Unidad 3: Etapa 3

Hallar el modelo matemático de un sistema dinámico mediante el software

Matlab

Presentado por:
Jonatan patiño romero (1035414443)

Presentando a:

Fabian Bolívar Marín

Grupo: 243005_21

Sistemas Dinámicos - 243005A_612

Universidad nacional abierta y a distancia - UNAD

Escuela De Ciencias Básicas Tecnología E Ingeniería

2019
 INTRODUCCION

En la actualidad los sistemas dinámicos son unas de las ciencias de apoyo en la

solución de problemas que se puedan presentar en diferentes áreas de aplicación
laboral. El análisis mediante un modelo matemático es una herramienta para
que el estudiante diseñe soluciones a los problemas planteados y obtenga
control, supervisión, predicción, simulación, optimización de los procesos. Tanto
para la utilización de técnicas de diseño convencionales como técnicas
avanzadas y especialmente las basadas en modelos, es necesario un modelo
numérico preciso del proceso.

La complejidad de los mismos crece constantemente y esto hace necesario el

desarrollo de herramientas automáticas de ayuda como MATLAB la cual
mediante algunas técnicas de identificación puede ayudarnos a detectar y
diagnosticar los posibles fallos utilizando para ello la comparación del proceso
con un modelo de simulación.

En este aporte se hará una revisión de la actividad para definir que

conocimientos son necesarios para su buen desarrollo, se definirán algunos
conceptos conocidos y se enunciaran los que no se conozcan.
2. Investigue sobre los métodos de identificación paramétricos y no
paramétricos haciendo énfasis en el comando ident de MATLAB® y
participe en el foro de interacción y producción de la unidad
indicando las características principales del comando y su aplicación.

Los parámetros del modelo son lo que le dan la identidad definitiva, son los
valores numéricos que lo especifican por completo dentro de su “clase”. Existen
dos tipos de métodos de identificación:

Paramétricos:

Se debe tener en cuenta una cierta estructura para el modelo, es decir, que
seleccionando un modelo matemático y establecido un conjunto de parámetros
a partir de la información de estrada y salida que caracteriza el modelo

Son aquellos modelos que permiten establecer una relación conocida entre las
entradas y salidas salvo algunas constantes o coeficientes Ɵ

Caracterización
Modelos lineales con los parámetros

Modelos no lineales con los parámetros

Estos son con los que trabajaremos esta unidad ya los que le daremos mayor
importancia, se conocen como Método del Error de predicción (PEM), este agrupa
varios métodos particulares conocidos Cómo, ARX, ARMAX, OE y BJ.

Herramienta Ident en MATLAB: Método que se utiliza para el análisis de

circuitos eléctricos y representación parcial de modelos.

Modelo ARX: Sistema de ecuaciones donde las incógnitas serán los

coeficientes de la función de transferencia discreta.

Modelo ARMAX: Sistema de ecuaciones donde las incógnitas son los

coeficientes del modelo discreto.

Modelo Output-Error: Modelos de ruido que no contienen la dinámica

del proceso.

ModeloBox-Jenkins: del sistema

No Paramétricos: Se consideran modelos no paramétricos a aquellos en que
no es posible definir un vector de parámetros finito para representarlo. Estas
técnicas, la mayoría de ellas más fáciles o directas de aplicar o utilizar en un
proceso real, aportan información muy útil para afrontar las decisiones que debe
tomar el usuario ante un problema de identificación de un proceso.

Son tres las técnicas de identificación no paramétricas presentadas,

concretamente se evalúan las técnicas de análisis de la respuesta transitoria, el
análisis de correlación entre señales y las técnicas frecuenciales.

Análisis de la respuesta transitoria Las señales test no periódicas

utilizadas para evaluar la respuesta transitoria son: impulsos de diferente
amplitud y de corta duración, función escalón y función rampa. Para
seleccionar la señal test adecuada, debe tenerse en consideración: las
propiedades de la señal, la posibilidad de la señal de ser generada y
aplicada y el tipo de información que se persigue del proceso.

Análisis de correlación

El análisis de correlación es un método basado en un análisis

estadístico y tiene como objetivo estimar la respuesta impulsional del
proceso. Esta, se determina a partir del análisis de correlación entre la
señal de entrada y la señal de salida. Las señales test más utilizadas en
este ensayo son las secuencias de ruido blanco o, en la práctica, las PRBS.

Técnicas frecuenciales Los sistemas lineales pueden también definirse

a partir de la respuesta frecuencial G(jw).

Mientras que las respuestas transitorias y el análisis de correlación tienen

por objetivo estimar la respuesta impulsional, las técnicas frecuenciales
tienen por objetivo la estimación directa de la respuesta frecuencial, el
cómo a partir de ella se estiman los parámetros de la función de
transferencia.
3. los modelos ARX, ARMAX, Output-Error y Box-Jenkins, con esta información diligenciar la siguiente
tabla:

Modelo Características Variables Aplicación Referencia

bibliográfica
No permite Las variables
independizar el ruido mostradas según el Es muy http://www.ing.
ARX (Auto de su dinámica para diagrama de bloques práctico para ula.ve/noriegam
regresivo con modelarlo es A y B hallar modelos /estructura.php
variable exógena) simples
Resuelve ecuaciones capaces de http://www.sld.c
de regresión de generar una u/eventos/haban
forma analítica por buena a2001/arrepdf/0
esto es de los más relación para 0098.pdf
precisos la señal de
ruido.

Es esencialmente un
modelo de regresión Las variables Se utiliza https://support.
lineal que utiliza un mostradas según el cuando numxl.com/hc/e
ARMAX modelo de tipo diagrama de bloques existen s/articles/21510
(Auto regresivo y ARMA para los es A,B y C perturbacione 5966-Modelo-
promedio móvil residuos. Las series s dominantes ARMAX
con variable de tiempo de que entren al
entrada y las
exógena) principio del https://www.slid
variables exógenas
proceso. eshare.net/Aldai
deben ser todas
estacionarias o rJeancarlosGonz/
cointegradas. 241923779-
ejemplosdecontr
oladaptativopdf
 Parametriza Se usa cuando
independientemente Las variables se requiere
la entrada y el ruido mostradas según el estimar un https://www.slid
OE sin embargo no se diagrama de bloques modelo eserve.com/scot
(Error de salida) obtiene un modelo es B y F dinámico pero t-
de ruido auto sin necesidad rush/introducci-
correlacionado de estimar el n-a-la-
El ruido afecta la ruido identificaci-n-de-
salida. sistemas

Se aplica a los https://www.slid

Las variables modelos eshare.net/Aldai
mostradas según el autorregresivo rJeancarlosGonz/
diagrama de bloques s para 241923779-
BJ Es de mucha utilidad es B,F y C,D encontrar el ejemplosdecontr
(Box Jenkins) cuando las mejor ajuste oladaptativopdf
perturbaciones de una serie
llegan tarde al temporal de
proceso valores con el
objetivo que
los
pronósticos
sean más
acertados
5.1 A partir de las mediciones de entrada y salida del sistema
realizadas cada 𝟎. 𝟎𝟏 𝐬𝐞𝐠𝐮𝐧𝐝𝐨𝐬, durante 𝟏𝟎𝟎 𝐬𝐞𝐠𝐮𝐧𝐝𝐨𝐬 que se
entregan en el entorno de Aprendizaje Práctico, utilice la
herramienta ident incorporada en MATLAB® para realizar el
procedimiento requerido a las señales dadas que le permita
obtener la función de transferencia del sistema. Para ello, trabaje
con los datos suministrados del sistema lineal y del sistema no
lineal.

Empezamos importando los datos del modelo 21 según el grupo colaborativo

Con la versión que tengo actualmente que es Matlab R2018b el comando ident
no lo reconoce por lo tanto se ingresa el comando systemIdentification

SISTEMA LINEAL

Importamos los datos, que serán en el dominio del tiempo e importamos los
datos
Y vemos su grafica con time plot
Los modelos los vamos a desarrollas con 3 polos y un 1

Ahora incluimos la función de transferencia

Hacemos la estimación
 Vemos la gráfica del modelo 21 y la función de transferencia

Ahora vemos como quedo la ecuación de la función de transferencia, al tener

los datos de z negativos debemos hacer el proceso para pasarlos de manera
positiva
 Modelo matemático

1.104 z 1
FT=
1  0.903z 1  0.9424 z 2  0.8976 z 3

Lo primero es pasarlos a términos de z

1.104 z 1
z
0.903 0.9424 z 0.8976 z
1  
z z 2 z 3

1.104
Z
1  Z 3  0.903  Z 2  0.9424  Z  0.8976
     
1  Z 3  Z  Z 2  Z 2  Z  Z 3

1.104
Z
Z 3 0.903Z 2 0.9424Z 0.8976
  
Z3 Z3 Z3 Z3

Sacamos factor común

1.104
z
z 3  0.903z 2  0.9424 z  0.8976
z3

Aplicamos la famosa oreja o regla de extremos

1.104 z 2
z ( z 3  0.903z 2  0.9424 z  0.8976)

Para nuestro sistema lineal y haciendo uso de software Matlab hemos logrado
definir nuestra función de transferencia:

1.104 z 2
z 3  0.903z 2  0.9424 z  0.8976
6.1 Utilice MATLAB® para simular cada función de transferencia
halladas en el numeral 5.1 y grafique la salida de cada sistema
cuando se aplica una entrada constante 𝑽(𝒕) = 𝟓 𝑽, durante los
primeros 5 segundos y en ese momento se aplica una entrada
escalón unitario durante 5 segundos más. De manera que la
simulación dura 10 segundos.
5.2 Por medio de la herramienta ident incorporada en MATLAB®,
determine el orden del modelo y encuentre las ecuaciones
correspondientes para el modelo ARX para analizar el
comportamiento de dicho modelo comparando la salida del
sistema con la señal de entrada. Este procedimiento se realiza
para los datos del sistema lineal y no lineal.

MODELO ARX: Para este modelo tenemos que la ecuación es:

𝐵
𝑦(𝑡) =
𝐴
Ingresamos el modelo ARX con 3 polos y 1 zero
 𝐴 = 1 − 1.536𝑧 −1 + 0.2349𝑧 −2 + 0.3231𝑧 −3

𝐵 = 2.405𝑧 −1 − 1.932𝑧 −2

Ahora procedemos a reemplazar y hallar nuestra FT para modelo en mención:

2.405 z 1  1.932 z 2
y(t ) 
1  1.536 z 1  0.2349 z 2  0.3231z 3

2.405 1.932
 2
 z z
1.536 0.2349 0.3231
1  
z z2 z3

2.405  z 2  1.932  z 
  2  
z  z2  z z
1  z  1.536  z  0.2349  z  0.3231
3 2

     
1  z3  z  z2  z2  z  z3

2.405 z 2  1.932 z
z3
z 3  1.536 z 2  0.2349 z  0.3231
z3
Aplicamos ley de extremos y medios y obtenemos la siguiente
ecuación

z 3 (2.405 z 2  1.932 z )
y(t ) 
z 3 ( z 3  1.536 z 2  0.2349 z  0.3231)

Eliminamos factores 𝒛𝟑 y nos queda la función de transferencia

y(t ) 2.405 z 2  1.932 z


u (t ) z 3  1.536 z 2  0.2349 z  0.3231
6.2 Utilice MATLAB® para simular la función de transferencia discreta
del modelo ARX y grafique la salida de cada sistema cuando se
aplica una entrada constante 𝑽(𝒕) = 𝟓 𝑽, durante los primeros 5
segundos y en ese momento se aplica una entrada escalón unitario
durante 5 segundos más. De manera que la simulación dura 10
segundos.
5.3 Por medio de la herramienta ident incorporada en MATLAB®,
determine el orden del modelo y encuentre las ecuaciones
correspondientes para el modelo ARMAX para analizar el
comportamiento de dicho modelo comparando la salida del
sistema con la señal de entrada. Este procedimiento se realiza
para los datos del sistema lineal y no lineal.

MODELO ARMAX: Para este modelo tenemos que la ecuación es:

𝐵+𝐶
𝑦(𝑡) =
𝐴

Seguimos trabajando con con 3 polos y un 1 zero

Haciendo uso de software Matlab logramos hallar los valores de A, B y C

𝐴 = 1 − 1.675𝑧 −1 + 0.4913𝑧 −2 + 0.2002𝑧 −3

𝐵 = 3.682𝑧 −1 − 3.33𝑧 −2
𝐶 = 1 − 1.226𝑧 −1 + 0.2758𝑧 −2
El parámetro c se considera error del sistema por lo tanto trabajamos con la
ecuación
𝑦(𝑡) 𝐵(𝑧)
𝑦(𝑡) = =
𝑢(𝑡) 𝐴(𝑧)
 y(t ) 3.682 z 1  3.33z 2

u (t ) 1  1.675 z 1  0.4913z 2  0.2002 z 3

3.682 3.33
 2
 z z
1.675 0.4913 0.2002
1  
z z 2 z 3

3.682 3.33
 2
 z z
1 1.675 0.4913 0.2002
  
1 z z 2 z 3

3.682  z 2  3.33  z 
   
z  z 2  z 2  z 

1  z 3  1.675  z 2  0.4913  z  0.2002
     
1  z3  z  z2  z 2  z  z 3

3.682 z 2 3.33z
 3
 3 z3 z
2
z 1.675 z 0.4913z 0.2002
  
z3 z3 z3 z3

3.682 z 2  3.33z
 3 z3
z  1.675 z  0.4913z  0.2002
2

z3

z 3 (3.682 z 2  3.33z )

z 3 ( z 3  1.675 z 2  0.4913z  0.2002)

y(t ) (3.682 z 2  3.33z )

 3
u (t ) ( z  1.675 z 2  0.4913z  0.2002)
6.3 Utilice MATLAB® para simular la función de transferencia discreta
del modelo ARMAX y grafique la salida de cada sistema cuando se aplica
una entrada constante 𝑽(𝒕) = 𝟓 𝑽, durante los primeros 5 segundos y en
ese momento se aplica una entrada escalón unitario durante 5 segundos
más. De manera que la simulación dura 10 segundos.
5.4 Por medio de la herramienta ident incorporada en MATLAB®,
determine el orden del modelo y encuentre las ecuaciones
correspondientes para el modelo OE (Out-Put Error) para analizar
el comportamiento de dicho modelo comparando la salida del
sistema con la señal de entrada. Este procedimiento se realiza
para los datos del sistema lineal y no lineal.

MODELO OE: Para este modelo tenemos que la ecuación es:

𝐵
𝑦(𝑡) =
𝐹
Ingresamos el modelo OE

Grafica de los modelos ARX, ARMAX, OE

Haciendo uso de software Matlab logramos hallar los valores de F y B:

𝐵(𝑧) = 3.431 𝑧 −1 − 3.114 𝑧 −2

𝐹(𝑧) = 1 − 1.806 𝑧 −1 + 0.7433 𝑧 −2 + 0.07773 𝑧 −3

B(t ) (3.431z ( 1)  3.114 z ( 2) )


F (t ) (1  1.806 z ( 1)  0.7433z ( 2)  0.07773z ( 3) )

Pasamos a exponentes positivos

3.431 3.114
 2
y (t ) z z

u (t ) 1  1.806 0.7433 0.07773
 2

z z z3

Denominadores estén en términos de z3

 3.431  z 2  3.114  z 
  2  
y (t ) z  z2  z z

u (t ) 1  z  1.806  z  0.7433  z  0.07773
3 2

     
1  z3  z  z2  z2  z  z3

3.431z 2 3.114 z

y (t ) z 3
z3
 3
u (t ) z 1.806 z 2 0.7433z 0.07773
  
z3 z3 z3 z3

Factorizo y nos queda:

y(t ) z 3 (3.431z 2  3.114 z )

 3 3
u (t ) z ( z  1.806 z 2  0.7433z  0.07773)

y (t ) z 3 (3.431z 2  3.114 z )
 3 3
u (t ) z ( z  1.806 z 2  0.7433z  0.07773)

Nos queda la siguiente función de transferencia

y(t ) 3.431z 2  3.114 z

 3
u (t ) z  1.806 z 2  0.7433z  0.07773
6.4 Utilice MATLAB® para simular la función de transferencia discreta
del modelo OE y grafique la salida de cada sistema cuando se
aplica una entrada constante 𝑽(𝒕) = 𝟓 𝑽, durante los primeros 5
segundos y en ese momento se aplica una entrada escalón unitario
durante 5 segundos más. De manera que la simulación dura 10
segundos.
5.5 Por medio de la herramienta ident incorporada en MATLAB®,
determine el orden del modelo y encuentre las ecuaciones
correspondientes para el modelo BOX JENKINS para analizar el
comportamiento de dicho modelo comparando la salida del
sistema con la señal de entrada. Este procedimiento se realiza
para los datos del sistema lineal y no lineal.

MODELO BJ: Para este modelo tenemos que la ecuación es:

𝐵 𝐶
𝑦(𝑡) = [ ] + [ ]
𝐹 𝐷

Grafica de los modelos ARX, ARMAX, OE (Out-Put Error), BOX JENKINS

 𝐵(𝑧) = 3.423𝑧 −1 − 3.098𝑧 −2
𝐶(𝑧) = 1 − 1.268𝑧 −1 + 0.2977𝑧 −2
𝐷(𝑧) = 1 − 1.892𝑧 −1 + 0.9019𝑧 −2
𝐹(𝑧) = 1 − 0.772𝑧 −1 − 0.6764𝑧 −2 + 0.1109𝑧 −3

La ecuación para el modelo BJ, es:

𝐵(𝑧) 𝐶(𝑧)
𝑦(𝑡) = 𝑢(𝑡) + 𝑒(𝑡)
𝐹(𝑧) 𝐷(𝑧)
Como el error es nulo para nuestro sistema, entonces:
𝐵(𝑧)
𝑦(𝑡) = 𝑢(𝑡)
𝐹(𝑧)
3.423𝑧 −1 − 3.098𝑧 −2
𝑦(𝑡) =
1 − 0.772𝑧 −1 − 0.7664𝑧 −2 + 0.1109𝑧 −3

Resolvemos

𝑌(𝑡) 3.423 𝑧 −1 + 3.098𝑧 −2 𝑧3

= ∗
𝑈(𝑡) 1 − 0.772𝑧 −1 − 0.6764𝑧 −2 + 0.1109𝑧 −3 𝑧 3

Multiplicamos los denominadores y nos queda la función de transferencia

𝑌(𝑡) 3.423 𝑧 2 + 3.098𝑧

= 3
𝑈(𝑡) 𝑧 − 0.772𝑧 2 − 0.6764𝑧 + 01109
6.5 Utilice MATLAB® para simular la función de transferencia discreta
del modelo Box Jenkins y grafique la salida de cada sistema
cuando se aplica una entrada constante 𝑽(𝒕) = 𝟓 𝑽, durante los
primeros 5 segundos y en ese momento se aplica una entrada
escalón unitario durante 5 segundos más. De manera que la
simulación dura 10 segundos.
Combinación de todas las funciones en Simulink
 CONCLUSIONES

Durante el estudio de identificación de sistemas y modelos en Matlab, hemos

aprendido a evaluar las características de sistemas lineales, donde se ha logrado
interactuar con las herramientas del software Matlab y Simulink, siendo
identificado los modelos de mejor respuesta al sistema en estudio. Mediante
estos datos experimentales se logra hallar y evaluar cada uno de los modelos,
además se maneja de una forma más profunda los sistemas de programación
en Matlab y su correspondiente graficación, gracias al entorno amigable de este
software.
 BIBLIOGRAFIA

https://repository.upb.edu.co/bitstream/handle/20.500.11912/544/digital_1
7982.pdf?sequence=1

C.A. Circuito RLC. (s.f.). Recuperado el 2 de Noviembre de

2016, de
http://www.tuveras.com/electrotecnia/circuito_RLC/circuito_RLC.htm

Control moderno. (s.f.). Recuperado el 4 de marzo de

2017, de
https://catedra.ing.unlp.edu.ar/electrotecnia/controlm/electronica/arc
hivos/a puntes/Controlabilidad_y_observabilidad.pdf

Ecuación diferencial de primer orden. (s.f.). Recuperado el 4 de marzo de

2017, de https://tecdigital.tec.ac.cr/revistamatematica/cursos-
linea/EcuacionesDiferenciales/EDO-Geo/edo-cap2-geo/node9.html

Estabilidad de sistemas dinámicos. (s.f.). Recuperado el 26 de marzo de

2017, de http://www.monografias.com/trabajos105/estabilidad-
sistemas- dinamicos/estabilidad-sistemas-dinamicos.shtml

Estabilidad de un sistema. (s.f.). Recuperado el 28 de marzo de 2017, de

http://www.monografias.com/trabajos102/sistemas-control-
estabilidad-y- lugar-geometrico-raices/sistemas-control-estabilidad-y-
lugar-geometrico- raices.shtml

Identificación de Sistemas. (s.f.). Recuperado el 18 de abril de

2017, de http://www.ing.ula.ve/noriegam/index.php

Identificación de sistemas dinámicos. (s.f.). Recuperado el 18 de abril de

2017, de
https://catedra.ing.unlp.edu.ar/electrotecnia/cys/pdf/identificacion.pdf

La función escalón unitario. (s.f.). Recuperado el 4 de marzo de 2017, de

https://es.slideshare.net/Goky66/la-funcin-escaln-unitario

MathWorks. (s.f.). Recuperado el 4 de marzo de

2017, de
https://www.mathworks.com/campaigns/products/ppc/google/matlab-
trial- request.html?s_eid=ppc_41018639980&q=matlab

Sistemas dinámicos. (s.f.). Recuperado el 28 de marzo de 2017, de

http://juan- amaya-academia.blogspot.com.co/p/sistemas-
dinamicos.html
Introducción a la Identificación de sistemas dinámicos. (s.f.). Recuperado el
18 de
abril de 2017,
de
ftp://ftp.unicauca.edu.co/Facultades/FIET/DEIC/Materias/Identificacio
n/Parte

%20III/clase20%20ident/docs/temas.pdf