Modelado e Identificación C1

Modelado e Identificación de Sistemas
Modelado e Identificación de
Sistemas
Sandra Aranguren Zambrano

Rocco Tarantino Alvarado

Contenido
Prefacio
Parte I
Modelado de sistemas dinámicos
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.

1.8. Modelos continuos y modelos discretos.

1.9. Linealización de sistemas
1.9.1. Introducción
1.9.2. Linealización de modelos de una variable
1.9.3. Linealización de modelos de más de una variable
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
Identificación de sistemas dinámicos
5
5. Identificación de Procesos Industriales
5.1. Definición de la identificación.
5.2. Clasificación de los métodos de identificación.

5.3. Las señales de entradas.

5.4. Los métodos de ajuste de los parámetros.
5.5. Los criterios de equivalencia.
5.6. Validación de un modelo obtenido por 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
Modelado de sistemas dinámicos
1.1 Introducción al modelado de sistemas
Un modelo de un sistema ó de un proceso es una representación en forma utilizable de

los aspectos esenciales de ese sistema ó de ese proceso. El modelo ó representación
matemática del proceso, puede obtenerse por medios teóricos o experimentales. Como
parte de modelado es necesario identificar el proceso, es decir, determinar su
estructura y los valores de los parámetros. Cuando existen dificultades de cálculo, se
recurre a la simulación, por medio de lo cual, se le aplica al modelo toda una gama de
análisis y de validaciones contra la realidad u experiencia disponible. La modelación e
identificación de los sistemas, están fuertemente relacionados entre sí, no obstante,
cada uno de ellos tiene su importancia. La modelación e identificación no son
específicos del control industrial. Se utilizan en campos muy diversos, como por
ejemplo, en economía, sociología, psicología y biología. Aunque sus bases y ciertas
técnicas puedan ser comunes, es evidente que en sus aplicaciones difieren bastante
entre sí. [2]
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 regulatorio: Para poder diseñar o determinar los parámetros de un regulador

clásico hace falta disponer de un modelo del proceso. El tipo de modelo comúnmente
utilizado es la Función de Transferencia, que por lo general no precisa sea muy
exacta.

Control predictivo y de procesos discontinuos: Sólo puede efectuarse este tipo de

control disponiendo de un modelo del proceso a controlar. En general, el modelo debe
ser bastante exacto.
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.
Simulación: Un sistema se simula para evaluar diversos posibles valores de los

parámetros estructurales, diferentes tipos y parámetros de control, la sensibilidad a los
cambios de los parámetros, la estabilidad relativa, o para resolver problemas
complejos de optimización. En cualquier caso se precisa de un modelo del sistema.
Cuando sea posible, convendrá utilizar uno de los lenguajes de simulación existentes
para ahorrar tiempo y problemas en la programación.
Control inteligente: Modelo basado en técnicas de inteligencia artificial, se utiliza

para sintetizar controladores en procesos cuyo modelado es complejo. Las técnicas
más utilizadas son las redes neuronales, lógica difusa, sistemas expertos y códigos
evolutivos.
Detección y diagnóstico de fallas en los procesos: modelo utilizado para la sintesis de

sistemas de detección y diagnóstico de situaciones anormales en los procesos
automatizados. Estos modelos deben ser precisos y los sistemas deben considerar
robustéz al ruido, a las falsas señales y a las perturbaciones.
Clasificación de los modelos de sistemas
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.
Modelo de Procedimiento (Procedural): Describe el procedimiento de la operación del

proceso fisico, de las materias, del personal, de la información. Consta de un conjunto
de instrucciones, o estrategia, para realizar una serie de pasos en situaciones
predeterminadas. Es apropiado para los arranques y paros, y automatismos
secuenciales.
Modelo matemático: Es un conjunto de ecuaciones algebraicas o lógicas que
representa las interrelaciones entre las variables del sistema . Según sean estas
variables, el modelo matemático será:
Físico: Relaciona las variables físicas del sistema estudiado. Se utiliza siempre
en el control automático.

Económico: Relaciona los diversos factores económicos que se estudian, y

especifica los objetivos económicos. Dentro del campo de control automático
se emplea en el control jerárquico y en el óptimo.
Según se investiguen las condiciones en régimen permanente o transitorio el

modelo matemático es:
Estático: Determina los valores estáticos o en régimen permanente de las

variables. Se emplea en diseño, en control óptimo, y en los niveles altos del
jerárquico. Este tipo de modelo debe ser muy exacto. Generalmente está
formado por ecuaciones algebraicas.
Dinámico: Determina los valores en régimen transitorio de las variables,

después de un cambio en las variables de control o de una perturbación. Se
emplea para el control y regulación usuales, y no precisa ser muy exacto,
dependiendo de la aplicación y de la criticidad de los procesos a ser
modelados. Está constituido por ecuaciones diferenciales (a tiempo continuo) ,
ó por ecuaciones en diferencias (a tiempo discreto).
Clasificación de los sistemas dinámicos. Los sistemas dinámicos los podemos

clasificar de varias formas. Una de las más utilizadas es clasificarlos según su
linealidad y varianza con el tiempo. En cada caso podemos encontrar parámetros fijos
y variables con respecto al tiempo. De igual forma podemos clasificarlos según el
tiempo continuo, discreto ó híbrido. Ver figura 1-1.
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
Figura 1-1: Clasificación de los sistemas dinámicos
Factores a considerar en los modelos. Existen otros factores a considerar en un

modelo de un sistema dinámico. Estos factores están asociados a las incertidumbre del
modelo. Estas incertidumbre pueden ser del tipo paramétrica ó estructural.

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.
Incertidumbre estructural. Es aquella que está asociada a la estructura del modelo. Se

refiere al no conocimiento preciso de los factores y sus relaciones, que conforman el
modelo.
Parámetros localizados. Son aquellos parámetros constantes ó variables sólo con

respecto al tiempo (lumped parameters). Se observan en las ecuaciones diferenciales
LTI y LTV, respectivamente los parámetros geométricos A, B, y A(t).
dx
 A.x  B.u (LTI),
dt
 At .x
dx
(LTV)
dt
Parámetros distribuidos. (distributed parameters). Son aquellos parámetros que

dependen de su ubicación. En un punto dado podrán ser constantes o variables con
respecto al tiempo. Debido a esta doble dependencia espacial-temporal deben
emplearse derivadas parciales. Ejemplos de estos tipos de parámetros los encontramos
en los procesos térmicos y en los fenómenos de difusión.
 Ax, t x ,
dx
dt
1.2 Caracterización de los sistemas dinámicos lineales
Sistemas dinámicos lineales. En primer lugar, es necesario conocer si un sistema

dinámico dado es o no lineal. Para ello se le aplica la prueba de la propiedad de
superposición, la cual se expresa :
“ Se tiene un sistema que partiendo de un estado inicial x1 t0  , con una

entrada u1 t , t0    t , responde con una salida y1 t  , y a partir de un estado
inicial x2 t0  con una entrada u2 t , t0    t , responde con otra salida y2 t  . Se
dice que dicho sistema es lineal si para a y b reales, partiendo del estado
inicial x3 t0   a.x1 t0   b.x2 t0 , con una entrada u3 t   a.u1 t   b.u2 t , t0    t ,
la salida es y3 t   a. y1 t   b. y2 t  ”
Esta propiedad de superposición en sistemas diferenciales, se traduce en que el

sistema dinámico modelado, representa un sistema dinámico lineal y que las

funciones que componen las ecuaciones dinámicas del modelo, son a su vez funciones
lineales con respecto a x y a u , es decir:
f t ,x1 t   x2 t ,u1 t   u2 t   f t , x1 t   u1 t    t , x2 t   u2 t  ,
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:

xt   Ax t   Bu t  ,
y t   Cxt   Dut 
donde A, B, C, D, son matrices de dimensiones consistente al orden del sistema y

xt , ut , yt , representan el vector de estado, el vector de entradas y el vector de
salidas respectivamente.
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: At , Bt , C t , Dt , 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:

xt   At xt   Bt u t  .
y t   C t xt   Dt u t 
Sistema de ecuaciones diferenciales homogeneo, caso LTI. Consideremos el

sistema diferencial homogeneo

xt   Ax t  , con la condición inicial xt0   x0
donde la solución puede expresarse:
xt   e At x0 .
Nótese que la solución de la ecuación diferencial lineal matricial, invariante en el

tiempo, tiempo continuo, incluye la matriz exponencial e At . Se disponen de varios
métodos para calcular e At .

Haciendo una correspondencia con los sistemas físicos, un sistema de ecuaciones

diferenciales homogéneo representa un modelo de un sistema sin función de entrada,
o sea desde el punto de vista de sistemas de control, representa un sistema sin ley de
control aplicada.
Un primer método. Consiste en expandir e At en series de potencias en t . La matriz
exponencial e At , converge en forma uniforme, para valores finitos de t. se puede
expandir como sigue:
A.t  A.t  A.t  A2 .t 2  A.t  An .t n 

e At  I   A.t        ...     ...
2  1!  3  2!  n  1  n! 
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.
Las virtudes de la técnica de expansión en serie son su simplicidad y la facilidad de

programación.
Un segundo método. Consiste en utilizar el procedimiento de transformada de

Laplace. e At puede expresarse como:

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.
Ejemplo: Considere el siguiente sistema de ecuaciones diferenciales, determine e At .

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 
 ss  2 ,
luego, sI  A1   s 
0 1 
 s  2 
1 1/ 21  e2t 

luego, e 
At 1
sI  A1
 
0 e  2t 
Sistema de ecuaciones diferenciales no homogeneo, caso LTI. Consideremos el

sistema diferencial no homogeneo.

xt   Ax t   Bu t  , con la condición inicial xt   x0
y t   Cxt   Dut 
0
donde x = vector de estado, n-dimensional.

u = vector de control, r-dimensional
y = vector de salida, m-dimensional
A = matriz de n x n
B = matriz de n x r
C = matriz de m x n
D = matriz de m x r
Haciendo una correspondencia con los sistemas físicos, un sistema de ecuaciones

diferenciales no homogéneo representa un modelo de un sistema con función de
entrada, o sea desde el punto de vista de sistemas de control, representa un sistema
con ley de control aplicada. Normalmente la matriz D es nula, cuando no se presenta
un mapa de aplicación directa de la entrada hacia la salida del sistema.
Regresando a la transformada de Laplace, vamos a introducir el concepto de matriz de

transferencia para dar solución al sistema de ecuaciones diferenciales no homogéneo.
La matriz G(s) que relaciona la transformada de Laplace de la salida y t  , con la

transformada de Laplace de la entrada (vector de entrada) u t  , se denomina matriz
de transferencia.
Y s   Gs U s 

La transformada de Laplace del sistema de ecuaciones diferenciales no homogéneos

anterior, la podemos expresar como:
sX s   x0  AX s   BU s 
,
Y s   CX s   DU s 
xs   x0
. sI  A  sI  A BU s ,
1 1
 
quedando,
Y s   Cx0
. sI  A  C sI  A B  D U s 
1 1
Aplicando la transformada inversa de Laplace tenemos que

la solución al sistema de ecuaciones diferenciales está dada por:
xt   e At x0   e At   Bu  d

t
yt   Ce At x0  C  e At  Bu  d   Du d  

t t
0 0
Sistema de ecuaciones diferenciales homogeneo, caso LTV. Consideremos el

sistema diferencial homogeneo,

xt   At xt  , con la condición inicial xt0   x0 1.2.1
donde, xt  = vector de estado n-dimensional

At   matriz de n x n cuyos elementos son funciones continuas o contínuas
por partes en el periodo de estudio.
La solución está dada por:
xt   t , t0 xt0  , 1.2.2
donde t ,t0  , es la matriz de n x n no singular, que satisface la ecuación diferencial

siguiente:

t , t0   At t , t0 , t0 , t0   I 1.2.3
Se puede verificar que la ecuación (1.2.2), es la solución de la ecuación (1.2.1), dado

que:
xt0   t0 , t0 xt0   xt0  ,
y de las ecuaciones (1.2.2) y (1.2.3), se tiene


xt  
d
t , t0 xt0 
dt

 t , t0 xt0 
 At t , t0 xt0   At xt  ,
Se ve que la solución de la ecuación (1.2.1), es simplemente la transformación del

estado inicial. La matriz t , t0 , es la matriz de transición de estado para el sistema a
tiempo variable homogéneo.
Es importante notar que la matriz de transición de estado t , t0 , está dada por la
matriz exponencial si, y solamente si, At  y  A d , son conmutativas entre sí. Es
t
t0
decir: si, y solamente si, At  y A d , son conmutativas. Si At  y  A d ,
t t

t0 t0
no son conmutativas, no hay una forma sencilla de calcular la matriz de transición de

estado.
Para calcular t , t0 , numéricamente se puede utilizar la siguiente expansión en serie

de t , t0 , :
1
t , t0   I   A d   A1  A 2 d 2  d1  ...
t t
t0 t0  t 0 
Este en general, no dará t , t0 , en una forma compacta.
Ejemplo: Obtener t ,0 , para el sistema LTV dado a continuación.

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 ?
Sistema de ecuaciones diferenciales no homogeneo, caso LTV. Consideremos el

sistema diferencial no homogeneo,

xt   At xt   Bt u t  , con la condición inicial xt   x0 1.2.4
y t   C t xt   Dt u t 
0
donde x = vector de estado, n-dimensional.

u = vector de control, r-dimensional
y = vector de salida, m-dimensional
A(t) = matriz de n x n
B(t) = matriz de n x r
C(t) = matriz de m x n
D(t) = matriz de m x r
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.
Para hallar la solución de la ecuación (1.2.4), se hace
xt   t , t0  t  1.2.5
Donde t , t0 , es la única matriz que satisface la siguiente ecuación:


t , t0   At t , t0 , t0 , t0   I

Entonces, xt  
d
t , t0 . t ,
dt
 
 t , t0  t   t , t0  t 

,
 At t , t0  t   t , t0  t 
Si se sustituye xt   t , t0  t  en la ecuación (1.2.4), se tiene

xt   At t , t0  t   Bt ut  ,

Comparando las dos expresiones anteriores de xt  , se obtiene

t , t0  t   Bt u t 

,
 t    t , t0 Bt u t 
1
Por tanto
 t    t0     1  , t0 B u  d

t
t0
A partir de la ecuación (1.2-5), se tiene que
 t   1 t , t0 xt ,
Por lo que
 t 0    1 t0 , t0 xt0   xt0 
La solución de la ecuación (1.2.4) es
xt   t , t0 xt0   t , t0   1  , t0 B u  d

t
t0
1.2.6
xt   t , t0 xt0    t , B u  d
t
t0
Para calcular el lado derecho de la ecuación (1.2.6), en casos prácticos, se recurre al

uso de software computacional.

1.3 Caracterización de los sistemas dinámicos no lineales

Introducción a las soluciones. Los sistemas físicos son inherentemente no lineales.
Un sistema no lineal puede ser descrito por ecuaciones diferenciales no lineales. Los
métodos de resolución de estas ecuaciones diferenciales, no son triviales y
principalmente se basan en el estudio de la existencia y unicidad de las soluciones, las
cuales se basan en tres técnicas básicas:
1. La construcción de soluciones poligoniales aproximadas, la cual sirve de

fundamento matemático a los algoritmos numéricos de integración de
ecuaciones diferenciales ordinarios y con ello a la simulación numérica
computacional de sistemas.
2. La construcción de soluciones polinómicas aproximadas, donde por medio de

un algoritmo simbólico iterativo de integración se genera una sucesión de
polinomios de orden creciente, que eventualmente aproximan a la solución
real del sistema con la presición que se desee. Este método se apoya en la
utilización de computación simbólica.
3. Las contracciones y teoremas de punto fijo, la cual constituye no sólo una

potente sino elegante herramienta teórica.
El representante más sencillo de los algoritmos para la construcción de soluciones

poligonales aproximadas es el método de las poligonales de Euler.
La aproximación sucesiva de la solución de un sistema dinámico a través de una

sucesión de polinomios de grado creciente está intimamente ligada a la posibilidad de
representar en serie a la solución deseada. Hasta la aparición de las técnicas de
computación simbólica, el método de iteración de Picard constituía un algoritmo
simbólico iterativo de fundamental importancia en la teoría de ecuaciones
diferenciales ordinarias, pero de caracter esencialmente teórico. Este algoritmo podría
hoy, sin embargo, ser implementado computacionalmente también.
La particularización del método de iteración de Picard a los sistemas dinámicos

lineales variantes en el tiempo, permite definir rigurosa e iterativamente la solución
fundamental de dichos sistemas, a la cual suele denominársela la matriz de transición
de estados. El método de iteración de Picard constituye también la herramienta
fundamental para el estudio de la dependencia continua de las soluciones de los
sistemas dinámicos respecto a sus condiciones iniciales y parámetros. De hecho la
existencia y unicidad de las soluciones y su dependencia continua respecto a
condiciones iniciales y parámetros puede unificarse en un sólo teorema: el teorema de
paralelizabilidad del flujo.

La dependencia continua de las soluciones respecto a condiciones iniciales y

parámetros constituye la transición natural entre los teoremas de existencia y unicidad
de las soluciones de las soluciones de los sistemas dinámicos y sus propiedades
temporales asintóticas. No resulta exagerado afirmar que a pesar de los notables y
vertiginosos desarrollos de la teoría de sistemas dinámicos a lo largo de este siglo, el
estudio de la estabilidad de sus soluciones sigue dependiendo, en gran medida, de una
única técnica: el Método Directo o Segundo Método de Lyapunov, propuesto por este
insigne pionero de la escuela rusa en 1892.
Sistema Dinámico No Lineal. El término Sistema Dinámico No Lineal (SDNL) se

utilizará para denotar a aquellos sistemas determinísticos, diferenciables, de
dimensión finita, cuyos estados son funciones del tiempo. A tales SDNL se los piensa
como modelados por una ecuación diferencial ordinaria EDO , cuya variable
independiente representa al tiempo y se la denota por t:

xt   f x , xt0   x0 1.3.1
 dxt 
donde. xt   , 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, xt   f x , conjuntamente con condición inicial xt0   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:
dt 
 f t  , t0   x0
dt
Existencia de Soluciones para el problema de valor inicial.

Una condición suficiente que permite garantizar la existencia de al menos una
solución del problema de Cauchy es que el campo f sea una función continua en
todos sus argumentos, lo cual denotaremos de la siguiente manera

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

Teorema 1: (Cauchy – Peano).
 
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.
La prueba se deja al lector, como trabajo de investigación documental
El siguiente contraejemplo ilustra la no unicidad de la solución al problema de

Cauchy, cuando siendo el campo vectorial contínuo f  C  n , n . , no es  
1

f  C  , . , n n

dyt 
2
Ejemplo: Considere la EDO,  3 y(t ) 3 , y0  0
dt
 
Evidentemente el campo vectorial es C  n , n . aunque no C1 n , n .  
Utilizando el software Maple, tenemos
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
 yt   t  c  , si y0  0 , entoces c  0

3
Quedando una de las soluciones , yt   t  , t  

3
Otra solución trivial es yt   0 , t  

Solución gráfica obtenida por simulación en el programa Maple .
> DEplot ( ec1, y ( t ) , t = K 1 ..5, { [ 0, 0 ] } , y = K 1 ..5 ) ;
Campo direccional del conjunto-familia de curvas solución más la solución al problema de Cauchy.
Observese en la gráfica anterior, la naturaleza distinta de ambas soluciones: El campo

direccional y la solución particularizada, en la condición inicial. Se comprueba que no
cumple con la unicidad de la solución del problema de Cauchy.
Si partimos de otra condición inicial y0  1 , si cumplimos con la unicidad de la

solución del problema de Cauchy, toda vez que la segunda solución y(t) = 0 , no
satisface la condición inicial.
Solución gráfica obtenida por simulación en el programa Maple.
> DEplot ( ec1, y ( t ) , t = K 1 ..5, { [ 0, 1 ] } , y = K 1 ..5 ) ;
Campo direccional con la solución particularizada según la condición inicial


Ejemplo 2: Considere la EDO, y  2  sin(t )  1/ 4 y(t ) , y0  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
> ec1 := diff ( y ( t ) , t ) = K 2 C sin( t ) K 014 1.y ( t ) ;

d 1
ec1 := y ( t ) = K 2 C sin( t ) K y(t )
dt 4
> 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
> DEplot ( ec1, y ( t ) , t = 0 ..12, { [ 0, K 5 ] } , y = K 12 ..0 ) ;
Campo direccional y la solución particularizada según la condición inicial que satisface el problema de
Cauchy
En este ejemplo, el campo direccional (vectorial), sugiere claramente el carácter

oscilatorio de las soluciones, lo cual era lo esperado, en función de la estructura
trigonométrica de la solución general.

Unicidad de la solución del problema de Cauchy. Cuando f x   Ax ,

A  M n , x  n , el problema de Cauchy admite una única solución. Cuando
f x   A(t ) x , donde cada aij t  de A(t )  C  , la unicidad de la solución se preserva,
pero no como una consecuencia de la continuidad de las entradas de la matriz respecto
al tiempo, sino de la linealidad de EDO respecto a xt  .
Cuando f x  es no lineal, hay que imponer algún tipo de restricción a las no
linealidades, con el objeto de garantizar la unicidad. Cuando cerca de la condición
inicial las no linealidades están dominadas por el término lineal, la unicidad se
preserva. Esta es la idea subyacente cuando se restringen los campos vectoriales a la
familia de los campos de Lipschitz continuos, LipC  .
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
Definición. Se dice que una función f es localmente Lipschitz en W si para cada

punto x0 W , existe un entorno de radio  de x0 , N x0   W y una constante L0
tal que para todo x1 , x2  N x0 
f x1   f x2   L0 x1  x2
Teorema 2: (Teorema de existencia y unicidad). Suponga que f  LipC  en el

rectángulo R: t  t0  a , x  x0  b , a, b  0, y sean M  max f x , x   ,
 b 
donde   min  a,  . Entonces, en el intervalo t  t0 existe una única solución
 M

t   C1 de la EDO x  f x  , tal que t0   x0
Lema 3: Sea W un subconjunto abierto de n y sea f : W  n . Si f  C1 W  ,

entonces f es localmente lipschitz en W
Teorema 4: (Teorema fundamental local de las EDO). Sean W un subconjunto

abierto de n , f : W  n una aplicación C 1 y x0 un punto de W . Entonces, existe

un a  0 y una única solución x :  a, a   W de la ecuación diferencial


xt   f x , conjuntamente con condición inicial x0  x0
Globabilidad de las soluciones. En los sistemas dinámicos lineales invariantes (LTI),

el problema de Cauchy no sólo tiene una única solución, sino que además la solución
es global, es decir, está definidad para todo instante de tiempo t   ,  . Esto no
siempre es así en los sistemas dinámicos no lineales, lo cual obliga a plantearse la
pregunta: ¿ Cuál es el intervalo de tiempo maximal sobre el cual está definida una
solución de una EDO, si es que éste existe?.
Veamos el siguiente ejemplo.


Considere la EDO, x  1  x 2 , con x0  0 . Este sistema tiene por solución la
familia de curvas
> ec1 := diff(x (t ), t ) = 1 C x 2 (t );
d
ec1 := x (t ) = 1 C x (t )2
dt
> 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
Campo direccional y la solución particularizada según la condición inicial

En base al teorema 4 y Lema 3 y como prueba el ejercicio inmediato anterior, se

permite concluir que la solución de una EDO sólo está definida, por lo general, para t
perteneciente a un subintervalo de la recta real y no sobre toda ella. En otras
oportunidades, está definida en toda la recta real a excepto de los puntos de
singularidad del campo vectorial. Vease el siguiente ejemplo
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
> DEplot ( ec1, x ( t ) , t =K 30 ..30, x = K 30 ..30 ) ;
Campo direccional y la solución particularizada según la condición inicial

-------------------------------------------------------------------------------------

.
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]
Dependencia entre frecuencia y amplitud. Considere la oscilación libre de un

sistema mecánico como el que semuestra en la figura (1-3-1), que consiste en una
masa, un amortiguador viscoso, y un resorte no lineal. La ecuación diferencial que
describe la dinámica del sistema es
 
m x b x kx  k , x3  0 , 1.3-1
donde kx  k , x3 = fuerza no lineal

x = desplazamiento de la masa
m = masa
b = coeficiente de fricción viscosa del amortiguador
Figura 1.3-1: Sistema mecánico
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

negativa, es un resorte flexible. El grado de no linealidad del sistema se caracteriza

por la magnitud de k’. Esta ecuación diferencial no lineal, ecuación (1.3-1) se
denomina ecuación de Duffing que se ha analizado varias veces en el campo de la
mecánica no lineal. La solución de la ecuación (1.3-1) representa una oscilación
amortiguada si el sistema está sometido a una condición inicial no nula. En una
prueba experimental se observa que a medida que decrece la amplitud, la frecuencia
de la oscilación libre disminuye o aumenta, dependiendo de si k’ > 0 ó k’ < 0,
respectivamente. Cuando k’ = 0, la frecuencia se mantiene constante al disminuir la
amplitud de las oscilaciones libres. (Esto corresponde a un sistema lineal). En la
figura 1.3-2, muestra las formas de onda de oscilaciones libres donde se pueden ver
estas características. La figura 1.3-3 representa las relaciones de amplitud-frecuencia
para los tres casos en que k’ es mayor, igual, o menor que cero. [1]
Figura 1.3-2 : Formas de onda de oscilaciones libres

Figura 1.3-3 : Frecuencia
En un estudio experimental de sistemas no lineales, se puede ver fácilmente la depen

dencia entre frecuencia y amplitud. Esta dependencia es una de las características
fundamentales de las oscilaciones de sistemas no lineales. La gráfica de la figura 1.3-
3 revela si hay o no una linealidad presente y también indica su grado de no linealidad
Respuestas multivaluadas y saltos de resonancias. Al experimentar con

oscilaciones forzadas en el sistema que aparece en la figura 1.3-1, cuya ecuación
diferencial es :
 
m x b x kx  k , x3  p cos wt
donde P cos wt es la función excitadora, se observan una serie de fenómenos, como

respuestas multivaluadas, saltos de resonancia y una variedad de desplazamientos
periódicos (como oscilaciones subarmónicas o superarmónicas).
Estos fenómenos no ocurren en las respuestas de sistemas lineales.
En experimentos donde se mantiene constante la amplitud P de la fuerza excitadora,
mientras se varía lentamente su frecuencia y se observa la amplitud X de la respuesta,
se puede obtener una curva de respuesta en frecuencia similar a la de las figuras 1.3-4
(a) y (b). Supóngase que k > 0 y que la frecuencia alimentada w es baja en el punto 1
de la curva en la figura 1.3-4 (a). Al incrementar la frecuencia w, aumenta la amplitud
X hasta alcanzar el punto 2. Un aumento posterior produce un salto del punto 2 al
punto3, con los correspondientes cambios de magnitud y fase. Este fenómeno se
denomina salto de resonancia. Al incrementar más aún la frecuencia w, la amplitud X
sigue la curva del punto 3 al punto 4. Si se experimenta en otra dirección, es decir,
partiendo de una frecuencia alta, se observa que al decrecer w, la amplitud X crece
lentamente pasando por el punto 3 hasta alcanzar el punto 5. Una disminuición
posterior de w produce otro salto del punto 5 al punto 6, acompañado de las
modificaciones en magnitud y fase. Tras este salto, la amplitud X decrece con w y
sigue la curva desde el punto 6 hacia el punto 1. [1]

Figura 1.3-4 : Curvas de respuestas que muestran saltos de resonancia. (a) sistema
mecánico con resorte rígido; (b) sistema mecánico con resorte flexible
Así, las curvas de respuesta son efectivamente discontinuas, y un punto representativo

en la curva de respuesta sigue trayectorias diferentes para frecuencias crecientes y
decrecientes. Las oscilaciones de respuesta correspondientes a la curva entre los
puntos 2 y 5 corresponden a oscilaciones inestables, y no se pueden observar
experimentalmente.
También se dan saltos similares en el caso de un sistema con un resorte flexible (k’<
0), como se ve en la figura 1.3-4 (b). Se ve entonces que para una amplitud P de la
función excitadora, hay un rango de frecuencia en las que se pueden producir una de
dos oscilaciones estables. Nótese que para que se produzca un salto de resonancia, es
necesario que el término amortiguador sea pequeño y que la amplitud de la función
excitadora sea suficientemente grande como para llevar al sistema a una región
apreciable de funcionamiento no lineal. [1]
Oscilaciones subarmónicas. Por oscilación subarmónica se entiende una oscilación

no lineal en estado estacionario, cuya frecuencia es un submúltiplo entero de la
frecuencia excitadora. La figura 1.3-5 presenta un ejemplo de una forma de onda de
salida con oscilación subarmónica, junto con la forma de onda de entrada. Las
oscilaciones subarmónicas dependen de los parámetros del sistema y de las
condiciones iniciales, así como de la amplitud y frecuencia de la función excitadora.
La expresión dependencia de las condiciones iniciales significa que las oscilaciones
subarmónicas no son de iniciación espontánea. Para iniciarlas hay que dar una especie
de golpe, por ejemplo una variación brusca en la amplitud o frecuencia de la función
excitadora. Una vez que las oscilaciones subarmónicas se han excitado, pueden ser
sumamente estables dentro de ciertas frecuencias. Si la frecuencia de la función
excitadora cambia a un nuevo valor, la oscilación subarmónica o bien desaparece, o
modifica su frecuencia a un valor que es w/n, donde w es la frecuencia excitadora y n

es el orden de la oscilación subarmónica. (Note que en un sistema lineal se puede

presentar una oscilación cuya frecuencia sea la mitad de la frecuencia de excitación,
siempre que un parámetro o parámetros del sistema varíen periódicamente con el
tiempo. Un sistema lineal conservativo también puede presentar oscilaciones que se
parecen a las oscilaciones subarmónicas de sistemas no lineales, sin embargo, las
oscilaciones de los sistemas lineales son esencialmente diferentes de las oscilaciones
subarmónicas).
Oscilaciones autoexcitadas o ciclos límite. Otro fenómeno que se observa en

ciertos sistemas no lineales, es una oscilación autoexcitada o ciclo límite. Considere
un sistema descrito por la siguiente ecuación:
 
 
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.
Figura 1.3-5: Formas de onda de entrada y salida bajo oscilación armónica
Arrastre de frecuencia. Un ejemplo del fenómeno interesante que se observan en

algunos sistemas no lineales, es el arrastre de frecuencia. Si se aplica una fuerza
periódica con frecuencia w a un sistema que presenta un ciclo límite de frecuencia
w0 , se observa el fenómeno bien conocido del batido. Al disminuir la diferencia entre
las frecuencias, también disminuye la frecuencia de batido. En un sistema lineal se
encuentra, tanto experimental como teóricamente, que la frecuencia de batido
disminuye en forma indefinida cuando w tiende a w0 . En un sistema no lineal
autoexcitado, sin embargo, se encuentra experimentalmente que la frecuencia w0 del

ciclo límite se sincroniza con, o es arrastrada por, la frecuencia excitadora w , dentro

de cierta banda frecuencias. Este fenómeno generalmente se designa como arrastre de
frecuencia y la banda de frecuencias en la que se produce el arrastre se llama zona de
arrastre de frecuencia.[1]
Extinción asíncrona. En un sistema no lineal que presenta un ciclo límite de

frecuencia w0 , es posible extinguir la oscilación del ciclo límite, exitando al sistema a
una frecuenca w1 , donde w1 y w0 no están relacionadas entre sí. Este fenómeno se
denomina extinción asíncrona, o estabilización de señal.
Fenómenos no lineales presentes en los sistemas de control. Se pueden encontrar

muchos tipos de fenómenos no lineales en los sistemas de control reales, y se les
puede dividir en dos clases, dependiendo de si son inherentes al sistema, o si se
añaden en forma deliberada.
Fenómenos no lineales inherentes:

1. Saturación
2. Zona muerta
3. Histéresis
4. Juego u holguras mecánicas
5. Fricción estática, fricción de Coulomb y otras fricciones no lineales
6. Elasticidad no lineal
7. Compresibilidad de fluidos
Funciones no lineales intencionales:

1. Relés
2. Controladores no lineales
3. Elementos interfaces (convertidores, acondicionadores, limitadores)
4. Sensores con características no lineales
5. Elementos finales de control, con características no lineales
6. Elemento no lineal si-no
7. Elemento no lineal con histéresis
8. Elemento no lineal con zona muerta
9. Elemento no lineal con saturación
Soluciones por computadora de problemas no lineales. Las computadoras modernas

permiten usar nuevos métodos para tratar problemas no lineales. Las técnicas de
simulación en computadoras digitales son muy poderosas para analizar y diseñar
sistemas de control no lineales. Cuando la complejidad de un sistema impide el uso de
cualquier procedimiento analítico, las simulaciones en computadora pueden ser el
único camino para obtener la información necesaria para fines de diseño.

Comentario. Es importante tener en mente que aunque la predicción del

comportamiento de sistemas no lineales en general es difícil, al diseñar sistemas de
control no lineales no se debe tratar de forzar al sistema a ser lo más lineal posible,
porque este requisito puede llevar al diseño de un sistema de mayor costo y menos
deseable que uno no lineal diseñado adecuadamente.
Funciones descriptivas. Suponga que hay una entrada senoidal a un elemento no

lineal. La salida del elemento no lineal generalmente no es senoidal. Suponga también
que la salida es periódica, con el mismo periodo que la entrada. (La salida contiene
armónicas más grandes, además de la componente armónica fundamental).
En el análisis de la función descriptiva se supone que sólo la componente armónica
fundámental es significativa. Tal premisa suele ser válida porque las armónicas
superiores en la salida de un elemento no lineal, con frecuencia son de menor
amplitud que la de la componente armónica fundamental. Además, la mayor parte de
los sistemas de control son filtros paso bajas, con el resultado de que las armónicas
más altas se atenúan en comparación con la componente armónica fundamental.
La función descriptiva o función descriptiva senoidal de un elemento no lineal, está
definida como una relación compleja entre la componente armónica fundamental de la
salida respecto a la entrada. Es decir,
X
N 1 ,
Y1
donde: N = función descriptiva

X = amplitud de la senoide de entrada
Y1 = amplitud de la componente armónica fundamental de la salida
1 = desplazamiento de fase de la componente armónica fundamental de la
salida.
Elemento no lineal de saturación. En la figura 1.3-6 (a) se presenta una curva

característica de entrada-salida para el elemento no lineal de saturación. Para seña1 de
entrada pequeñas, la salida de un elemento de saturación es proporcional a la salida,
Para señales de entrada cada vez más grandes, la salida no aumenta en forma propor-
cional, y para señales de entrada muy grandes, la salida es constante al valor máximo
posible de salida. Para una entrada senoidal, la forma de onda de la salida aparece en
la figura 1.3-6 (b).
La función descriptiva para este elmento no lineal es
2k  1  S  S S 
2
 sen    
N 1    ,
   X X  X  


Figura 1.3-6 : (a) Curva característica de entrada-salida para el elemento no

lineal de saturación; (b) Formas de onda de entrada y salida del
elemento no lineal de saturación
Elemento no lineal de zona muerta. Este elemento no lineal recibe a veces el

nombre de no linealidad de umbral. En la figura 1.3-7 (a) se muestra una curva
característica de entrada-salida. Para una entrada senoidal, la forma de onda de la
salida es la que se presenta en la figura 1.3-7 (b). Para el elemento de zona muerta, no
hay salida para entradas dentro de la amplitud de la zona muerta.
yt   0, t  0, t1 

y(t )  k  Xsen( wt )   , t  (t1 ,  t1 )
w
  
yt   0, t   (t1 ,  t1 ), 
 w w

Figura 1.3-7 : (a) Curva característica de entrada-salida para el elemento no lineal de

zona muerta (b) formas de onda de entrada y salida del elemento no
lenal de zona muerta
Elemento no lineal de sí-no. El elemento no lineal de sí-no, o de conexión-

desconexión, con frecuencia recibe el nombre de elemento no lineal de dos
posiciones. Considere un elemento de sí-no cuya curva característica de entrada-salida
es la que aparece en la figura 1.3-8 (a). La salida de este elemento es, o bien una
constante positiva, o una constante negativa. Para una entrada senoidal, la señal de
salida se vuelve una onda cuadrada. La figura 1.3-8 (b) muestra las formas de onda de
entrada y salida.
Se comienza por obtener la expansión en serie de Fourier de la salida y(t) de este

elemento

yt   A0    An cosnwt   Bn sennwt  ,
n1
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

yt    Bn sennwt  ,
n1

La componente armónica fundamental de y(t) es
y1 t   B1senwt   Y1senwt  ,
Donde
2 
 yt senwt d wt    yt senwt d wt  ,

1 2
Y1 
 0
 0
Remplazando y(t) =M en esta última ecuación, resulta
 senwt d wt  
2M 4M
Y1  ,
 0

y1 t   senwt ,
4M

Y1 4M
N 0o  ,
X X
La función descriptiva para un elemento de conexión-desconexión es juna cantidad

real y es función solamente de la amplitud de la entrada X.
Figura 1.3-8 : (a) Curva característica de entrada-salida para el elemento no lineal

de sí-no; (b) formas de onda de entrada y salida del elemnto no lineal
de sí-no

1.5 Metodología para la obtención de modelos.
La obtención de un modelo de un proceso o sistema, puede orientarse como una

investigación con el rigor del método científico. El modelo debe satisfacer
especificaciones a veces contradictorias entre si, sin que existan índices científicos u
objetivos para determinar el mejor punto del compromiso escogido. Por ejemplo, un
modelo debe ser rápido de calcular, lo más exacto convenientemente y con una
relación costo-beneficio apropiada.
La aplicación de la teoría científica del control descansa en gran parte en los modelos
matemáticos, para los que en varias oportunidades, no existe una forma científica de
su obtención. Ahí reside la importancia de los modelos y de los procedimientos de su
obtención.
En general hay cuatro etapas en la obtención de un modelo matemático fisico, que
normalmente no se siguen de forma secuencial sino cíclica. Estas son:
1. Especificaciones del proceso y del modelo.

2. Desarrollo del modelo.
3. Verificación del modelo.
4. Actualización.
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.
Especificaciones para la obtención del modelo

1. Finalidad del modelo
2. Sistema a modelar
2.1. Descripción y límites
2.2. Tipo de sistema
2.3. Variables: descripción, tipo, valores extremos
3. Modelo matemático
3.1. Desarrollo teórico/experimental
3.2. Estático/dinámico
3.3. Representación externa/interna
3.4. Continuo/discreto
3.5. Cálculo On-line/Off-line
3.6. Precisión y sensibilidad
3.7. Orden máximo
3.8. Métodos de identificación
3.9. Criterios de calidad
3.10. Actualización
Desarrollo del modelo. El desarrollo de un modelo matemático físico puede hacerse

de dos formas que no necesariamente son exclusivas entre sí. Una de ellas es a partir
de las fórmulas del proceso, como balances de materias y energías, si es un proceso

físico-químico. Aunque en un proceso sencillo y conocido esto no representa ninguna

dificultad, por lo general los procesos no sencillos son poco conocidos y las
ecuaciones que pueden obtenerse a partir de la teoría físico-química sólo describen
parcial y aproximadamente el proceso. En otros casos, el proceso puede describirse
mejor utilizando derivadas parciales de las variables por ser función del tiempo y del
espacio, por ejemplo, pero el sistema deja de ser de parámetros localizados para ser
distribuido, con las dificultades consiguientes para su control. Lo mismo ocurre si el
sistema está descrito por varias ecuaciones no lineales complejas. En procesos bien
conocidos puede utilizarse el conocimiento que se tiene de las características de otros
procesos similares y no ser necesario ningún desarrollo teórico, especialmente si no se
requiere una elevada exactitud y pueden ajustarse experimentalmente los parámetros
de control.
La otra forma de poder desarrollar un modelo matemático físico es a partir del análisis
de datos experimentales. Para ello se aplican al proceso señales típicas deterministas
(escalón, impulso, senoidales) o estocásticas (ruido blanco o pseudo-aleatorio) y
observando la respuesta obtenida puede estimarse el modelo. A esta forma de
estimación del modelo se le conoce por Identificación. Existen gran variedad de
métodos de identificación. Algunos de ellos no precisan se perturbe el proceso con
señales inducidas, sino que estiman el modelo con las entradas y salidas del
funcionamiento normal del sistema.
El modelo experimental tiene varias ventajas e inconvenientes respecto al teórico.
Entre las primeras, la más importante es que permite obtener un modelo de un sistema
o proceso del que no se conoce su teoría, es decir, de una «caja negra». Otras ventajas
son que permiten, en sistemas muy complejos, obtener un modelo de una forma más
económica y rápida, y finalmente que constituye un método de comprobación y
validación del modelo teórico. Las desventajas son importantes y las dos primeras
quizá sean de que el sistema debe ya existir y funcionar. y que debe perturbársele en
sus condiciones normales de trabajo. El coste de la identificación puede ser caro por
las perturbaciones producidas al proceso, por los instrumentos y el personal
necesarios para efectuar el ensayo, o el elevado tiempo de cálculo en el ordenador.
Otros inconvenientes son que la precisión que puede obtenerse es limitada. El modelo,
así obtenido, sólo es válido para el proceso experimentado y con las condiciones de
trabajo del ensayo y si se desconoce incluso la estructura del sistema pueden aparecer
errores importantes, por ejemplo, por interacción de variables.
Como ya se indicó, ambos métodos teórico y experimental no se excluyen. Lo más
frecuente es encontrar una combinación de ambos que optimice el esfucrzo, costo y
calidad de los resultados. A partir de bases teóricas se determinan las variables
importantes, una estructura y quizás unas ecuaciones de las que se desconocen con
exactitud los parámetros. Estos se identifican por métodos experimentales. Si de
antemano no se conoce el mínimo orden del modelo que representa adecuadamente el
sistema, puede determinarse experimentalmente.
Puede ocurrir a veces que el orden del modelo obtenido sea superior al especificado o
deseado. En estos casos puede ensayarse reducir su orden por algun método.
Verificación del modelo. Antes de utilizar un modelo desarrollado según lo expuesto

anteriormente, debe verificarse que cumpla con la especificación de precisión y

sensibilidad. Por ejemplo, para comprobar la sensibilidad de un modelo descrito por la
ecuación general
f
 i  xi ,
xi
si se supone que las variables xi son estocásticas, la ecuación anterior puede referirse
al error de medida de las variables, o varianza, y convertirse en
2
 f 
var  y1     yi   
2
 var xi 
 xi 
La exactitud o precisión del modelo suele comprobarse por simulación, es decir,
aplicando al modelo las mismas señales que al proceso real y comparando los
resultados. Debe asegurarse que se han probado todos los valores extremos de las
variables y sus distintas posibles combinaciones. Antes de esta fase conviene verificar
el modelo con datos históricos que deben elegirse con cuidado para obtener resultados
válidos.
Una vez comprobada la calidad del modelo en esta etapa, puede comenzarse a utilizar,
pero es preciso en general que en el primer período se observe de cerca su
comportamiento y se corrija cualquier anomalía detectada, o
acaben de ajustarse sus parámetros a la realidad.
Actualización. Un modelo debe actualizarse por dos causas: error en la identificación

de sus parámetros o estructura, o por cambios ocurridos en el proceso después de
haber conseguido un modelo adecuado. La actualización de modelos sencillos es fácil
y casi intuitiva. En cambio si el sistema es algo complejo y sus variaciones pueden ser
de cualquier tipo, los métodos de actualización resultan en general bastante
complejos. Si ésta se efectúa de forma automática, entonces se tiene un sistema
adaptativo.
1.6 Linealización aproximada de sistemas
Introducción. Se hace uso de la linealización aproximada en modelos no lineales

alrededor del punto de equilibrio. Se asume que las desviaciones del proceso también
las tiene el modelo linealizado alrededor del punto de equilibrio.
Un sistema no lineal puede expresarse de la forma general como:

xt   f xt , u t , t  1.6.1
y t   g xt , t 
Un modelo lineal de la forma


xt   At xt   Bt u t  , xt   x 1.6.2
y t   g xt , t 
0 0
Es una aproximación de la ecuación (1.6.1). Esta linealización es realizada alrededor

de las coordenadas nominales de la salida en equilibrio ye t  y las coordenadas
nominales de las señales de entrada ue t  , donde

x e t   f xe t , ue t , t  , 1.6.3
ye t   yxe t , t 
Luego si consideramos pequeñas variaciones o desviaciones alrededor del punto de

equilibrio de forma que podamos definir
xt   xt   xe t 
1.6.4
u t   u t   ue t 
Se puede expresar en expansión de serie de Taylor el sistema representado por las

ecuaciones (1.6.1) y (1.6.2), como
f xt , u t , t   f xe t , ue t , t   Ae t xt   Be t u t    e xt , u t , t 

1.6.5
g xt , t   g xe t , t   Ce t xt   De t u t   e xt , u t , t 
Donde las matrices
 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 
representan matrices Jacobianas del sistema modelado y las matrices  e , e

acompañan a los términos de orden igual ó superior al segundo.

A partir de las ecuaciones (1.6.5), y no considerando los términos de la serie de

Taylor de orden mayor o igual al segundo, se deduce

 xt   Aext   Beu t  , 1.6.7
yt   Cext   Deu 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.
Las matrices Jacobianas se expresan explícitamente como
 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 
Donde, xe , ue , ye , son constantes escogidas como punto de equilibrio o punto

operacional del sistema, donde se procede a la linealización del sistema no lineal,
siendo.
f xe , ue   0
, 1.6.9
ye xe , ue   g xe , ue 

Las ecuaciones linealizadas (1.6.7), pueden representar un sistema dinámico lineal

invariante en el tiempo (LTI) no homogéneo, siendo extendible todos los análisis
anteriores.
Linealización de modelos con una sola variable independiente. Considere la

siguiente EDO,

xt   f xt  1.6.10
Donde f xt  , es una función no lineal de x . La expansión en serie de Taylor de

f xt  , alrededor de xe  x , está dada por
 f
  1 2 f
xt   x  31! xf xt   x  
3
f xt   f x  xt   x 
2 3
x x 2! x 2 x
3
x
Siendo la aproximación lineal

f xt   f x 
f
x x

xt   x  1.6.11
El la siguiente figura, se observa la función no lineal y la linealización alrededor del

punto de equilibrio x .
Figura (1.6.1): Función no lineal y la linealización alrededor del punto de equilibrio .

Linealización de modelos con dos o más variables independientes. Considere el

modelo no lineal
f x1 t , x2 t , xn t  1.6.12
Luego la expansión en serie de Taylor alrededor del punto de equilibrio x1 , x2 , xn ,

esta dada por
   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


Siendo la aproximación lineal
   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.

1.7. Modelos de representación interna y de representación externa.

Introducción. Para el estudio del comportamiento de un sistema es necesario obtener
un modelo matemático del mismo. La teoría de control clásica representa los sistemas
con modelos matemáticos, que únicamente relacionan señales de salida con señales de
entrada, obtenidas del mismo. Esta representación externa trata al sistema como una
caja negra del cual no se conoce su estructura interna. A partir de una señal de estrada
se espera obtener una evolucion de la salida del mismo. Este tipo de modelado cubre
todos los aspectos para trabajar con sistemas de una única salida y una entrada SISO.
Cuando se pretende trabajar con un sistema de varias salidas que se ven afectadas por
diferentes entradas, sistemas MIMO, el modelo entrada salida presenta serias
carencias. Para cubrir todos los aspectos necesarios para el estudio de un sistema de
estas características, nace lo que se conoce como la representación interna del sistema
o modelo en espacio de estados.


Modelado e Identificación C1

Încărcat de

Informații document

Descriere originală:

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Modelado e Identificación C1

Încărcat de

Drepturi de autor:

Formate disponibile

Modelado e Identificación de Sistemas

Sandra Aranguren Zambrano

Sandra Aranguren Zambrano

Modelado de sistemas dinámicos

Sandra Aranguren Zambrano

1.8. Modelos continuos y modelos discretos.

Identificación de sistemas dinámicos

Sandra Aranguren Zambrano

5.3. Las señales de entradas.

Sandra Aranguren Zambrano

Modelado de sistemas dinámicos

1.1 Introducción al modelado de sistemas

Un modelo de un sistema ó de un proceso es una representación en forma utilizable de

Control regulatorio: Para poder diseñar o determinar los parámetros de un regulador

Sandra Aranguren Zambrano

Control predictivo y de procesos discontinuos: Sólo puede efectuarse este tipo de

Simulación: Un sistema se simula para evaluar diversos posibles valores de los

Control inteligente: Modelo basado en técnicas de inteligencia artificial, se utiliza

Detección y diagnóstico de fallas en los procesos: modelo utilizado para la sintesis de

Clasificación de los modelos de sistemas

Modelo de Procedimiento (Procedural): Describe el procedimiento de la operación del

Sandra Aranguren Zambrano

Económico: Relaciona los diversos factores económicos que se estudian, y

Según se investiguen las condiciones en régimen permanente o transitorio el

Estático: Determina los valores estáticos o en régimen permanente de las

Dinámico: Determina los valores en régimen transitorio de las variables,

Clasificación de los sistemas dinámicos. Los sistemas dinámicos los podemos

Figura 1-1: Clasificación de los sistemas dinámicos

Factores a considerar en los modelos. Existen otros factores a considerar en un

Sandra Aranguren Zambrano

Incertidumbre estructural. Es aquella que está asociada a la estructura del modelo. Se

Parámetros localizados. Son aquellos parámetros constantes ó variables sólo con

Parámetros distribuidos. (distributed parameters). Son aquellos parámetros que

1.2 Caracterización de los sistemas dinámicos lineales

Sistemas dinámicos lineales. En primer lugar, es necesario conocer si un sistema

“ Se tiene un sistema que partiendo de un estado inicial x1 t0  , con una

Esta propiedad de superposición en sistemas diferenciales, se traduce en que el

Sandra Aranguren Zambrano

f t ,x1 t   x2 t ,u1 t   u2 t   f t , x1 t   u1 t    t , x2 t   u2 t  ,

donde A, B, C, D, son matrices de dimensiones consistente al orden del sistema y

Sistema de ecuaciones diferenciales homogeneo, caso LTI. Consideremos el

donde la solución puede expresarse:

Nótese que la solución de la ecuación diferencial lineal matricial, invariante en el

Sandra Aranguren Zambrano

Haciendo una correspondencia con los sistemas físicos, un sistema de ecuaciones

A.t  A.t  A.t  A2 .t 2  A.t  An .t n 

Las virtudes de la técnica de expansión en serie son su simplicidad y la facilidad de

Un segundo método. Consiste en utilizar el procedimiento de transformada de

Ejemplo: Considere el siguiente sistema de ecuaciones diferenciales, determine e At .

Sandra Aranguren Zambrano

1 1/ 21  e2t 

Sistema de ecuaciones diferenciales no homogeneo, caso LTI. Consideremos el

donde x = vector de estado, n-dimensional.

Haciendo una correspondencia con los sistemas físicos, un sistema de ecuaciones

Regresando a la transformada de Laplace, vamos a introducir el concepto de matriz de

La matriz G(s) que relaciona la transformada de Laplace de la salida y t  , con la

Sandra Aranguren Zambrano

La transformada de Laplace del sistema de ecuaciones diferenciales no homogéneos

Aplicando la transformada inversa de Laplace tenemos que

xt   e At x0   e At   Bu  d

yt   Ce At x0  C  e At  Bu  d   Du d  

Sistema de ecuaciones diferenciales homogeneo, caso LTV. Consideremos el

donde, xt  = vector de estado n-dimensional