Identificación de una Termofijadora neumática

María Camila Álvarez Del Valle

Universidad Nacional de Colombia, Sede Medellín
Doris Steffania Obando González
Universidad Nacional de Colombia, Sede Medellín

Resumen: La obtención de modelos se hace necesaria cuando se tienen procesos que se desean comprender, pero no se
tienen representaciones matemáticas, que describan la realidad de su comportamiento, por ello, se hace vital la
identificación de sistemas cuando se desea conocer sus características dinámicas de este y así poder construir un control
de los mismos, sin embargo, para ello es fundamental conocer los modelos que lo representan. Dichos modelos se
encuentran por medio de la experimentación, la toma de datos, e identificando sus variables de entrada y salida, y por
último la simulación; que se encarga de entregar al usuario una idea del comportamiento del sistema, porque no existe
un modelo perfecto, solo existen aproximaciones de la realidad. Este documento data de una breve descripción de una
empresa metal-mecanica, productos, plantas y se realiza la identificación paramétrica de una planta termofijadora
neumática (Sublimadora).

Palabras claves Sublimación, Termofijadora manual, Termofijadora neumática, Resistencia tubular,

xcreen, identificación de sistemas, simulación validación, criterios de error características dinámicas,
experimentación, modelo.

INTRODUCCIÓN
En el presente documento se ilustra la obtención de un
modelo, que tiene como propósito la puesta en práctica
de todos los conocimientos adquiridos entorno a la
importancia de la identificación de un proceso en el
sector industrial e ingenieril. Para esto se realizó un
trabajo experimental en una empresa metal-mecánica
con ramificaciones en estampación, con una planta
Termofijadora donde se hizo la adquisición de datos de
forma manual (termómetro con temperatura máxima
hasta 250 °c) y forma virtual (indicador de la planta), se
realizaron diferentes modelos para la respectiva
identificación, al final escogiendo el más óptimo para el
sistema, la identificación realizada para el modelo es
paramétrica o no paramétrica, usando modelos
polinomiales, ARX, ARMAX, modelado por funciones
de transferencia, errores de aproximación hallados en los
diversos prototipos, para la obtención de estos se usaron
herramientas como Microsoft Excel y el toolbox de
identificación de Matlab.
INDUPUL E.U. es una empresa unipersonal dedicada a
la industria metalmecánica, fue fundada el 2 de abril del
2002 por Jaime Alberto Álvarez Duque, es una empresa
con maquinaria industrial experta en la fabricación de
máquinas para la estampación, pulpos manuales,
sublimadoras neumáticas y marcos con seda para xcreen,
también se dedica a la fabricación de repuestos para la
industria, es reconocida en el gremio de la estampación
en toda el área metropolitana.
Tres años después Jaime Alberto en compañía de su hija
mayor Luis Fernanda Álvarez, iniciaron una sociedad en
la cual se empezó a implementar el negocio de la
estampación.
DESCRIPCION DEL PROCESO:
3.1) SUBLIMACIÓN:
“La sublimación o termo fijación es un proceso en el cual
la tinta en el papel es impresa por medio de calor a la tela
o artículo, pasando de estado sólido a estado gaseoso, sin
pasar por el estado líquido. De esta manera se puede
imprimir sobre una infinidad de materiales” [1].

En la industria de la estampación la sublimación se usa

para fijar el “estampado” a la tela, ya que este se
DESCRIPCION DE LA EMPRESA DONDE SE compone de tintes especiales los cuales con este proceso
REALIZO LA IDENTIFICACIÓN: son difíciles de quitar, lo que agrega un factor de calidad
al producto ya que algunas prendas con lavarlas o
plancharlas pueden dañar su diseño.
Para este proceso se usan las sublimadoras o termo
fijadoras, que pueden ser manuales o neumáticas.
3.2 ¿QUE ES UNA TERMOFIJADORA MANUAL?
También conocida como Fusionadora Manual: Es una
Maquina con bandeja Lateral, se encarga de fijar la
pintura del estampado, con presión y calor. Da brillo al
acabado final del estampado, es una Herramienta básica
en todo taller de estampación.
3.3 ¿QUE ES UNA TERMOFIJADORA
NEUMATICA?
También conocida como Sublimadora Neumática: Es
una Maquina con bandeja Lateral o incluso con doble
bandeja, se encarga de fijar la pintura del estampado, con
presión y calor. Es una Maquina Automática, que trabaja
con aire comprimido por medio de un compresor de aire,
la maquina puede estar compuesta por un control de
temperatura manual o digital. Tiene una resistencia que
se encarga de calentar la maquina ya que estas es una
resistencia tubular las cuales se utilizan a nivel industrial,
fabricadas de acero inoxidable o tubería incoloy, porque
permite entregar altas temperaturas en varias de sus
formas.
Ilustración 1: Termofijadora neumática [1]
4. IDENTIFICACIÓN DE VARIABLES
Este apartado es uno de los más importantes ya que se
debe de validar que tipo de señales son las que logran
estimular el sistema y que tipos de ondas se pueden
obtener a la salida, teniendo en cuenta que ésta es la
temperatura de la planta. La señal de entrada de la
sublimadora inicialmente es ingresada por medio de
trenes de pulsos y pseudoseñales, con valores de
corriente entre 0 y 13 Amperios, al final se opta por dejar
la señal de entrada con trenes de pulsos, esto se debe a
que facilita el diseño del modelo.
5. DISEÑO Y PREPARACIÓN DEL
EXPERIMENTO
Se realizó una prueba preliminar para identificar
variables a medir en la Termofijadora, al observar que el
voltaje y la resistencia conectada a la plancha de la
máquina eran constantes optamos por medir la corriente
que entraba, aunque esta también era constante, pero al
delimitar los cambios de temperatura el paso de la
corriente se restringía por lo que los valores de la misma
pasaban de su valor máximo a cero.
luego de hacer las primeras tomas declaramos un tiempo
de muestreo que nos permitiera observar con claridad el
comportamiento de la planta, en la toma preliminar
pusimos un tiempo de muestreo de 30 segundos, sin
embargo, la temperatura subía en un tiempo menor y
perdíamos datos de por medio, por lo que finalmente
pusimos un tiempo de muestreo de 20 segundos.
para la señal de entrada se cambió la referencia de
temperatura varias veces, permitiendo y negando el paso
de la corriente y así formando inicialmente una señal
pseudoaleatoria, la cual se llevó en la segunda toma de
datos a un tren de pulsos y así observamos el cambio de
la temperatura empezando desde temperatura ambiente.
Para la medición de la corriente se usó un amperímetro y
para la medición de la temperatura se implementó un
sensor electrónico el cual nos permite tomar
directamente la temperatura de la plancha y compararla
con la temperatura tomada por la termocupla de la
máquina.
A la hora de tomar la temperatura se debió tener en
cuenta que la temperatura de la plancha no se distribuía
uniformemente, por lo que al realizar la muestra el sensor
electrónico externo se debe poner en todo el medio de la
plancha.
6. ADQUISICIÓN DE DATOS
En esta etapa de experimentación se realizó la toma de
datos utilizando diversos instrumentos inicialmente un Corriente virtual
multímetro donde se midió el voltaje y la corriente, en la 16
entrada. Para la salida se midió de dos formas, la primera 14
directamente con un termómetro, ubicado en el centro de
12
la sublimadora, la segunda directamente de los datos
10
obtenidos de la pantalla de la planta, esto se debe a que

Corriente
la planta tiene una termocupla. 8
Los datos se iban registrando directamente en Excel de 6
forma manual, se realizaba un muestreo cada 20 4
segundos. Lo cual contribuye a observar el 2
comportamiento grafico en Excel y luego importar a 0
Matlab, donde también se realiza la depuración de los -2 0 500 1000 1500 2000 2500 3000
datos bruscos de arranque de la planta. A continuación, Tiempo
se pueden observar los datos de salida y entrada del
sistema obtenido mediante la adquisición de datos. Ilustración 4: Señal de entrada corriente (virtual) vs tiempo (función peudoaleatoria)

Entradas con la pseudoseñal:

Voltaje virtual
250
Entrada de corriente real
200
14
Voltaje

150
12
10 100
Corriente

8
50
6
4 0
2 0 500 1000 1500 2000 2500 3000
0 Tiempo
0 500 1000 1500 2000 2500 3000
Tiempo
Ilustración 5: Señal de entrada voltaje (virtual) vs tiempo (función peudoaleatoria)

Ilustración 2: Señal de entrada corriente (real) vs tiempo (función peudoaleatoria)

Salidas con la pseudoseñal:

Voltaje real de la planta Temperatura real

250
120
200 100
Temperatura

80
Voltaje

150
60
100
40
50
20
0 0
0 500 1000 1500 2000 2500 3000 0 500 1000 1500 2000 2500 3000
Tiempo Tiempo

Ilustración 3: Señal de entrada voltaje (real) vs tiempo (función peudoaleatoria) Ilustración 6: Señal de temperatura (real) vs tiempo (función peudoaleatoria)
 Temperatura virtual Temperatura real
120 140
100 120
Temperatura

Temperatura
80 100
80
60
60
40
40
20 20
0 0
0 1000 2000 3000 0 500 1000 1500 2000
Tiempo
Tiempo

Ilustración 7: Señal de temperatura (virtual) vs tiempo (función peudoaleatoria) Ilustración 10: Señal de temperatura (real) vs tiempo (función tren de pulsos)

Entradas con el tren de pulsos: Temperatura virtual

150
130
Corriente real 110
Temperatura

90
70
10 50
Corriente

30
5 10
-10
0 500 1000 1500 2000
0 Tiempo
0 500 1000 1500 2000
Tiempo Ilustración 11: Señal de temperatura (virtual) vs tiempo (función tren de pulsos)

Ilustración 8: Señal de entrada corriente (real) vs tiempo (función tren de pulsos)

7. ETAPA DE MODELADO

En esta etapa se tratará en encontrar el modelo que más

Corriente virtual se aproxime al comportamiento del sistema, para ello
15 veremos algunos tipos de modelos los cuales se harán en
Corriente

10 Matlab.
5
0 7.1 CORRELACIÓN
0 500 1000 1500 2000
Tiempo
“La correlación estadística determina la relación o
dependencia que existe entre las dos variables que
Ilustración 9: Señal de entrada corriente (virtual) vs tiempo (función tren de pulsos) intervienen en una distribución bidimensional. Es decir,
determinar si los cambios en una de las variables
Salidas con tren de pulsos: influyen en los cambios de la otra. En caso de que
suceda, diremos que las variables están correlacionadas
o que hay correlación entre ellas” [1].

Ilustración 12: correlación corriente y temperatura experimental
Ilustración 13: correlación corriente y temperatura virtual
“La función de correlación cruzada muestral (FCCM) ha
sido empleada para estudiar la fortaleza y la dirección de
la relación entre dos procesos estocásticos
conjuntamente estacionarios. Rosales (2004) y Castaño
(2005) muestran que dicha función, calculada entre el
proceso estacionario y los residuales de un modelo
preliminar estimado (aunque no sea correcto), puede ser
empleada como un diagnóstico adicional en la
identificación de un modelo apropiado ARMA (p, q)
para la representación del proceso” [2].
Con una correlación cruzada se podría facilitar un poco
más los análisis ya que tendríamos una idea de dónde
sacar la información para estructurar el modelo, sin la
necesidad de elegir valores aleatoriamente. Sin embargo,
esta correlación no muestra una buena aproximación, por
ello se hizo necesario implementar otros métodos, para
encontrar los rezagos en el sistema.
7.2 Modelos alternativos:
Modelado ARX Y ARMAX
Estos modelos se obtendrán por medio del toolbox de
identificación de Matlab, en cual hallaremos el modelo
para su salida respecto a su entrada.
El método de ARX Y ARMAX en Matlab no solo nos da
una aproximación de nuestro modelo, sino que también
arroja datos como el FPE (error de predicción final) y el
MSE (error cuadrático medio), los cuales brindan
información sobre que tan bien se aproximan los valores
reales a los predichos.
7.2.1 Modelo ARX para la señal virtual
En primer lugar, hay algunos parámetros que debemos
tener claro.
𝐴(𝑞 − 1) × 𝑦(𝑡) = 𝐵(𝑞 − 1) × 𝑢(𝑡) + 𝑒(𝑡) [2]
A = coeficientes que acompañan a la variable de salida.
B = coeficiente que acompaña a la variable de entrada.
𝑒 = Error
𝑞 − 1 = representación de rezagos aplicados al sistema.
na = orden del polinomio A (q).
nb = orden del polinomio B (q) + 1.
nk = Retardo de entrada-salida expresados en ceros
iniciales fijos del polinomio B. [3]
Teniendo claro dichos parámetros, se procede a escoger
un modelo, sin embargo, para escoger el orden de los
polinomios y el retardo se puso un intervalo entre [1:10]
ya que la correlación fue muy baja, se optó por este
método para escoger los rezagos.
Para ello se toman varios rangos en cada uno de los
parámetros, por ejemplo:
na= [1:10]
nb= [1:10]
nk= [1:10]
esto se hace con el propósito de encontrar valores en los
cuales el modelo tenga un mejor comportamiento.
7.2.1.1 Respuesta temperatura vs corriente
virtual
Ilustración 14: modelos aproximados según rango en los rezagos (tren de pulsos)
La imagen anterior nos muestra la cantidad de modelos
que salen de acuerdo a los parámetros anteriores, el
cuadro rojo es el modelo que mejor ajuste tiene con Aplicando el mismo procedimiento anterior llegamos a
respecto a la salida. un modelo aproximado para el modelo experimental
con na=10, nb=9, nk=4.

Ilustración 15: Mejor modelo aproximado virtual ARX Ilustración 17: Mejor modelo aproximado virtual ARX

Podemos ver que el modelo final de ARX tiene un Su representación ARX ES:
98.59% de proximidad con el diseñado teóricamente. La
mejor aproximación se observó con na=10, nb=9 y nk=4. 𝐴(𝑧) = 1 − 0.3837 𝑧 −1 − 0.1356 𝑧 −2 −
0.2393 𝑧 −3 − 0.05823 𝑧 −4 − 0.5837 𝑧 −5 +
Su representación ARX es: 0.07173 𝑧 −6 + 0.006393 𝑧 −7 + 0.133 𝑧 −8 +
0.06157 𝑧 −9 + 0.132 𝑧 −10 [4]
𝐴(𝑧)𝑦(𝑡) = 𝐵(𝑧) × 𝑢(𝑡) + 𝑒(𝑡) [1]
𝐵(𝑧) = 0.1492 𝑧 −4 + 0.0361 𝑧 −5 −
𝐴(𝑧) = 1 − 0.3837 𝑧 −1 − 0.1356 𝑧 −2 − 0.02057 𝑧 −8 + 0.1323 𝑧 −9 − 0.01465 𝑧 −11 −
0.2393 𝑧 −3 − 0.05823 𝑧 −4 − 0.5837 𝑧 −5 + 0.04515 𝑧 −12 [5]
0.07173 𝑧 −6 + 0.006393 𝑧 −7 + 0.133 𝑧 −8 +
0.06157 𝑧 −9 + 0.132 𝑧 −10 [2] Su error de predicción final y error cuadrático medio:

𝐵(𝑧) = 0.1492 𝑧 −4 + 0.0361 𝑧 −5 − FPE = 0.1049 MSE = 0.0893

0.02057 𝑧 −8 + 0.1323 𝑧 −9 − 0.01465 𝑧 −11 −
0.04515 𝑧 −12 [3] 7.2.2 Modelo ARMAX

Y su error de predicción final y error cuadrático medio: El modelo ARMAX es de la forma

FPE: 0.1049 MSE: 0.0893 𝐴(𝑧)𝑦(𝑡) = 𝐵(𝑧)𝑢(𝑡) + 𝐶(𝑧)𝑒(𝑡) [8]

Lo que nos indica que la aproximación es relativamente Se incluye rezagos en el error por lo que nc es el grado
buena. del polinomio en e.
Para este modelo no podremos usar rangos para definir
7.2.1.2Respuesta temperatura vs corriente los grados de los polinomios, los cambios se harán de
experimental forma aleatoria y solo se presentará el modelo más
aproximado.

7.2.2.1 Respuesta temperatura vs corriente virtual

Ilustración 16: modelos aproximados según rango en los rezagos (tren de pulsos)
 𝐴(𝑧) = 1 − 2.021 𝑧 −1 + 0.9567 𝑧 −2 +
0.2584 𝑧 −3 + 0.1221 𝑧 −4 − 0.8925 𝑧 −5 +
0.5674 𝑧 −6 + 0.414 𝑧 −7 − 0.2016 𝑧 −8 −
0.5252 𝑧 −9 + 0.3218 𝑧 −10 [9]

𝐵(𝑧) = 0.03398 𝑧 −1 − 0.0503 𝑧 −2 +

0.06112 𝑧 −3 − 0.01674 𝑧 −4 [10]

Ilustración 18: Mejor modelo aproximado virtual ARMAX

𝐶(𝑧) = 1 − 1.648 𝑧 −1 + 0.3628 𝑧 −2 +
Tenemos que: 0.7965 𝑧 −3 − 0.4335 𝑧 −4 − 0.03494 𝑧 −5 −
0.6134 𝑧 −6 + 1.086 𝑧 −7 − 0.3064 𝑧 −8 −
na=10 0.1908 𝑧 −9 [11]
nb=4
nc=9
nk=4 Y su error de predicción final y error cuadrático medio:
𝐴(𝑧) =1 – 2.021𝑧 −1 +0.9567𝑧 −2 + 0.2584𝑧 −3 + FPE= 0.1057 MSE= 0.06393
0.1221𝑧 −4 - 0.8925𝑧 −5 + 0.5674𝑧 −6 + 0.414 𝑧 −7 -
0.2016𝑧 −8 − 0.5252𝑧 −9 + 0.3218𝑧 −10 [6] 8. ELECCION DEL MODELO FINAL:
8.1 Análisis de estabilidad modelo ARX y ARMAX
𝐵(𝑧) = 0.03398𝑧 −1 - 0.0503 𝑧 −2 + 0.06112𝑧 −3 -
0.01674𝑧 −4 [7] 8.1.1 Modelo virtual

𝐶(𝑧) =1 - 1.648 𝑧 −1 + 0.3628 𝑧 −2 + 0.7965 𝑧 −3 −

0.4335𝑧 −4 − 0.03494 𝑧 −5 - 0.6134𝑧 −6 +1.086𝑧 −7 −
0.3064𝑧 −8 − 0.1908𝑧 −9 [8]

Y su error de predicción final y error cuadrático medio:

FPE = 0.1057 MSE = 0.06393

La aproximación obtenida fue de un 99.2%.

7.2.2.2 Respuesta temperatura vs corriente Ilustración 20: Circulo unitario con polos y ceros del modelo ARX y ARMAX

experimental
Los polos y ceros del color gris corresponden al modelo
ARMAX y los azules al modelo ARX, si analizamos
estabilidad mediante los polos, se observa que el modelo
estable es el ARX ya que sus polos se encuentran dentro del
circulo unitario.
8.1.2 Modelo real

Ilustración 19: Mejor modelo aproximado experimental ARMAX

Tenemos que:
na=10
nb=4
nc=9
nk=1
Ilustración 20: Circulo unitario con polos y ceros del modelo ARX y ARMAX
En el análisis de estabilidad se debe considerar si los polos FPE=0.1049, una auto correlación de residuales del 0.086 y
de la función se encuentran dentro del círculo unitario, de no tiene todos los polos dentro del círculo unitario, y solo un
cumplirse esto se tiene un sistema inestable, que para la cero fuera, lo que garantiza que es un modelo estable.
mayoría de los casos no es deseable. Los polos y ceros del
color verde corresponden al modelo ARMAX y el amarillo ARX 1094 Modelo experimental
al modelo ARX, si analizamos estabilidad mediante los Este modelo hallado por el método ARX tiene 10 rezagos de
polos, se observa que el modelo estable es el ARX ya que la salida, 9 rezagos de ambas entradas, comenzando en
sus polos se encuentran dentro del circulo unitario. ambas desde el cuarto rezago para la corriente y el presente
para la temperatura. Tiene un porcentaje de ajuste de Tiene
un porcentaje de ajuste de 98.59% un MSE=0.0893,
8.2 Análisis porcentual de la curva de ajuste: FPE=0.1049, una auto correlación de residuales del 0.09 y
El ajuste de la curva señala cuan alejada esta la tiene todos los polos dentro del círculo unitario, y solo un
respuesta modelada de los datos medidos, en este caso se cero fuera, lo que garantiza que es un modelo estable.
considera los modelos que tienen ajustes por encima del
95%, pues estos tienen una buena aproximación.
8.3 Análisis de residuales:
El análisis de residuales comprende cómo se
comporta el coeficiente del error y hasta qué punto está
umbralizado o sesgado por una determinada banda, en este
caso se buscó que los picos de los residuales tuviesen picos
con pequeñas amplitudes cercanos a la banda de confianza,
preferiblemente dentro de la banda.
8.4 Análisis final de error de predicción:
El error final de predicción de AKAIKE,
consta de evaluar bajo criterios de predicción de modelos e
identificación paramétrica cual modelo posee un error más Ilustración 21: Ajuste de validación para el modelo real y virtual
alto. Para este análisis se busca errores de predicción bajo
como criterio para elegir el modelo.
Modelo ARX virtual FPE=0.1049
Modelo ARMAX virtual FPE=0.1057
Modelo ARX real FPE=0.1049
Modelo ARMAX real FPE=0.1057
8.5 Análisis mínimos cuadrados:
Este criterio calcula los errores al cuadrado de las curvas
ajustadas y de acuerdo a su variación puede únicamente
incrementar sin importar errores positivos o negativos. Por Ilustración 22: Auto correlación y correlación cruzada de los residuales
ello se busca errores bajos, puesto que indican una variación Teniendo en cuenta todos los criterios, anteriormente
baja en el ajuste. mencionados, se observa que por estabilidad se decidió
8.6 Eliminación de modelos: escoger el modelo ARX, los modelos ARMAX poseían un
mayor porcentaje en el ajuste de validación pero es
Finalmente, tras probar con muchas variaciones en modelos importante resaltar que no era significativo esta diferencia,
ARX y ARMAX, solo se encontraron dos modelos que por último se concluye que el modelo obtenido a partir de los
cumplían con las especificaciones buscadas y mediante una datos experimentalmente y el modelo obtenido con los datos
revisión final de los ajustes se obtuvo el modelo final. Estos directamente de la planta son muy semejantes ya que se
modelos se presentarán a continuación justificando la describen, con un mismo modelo ARX 1094, el porcentaje
elección realizada. de ajuste y errores dan iguales al igual que su correlación.
ARX 1094 Modelo virtual
Este modelo hallado por el método ARX tiene 10 rezagos de CONCLUSIONES
la salida, 9 rezagos de ambas entradas, comenzando en
ambas desde el cuarto rezago para la corriente y el presente
para la temperatura. Tiene un porcentaje de ajuste de Tiene • Al realizar diferentes tomas de datos, y observar
un porcentaje de ajuste de 98.59% un MSE=0.0893, como a partir de diversas entradas la salida
 puede variar de formas complejas la
identificación de los datos.
• Las diversas señales que se tomaron facilitan la
comprensión de la planta de forma física,
logrando relacionar la temperatura de la planta,
con la corriente.
• Se presentan buenas aproximaciones de las
respuestas en los modelos ARX Y ARMAX, se
decide que el mejor modelo para aproximar el
comportamiento fue el ARX, por la estabilidad.
• Tanto el modelo ARX Y ARMAX obtuvieron
aproximaciones aceptables, se podría decir que
están en el mismo rango de exactitud.
• Al ser un sistema de caja negra es complicado
definir las variables del sistema y sus respectivos
parámetros que contribuyen a la identificación
del modelo que mejor represente dicho sistema.
• La identificación de sistemas es una herramienta
práctica en situaciones de modelado donde no se
puede determinar la fenomenología del modelo
y tan solo es posible realizar la toma de los datos
que se ingresan y los datos que salen del proceso.
• Por medio del toolbox Ident de Matlab, se
determinó un modelo matemático ARX para el
proceso de termofijación, el cuál era complicado
de explicar fenomenológicamente ya que
involucra procesos termodinámicos; de forma
que dicho software se usó como una herramienta
facilitadora para la determinación del modelo.
• A pesar de que se pueden encontrar modelos con
mejores ajustes y mejores resultados en el
análisis de correlación de residuales, la elección
del modelo ARX 1094 se debe a que este
presenta un mejor equilibrio entre ajuste,
correlación de residuales, FPE y MSE, a la vez
que es estable; a diferencia de los otros modelos
que aparentemente eran mejores. De tal forma se
concluye que la estabilidad es un factor de gran
peso durante la elección de un modelo, partiendo
de que un sistema inestable es totalmente
indeseado comenzando porque no se le pueden
aplicar muchas de las teorías del control y
porque tiende al caos durante su funcionamiento,
por tanto, es compleja su implementación y
control.
• El comportamiento de la planta está cumpliendo
los objetivos de diseño, ya que al realizar los dos
modelos el real y virtual se podría decir que
poseen comportamientos semejantes.
8.3 REFERENCIAS
[1 «DITUTOR,» 2015. [En línea]. Available:
] http://www.ditutor.com/estadistica_2/correlacion
_estadistica.html. [Último acceso: 17 septiembre
2016].
[2 M. Castaño, «Uso de la correlación cruzada en la
] identificación de modelos ARMA,» Revista
Colombiana de Estadistica, vol. 31, nº 2, p. 293,
2008.
[3 MathWorks, «MathWorks,» 2016. [En línea].
] Available:
http://www.mathworks.com/help/ident/ref/arx.ht
ml. [Último acceso: 17 septiembre 2016].
[4 D. Egas, «slideshare,» 16 noviembre 2009. [En
] línea]. Available:
http://es.slideshare.net/diegoegas/regresion-
polinomial-2512264. [Último acceso: 17
septiembre 2016].
[5 V. Y. Piqueras, «poliBLOGS,» 22 febrero 2015. [En
] línea]. Available:
http://optimizacionheuristica.blogs.upv.es/tag/dise
no-de-experimentos/.
[6 A. Romero, «Plataformas de control,» universidad
] nacional de colombia, 27 septiembre 2012. [En
línea]. Available:
http://plataformasdecontrol.blogspot.com.co/2012
/09/bienvenidos-la-plataforma-de-control.html.
[Último acceso: 19 septiembre 2016].
[7 M. R. Arahal, Tecnicas de predicción con
] aplicaciones en ingenieria, Sevilla: Universidad de
Sevilla, 2006.