Documente Academic
Documente Profesional
Documente Cultură
Modelado e Identificación de
Sistemas
Contenido
Prefacio
Parte I
1
1. Modelado de Sistemas Dinámicos
1.1. Introducción al modelado de sistemas
1.1.1. Finalidad de los modelos
1.1.2. Clasificación de los modelos de sistemas
1.1.3. Clasificación de los sistemas dinámicos
1.1.4. Factores a considerar en los modelos
1.2. Caracterización de los sistemas dinámicos lineales
1.2.1. Sistemas lineales
1.2.2. Sistemas de ecuaciones diferenciales homogeneos, caso LTI.
1.2.2.1. Primer método
1.2.2.2. Segundo método
1.2.3. Sistemas de ecuaciones diferenciales no homogeneos, caso LTI
1.2.4. Sistemas de ecuaciones diferenciales homogeneos, caso LTV
1.2.5. Sistemas de ecuaciones diferenciales no homogeneos, caso LTV
1.3. Caracterización de los sistemas dinámicos no lineales
1.3.1. Introducción a las soluciones.
1.3.2. Existencia de Soluciones para el problema de valor inicial
1.3.3. Unicidad de la solución del problema de Cauchy
1.4. Caracterización fenomenológica de sistemas no lineales
1.4.1. Dependencia entre frecuencia y amplitud
1.4.2. Respuestas multivaluadas y saltos de resonancias.
1.4.3. Oscilaciones subarmónicas.
1.4.4. Oscilaciones autoexcitadas o ciclos límite.
1.4.5. Arrastre de frecuencia.
1.4.6. Fenómenos no lineales presentes en los sistemas de control
1.4.7. Funciones descriptivas
1.4.8. Elemento no lineal de saturación
1.4.9. Elemento no lineal de zona muerta
1.4.10. Elemento no lineal de sí-no
1.5. Metodología para la obtención de modelos
1.6. Modelos a parámetros concentrados y a parámetros distribuidos.
1.7. Modelos de representación interna y de representación externa.
2
2. Modelado de Sistemas Electromecánicos
2.1. Leyes de los circuitos eléctricos y mecánicos.
2.2. Energía almacenada.
2.3. Transformación de energía.
2.4. Modelado de algunas máquinas eléctricas.
3
3. Modelado de Sistemas Térmicos y Químicos
3.1. Mecanismos de transferencia de calor.
3.2. Leyes de cambio de estado.
3.3. Cinética de una reacción química.
3.4. Modelado de un evaporador, de una caldera.
4
4. Modelado de Sistemas Hidráulicos y Neumáticos
4.1. Reconocimiento de mecánica de fluidos.
4.2. Pérdidas de cargas en las tuberías.
4.3. Fuerza hidráulicas.
4.4. Modelado de un servomecanismo hidráulico.
Parte II
5
5. Identificación de Procesos Industriales
5.1. Definición de la identificación.
5.2. Clasificación de los métodos de identificación.
6
6. Métodos Basados en la Respuesta Transitoria
6.1. Método de Strejc.
6.2. Extensión de Método de Strejc.
6.3. De los momentos.
6.4. Extensión del método de los momentos.
6.5. Método de las funciones de Laguerre.
7
7. Los Métodos Estadísticos de Identificación
7.1. Método de los mínimos cuadrados.
7.2. Método de los mínimos cuadrados generalizados.
7.3. Métodos recursivos de identificación.
8
8. Anexos.
8.1. Consideraciones prácticas sobre la utilización de los diferentes métodos de
identificación.
CAPITULO 1
Finalidad de los modelos. Los modelos matemáticos físicos se utilizan para varios
fines. Los más usuales son:
Calcular variables no medibles: Las variables que no son medibles, por imposibilidad
física o por su elevado coste, muchas veces pueden calcularse a partir de un modelo
del proceso. La estimación de variables de estado no observables y del filtro de
Kalman, son ejemplos importantes.
Control óptimo: La necesidad del modelo proviene de tener que calcular la respuesta a
una señal para evaluar el índice de rendimiento. El grado de exactitud requerido es en
general elevado, y depende del grado de optimización deseado. Análogamente ocurre
con el control jerárquico y el adaptivo.
Modelo Funcional: Describe las funciones llevadas a cabo por todo o parte del
sistema y su control. El lenguaje normalmente usado es ecuaciones, diagramas de
bloques o grafos. Por ser muy elemental es empleado en casi todas las ocasiones.
Tiempo continuo
Tiempo discreto
Determinisitico
Probabilístico
Parámetros
localizados
Invariante
en el tiempo
Parámetros
distribuidos
Lineal
Parámetros
localizados
Variante en
el tiempo
Parámetros
distribuidos
Clasificación de los
sistemas dinámicos
Parámetros
localizados
Invariante en
el tiempo Parámetros
distribuidos
No - Lineal Parámetros
localizados
Variante en
el tiempo
Parámetros
distribuidos
Incertidumbre paramétrica. Es aquella que está asociada a los parámetros del modelo.
Se refiere al no conocimiento preciso de la cantidad y calidad de los parámetros que
acompañan al modelo.
dx
A.x B.u (LTI),
dt
At .x
dx
(LTV)
dt
Ax, t x ,
dx
dt
funciones que componen las ecuaciones dinámicas del modelo, son a su vez funciones
lineales con respecto a x y a u , es decir:
Donde f , puede ser una función vectorial, por lo que la propiedad de linealidad se
verifica si y sólo si las ecuaciones del modelo se pueden expresar en forma matricial
como:
xt Ax t Bu t ,
y t Cxt Dut
Cuando las matrices A, B, C, D, son invariantes con respecto al tiempo, esto es son
matrices donde todos sus elementos no son funciones del tiempo, entonces el sistema
de ecuaciones diferenciales que representa al modelo, se dice ser un “ sistema lineal
invariante en el tiempo ” (L.T.I), traducción del inglés : Linear Time Invariant.
Cuando las matrices A, B, C, D, son variantes con respecto al tiempo, esto es son
matrices donde alguno de sus elementos son funciones del tiempo, las matrices se
representan como: At , Bt , C t , Dt , entonces el sistema de ecuaciones
diferenciales que representa al modelo, se dice ser un “ sistema lineal variante en el
tiempo ” (L.T.V.), traducción del inglés : Linear Time Variant. Quedando el sistema
de ecuaciones dierenciales que representa el modelo de la forma:
xt At xt Bt u t .
y t C t xt Dt u t
xt e At x0 .
Nótese, que cada término entre paréntesis es igual al término precedente, lo cual da un
esquema recursivo conveniente. El cálculo sigue sólo hasta que los términos
adicionales sean insignificantes, en comparación con la suma parcial hasta ese
momento. En este procedimiento se puede utilizar una norma de la matriz como
verificación para detener el cálculo. Una norma es una magnitud escalar, que brinda
un modo de determinar la magnitud absoluta de los n 2 elementos de una matriz nxn .
Se suelen usar diversas formas de normas. Se puede utilizar cualquiera de ellas.
e At 1 sI A
1
Por tanto, para obtener e , primero se debe invertir la matriz sI A . Eso da como
At
resultado una matriz cuyos elementos son funciones racionales de s. Luego se toma la
transformada inversa de cada elemento de la matriz.
x1 t x2 t
,
x 2 t 2 x2 t
0 1
donde, A ,
0 2
s 0 0 1 s 1
luego, sI A ,
0 s 0 2 0 s 2
1 1
ss 2 ,
luego, sI A1 s
0 1
s 2
xt Ax t Bu t , con la condición inicial xt x0
y t Cxt Dut
0
Y s Gs U s
sX s x0 AX s BU s
,
Y s CX s DU s
xs x0
. sI A sI A BU s ,
1 1
quedando,
Y s Cx0
. sI A C sI A B D U s
1 1
0 0
xt At xt , con la condición inicial xt0 x0 1.2.1
xt
d
t , t0 xt0
dt
t , t0 xt0
Es importante notar que la matriz de transición de estado t , t0 , está dada por la
matriz exponencial si, y solamente si, At y A d , son conmutativas entre sí. Es
t
t0
decir: si, y solamente si, At y A d , son conmutativas. Si At y A d ,
t t
t0 t0
1
t , t0 I A d A1 A 2 d 2 d1 ...
t t
t0 t0 t 0
x1 t x2 t
x 2 t t.x2 t
0 1
Siendo la matriz A: A ,
0 t
Para calcular t ,0, se utiliza la expansión en serie anterior descrita.
0 1 0 t
0 A d 0 0 d 0 t
t t 2
2
t3
1 0 6 ,
0
t 0 1 0 1 t 0 1 1
2 d 1
0 0 1 0 0 2
d 2 d 1 0 0 1 0 1
.
t4
2 0
8
t3
6 ...
1 0 0 t 0
t ,0 t2 4
0 1 0 2 0 t
8
t3
1 t ...
6
2 4
0 1 t t ...
2 8
Investigación documental : ¿ Cómo se aborda el problema de la solución para el caso LTV homogeneo, pero no siendo
conmutativas la matriz A(t) y su integral ?
xt At xt Bt u t , con la condición inicial xt x0 1.2.4
y t C t xt Dt u t
0
Se suponde que las matrices A(t), B(t), C(t), D(t) son funciones continuas o continuas
por partes en el periodo de estudio.
t , t0 At t , t0 , t0 , t0 I
Entonces, xt
d
t , t0 . t ,
dt
t , t0 t t , t0 t
,
At t , t0 t t , t0 t
xt At t , t0 t Bt ut ,
Comparando las dos expresiones anteriores de xt , se obtiene
t , t0 t Bt u t
,
t t , t0 Bt u t
1
Por tanto
t0
t 1 t , t0 xt ,
Por lo que
t0
1.2.6
xt t , t0 xt0 t , B u d
t
t0
dxt
donde. xt , x n y f : n n . En principio, el campo vectorial
dt
f : n n , podría ser una función arbitraria, pero bajo tales condiciones de
generalidad es dificil garantizar, incluso, que el sistema estudiado tenga algún tipo de
solución. Para efectos prácticos los campos vectoriales estudiados serán funciones
“razonablemente buenas”, por ejemplo, funciones continuas, diferenciables, etc.
A la EDO, xt f x , conjuntamente con condición inicial xt0 x0 se la
denomina el problema de Cauchy. Una solución del problema de Cauchy es una
función derivable : n n que satisface las siguientes condiciones:
dt
f t , t0 x0
dt
f C n , n . ,
_________________________
* En matemáticas, una ecuación diferencial ordinaria (comúnmente abreviada "EDO") es un tipo de ecuación diferencial
caracterizada porque la variable dependiente está en función de una variable independiente; este hecho las distingue de las
Ecuaciones en derivadas parciales. Estas ecuaciones son importantes en diversas áreas de estudio como la geometría, mecánica y
astronomía, además de muchas otras aplicaciones
Si f C n , n . , en el rectángulo abstracto R: t t0 a , x x0 b , a, b 0,
entonces , existe al menos una solución t , de clase C 1 en el intervalo t t0
tal que t0 x0 .
1
Nota: C significa continuamente diferenciable.
2
> diff(y (t ), t ) = 3 y (t ) 3 ;
d
y(t ) = 3 y(t ) (2/3)
dt
dsolve 0diff(y (t ), t ) = 3 y (t ) 1;
2
3
>
y (t ) ( 1 / 3 ) K t K _C1 = 0
Campo direccional del conjunto-familia de curvas solución más la solución al problema de Cauchy.
Ejemplo 2: Considere la EDO, y 2 sin(t ) 1/ 4 y(t ) , y0 5
El siguiente ilustra la unicidad de la solución al problema de Cauchy, cuando siendo
el campo vectorial contínuo f C n , n . , también es f C1 n , n . ,
Utilizando el software Maple 10, tenemos
> 0
dsolve diff ( y ( t ) , t ) = K 2 C sin( t ) K 014 1.y ( t ) , 1;
y(t ) = K 8 K
16
cos ( t ) C
4
sin( t ) C e
0K 1
4
t1_C1
17 17
Campo direccional y la solución particularizada según la condición inicial que satisface el problema de
Cauchy
Definición. Sea f una función definida sobre un subconjunto abierto y conexo D del
espacio de estados. Se dice que la función f satisface una condición de Lipschitz
con respecto a x en D , si existe una constante k 0 tal que para todo x1 , x2 en D ,
se cumple que
f x1 f x2 k x1 x2
A la constante k , se la denomina la constante Lipschitz
f x1 f x2 L0 x1 x2
> dsolve(diff(x (t ), t ) = 1 C x 2 (t ) );
x ( t ) = tan( t C _C1 )
La cual está definida sólo para
t c / 2, c / 2
> 0
DEplot ec1, x ( t ) , t =K
3p 3p
4
.. , { [ 0, 0 ] } , x = K 100 ..100 ;
4
1
Considere la EDO,
(1 K 3 t2 )
> ec1 := diff(x (t ), t ) = ;
(x 2 (t ) K 2 ) (x (t ) C 3 )
æ (1 K 3 t 2 ) ö
> dsolve çdiff(x (t ), t ) = 2 ÷;
è (x (t ) K 2 ) (x (t ) C 3 ) ø
x(t)
ó 3
K tC t C ô _a (_a C 3 ) 2 K 2 d_a C _C1 = 0
õ
.
1.4 Caracterización fenomenológica de sistemas no lineales.
Es bien sabido que muchas relaciones entre magnitudes físicas no son lineales,
aunque con frecuencia se aproximan mediante ecuaciones lineales sobre todo por
simplicidad matemática. Esta simplificación puede ser satisfactoria siempre que las
soluciones resultantes concuerden con los resultados experimentales. Una de las
características más importantes de los sistemas no lineales es que la respuesta del
sistema depende de la magnitud y tipo de entrada. Por ejemplo, un sistema no lineal
puede tener un comportamiento completamente distinto ante entradas escalón de
diferentes amplitudes.
Los sistemas no lineales difieren mucho de los sistemas lineales porque para los
primeros no rige el principio de superposición. Los sistemas no lineales presentan
muchos fenómenos que no aparecen en los sistemas lineales, y al estudiar tales
sistemas es necesario estar familiarizados con esos fenómenos. [1]
Los parámetros m, b, y k son constantes positivas, mientras que k’ puede ser positiva o
negativa. Si k’ es positiva, el resorte se denomina resorte rígido, mientras que si k’ es
Figura 1.3-4 : Curvas de respuestas que muestran saltos de resonancia. (a) sistema
mecánico con resorte rígido; (b) sistema mecánico con resorte flexible
m x b 1 x 2 x kx 0
donde m, b, y k son cantidades positivas. Esta ecuación se llama ecuación de Van der
Pol y es no lineal en el término de amortiguación. Al examinar este término, se nota
que para valores pequeños de x el amortiguamiento será negativo y, de hecho,
proporciona energía al sistema, mientras que para valores grandes de x positivo, y
elimina energía del sistema. Entonces, se puede esperar que este sistema presente una
oscilación sostenida. Como no es un sistema forzado, esta oscilación se denomina
oscilación autoexcitada o ciclo límite. Nótese que si un sistema sólo tiene un ciclo
límite, como este caso, la amplitud de este ciclo límite no depende de la condición
inicial.
X
N 1 ,
Y1
2k 1 S S S
2
sen
N 1 ,
X X X
yt 0, t 0, t1
y(t ) k Xsen( wt ) , t (t1 , t1 )
w
yt 0, t (t1 , t1 ),
w w
yt A0 An cosnwt Bn sennwt ,
n1
Como se ve en la figura 1.3-8 (b), la salida es una función impar. Para cualquier
función impar se tiene que An 0, n 0,1,2,... . Por lo tanto
yt Bn sennwt ,
n1
y1 t B1senwt Y1senwt ,
Donde
2
senwt d wt
2M 4M
Y1 ,
0
y1 t senwt ,
4M
Y1 4M
N 0o ,
X X
Especificaciones del proceso y del modelo. En esta etapa deben quedar bien claros la
finalidad del modelo, el sistema a modelar y sus límites precisos, las variables que
intervendrán y su tipo (medida, control, perturbación, estado, índices), y finalmente el
tipo de modelo matemático fisico deseado. Es importante descomponer un proceso o
sistema complejo en varios subsistemas que permitan obtener sus respectivos modelos
de una forma más sencilla.
xt f xt , u t , t 1.6.1
y t g xt , t
xt At xt Bt u t , xt x 1.6.2
y t g xt , t
0 0
x e t f xe t , ue t , t , 1.6.3
ye t yxe t , t
xt xt xe t
1.6.4
u t u t ue t
f
Ae x, u, t Ae
x xe ,u e ,t
f
Be x, u, t Be
u xe ,u e , t
, 1.6.6
g
Ce x, u, t Ce
x xe ,u e ,t
g
De x, u , t De
u xe ,ue ,t
xt Aext Beu t , 1.6.7
yt Cext Deu t
Una de las aplicaciones de estos resultados es que basados en este modelo, se procede
al diseño de controladores lineales, alrededor del punto de equilibrio. Esta técnica es
de uso generalizado en la industria.
f1 f1
x x
f 1 n
Ae
x xe ,u e , t f n f n
x1 xn
xe ,u e ,t
f1 f1
u
un
f 1
Be
u xe ,u e ,t f n f n
u1 un
xe ,u e ,t
g1 g1
x
xn
g 1
Ce
x xe ,u e ,t g p g p
x1 xn
xe ,u e ,t
g1 g1
u
un
g 1
De , 1.6.8
u xe ,ue ,t g p g p
u1 un
xe ,u e ,t
xt f xt 1.6.10
f
1 2 f
xt x 31! xf xt x
3
f xt f x xt x
2 3
x x 2! x 2 x
3
x
f xt f x
f
x x
xt x 1.6.11
f
f
f x1 t , x2 t , xn t f x1 , x2 , xn x1 t x1 x2 t x2
x1 x x2 x
f
xn x
xn t xn
1 2 f
2! x1 x
2
x1 t x1
2
1 2 f
2! x2 x
2
x2 t x2
2 1 2 f
2! xn x
2
xn t xn
2
f
f
f x1 t , x2 t , xn t f x1 , x2 , xn x1 t x1 x2 t x2
x1 x x2 x
f
xn x
xn t xn
El la siguiente figura, se observa la función no lineal multivariable y la linealización
alrededor del punto vectorial de equilibrio x .
Figura (1.6.2): Función no lineal multivariable y la linealización alrededor del punto vectorial de
equilibrio x.