Etapa 3 – Hallar el modelo matemático de un sistema dinámico mediante el software

Matlab

Presentado por:
Eduardo Rojas Murcia
Código: 7128357.
Deivy Faviany Vanegas Vásquez.
Código: 80829122.

Curso:
243005_9.

Presentado a:
Ing. Santiago Rua.

Universidad Nacional Abierta y a Distancia “UNAD”.

Escuela de Ciencias Básicas, Tecnología e Ingeniería.
CEAD José Acevedo y Gómez.
Ingeniería Electrónica.
Sistemas Dinámicos.
09/05/2019.
 ii

Tabla de contenidos

Introducción ................................................................................................................................... iii

Objetivos ........................................................................................................................................ iv

1. Desarrollo de la actividad ........................................................................................................ 5

Conclusiones ................................................................................................................................. 51

Referencias Bibliográficas ............................................................................................................ 52

 iii

Introducción

Con el desarrollo de la siguiente actividad Etapa III se realizará un modelamiento matemático,

aplicando métodos de identificación paramétricos, métodos de identificación no paramétricos,

función de transferencia, mediante la herramienta ident de Matlab.

Para el desarrollo de esta fase de trabajo, se procede en utilizar la herramienta ident matlab para

hallar los distintos modelos matemáticos, que requiere esta temática, con el fin de representar las

señales de entradas y de salida de un sistema mediante modelos matemáticos y variando su tiempo

y otros factores a fin de ser representados gráficamente.

Tenemos en cuenta para llevar a cabo esta fase de demostración gráfica, el modelo de arx,

armax,oe, modelo box Jenkins, para demostrar desarrollo de la etapa 3.

 iv

Objetivos

• Encontrar el modelo matemático de un sistema dinámico utilizando diferentes técnicas de

identificación por métodos paramétricos o no paramétricos, para su posterior simulación y

validación.

• Hallar el modelo matemático de un sistema dinámico mediante el software Matlab

herramienta ident.

• Reconocer la herramienta especializada que le permite estimar funciones de transferencia

de sistemas cuyo proceso físico es desconocido para identificar su funcionamiento.

• Aplicar las técnicas de estimación de funciones de transferencia que representan sistemas

dinámicos por medio de software especializado para determinar el modelo matemático

equivalente con el desarrollo de la práctica en escenarios con apoyo tecnológico.

 5

1. Desarrollo de la actividad

1. Información que aporta al desarrollo del problema planteado:

Estudiante: Deivy Faviany Vanegas Vásquez

Sistemas dinámicos: Un sistema es un objeto en el cual variables de diferente tipo interactúan y

producen señales observables. Las señales observables que nos interesan son llamadas salidas.
Identificación de sistemas dinámicos: Es la determinación, a partir del conocimiento de las
señales de entrada y salida del sistema en estudio, de un modelo matemático perteneciente a una
clase de modelos predeterminados.
Obtención de datos de entrada: 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.
Tratamiento previo de los datos de registrados: Los datos registrados están generalmente
acompañados de ruidos indeseados u otro tipo de imperfecciones que puede ser necesario corregir
antes de iniciar los datos para facilitar y mejorar el proceso de identificación.
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.
Identificación de modelos no paramétricos: Los modelos no paramétricos son aquellos en que
no es posible definir un vector de parámetros finitos para representarlo.
Identificación de modelos paramétricos: Este modelo requiere de elección de una posible
estructura del modelo, de un criterio de ajuste de parámetros y por último de la estimación de los
parámetros que mejor se ajustan al modelo de los datos experimentales.
Análisis transiente: Un análisis en el método por el cual una señal o forma de onda que empieza
en una amplitud cero. Un ejemplo es el sonido de un disparo de un rifle, o la vibración de un golpe
de un martillo. Cuando se hace el análisis de espectro a transientes, generalmente no generan series
de armónicos, pero generan un espectro continuo en el que la energía está distribuida sobre el
rango de frecuencias. Cuando se analiza transientes con un analizador TRF, se tiene que cuidar
que el transiente está incluido en la grabación en tiempo del analizador y que se use una ventana
rectangular en lugar de una ventana de Hanning.
 6

Identificación online: (Identificación recursiva), es en los que los parámetros se van actualizando
continuamente a partir de los nuevos datos de entrada-salida obtenidos durante la evolución del
proceso. Estos métodos son muy utilizados en sistemas de control adaptativo.
Modelo box Jenkins: se aplica a los modelos autorregresivos de media móvil ARMA o a los
modelos autorregresivos integrados de media móvil (arima) para encontrar el mejor ajuste de una
serie temporal de valores, a fin de que los pronósticos sean más acertados.
Modelo arx: da lugar a un sistema de ecuaciones donde las incógnitas a y b serán los coeficientes
de la función de transferencia discreta y que se obtienen según: mínimos cuadrados y variable
instrumental.
Mínimos Cuadrados: Minimiza la suma de los cuadrados de la parte derecha menos la parte
izquierda con respecto a los coeficientes a y b. Para esto se usa la función arx del Matlab.
Variable Instrumental: Se determinan a y b de manera tal que el error entre las partes derecha e
izquierda no correlaciona con alguna combinación lineal de la entrada. Para esto se usa la función
iv4.
Modelo armax: da lugar a un sistema de ecuaciones donde las incógnitas son 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.
Modelo output error: Este modelo describe la dinámica del sistema por separado de la dinámica
estocástica. El modelo de salida de errores no utiliza ningún parámetro para la simulación de las
características de las perturbaciones.
Comando ident:
El proceso de Identificación de Sistemas abarca los siguientes 6 pasos:
1. Importar datos desde el identificador: para crear un conjunto de datos a partir de las señales
de entrada y salida disponibles en el espacio de trabajo se debe seleccionar:
 7

Import data->Time domain data o Import data->Frequency domain data

Figura 1. Import data->Time domain data o Import data->Frequency domain data

2. Examinando el dato: hay tres maneras para examinar un conjunto de datos. Se puede generar
para el conjunto de datos seleccionados en el cuadro de Data View.
• Time Plot: muestra uno o más conjuntos de datos seleccionados, la salida es el máximo
grafico y la entrada es el mínimo grafico. Las escalas de tiempo son consistentes con la
información del tiempo de muestra y el tiempo de inicio ingresado cuando se importo el
dato.
• Data spectra: espectro estimado de las entradas y salidas de los datos seleccionados.
• Frequency function: muestra las respuestas de frecuencia de los datos seleccionados.
 8

Figura 2. Examinando el dato.

3. Preprocessing data: preparando los datos para la estimación, contiene comandos para crear
onjuntos nuevos de datos basados en el Working Data Set.

Figura 3. Preprocessing Data.

• Select channels: permite seleccionar un subconjunto de los canales de entrada y salida del
conjunto de datos.
• Select experiments (no es utilizado con frecuencia): cuando el dato contiene varios
experimentos, permite seleccionar un subconjunto de experimentos.
• Merge experiments : permite combinar conjuntos de datos en conjuntos de
multiexperimentos. Útil cuando se usan más datos para estimar un modelo, pero
losconjuntos de datos han sido obtenidos en diferentes ocasiones y no pueden ser
fácilmente concatenados.
• Select range (únicamente usado para el tiempo de dominio del dato): permite seleccionar
porciones del conjunto de datos para ser usados con propósitos de estimación y validación.
 9

• Remove means (únicamente usado para el tiempo de dominio del dato): elimina el
significado de los valores de ambas secuencias de entrada y salida.
• Remove trends (únicamente usado para el tiempo de dominio): estima y elimina la
orientación linear de las señales de entrada y salida.
• Filter: permite filtrar el conjunto de datos.
• Resample: permite cambiar el intervalo de muestreo usando interpolación y estimación. Se
puede volver a muestrear el Working Data Set para cualquier nuevo intervalo de muestreo
por interpolación y estimación.
• Transform data: permite transformar a frecuencia en función de los datos.
• Quick start: crea tres nuevos conjuntos de datos del Working Data Set. Primero los valores
significativos son eliminados, luego el dato es dividido en dos mitades, la primera mitad
se convierte en el nuevo Working Data set, y la segunda mitad se convierte en el conjunto
de validación de datos. Este comando también abre la ventada de gráficos. Para datos de
multi experimentos.
4. Estimate: provee de métodos para estimación de modelos basados en el Working Data Set. Tiene
los siguientes comandos:
• Parametric models: abre una ventana que permite generar modelos lineales dinámicos con
diferentes estructuras, órdenes y atrasos. Una estructura de modelos caracterizada por las
relaciones entre la entrada y salida de datos y entre las desconocidas fuentes de ruido y la
salida de dato.
• Process models: abre una ventana que permite generar, simple, tiempo continuo, modelos
lineares dinámicos caracterizados por una ganancia estática, tiempos constantes y tiempos
de atrasos.
5. Examining models: existen 6 formas de examinar modelos. Puedes generar estas vistas
seleccionando el modelo en la caja correspondiente en el área de Model Views.

Figura 4. Examining models

 10

• Model Output: muestra la simulación de salida del modelo seleccionado junto con la
medición de la salida. Los cálculos son llevados fuera del conjunto de validación.
• Model Resids: muestra el resultado del análisis residual de cada uno de los modelos
seleccionados. La predicción de errores es procesada usando la validación del conjunto de
datos y sus funciones de correlación son mostradas.
• Transient Response: muestra la respuesta transitoria de los modelos seleccionados.
• Frequency Resp: muestra la frecuencia de los modelos seleccionados.
• Zeros and Poles: muestra los ceros y polos del modelo seleccionado.
• Noise Spectrum: muestra el espectro del sonido aditivo de los modelos seleccionados.
Cuando una serie de tiempo es modelada, su espectro es mostrado.

6. Exportando datos y modelos: los datos y modelos no producen automáticamente una variable
en MATLAB. Se debe exportar cualquier variable en un conjunto de datos o modelo.

Estudiante: Eduardo Rojas Murcia

Modelos mentales:
Estos modelos carecen de formalismo matemático.

Modelos no parametricos:
Caracterización mediante gráficos y tablas que describan sus propiedades dinámicas mediante un
número no finito de parámetros.

Modelos paramétricos o matemáticos:

Para aplicaciones más avanzadas, puede ser necesario utilizar modelos que describan las
relaciones entre las variables del sistema mediante expresiones matemáticas como pueden ser
ecuaciones diferenciales (para sistemas continuos) o en diferencias (para sistemas discretos)

Deterministicos o estocasticos:
Se dice que es un modelo es deterministico cuando expresa la relacion entre entradas y salidas
mediante una ecuacion exacta. Por el contra, un modelo es estocastico si posee un cierto grado de
incertidumbre. Estos ultimos se definen mediante conceptos probabilísticos o estadísticos.
 11

Dinámicos o estáticos:
Un sistema es estático cuando la salida depende únicamente de la entrada en ese mismo instante
(un resistor, por ejemplo, es un sistema estático). En estos sistemas existe una relación directa entre
entrada y salida, independiente del tiempo. Un sistema es dinámico es aquel que en las salidas
evolucionan con el tiempo tras la aplicación de una determinada entrada.

Modelo teórico:
Se trata de un método analítico, en el que recurre a las leyes básicas de la física, para describir el
comportamiento dinámico de un fenómeno o proceso.
Identificación del sistema:
Se trata de un método experimental que permite obtener el modelo de un sistema a partir de datos
reales recogidos de la planta bajo estudio.

IdentenMATLAB:
Método que se utiliza para el análisis de circuitoseléctricos y representación parcial de modelos.

2. Métodos de identificación paramétricos y no paramétricos (comando ident).

Estudiante: Deivy Faviany Vanegas Vásquez

Existen diversos métodos de identificación, que pueden clasificarse según distintos criterios:
Dependiendo del tipo de modelo obtenido:
Métodos no paramétricos: que permiten obtener modelos no paramétricos del sistema bajo
estudio. Algunos de estos métodos son: análisis de la respuesta transitoria, análisis de la respuesta
en frecuencia, análisis de la correlación, análisis espectral, análisis de Fourier, etc.
Métodos paramétricos: que permiten obtener modelos paramétricos. Estos métodos requieren la
elección de una posible estructura del modelo, de un criterio de ajuste de parámetros, y por último
de la estimación de los parámetros que mejor ajustan el modelo a los datos experimentales.
Algunos de estos modelos, pueden ser: modelo ARX, modelo Output Error (OE), modelo
ARMAX, modelo Box Jenkins
Técnicas de identificación no paramétrica: Los métodos de identificación no paramétricos
permiten obtener modelos o representaciones no paramétricas de la planta bajo estudio.
 12

• Identificación no paramétrica en el dominio del tiempo: Mediante esta técnica de

identificación se pretende obtener la respuesta al impulso del sistema, o bien la respuesta
al escalón del mismo (pudiendo obtenerse esta última mediante una integración de la
primera). Para ello, debe registrarse la evolución temporal de la salida del sistema tras la
aplicación de una señal impulso o escalón. Obviamente, la imposibilidad de conseguir este
tipo de señales en la práctica lleva a utilizar un método indirecto para obtener la respuesta
impulsiva, conocido como análisis de la correlación.
Este método es muy apropiado para obtener una idea rápida de la relación entre distintas
señales del sistema, retardos, constantes de tiempo y ganancias estáticas del mismo.
• Identificación no paramétrica en el dominio de la frecuencia: En este caso, el modelo
resultante es una representación de la respuesta en frecuencia del sistema, obtenida
mediante la aplicación de señales de entrada sinusoidales de distintas frecuencias. Cuando
no sea posible aplicar este tipo de entradas, puede recurrirse a la aplicación de un ruido
blanco, que permite obtener la respuesta en frecuencia mediante el conocido análisis
espectral. Este análisis se basa en la realización de la transformada de Fourier de las
funciones de covarianza de la entrada y la salida y la correlación entre la entrada y la salida.
Las principales ventajas de este método son el no requerir un procesamiento complejo de
los datos, ni ningún tipo de conocimiento previo sobre la planta, a excepción de que ésta
sea lineal. Además, permite concentrar los datos obtenidos en torno al margen de
frecuencias de interés. El principal inconveniente es que el modelo resultante no puede
usarse directamente para simulación.
Técnicas de identificación paramétrica: Los modelos paramétricos, a diferencia de los anteriores,
quedan descritos mediante una estructura y un número finito de parámetros que relacionan las
señales de interés del sistema (entradas, salida y perturbaciones). Generalmente estos modelos
permiten describir el comportamiento de cualquier sistema lineal. La dificultad radica en la
elección del tipo de modelo (orden del mismo, número de parámetros, etc.) que se ajuste
satisfactoriamente a los datos de entrada - salida obtenidos experimentalmente.
Generalmente los modelos paramétricos se describen en el dominio discreto, puesto que los datos
que sirven de base para la identificación se obtienen por muestreo. En el caso de que se requiera
un modelo continuo, siempre es posible realizar una transformación del dominio discreto al
continuo. La expresión más general de un modelo discreto es del tipo:
 13

en donde η(t) es el término que modela la salida debida a la entrada u(t), w(t) es el término que
modela la salida debida a las perturbaciones e(t), s(t) es la salida medible del sistema, y(t) es la
salida de interés del sistema.

Figura 5. Diferentes estructuras de modelos paramétricos(Fuente: Mª Elena López Guillén, p. 12).

Figura 6. Diagramas de bloques para los diferentes modelos (Fuente: Mª Elena López Guillén, p. 12).

Las diferentes estructuras (ARX, ARMAX, OE y BJ) presentan características que las diferencian
las unas de las otras, y deben de ser escogidas, fundamentalmente, en función del punto previsto
en el que el ruido del sistema es añadido. A pesar de tener en cuenta el punto de inclusión del
ruido, puede ser conveniente ensayar con diferentes estructuras y con varios órdenes dentro de una
misma estructura, hasta dar con un modelo adecuado del sistema (López 2016, p. 13).
 14

Una vez elegido el tipo (ARX, ARMAX, BJ, OE, etc) y el orden de cada polinomio de la estructura
del modelo, hay que determinar el valor de los parámetros que ajustan la respuesta del modelo a
los datos de entrada y salida experimentales.

Esta etapa del proceso de identificación se puede realizar mediante el uso de herramientas
software, como por ejemplo el Toolbox de Identificación de Matlab (ident), que proporciona
diferentes algoritmos para el ajuste de parámetros. Existen diferentes métodos o criterios para
realizar el ajuste de parámetros, como por ejemplo el método de los mínimos cuadrados y el de
variables instrumentales.
Comando ident:
Herramienta Ident em MATLAB: Método que se utiliza para el análisis de circuitos eléctricos y
representación parcial de modelos.
Ident: Función de identificación de sistemas dinámicos incluida en Matlab a través de la caja de
herramientas “System Identification Toolbox”, la cual provee funciones de Matlab, bloques de
Simulink, y una aplicación para la construcción matemática de modelos de sistemas dinámicos a
partir de datos medidos de entrada y salida. Permite crear y usar modelos de sistemas dinámicos
que no es posible obtener fácilmente a partir de los datos o especificaciones iniciales. Es posible
usar entradas y salidas de datos en el dominio del tiempo y/o de la frecuencia para identificar
funciones de transferencia en tiempo continuo y discreto, modelos de proceso y modelos de
espacio de estados. La herramienta también provee algoritmos para estimación de parámetros
integrados en línea.
• ModeloARX:Sistema de ecuaciones donde las incógnitas serán los coeficientes de la
función de transferencia discreta.
• ModeloARMAX:Sistema de ecuaciones donde las incógnitas son los coeficientes del
modelodiscreto.
• ModeloOutput-Error:Modelos de ruido que no contienen la dinámica del proceso.
• ModeloBox-Jenkins del sistema.
 15

Estudiante: Eduardo Rojas Murcia

Modelos no parametricos:
Caracterización mediante gráficos y tablas que describan sus propiedades dinámicas mediante un
número no finito de parámetros.
Modelos paramétricos o matemáticos:
Para aplicaciones más avanzadas, puede ser necesario utilizar modelos que describan las relaciones
entre las variables del sistema mediante expresiones matemáticas como pueden ser ecuaciones
diferenciales (para sistemas continuos) o en diferencias (para sistemas discretos).
 16

3. Modelos ARX, ARMAX, Output-Error y BoxJenkins:

Estudiante: Deivy Faviany Vanegas Vásquez

Modelo Características Variables Aplicación

ARX Este modelo trabaja com dos ecuaciones que son a y b. na número de Número de retrasos para un
Modelo autorregresivo con entrada exógena. polos que tiene valor definido en lo posible
En procesamiento de señales, un modelo autorregresivo (AR) es uma el sistema que sea igual a 1 para no
representación de un tipo de proceso aleatorio, que como tal, describe nb número de generar desfase en la
ciertos procesos variables en el tiempo. ceros del señal.
El modelo autorregresivo especifica que la variable de salida depende sistema Análisis de regresión
linealmente de sus propios valores anteriores. nk número de (Modelos causales).
En un modelo ARX, simplemente se agrega una entrad exógena (externa) retrasos de la En diseño de controladores
al modelo AR. entrada a la de temperatura, para
salida identificar sistemas en
[na nb nk] consideración de un ruido
externo.
ARMAX Aparece la tercera ecuación en términos de c. na, nb,nc, Es un modelo el cual es muy
Modelo autoregresivo y promedio móvil com variable exógena, es una entrada, salida y usado para describir
extensión del modelo ARMA, asume igual dinámica con idéntico ruido con un sistemas con perturbacion
denominador para la entrada y la función de transferencia del ruido (que polinomio. es lentas.
es más flexible que en el modelo ARX) nk número de Análisis de regresión
retrasos de la (Modelos causales).
 17

entrada a la Para describir el error en la

salida. ecuación como un promedio
[na nb nc nk] móvil
OE Nos aparece la variable f. nf, nb (Polos y Análisis de regresión
Los modelos Output Error son caracterizados por modelos de ruido que ceros), entrada (Modelos causales).
no contienen la dinámica del proceso. Se asume que el ruido afecta la y ruido Para parametrizar
salida del proceso directamente. Básicamente es un modelo ARMAX nk número de independientemente la
con relación in/out sin perturbación más ruido blanco aditivo en la salida. retrasos de la entrada y el ruido, no se
entrada a la obtiene un modelo de ruido
salida. auto correlacionado
[nb nf nk]
BJ Box – Jenkins es uma generalización del modelo OE. nf, nd (Polos), Para parametrizar
Se trabaja con cuatro variables. nb, nc (ceros), independientemente los
Se refiere a una serie de procedimientos para identificar, ajustar y verificar Función de modelos de la función de
los modelos de promedio móvil autorregresivo (más conocido por sus transferencia y transferencia y error
siglas en inglés ARIMA) con los datos de serie de tiempo. ruido. Análisis de series en el
- Los pronósticos proceden directamente de la forma del modelo nk número de tiempo.
ajustado, y es distinta de la mayoría de los métodos debido a que no retrasos de la
supone un patrón particular en los datos históricos de las series que han entrada a la
de pronosticarse. - Se utiliza un enfoque iterativo de identificación de un salida.
modelo útil a partir de modelos de tipo general. [nb nc nd nf nk]
 18

Representación de los modelos:

Figura 7. Diagramas de bloques para los diferentes modelos (Fuente: Mª Elena López Guillén, p. 12).
 19

Estudiante: Eduardo Rojas Murcia

Modelo Características Variables Representación Aplicación

ARX -Determina el orden de polinomios Na, nb y nk Para modelos de múltiples
siendo polos y ceros respectivamente. entradas se pueden introducir
como vectores, por métodos
-Es el número de retrasos de la entrada de mínimos cuadrados y
a la salida. variable instrumental

ARMAX Es una generalización de un modelo Na,nb,nc y nk Es utilizado para predecir

AD en el que se permite que el término futuros valores de la serie.
de perturbación siga un proceso.

Sistema de ecuaciones donde las

incógnitas serán los coeficientes de la
función de transferencia discreta.

OE Estimaciones de un polinomio Nf, nb y nk Estimar el modelo polinomial

utilizando la opción del modelo, de error de salida usando los
opcional, para especificar el datos de dominio de tiempo o
comportamiento de la estimación. frecuencia

Modelos de ruido que no contienen la

dinámica del proceso.
 20

BJ Identificación, estimación, validación Nf, nd Es utilizado para encontrar el

y pronostico (determinan los mejor ajuste de una serie
polos) y nb y nc temporal de valores a fin de
(determinan los que los pronósticos sean ,mas
ceros) y nk es el acertados
número de
retraso.
 21

Referencias Bibliograficas:
Angermann, A. (2011) MATLAB - Simulink - Stateflow: Grundlagen. Toolboxen, Beispiele
(Vol. 7., aktualisierte Auflage). Munich, Germany: De Gruyter Oldenbourg. (pp. 117 - 133).
Recuperado de:
http://bibliotecavirtual.unad.edu.co/login?url=https://bibliotecavirtual.unad.edu.co:2969/login.as
px?direct=true&db=nlebk&AN=674426&lang=es&site=ehostlive&ebv=EB&ppid=pp_117
Gil, R. M. (2003). Introducción rápida a Matlab y Simulink para ciencia e ingeniería. Madrid,
ES: Ediciones Díaz de Santos. (pp. 81 - 92). Recuperado de:
https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=93&docID=3171391&t
m=1541556868646
Amaya Díaz, J. ( 17,12,2016). Identificación de sistemas. [Archivo de video]. Recuperado
de: http://hdl.handle.net/10596/10872
Villegas, L. (2007). Trabajo teórico práctico con Matlab. Buenos Aires, AR: El Cid Editor -
Informática. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=23&docID=10165756&t
m=1481844464476direct=true&db=e000xww&AN=650507&lang=es&site=ehost-live
Gil, R. M. (2003). Introducción rápida a Matlab y Simulink para ciencia e ingeniería. Madrid,
ES: Ediciones Díaz de Santos. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=33&docID=11059428&t
m=1481846504254
Creus, S. A. (2007). Simulación y control de procesos por ordenador (2a. ed.). Barcelona, ES:
Marcombo. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=45&docID=10212445&t
m=1481848330059
Identificación de Sistemas. (s.f.). Recuperado de http://www.ing.ula.ve/noriegam/index.php
Identificación de sistemas dinámicos. (s.f.). Recuperado de
https://catedra.ing.unlp.edu.ar/electrotecnia/cys/pdf/identificacion.pdf

Introducción a la Identificación de sistemas dinámicos. (s.f.). Recuperado de

ftp://ftp.unicauca.edu.co/Facultades/FIET/DEIC/Materias/Identificacion/Parte%20III/clase20%2
0ident/docs/temas.pdf
La función escalón unitario. (s.f.). Recuperado de
https://es.slideshare.net/Goky66/lafuncinscalnunitario
 22

MathWorks. (s.f.). Recuperado de

https://www.mathworks.com/campaigns/products/ppc/google/matlab-
trialrequest.html?s_eid=ppc_41018639980&q=matlab
Sistemas dinámicos. (s.f.). Recuperado de
http://juanamayaacademia.blogspot.com.co/p/sistemas-dinamicos.html
 23

4. Insumos para la resolución de las actividades correspondientes a la Etapa 3.

Insumos:
Grupo: 243005_9
Modelo 9

5. Teniendo en cuenta los insumos entregados, realizar las siguientes actividades con la
herramienta ident incorporada en MATLAB®:
5.1. A partir de las mediciones de entrada y salida del sistema, 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
Procedimiento:
• Importar los archivos de insumos a Matlab (Import Data).
• Las variables estarán disponibles en el workspace de Matlab.
• Se ejecuta la orden ident en Command Window.
• Importamos los datos en el dominio del tiempo.
• Input (u) Ouput (y) del workspace.
• Estimamos la función de transferencia.
• 2 Polos y 1 Zeros.
• Tiempo discreto.
• Obtenemos tf1.
• Llevamos tf1 a To LTI to Viewer.
 24

• Hallamos la función de transferencia.

25
26
 27

Función de transferencia:

0.2584 𝑧 −1
𝐹𝑇 =
1 − 1.879 𝑧 −1 + 0.9076 𝑧 −2

0.2584
𝐹𝑇 = 𝑧
1.879 0.9076
1− 𝑧 +
𝑧2

0.2584
𝐹𝑇 = 𝑧
1 1.879 0.9076
1 − 𝑧 + 𝑧2

0.2584
𝐹𝑇 = 𝑧
1 𝑧 2 1.879 𝑧 0.9076
1 (𝑧 2 ) − 𝑧 (𝑧 ) + 𝑧 2

0.2584
𝐹𝑇 = 2 𝑧
𝑧 1.879𝑧 0.9076
− +
𝑧2 𝑧2 𝑧2

0.2584
𝐹𝑇 = 2 𝑧
𝑧 − 1.879𝑧 + 0.9076
𝑧2
 28

0.2584 𝑧 2
𝐹𝑇 =
𝑧(𝑧 2 − 1.879𝑧 + 0.9076)

0.2584 𝑧
𝐹𝑇 =
(𝑧 2 − 1.879𝑧 + 0.9076)
Función de transferencia:

0.2584 𝑧
𝐹𝑇 =
(𝑧 2 − 1.879𝑧 + 0.9076)
 29

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.
 30

Función de transferencia:

𝐴(𝑧)𝑦(𝑡) = 𝐵(𝑧)𝑢(𝑡) + 𝑒(𝑡)

𝐴(𝑧) = 1 − 1.78 𝑧 −1 + 0.8043 𝑧 −2

𝐵(𝑧) = 0.8138 𝑧 −1 − 0.5961 𝑧 −2

𝑦(𝑡) 𝐵(𝑧)
= + 𝑒(𝑡)
𝑢(𝑡) 𝐴(𝑧)

𝑦(𝑡) 0.8138 𝑧 −1 − 0.5961 𝑧 −2

=
𝑢(𝑡) 1 − 1.78 𝑧 −1 + 0.8043 𝑧 −2

1 1
𝑦(𝑡) 0.8138 𝑧 − 0.5961 2
= 𝑧
𝑢(𝑡) 1 − 1.78 1 + 0.8043 1
𝑧 𝑧2

0.8138 0.5961
𝑦(𝑡) 𝑧 − 𝑧2
=
𝑢(𝑡) 1 − 1.78 + 0.8043
𝑧 𝑧2

0.8138 𝑧 − 0.5961
𝑦(𝑡) 𝑧2
= 2
𝑢(𝑡) 𝑧 − 1.78 𝑧 + 0.8043
𝑧2
 31

𝑦(𝑡) 𝑧 2 (0.8138 𝑧 − 0.5961)

=
𝑢(𝑡) 𝑧 2 (𝑧 2 − 1.78 𝑧 + 0.8043)

𝑦(𝑡) 0.8138 𝑧 − 0.5961

= 2
𝑢(𝑡) 𝑧 − 1.78 𝑧 + 0.8043
Función de transferencia:

𝑦(𝑡) 0.8138 𝑧 − 0.5961

= 2
𝑢(𝑡) 𝑧 − 1.78 𝑧 + 0.8043
 32

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.
 33

Función de transferencia:

𝐴(𝑧)𝑦(𝑡) = 𝐵(𝑧)𝑢(𝑡) + 𝐶(𝑧)𝑒(𝑡)

𝐴(𝑧) = 1 − 1.892 𝑧 −1 + 0.9057 𝑧 −2

𝐵(𝑧) = 1.349 𝑧 −1 − 1.226 𝑧 −2

𝑦(𝑡) 𝐵(𝑧)
= + 𝐶(𝑧)𝑒(𝑡)
𝑢(𝑡) 𝐴(𝑧)

𝑦(𝑡) 1.349 𝑧 −1 − 1.226 𝑧 −2

=
𝑢(𝑡) 1 − 1.892 𝑧 −1 + 0.9057 𝑧 −2

1 1
𝑦(𝑡) 1.349 𝑧 − 1.226 2
= 𝑧
𝑢(𝑡) 1 − 1.892 1 + 0.9057 1
𝑧 𝑧2

1.349 1.226
𝑦(𝑡) − 2
𝑧 𝑧
=
𝑢(𝑡) 1 − 1.892 + 0.9057
𝑧 𝑧2

1.349 𝑧 − 1.226
𝑦(𝑡) 𝑧2
= 2
𝑢(𝑡) 𝑧 − 1.892 𝑧 + 0.9057
𝑧2
 34

𝑦(𝑡) 𝑧 2 (1.349 𝑧 − 1.226)

=
𝑢(𝑡) 𝑧 2 (𝑧 2 − 1.892 𝑧 + 0.9057)

𝑦(𝑡) 1.349 𝑧 − 1.226

= 2
𝑢(𝑡) 𝑧 − 1.892 𝑧 + 0.9057

Función de transferencia:

𝑦(𝑡) 1.349 𝑧 − 1.226

= 2
𝑢(𝑡) 𝑧 − 1.892 𝑧 + 0.9057
 35

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.
 36

Función de transferencia:

𝐵(𝑧)
𝑦(𝑡) = [ ] 𝑢(𝑡) + 𝑒(𝑡)
𝐹(𝑧)

𝐵(𝑧) = 1.386𝑧 −1 − 1.262 𝑧 −2

𝐹(𝑧) = 1 − 1.89 𝑧 −1 + 0.9042 𝑧 −2

𝑦(𝑡) 𝐵(𝑧)
=[ ] + 𝑒(𝑡)
𝑢(𝑡) 𝐹(𝑧)

𝑦(𝑡) 𝐵(𝑧)
=[ ]
𝑢(𝑡) 𝐹(𝑧)

𝑦(𝑡) 1.386𝑧 −1 − 1.262 𝑧 −2

=[ ]
𝑢(𝑡) 1 − 1.89 𝑧 −1 + 0.9042 𝑧 −2

𝑦(𝑡) 1.386𝑧 −1 − 1.262 𝑧 −2

=
𝑢(𝑡) 1 − 1.89 𝑧 −1 + 0.9042 𝑧 −2

1 1
𝑦(𝑡) 1.386 𝑧 − 1.262 2
= 𝑧
𝑢(𝑡) 1 − 1.89 1 + 0.9042 1
𝑧 𝑧2
 37

1.386 1.262
𝑦(𝑡) 𝑧 − 𝑧2
=
𝑢(𝑡) 1 − 1.89 + 0.9042
𝑧 𝑧2

1.386 𝑧 − 1.262
𝑦(𝑡) 𝑧2
= 2
𝑢(𝑡) 𝑧 − 1.89 𝑧 + 0.9042
𝑧2

𝑦(𝑡) 𝑧 2 (1.386 𝑧 − 1.262)

=
𝑢(𝑡) 𝑧 2 (𝑧 2 − 1.89 𝑧 + 0.9042)

𝑦(𝑡) (1.386 𝑧 − 1.262)

= 2
𝑢(𝑡) (𝑧 − 1.89 𝑧 + 0.9042)

𝑦(𝑡) 1.386 𝑧 − 1.262

= 2
𝑢(𝑡) 𝑧 − 1.89 𝑧 + 0.9042

Función de transferencia:

𝑦(𝑡) 1.386 𝑧 − 1.262

= 2
𝑢(𝑡) 𝑧 − 1.89 𝑧 + 0.9042
 38

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.
 39

Función de transferencia:

𝐵(𝑧) 𝐶(𝑧)
𝑦(𝑡) = [ ] 𝑢(𝑡) + [ ] 𝑒(𝑡)
𝐹(𝑧) 𝐷(𝑧)

𝐵(𝑧) = 1.351𝑧 −1 − 1.227 𝑧 −2

𝐶(𝑧) = 1 − 1.453𝑧 −1 + 0.4609 𝑧 −2

𝐷(𝑧) = 1 − 1.877𝑧 −1 + 0.8823 𝑧 −2

𝐹(𝑧) = 1 − 1.891 𝑧 −1 + 0.9052 𝑧 −2

𝐵(𝑧) 𝐶(𝑧)
𝑦(𝑡) = [ ] 𝑢(𝑡) + [ ] 𝑒(𝑡)
𝐹(𝑧) 𝐷(𝑧)

𝑦(𝑡) 𝐵(𝑧)
=[ ]
𝑢(𝑡) 𝐹(𝑧)

𝑦(𝑡) 1.351𝑧 −1 − 1.227 𝑧 −2

=[ ]
𝑢(𝑡) 1 − 1.891 𝑧 −1 + 0.9052 𝑧 −2

𝑦(𝑡) 1.351𝑧 −1 − 1.227 𝑧 −2

=
𝑢(𝑡) 1 − 1.891 𝑧 −1 + 0.9052 𝑧 −2
 40

1 1
𝑦(𝑡) 1.351 𝑧 − 1.227 2
= 𝑧
𝑢(𝑡) 1 − 1.891 1 + 0.9052 1
𝑧 𝑧2

1.351 1.227
𝑦(𝑡) 𝑧 − 𝑧2
=
𝑢(𝑡) 1 − 1.891 + 0.9052
𝑧 𝑧2

1.351 𝑧 − 1.227
𝑦(𝑡) 𝑧2
= 2
𝑢(𝑡) 𝑧 − 1.891 𝑧 + 0.9052
𝑧2

𝑦(𝑡) 𝑧 2 (1.351 𝑧 − 1.227)

= 2 2
𝑢(𝑡) 𝑧 (𝑧 − 1.891 𝑧 + 0.9052)

𝑦(𝑡) (1.351 𝑧 − 1.227)

= 2
𝑢(𝑡) (𝑧 − 1.891 𝑧 + 0.9052)

𝑦(𝑡) 1.351 𝑧 − 1.227

= 2
𝑢(𝑡) 𝑧 − 1.891 𝑧 + 0.9052

Función de transferencia:

𝑦(𝑡) 1.351 𝑧 − 1.227

= 2
𝑢(𝑡) 𝑧 − 1.891 𝑧 + 0.9052
41
 42

El modelo que se ajusta mayormente es el modelo OE (Out-Put Error) con el 99.39 %

 43

De acuerdo al desarrollo del numeral 5, realizar las siguientes actividades de simulación de

para cada modelo obtenido:
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.
 44

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.
 45

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.
 46

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.
 47

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.
 48

Funciones de transferencia:
Función de transferencia:
𝑦(𝑡) 0.2584 𝑧
= 2
𝑢(𝑡) (𝑧 − 1.879𝑧 + 0.9076)
Modelo ARX:
𝑦(𝑡) 0.8138 𝑧 − 0.5961
= 2
𝑢(𝑡) 𝑧 − 1.78 𝑧 + 0.8043
Modelo ARMAX:
𝑦(𝑡) 1.349 𝑧 − 1.226
= 2
𝑢(𝑡) 𝑧 − 1.892 𝑧 + 0.9057
Modelo OE:
𝑦(𝑡) 1.386 𝑧 − 1.262
= 2
𝑢(𝑡) 𝑧 − 1.89 𝑧 + 0.9042
Modelo Box Jenkins:
𝑦(𝑡) 1.351 𝑧 − 1.227
= 2
𝑢(𝑡) 𝑧 − 1.891 𝑧 + 0.9052
 49

Conclusiones:
Con el fin de realizar una correcta estimación del modelo de predicción 09 se evaluaron diferentes
modelos de predicción tales como:
Modelo ARX El modelo auto regressive with exogenous input (ARX), es comúnmente
seleccionado como la primera opción en la identificación de sistemas lineales
Modelo ARMAX El modelo auto regressive with moving average and exogenous input
(ARMAX), describe el error en la ecuación como un promedio móvil.
Modelo Output Error El modelo Output-Error (OE), es un tipo de modelo ARMAX, el cual
posee una relación de entrada/salida sin perturbación, y que adicionalmente posee ruido blanco en
la salida.
Modelo Box-Jenkins El Modelo Box-Jenkins, es una generalización del modelo OE, el cual se
define como un modelo ARMAX con una relación de entrada/salida sin perturbación, más ruido
blanco en la salida.
Con el fin de determinar el índice de desempeño de cada uno de los modelos predictivos propuestos
para el modelamiento del sistema, se hace uso de los criterios mediante la identificación del
sistema. Se trata de un método experimental que permite obtener el modelo del sistema.
Generalmente los modelos paramétricos se describen en el dominio discreto, puesto que los datos
que sirven de base para la identificación se obtienen por muestreo. En el caso de que se requiera
un modelo continuo, siempre es posible realizar una transformación del dominio discreto al
continuo.
Para el sistema del modelo 09 y dado que el ruido se suma directamente a la salida, el tipo de
estructura más apropiada para identificación debe ser del tipo “Output Error” (OE). Dentro de
este tipo, el número de parámetros óptimo de los polinomios B y F son los que coinciden con la
estructura real del sistema, es decir: y por tanto nb=2, nf=2 y nk=1.
Con base en los resultados obtenidos por los modelos frente al error cuadrático medio estimado,
así como frente al índice de desempeño, se puede concluir que el modelo obtenido por medio de
modelos de predicción lineal basados en métodos paramétricos es el OE, el cual mostró los mejores
resultados para ambos criterios.
Puesto que la correlación no se sale del margen de validez, se deduce que la dinámica del sistema
queda suficientemente caracterizada con el modelo escogido.
 50

Link Video:

https://youtu.be/wO5-xlRG7ds
 51

Conclusiones

Se representaron los diferentes órdenes de modelos, para llevar a cabo el proceso de muestra de
una señal dada la entrada y salida del circuito analizado y sus respectivos tiempos, permitiendo
mediante ecuaciones, poder representar los diagramas de modelo arx, output error, box Jenkins.

Con el software de simulación matlab se aprendió a demostrar, los modelos nombrados,

comprendiendo la forma de señal de cada uno y la forma de generarlos

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.

 52

Referencias Bibliográficas

Angermann, A. (2011) MATLAB - Simulink - Stateflow: Grundlagen. Toolboxen, Beispiele

(Vol. 7., aktualisierte Auflage). Munich, Germany: De Gruyter Oldenbourg. (pp. 117 - 133).
Recuperado de:
http://bibliotecavirtual.unad.edu.co/login?url=https://bibliotecavirtual.unad.edu.co:2969/login.as
px?direct=true&db=nlebk&AN=674426&lang=es&site=ehostlive&ebv=EB&ppid=pp_117
Gil, R. M. (2003). Introducción rápida a Matlab y Simulink para ciencia e ingeniería. Madrid,
ES: Ediciones Díaz de Santos. (pp. 81 - 92). Recuperado de:
https://bibliotecavirtual.unad.edu.co:2538/lib/unadsp/reader.action?ppg=93&docID=3171391&t
m=1541556868646
Amaya Díaz, J. ( 17,12,2016). Identificación de sistemas. [Archivo de video]. Recuperado
de: http://hdl.handle.net/10596/10872
Villegas, L. (2007). Trabajo teórico práctico con Matlab. Buenos Aires, AR: El Cid Editor -
Informática. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=23&docID=10165756&t
m=1481844464476direct=true&db=e000xww&AN=650507&lang=es&site=ehost-live
Gil, R. M. (2003). Introducción rápida a Matlab y Simulink para ciencia e ingeniería. Madrid,
ES: Ediciones Díaz de Santos. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=33&docID=11059428&t
m=1481846504254
Creus, S. A. (2007). Simulación y control de procesos por ordenador (2a. ed.). Barcelona, ES:
Marcombo. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=45&docID=10212445&t
m=1481848330059
Identificación de Sistemas. (s.f.). Recuperado de http://www.ing.ula.ve/noriegam/index.php
Identificación de sistemas dinámicos. (s.f.). Recuperado de
https://catedra.ing.unlp.edu.ar/electrotecnia/cys/pdf/identificacion.pdf

Introducción a la Identificación de sistemas dinámicos. (s.f.). Recuperado de

ftp://ftp.unicauca.edu.co/Facultades/FIET/DEIC/Materias/Identificacion/Parte%20III/clase20%2
0ident/docs/temas.pdf
La función escalón unitario. (s.f.). Recuperado de
https://es.slideshare.net/Goky66/lafuncinscalnunitario
 53

MathWorks. (s.f.). Recuperado de

https://www.mathworks.com/campaigns/products/ppc/google/matlab-
trialrequest.html?s_eid=ppc_41018639980&q=matlab
Sistemas dinámicos. (s.f.). Recuperado de
http://juanamayaacademia.blogspot.com.co/p/sistemas-dinamicos.html