Académique Documents
Professionnel Documents
Culture Documents
Control I
Informe Previo Guía Nº5
Tema: Identificación de Sistemas
Código: 15190028
Semestre: 2018 – I
CUESTIONARIO PREVIO
a. ¿Cuál es la diferencia entre Modelado e Identificación?
b. Presente un método de identificación para sistemas de segundo orden sub y sobre
amortiguados, diferentes a los presentados en esta guía.
c. Describa las principales características de System Identification Toolbox de Matlab.
Mientras la identificación de sistemas usa métodos estadísticos para crear modelos matemáticos de
sistemas dinámicos a partir de valores medidos.
Esto significa que en el Modelado podemos tener un modelado basado en leyes y principios, y un
modelado experimental, por identificación de sistemas (obtener datos mediante la medición)
Paramétricas
No Paramétricas
Curva de reacción
Respuesta en frecuencia
Caja
Step Respuesta
Negra
La salida puede ser:
Estable
o 1er Orden
o 2do Orden
Sobreamortiguada
Críticamente amortiguada
Subamortiguada
Inestable
2
MÉTODOS DE IDENTIFICACIÓN DE SISTEMAS
3
SYSTEM IDENTIFICATION TOOLBOX
System Identification Toolbox proporciona funciones MATLAB, bloques Simulink y una aplicación
para construir modelos matemáticos de sistemas dinámicos a partir de datos medidos de entrada-
salida. Le permite crear y usar modelos de sistemas dinámicos que no se modelan fácilmente a partir
de los primeros principios o especificaciones. Puede usar datos de entrada y salida de dominio de
tiempo y de dominio de frecuencia para identificar funciones de transferencia de tiempo discreto y
tiempo continuo, modelos de proceso y modelos de espacio de estado. La caja de herramientas
también proporciona algoritmos para la estimación de parámetros integrados en línea.
4
modelo definido por el usuario. Puede usar el modelo identificado para la predicción de respuesta
del sistema y el modelado de plantas en Simulink. La caja de herramientas también es compatible
con modelos de datos de series de tiempo y pronósticos de series de tiempo.
CARACTERÍSTICAS
Función de transferencia, modelo de proceso e identificación de modelo de espacio de
estado utilizando datos de dominio de tiempo y respuesta de dominio de frecuencia
Estimación del modelo autoregresivo (ARX, ARMAX), Box-Jenkins y Output-Error utilizando la
máxima probabilidad, la minimización del error de predicción (PEM) y las técnicas de
identificación del sistema subespacial
Estimación de parámetros de modelo en línea
Modelado de series de tiempo (AR, ARMA) y previsión
Identificación de modelos ARX no lineales y modelos Hammerstein-Wiener con no
linealidades de entrada-salida como saturación y zona muerta
Identificación del sistema de caja gris lineal y no lineal para la estimación de modelos
definidos por el usuario
Estimación de retardo, desviación, filtrado, remuestreo y reconstrucción de datos faltantes
5
Parte I
SISTEMA 1
Es de Primer Orden
Usaremos:
6
6
0
0 0.5 1 1.5 2 2.5 3
>> dy=max(Vout)
dy =
5.0000
>> du=max(Vin)
du =
7
5
>> k=dy/du
k=
1.0000
>> indice=find(Vout>=3.16,1)
indice =
2176
>> tao=Tiempo(indice)
tao =
0.2175
G=
1
------------
0.2175 s + 1
>> [Ye,t]=step(5*G,Tiempo);
>> plot(Tiempo,Vout,t,Ye)
>> error=Vout-Ye;
>> e_cuadrado=error.^2;
>> s_e_c=sum(e_cuadrado)
s_e_c =
0.2877
𝑌𝑢
𝑌𝑢 = 5 𝑉 ∆𝑢 = 5 𝑉 0.632 𝑌𝑢 = 3.16 𝑉 𝐾= =1
∆𝑢
Modelo matemático Vs datos experimentales:
8
6
data1
data2
5
0
0 0.5 1 1.5 2 2.5 3
SISTEMA 2
Es de 2do Orden
Usaremos:
𝑘𝑒 −𝑡𝑚𝑠
𝐺(𝑠) =
𝜏𝑠 + 1
9
6
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
dy2 =
5.0042
du2 =
k=
1.0008
tau =
0.6095
tm =
0.1826
G2 =
10
1.001
exp(-0.183*s) * ------------
0.6095 s + 1
>> error=Vout-Ye;
>> e_cuadrado=error.^2;
>> s_e_c=sum(e_cuadrado)
s_e_c =
313.1712
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Parte II
SISTEMA 1
>> tf1
tf1 =
11
From input "u1" to output "y1":
4.619
---------
s + 4.618
Name: tf1
Continuous-time identified transfer function.
Parameterization:
Number of poles: 1 Number of zeros: 0
Number of free coefficients: 2
Use "tfdata", "getpvec", "getcov" for parameters and their uncertainties.
Status:
Estimated using TFEST on time domain data "sys1".
Fit to estimation data: 99.79% (stability enforced)
FPE: 3.445e-06, MSE: 3.444e-06
m=step(tf1,Tiempo);
>> m=step(5*tf1,Tiempo);
>> plot(Tiempo,Vout,Tiempo,m)
>> error=Vout-m;
>> e_cuadrado=error.^2;
>> s_e_c=sum(e_cuadrado)
s_e_c =
0.4062
12
SISTEMA 2
13
>> tf1
tf1 =
14
From input "u1" to output "y1":
7.92
--------------------
s^2 + 5.87 s + 7.915
Name: tf1
Continuous-time identified transfer function.
Parameterization:
Number of poles: 2 Number of zeros: 0
Number of free coefficients: 3
Use "tfdata", "getpvec", "getcov" for parameters and their uncertainties.
Status:
Estimated using TFEST on time domain data "sys2".
Fit to estimation data: 99.83% (stability enforced)
FPE: 5.038e-06, MSE: 5.037e-06
m=step(tf1,Tiempo);
>> m=step(5*tf1,Tiempo);
>> plot(Tiempo,Vout,Tiempo,m)
>> error=Vout-m;
>> e_cuadrado=error.^2;
>> s_e_c=sum(e_cuadrado)
s_e_c =
5.2804
15
16