariables, nos basamos en el uso de un sólo
controlador que acciona simultáneamente todas las variables manipuladas cuando alguna o algunas
variables controladas se alejan de su punto de ajuste. Este tipo de control se conoce como control
centralizado. De esta forma se consigue compensar el efecto de las interacciones.
C. Control Predictivo: Otra estrategia de control es cuando se emplean controladores predictivos como
controladores locales, debido a que mientras alguno de ellos está resolviendo su propio problema de
optimización, está también intercambiando información sobre sus predicciones con los demás
controladores. Esto le permite a cada controlador tener alguna idea de cuál es el camino probable que
seguirá alguna dinámica que pueda influenciarlo directamente, y poder tomar acciones correctivas
posiblemente antes de que las perturbaciones actúen.

EL DESACOPLAMIENTO
Cuando las interacciones entre lazos son fuertes, las
técnicas de control de una entrada y una salida no
ofrecen buenos resultados. Hay que acudir a técnicas de
control multivariable que son muy complejas. La más
accesible es la basada en desacopladores: elementos de
control que reducen la intensidad de las interacciones.
Objetivo: eliminar o reducir las iteraciones de cada
variable de entrada con las variables de salida distintas
de la que controla.
Control multivariable
El controlador recibe señales de todas las salidas y simultáneamente calcula todas las señales de control
teniendo en cuenta la interacción
En un sistema MIMO el efecto de cada entrada sobre cada una de las salidas describe el modelo matemático
del problema.
Ejemplo de identificación de sistemas multivariables con diferentes señales de entradas 2X2 Usando Simulink
de Matlab
Se trata de un sistema multivariable con dos entradas y dos salidas, descrito por las ecuaciones en el espacio
de estado siguientes:

Este sistema, en el dominio s, se puede representar de la forma siguiente:

Funciones de
Diagrama de Transferencia
bloques del
sistema
Se realizó la simulación con ayuda del Simulink del Matlab según el siguiente esquema para obtener los
datos necesarios para la identificación:

El criterio de error fue el error medio absoluto, es decir, el valor medio de los
valores absolutos de las diferencias entre ambas salidas.

diferente a la del sistema, sin

embargo, ambas matrices
tienen iguales valores propios
En análisis numérico, Dormand-Prince es un método para la resolución de hasta la cuarta cifra decimal.
ecuaciones diferenciales ordinarias.
Programación en MATLAB Explicación de la Programación de Matlab

Primero almacenamos los valores de la señal del

sistema con el comando Signal values. Se crea la
variable z para almacenar los valores de las
señales en una matriz na, nb y nk en estos casos.
na es una matriz cuadrada cuyo orden coincide
con el número de salidas. nb y nk son matrices
donde el número de filas corresponde con el
número de salidas y el número de columnas con el
número de entradas. Luego Generamos datos de
salida basados en un modelo ARX usando los datos
de salida para estimar el modelo con el comando
sys = arx( data , [na nb nk] ). Con el comando ss
convertimos modelos de sistema dinámico en
forma de modelo de espacio de estado. El
Comando Lsim Simula la respuesta de tiempo del
sistema dinámico a entradas arbitrarias. Por
ultimo con el comando Plot se grafica los
resultados obtenidos con sus parámetro gráficos y
leyendas.
EJEMPLO DE SISTEMA MULTIVARIABLE: (UNIVERSIDAD DE OVIEDO)
En este ejemplo se pretende obtener un modelo matematico del sistema de la figura compuesto por
dos depositos de liquido alimentados por una bomba hidraulica y una valvula proporcional que
balancea el caudal entre ellos (v(t)= 0 significa todo el cuadal para el deposito "1" y v(t)=100 todo
para el "4"). Como datos para determinar el modelo se dispone de datos regisitrados del valor de las
entradas y salidas del sistema tomados con tiempo de muestreo Tm=1s durante el experimento
realizado en el laboratorio.
En el sistema se consideran como viarables de entrada la potencia de la bomba p(t) y el balance de caudal entre los
depositos v(t). Como variables de salida se consideran las respectivas alturas de nivel del liquido en cada deposito.
Los rangos de variacion de cada una de estas variables p(t) v(t) h1(t) y h4(t), estan entre el 0 y 100%.