UNIVERSIDAD POPULAR DEL CESAR
FACULTAD DE INGENIERIAS Y TECNOLOGIAS
INGENIERIA ELECTRONICA
LABORATORIO CONTROL I
IDENTIFICACION
Erick Machado de la hoz: (ermachado@unicesar.edu.co)
RESUMEN: Se realizó la estimación
de los modelos a diferentes entradas,
utilizando diferentes modelos y
usando la herramienta ident de
matlab, para establecer una
comparativa entre el modelo real y el
modelo ideal obtenido con los
diferentes métodos
PALABRAS CLAVE: identificación,
estimación, control, retroalimentación.
I. INTRODUCCION
Las técnicas de control actuales
requieren de modelos matemáticos
cada vez más exactos para el análisis
y el diseño. Siendo que en muchos
casos, tales modelos no pueden ser
obtenidos en forma sencilla y
económica a partir de las leyes que
rigen cada proceso. Aquí es entonces
donde juegan un papel decisivo la
identificación de sistemas dinámicos,
que es una herramienta capaz de
proporcionar los métodos necesarios
para obtener de manera relativamente
sencilla los modelos matemáticos
buscados con un alto grado de
exactitud. En el presente laboratorio
se hará uso de circuitos integrados
como lo es el amplificador operacional
para simular la respuesta de sistemas
físicos de primer y segundo orden, con
el fin de obtener sus modelos
matemáticos a partir de la respuesta a
la curva de reacción en el dominio del
tiempo.
II. OBJETIVOS
 Obtener un modelo matemático
partiendo de las características
temporales de sistemas físicos
de primer y segundo orden.
 Manejar el toolbox de Matlab
para identificación de sistemas
dinámicos.
III. MARCO TEORICO
Identificación de sistemas
Se entiende por identificación de
sistemas a la obtención de forma
experimental de un modelo que
reproduzca con suficiente exactitud,
para los fines deseados, las
características dinámicas del proceso
objeto de estudio.
El proceso de identificación
En términos generales, el proceso de
identificación comprende los
siguientes pasos:
1. Obtención de datos de entrada -
salida. Para ello se debe excitar el
sistema mediante la aplicación de una
señal de entrada y registrar la
evolución de sus entradas y salidas
durante un intervalo de tiempo.
2. Tratamiento previo de los datos
registrados. Los datos registrados
están generalmente acompañados de
ruidos indeseados u otro tipo de
imperfecciones que puede ser
necesario corregir antes de iniciar la
identificación del modelo. Se trata, por
tanto, de ‘preparar’ los datos para
facilitar y mejorar el proceso de
identificación.
3. Elección de la estructura del
modelo. Si el modelo que se desea
obtener es un modelo paramétrico, el
primer paso es determinar la
estructura deseada para dicho
modelo. Este punto se facilita en gran
medida si se tiene un cierto
conocimiento sobre las leyes físicas
que rigen el proceso.
4. Obtención de los parámetros del
modelo. A continuación se procede a
la estimación de los parámetros de la
estructura que mejor ajustan la
respuesta del modelo a los datos de
entrada-salida obtenidos
experimentalmente.
5. Validación del modelo. El último
paso consiste en determinar si el
modelo obtenido satisface el grado de
exactitud requerido para la aplicación
en cuestión. Si se llega a la conclusión
de que el modelo no es válido, se
deben revisar los siguientes aspectos
como posibles causas:
a) El conjunto de datos de entrada-
salida no proporciona suficiente
información sobre la dinámica del
sistema.
b) La estructura escogida no es capaz
de proporcionar una buena
descripción del modelo.
c) El criterio de ajuste de parámetros
seleccionado no es el más adecuado.
Dependiendo de la causa estimada,
deberá repetirse el proceso de
identificación desde el punto
correspondiente.
Ident
System Identification Toolbox™ para
extraer de manera rápida e interactiva
modelos matemáticos y dinámicos de
las componentes o los sistemas que
están siendo analizados. Estos
modelos matemáticos pueden ser
utilizados para la predicción del
comportamiento de estas
componentes o sistemas, o para el
diseño y la sintonización de los
controladores asociados a ellos.
IV. MATERIALES
 Amplificadores operacionales
 Resistencias
 Condensadores
 Conectores
 Fuente dc dual
 Generador o CLAB (tarjeta de
adquisición de datos)
V. PRÁCTICA:
Prueba #1 PA
Planta subamortiguados en serie con
la planta sobre amortiguada; con un
tiempo de adquisición de 100
segundos, con una entrada escalón
de 5 a 3, 0, 0.5, 1.5.
Respuesta del sistema:
Identificación con 4 polos: (76.45%)
3.419
𝐺1 =
𝑠 4 + 2.276 𝑠 3 + 5.437 𝑠 2 + 7.306 𝑠 + 3.459
Con 4 polos se tiene una un
porcentaje de confiabilidad del
76.45%, por lo que se realiza una
prueba adicional con tres polos para
llegar a una estimación más cercana.
Identificación Con 3 polos: (97.63%) PRACTICA #3 PC

210.2
𝐺1 =
𝑠3 𝑠2
+ 9.672 + 101 𝑠 + 201.7
Planta sobre amortiguada en serie con
una ganancia K = 10, retroalimentada.
Con una entrada cuadra de 2.5 v a 3.5
v con una frecuencia de 0.1hz en un
tiempo de 15 segundos.

PRACTICA #2 PB

Planta subamortiguados en serie con

la planta sobre amortiguada, con una Identificación Con 2 polos: (98.77%)
entrada escalón de 0 a 0.7 en un
tiempo de adquisición de 20 56𝐾
𝐺3 =
segundos. 𝑠2 + 1109 𝑠 + 62𝐾

Identificación con ident

Al ser el mismo sistema se tiene que VII. CONCLUSIONES
la función de transferencia es la Se pudo obtener los modelos de las
misma que la practica anterior por lo plantas mediante la herramienta ident
que se tiene una función de de matlab con un porcentaje promedio
transferencia de tres polos. del 96.95%, para el caso de PA y PB
Identificación Con 3 polos: se vio como los modelos identificados
(94.46%): son los mismo puesto que lo único que
vario fue la entrada y el tiempo de
12.94𝑘 adquisición. Y para Pc se vio como
𝐺2 =
𝑠3 + 452.1 𝑠 2 + 5373 𝑠 + 12.24𝑘 una ganancia externa ayudo a mejorar
el error de posición sin llegar a
anularlo del todo.