Documente Academic
Documente Profesional
Documente Cultură
DE SISTEMAS
ESPE 2019
IDENTIFICACIÓN DE
SISTEMAS
1. PRINCIPIOS DE LA IDENTIFICACIÓN Y MODELAMIENTO DE
SISTEMAS.
2. IDENTIFICACIÓN NO PARAMÉTRICA
1. Respuesta al escalón
1. Modelo 1er orden
2. Modelo 1er orden con retardo
3. Modelo 3do orden oscilatorio
4. Modelo 2do Orden no oscilatorio (Sartorius)
5. Modelo Orden Superior (Strejc)
2. Respuesta de Frecuencia
3. Respuesta Impulsiva
4. Ziegler-Nichols
3. IDENTIFICACIÓN PARAMÉTRICA
1. Metodo ARX, ARMAX
2. Método del gradiente
3. Método de mínimos cuadrados
4. Señales para identificación
4. ESQUEMAS PARA IDENTIFICACIÓN
1. Lazo Abierto
2. Lazo Cerrado
MÉTODOS DE
IDENTIFICACIÓN
Basado en la Observación
Tipo de Señal de Entrada
Basado en la
Experimentación Método de Ziagler-Nichols
Método de Strejc
Estado de la Respuesta Respuesta Transitoria Método de los Momentos
Métodos de Laguerre
Del Sistema
Respuesta Estable
X Y
1. PRINCIPIOS DE LA
IDENTIFICACIÓN DE SISTEMAS
u1 1
+
.
.
y
. +
up 𝑝
• Ecuaciones
• Tablas
Modelo Describen el fenómeno
• Gráficos
• Reglas
1. PRINCIPIOS DE LA
IDENTIFICACIÓN DE SISTEMAS
Representaciones de sistemas: u y
0 0,85
1 3,53
2 6,73
3 9,65
𝑦 = k ∗ log(𝑥) 4 12,04
5 15,76
6 18,24
7 21,93
8 24,43
9 27,53
10 30,18
11 33,66
12 36,60
13 39,92
14 42,45
15 45,13
𝑥>0 ∴𝑦=1 16 48,62
17 51,85
𝑥=0 ∴𝑦=0 18 54,20
19 57,43
𝑥 < 0 ∴ 𝑦 = −1 20 60,75
1. PRINCIPIOS DE LA
IDENTIFICACIÓN DE SISTEMAS
• Determinísticos o estocásticos.
• determinístico cuando expresa la relación entre entradas y salidas
mediante una ecuación exacta.
• estocástico si posee un cierto grado de incertidumbre. se definen
mediante conceptos probabilísticos o estadísticos.
• Dinámicos o estáticos.
• estático cuando la salida depende únicamente de la entrada en ese
mismo instante (un resistor, por ejemplo, es un sistema estático).
• dinámico es aquél en el que las salidas evolucionan con el tiempo tras la
aplicación de una determinada entrada (por ejemplo, una red RC). es
necesario conocer el tiempo transcurrido desde la aplicación de la
entrada.
• Continuos o discretos.
• continuos trabajan con señales continuas, y se caracterizan mediante
ecuaciones diferenciales.
• discretos trabajan con señales muestreadas, y quedan descritos
mediante ecuaciones en diferencias.
1. PREGUNTAS BÁSICAS…
¿Qué es la identificación experimental de
sistemas?
Es la determinación de un modelo que represente
lo más fielmente posible al sistema dinámico, a
partir del conocimiento previo sobre éste y de los
datos medidos.
¿Cómo se hace esto?
Ajustando los parámetros obtenidos hasta que la
salida del modelo coincida, lo mejor posible, con
la salida medida.
¿Cómo saber si un modelo es bueno?
Se compara la salida del modelo con datos
medidos que no se usaron en la estimación de los
parámetros.
1. PREGUNTAS BÁSICAS…
¿Tenemos que asumir un modelo particular?
Para modelos paramétricos tenemos que asumir una
estructura. Si asumimos que el sistema es lineal, podemos
estimar directamente la respuesta a impulso o a escalón
usando análisis de correlación o su respuesta frecuencial
usando análisis espectral.
¿Es una gran limitación trabajar sólo con modelos
lineales?
No, actualmente no. Generalmente se estiman los
parámetros de las partes lineales y haciendo uso de la
pericia física se le añaden al modelo las no linealidades.
Finalmente debemos entender que el modelo
obtenido es un reflejo alejado de la realidad, pero
que, sorprendentemente, es suficiente para tomar
las decisiones necesarias.
1.2 IDENTIFICACIÓN NO PARAMÉTRICA
1.2.2 RESPUESTA AL ESCALÓN.
• Es la señal más utilizada.
• En la práctica, es imperfecta, es válida
si la constante de tiempo es 0,1 de la
menor constante de tiempo que se
quiere determinar.
• Altera significativamente el
comportamiento del sistema.
t
¿CÓMO…?
1.2.2.1 PRIMER ORDEN
ZIEGLER-NICHOLS
𝐾
𝐺(𝑠) = 𝑲=
𝒄𝟏 − 𝒄 ∆𝒄
=
𝜏𝑠+1 𝒓𝟏 − 𝒓 ∆𝒓
La constante de tiempo
se calcula gráficamente
como se muestra o
tomando el valor de t
para el cual k = c + 0.63c ,
o sea, que la respuesta
c(t) ha alcanzado el
63.2% de su variación
total
k = c + 0.63c
1.2.2.1 PRIMER ORDEN CON RETARDO.
Misma configuración que un sistema de 1er orden puro, en el cual la respuesta presenta un
desfase o retardo respecto a la señal de entrada.
𝐾
𝐺(𝑠) = 𝑒 −𝑇𝑠
𝜏𝑠+1
Retardo : T
1.2.2.2 SEGUNDO ORDEN, NO OSCILATORIOS
OLDENBOURG-SARTORIUS
𝒄𝟏 − 𝒄 ∆𝒄
𝑲= =
c1 Tc
𝒓𝟏 − 𝒓 ∆𝒓
Supongamos:
Punto de
𝐾 inflexión
𝐹(𝑠) =
(𝑇1 𝑠 + 1)(𝑇2 𝑠 + 1)
c
𝑛 Ta
𝑇2
𝑇𝑎 = 𝑇1
𝑇1
𝑇𝑐 = 𝑇1 + 𝑇2
Para calcular las constantes de tiempo T1 y T2 se
𝑇2 usan las relaciones entre los tiempos TA y TC,
𝑛=
𝑇1 − 𝑇2
1.2.2.2 SEGUNDO ORDEN, NO OSCILATORIOS
OLDENBOURG-SARTORIUS
Gráfica de OS Respuestas del Sistema y el Modelo
1
𝑻𝟏 𝒏
1 𝑻𝟐
𝑻𝑨
0.9
𝑻𝟏 ൗ𝑻
𝑨
0.8 𝟏=
0.9
𝑻𝑨 𝑻𝟏
0.7
0.8 ൗ𝑻
𝑨
0.7
0.6
0.6
0.5
𝑻0.5𝑪 𝑻𝟏 𝑻𝟐
0.4 = +
0.4
0.3
𝑻𝑨 𝑻𝑨 𝑻𝑨
0.3
0.2 0.2
𝑻𝑨
1.2.2.2 SEGUNDO ORDEN, NO OSCILATORIOS
OLDENBOURG - SARTORIUS
𝑲𝝎𝟐𝒏
𝑮(𝒔) = 𝟐
𝒔 + 𝟐𝜹𝝎𝒏 𝒔 + 𝝎𝟐𝒏
𝜹𝝅
( ) 𝐿𝑜𝑔2 (𝑀𝑝 )
𝑴𝒑 = 𝒆 𝟏−𝜹𝟐 𝛿=
𝜋 2 + 𝐿𝑜𝑔2 (𝑀𝑝 )
𝟐𝝅 𝝎
𝝎= 𝝎𝒏 =
𝒅 𝟏 − 𝜹𝟐
1.2.2.1 MODELO DE ORDEN N
MÉTODO STREJC
• Este método se emplea para la identificación de sistemas de
polos múltiples, mediante los parámetros TA y Tb obtenidos
sobre la respuesta del sistema.
𝑲
𝑮(𝒔) =
(𝑻𝒔 + 𝟏)𝒏
1.2.2.1 MODELO DE ORDEN N
MÉTODO STREJC
REGRESIÓN
Retardo
1.2.3 RESPUESTA EN
FRECUENCIA
Aplicando retardo, se obtiene una
gráfica en la cual se ajusta casi
perfectamente la fase esperada.
FUNCION DE TRANSFERENCIA,
OPERADOR Q
∞ ∞ ∞
• Despejamos y(t):
• El retardo de tiempo en el sistema es 2T , en la segunda ecuación se puede ver para que tenga
efecto en la salida y en el instante t, tiene que haber transcurrido dos instantes de tiempo t
previos en la entrada u .
• Los ceros y los polos describen los coeficientes de una ecuación lineal de diferencias.
• Los polos se refieren al “lado de salida”
• mientras que los ceros “al lado de entrada” de dicha ecuación.
• El número de polos es igual al número de intervalos de muestreo entre la salida más y
menos retardada.
• El número de ceros es igual al número de intervalos de muestreo entre la entrada más y
menos retardada.
• En la ecuación anterior hay dos polos y un cero.
MODELO ARX
Un modelo general ARX, con una entrada y una salida, se describe mediante la ecuación
en diferencias lineales: ante presencia de ruido, los parámetros del modelo de la
estructura ARX son:
A(q) y(t) = B(q) u (t) +e(t)
MODELO ARX
y(t)+a1 y(t−1)+... + ana y (t−na) = b1u (t−nk)+b2u (t−(nk+1))+ bnbu (t−(nk+nb-1))+e(t)
Donde:
• y(t) es la salida del modelo ARX para t=t, t−1, ... t−na
• u(t): es la entrada del modelo ARX modelo para t = t−nk, t−nk−1,
t−nk−nb+1
❖na: es el número de pasos de tiempo de la salida en el pasado.
➢ Nro de Polos
❖nb: es el número de pasos de tiempo de la entrada en el pasado.
➢ nb +1: numero de ceros.
❖nk: es el retardo de la entrada u(t) con respecto a la salida y(t)
• e(t) es ruido blanco asociado con la variable de salida.
MODELO ARX
sys = arx(data,[na nb nk])
Polynomial orders.
• [na nb nk] define the polynomial orders of an ARX model.
• na — Order of the polynomial A(q).
• Specify na as an Ny-by-Ny matrix of nonnegative integers. Ny is the number of
outputs.
• nb — Order of the polynomial B(q) + 1.
• nb is an Ny-by-Nu matrix of nonnegative integers. Ny is the number of outputs and
Nu is the number of inputs.
• nk — Input-output delay expressed as fixed leading zeros of the B
polynomial.
• Specify nk as an Ny-by-Nu matrix of nonnegative integers. Ny is the number of
outputs and Nu is the number of inputs.
Los coeficientes del modelo discreto, cuyas soluciones (de este modelo y los
posteriores) se obtienen por predicción del error con el Método de Máxima
Verosimilitud. Para esto se usa la función ARMAX.
MODELO OE
Output-Error model
𝐵𝑞
𝑦(𝑡) = 𝑢(𝑡 − 𝑛𝑘) + 𝑒(𝑡)
𝐹𝑞
where y(t) is the output, u(t) is the input and e(t) is the error.
• nb — Order of the B polynomial + 1. nb is an Ny-by-Nu matrix. Ny is the number of outputs and
Nu is the number of inputs.
• nf — Order of the F polynomial. nf is an Ny-by-Nu matrix. Ny is the number of outputs and Nu is
the number of inputs.
• nk — Input delay, expressed as the number of samples. nk is an Ny-by-Nu matrix. Ny is the
number of outputs and Nu is the number of inputs. The delay appears as leading zeros of the B
polynomial.
For estimation using continuous-time data, only specify [nb nf] and omit nk.
MODELO OE
• Estimation data.
• For time domain estimation, data is an iddata object
containing the input and output signal values.
• For frequency domain estimation, data can be one of
the following:
• Recorded frequency response data (frd or idfrd)
• iddata object with its properties specified as follows:
• InputData — Fourier transform of the input signal
• OutputData — Fourier transform of the output signal
• Domain — 'Frequency'