Professional Documents
Culture Documents
1) Comando ident
La caja de herramienta posee distintas técnicas de identificación, tanto como para sistemas
lineales como no lineales. –
1. Modelo Autoregresivos con Variables Exógenas, ARX: Este modelo utiliza la técnica de
mínimos cuadrados para realizar la estimación. Tiene la siguiente forma: sys=arx(data,[na
nb nk])
a. Argumentos de entrada:
i. Data: son los datos a los que se le realizara la estimación.
ii. na: orden del polinomio 𝐴(𝑞), lo que representa el número de pasos del
tiempo de la salida en el pasado, (número de ceros)
iii. nb: Orden del polinomio 𝐵(𝑞) + 1. Es el número de pasos del tiempo de la
entrada en el pasado., (número de polos)
iv. nk: Es el retardo de la entrada 𝑢(𝑡) con respecto a la salida 𝑦(𝑡)
2. Autoregresive Moving Average with Exogenous Input, ARMAX: Constituye una clase
especial de las ecuaciones en diferencia. Es usado, cuando hay razón para creer que la
perturbación del ruido en los datos medidos realmente entra en el proceso en una
posición tal que contiene la dinámica de proceso en su “color”. Tiene la siguiente forma:
sys=armax(data,[na nb nc nk]).
Siendo
𝐴(𝑞)𝑦(𝑡) = 𝐵(𝑞)𝑢(𝑡 − 𝑛𝑘 ) + 𝐶(𝑞)𝑒(𝑡)
a. Argumentos de entrada:
i. Data: Son los coeficiente de la matriz de los factores exógenos, es decir los
datos a realizar estimación.
ii. na: orden del polinomio 𝐴(𝑞), lo que representa el número de pasos del
tiempo de la salida en el pasado, (número de ceros)
iii. nb: Orden del polinomio 𝐵(𝑞) + 1. Es el número de pasos del tiempo de la
entrada en el pasado., (número de polos)
iv. nc: Orden del polinomio C(q)
v. nk: Es el retardo de la entrada 𝑢(𝑡) con respecto a la salida 𝑦(𝑡)
3. Modelo Outputs-Error, OE: se representa por la ecuación: sys=oe(data,[nb nf nk])
𝐵(𝑞)
𝑦(𝑡) = 𝑢(𝑡 − 𝑛𝑘) + 𝑒(𝑡)
𝐹(𝑞)
a. Argumentos de entrada:
i. Data: Son los coeficiente de la matriz de los factores exógenos, es decir los
datos a realizar estimación.
ii. nb: Orden del polinomio 𝐵(𝑞) + 1. Es el número de pasos del tiempo de la
entrada en el pasado., (número de polos)
iii. nf: Orden del polinomio F(q)
iv. nc: Orden del polinomio C(q)
4. Modelo BJ:
a. Argumentos de entrada:
i. Data: Son los coeficiente de la matriz de los factores exógenos, es decir los
datos a realizar estimación.
ii. nb: Orden del polinomio 𝐵(𝑞) + 1. Es el número de pasos del tiempo de la
entrada en el pasado., (número de polos)
iii. nc: Orden del polinomio C(q)
iv. nd=orden del polinomio del polinomio D(q)
v. nf=Orden del polinomio F(q)
vi. nk: Es el retardo de la entrada 𝑢(𝑡) con respecto a la salida 𝑦(𝑡)
en conclusión
La compañía donde usted trabaja ha realizado la adquisición de un nuevo equipo industrial que
permitirá incrementar los niveles de producción de la empresa. Con el fin de prevenir fallas y
proteger la alta inversión realizada, el presidente de la compañía ha ordenado la creación de un
sistema de monitoreo que permita supervisar el buen funcionamiento de la máquina y diagnosticar
la existencia de alguna falla. Para el diseño del sistema de monitoreo y diagnóstico de fallas se
requiere conocer de forma precisa el modelo matemático del equipo industrial; de esta manera se
dice que la máquina está funcionando correctamente si la salida real es similar a la salida de su
modelo matemático; en caso contrario es posible que la máquina esté presentando fallas.
Usted y sus compañeros de grupo son designados para encontrar el modelo matemático más
preciso posible.
Inicialmente, se cuenta con unos archivos de datos los cuales son: entrada_lineal.mat,
entrada_no_lineal.mat y salida_real.mat. Los cuales son tablas de información extraída de nuestro
sistema, con un tiempo de muestreo de 0.01 segundos y fueron tomados durante 100 segundos,
por lo tanto, vamos a extraer la función de transferencia para la salida con respecto a la entrada
lineal, y otra para la salida con respecto a la entrada no lineal.
En Matlab, lo primero que hacemos es cargar los archivos, con la función Load
Load entrada_lineal.mat
Load entrada_no_lineal.mat
Load salida_real.mat
respuesta del sistema con una entrada lineal, repetimos el proceso pero ahora la entrada será
QiNL que es la señal no lineal de entrada, la salida seguirá siendo h,
Después de haber importado las señales, se cierra la venta y nos dirigimos a la pestaña Estimate, y
le damos en Transfer Funtion Models, teniendo en cuenta el tiempo de muestreo.
Y en la casilla Orders, se pueden observar los valores calculados para el sistema, en este
caso, na=4, nb=4, nk=1.
Para los otros modelos, se van seleccionando en la pestaña Structure, y de allí:
Obtenemos que los ordenes de los modelos son:
Observando la respuesta de cada sistema cuando se aplica una entrada constante 𝑒(𝑡) =
2 𝑉, durante los primeros 2 segundos y en ese momento se aplica una entrada escalón
unitario durante 5 segundos más. Nos da los siguientes resultados
Excitación de entrada
Respuesta Función de
Transferencia Lineal
Estos dos modelos a pesar de dar respuestas en la función ident, al momento de aplicarle
las señales de entrada a la función de transferencia no devuelven ningún valor, a pesar de
haber utilizado exactamente el
mismo proceso para la simulación
de las señales anteriores.
n0=[.02285 0];
d0=[1 -.329 -.5581];
g0=tf(n0,d0,0.01); %%FUNCION DE TRANSFERENCIA ORIGINAL
n1=[0.02262 -0.0007701];
d1=[1 -.3148 -.5777];
g1=tf(n1,d1,0.01); %%FUNCION DE TRANSFERENCIA ARMAX
n6=[0.1017 -0.1016];
d6=[1 -.4951 -.5045];
g6=tf(n6,d6,0.01) %%Funcion de Transferencia OE no lineal
n7=[0.002515 0];
d7=[1 -0.0009007 -0.9764];
g7=tf(n7,d7,0.01) %%Funcion de Transferencia no lineal
figure
t=linspace(0,8,801);
x=2-heaviside(t-2);
lsim(g0,x,t)
title('Funcion Lineal')
axis([0,10,0,1])
figure
lsim(g,x,t)
title('Funcion ARX Lineal')
axis([0,10,0,1])
figure
lsim(g1,x,t)
title('Funcion ARMAX Lineal')
axis([0,10,0,1])
figure
lsim(g2,x,t)
title('Funcion OE Lineal')
axis([0,10,0,1])
figure
lsim(g3,x,t)
title('Funcion BJ Lineal')
axis([0,10,0,1])
figure
lsim(g4,x,t)
title('Funcion ARX NoLineal')
axis([0,10,0,1])
figure
lsim(g5,x,t)
title('Funcion ARMAX NoLineal')
axis([0,10,0,1])
figure
lsim(g6,x,t)
title('Funcion OE NoLineal')
axis([0,10,0,1])
figure
lsim(g7,x,t)
title('Funcion NoLineal')
axis([0,10,0,1])
figure
lsim(g8,x,t)
title('Funcion BJ NoLineal')
axis([0,10,0,1])
figure
plot(t,x)
title('Entrada de Prueba')
axis([0,10,0,3])
El cual tiene todas las funciones de transferencia de los distintos modelos, extraídas de la
herramienta ident.
CONCLUSIONES