CONTROL PREDICTIVO Como su propio nombre indica un modelo predictivo predice.

En ingeniera en general (y motores en particular) se basa en anlisis previo del sistema en las condiciones (ambiente) que tiene que soportar. Bajo el modelo establecido (otro tema que no est asociado a tu pregunta pero que creo es importante resaltar es que el modelo debe ser corroborado con la realidad con ensayos en laboratorio) se predice el tiempo de vida del sistema. En funcin del tiempo de vida de sus diferentes partes se pueden establecer tareas de mantenimiento programada (antes del fallo), clculo de repuestos, clculo de utillajes, mano de obra... Por contra un modelo de diagnstico sera un modelo correctivo. Aqu la filosofa es diferente (no solucionas el problema hasta que ocurre). Para poder trabajar as tu sistema debe ser capaz de auto chequearse (los famosos Build in test), asociado a esto el sistema trabajara ms tiempo (lo optimizara ms que en caso previo que lo cambias antes del fallo y por lo tanto lo infrautilizas en un nmero de horas) lo que al final se traduce en reduccin de repuestos (dinero) (se debera estudiar caso por caso ya que el sistema de auto chequeo interno complica el diseo y lo encarece). Ejemplo de auto chequeo en el coche son la indicacin de nivel de aceite en motor las revoluciones por minuto en funcionamiento. Por ltimo se debera indicar que en ciertas aplicaciones los fallos de los sistemas tendran resultados catastrficos desde el punto de vista de seguridad operativa (en estos casos siempre se deben establecer tareas de mantenimiento programado). Ventajas: Formulacin en el dominio del tiempo, lo cual le permite ser una tcnica flexible, abierta e intuitiva. Permite tratar con sistemas lineales y no lineales, monovariables y multivariables utilizando la misma formulacin para los algoritmos del controlador. La ley de control responde a criterios de optimizacin. Permite la incorporacin de restricciones en la sntesis o implementacin del controlador. Brinda la posibilidad de incorporar restricciones en el clculo de las actuaciones. Desventajas: Requiere el conocimiento de un modelo dinmico del sistema suficientemente preciso. Requiere un algoritmo de optimizacin, por lo que solo se podra implementarse por medio de una computadora.

Requiere un alto coste computacional, lo que hace difcil su aplicacin a sistemas rpidos. Hasta hace relativamente poco, no se poda garantizar la estabilidad de los controladores, especialmente en el caso con restricciones. Esto haca que el ajuste de estos controladores fuese heurstico y sin un conocimiento de cmo podan influir los parmetros en la estabilidad del sistema.

Modelo ARX Sus siglas traducen al espaol Auto regresivo con entrada exgena (Auto Regressive with Exogenous Input). De manera explcita el modelo ARX se expresa segn:

Esto da lugar a un sistema de ecuaciones donde las incgnitas a y b sern los coeficientes de la funcin de transferencia discreta y que se obtienen segn: Mnimos 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 funcin 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 combinacin lineal de la entrada. Para esto se usa la funcin iv4. La ecuacin tambin se puede definir como:

A partir de este modelo podemos estimar el ruido e(k): Lo que hacemos es calcular la salida del sistema identificado (por lo tanto sin ruido), se le aade el ruido provocado en el modelo ARX, para ello hay que estimar la muestra del ruido en este instante de simulacin, la mejor estimacin asumiendo ruido blanco es cero, y tener en cuenta las muestras de ruido estimadas anteriormente .Una vez que hemos estimado la salida ruidosa se calcula la diferencia entre la salida del sistema real y la del simulado, este valor es la estimacin de la muestra de ruido en ese instante. El esquema que en Simulink es el siguiente:

Donde yar1 es la salida de la maqueta para la entrada ear1. En el modelo ARX hay que definir la Funcin de Transferencia que tiene la maqueta y tambin la Funcin de Transferencia del error, ya que el error en un determinado momento depende del error que se ha producido anteriormente. Modelo ARMAX Sus siglas traducen al espaol Auto regresivo con promedio variable y entrada exgena (Auto regressive with Moving Average and Exogenous Input). En la estructura ARMAX se introduce el polinomio C(q) al modelo ARX:

donde C se puede expresar segn:

Esto da lugar a un sistema de ecuaciones donde las incgnitas son los coeficientes del modelo discreto, cuyas soluciones (de este modelo y los posteriores) se obtienen por prediccin del error con el Mtodo de Mxima Verosimilitud. Para esto se usa la funcin armax. Tambin se puede definir mediante la ecuacin:

Es decir, se estima que el ruido tiene los mismos polos que el sistema pero diferentes ceros. A partir de este modelo es posible hacer un esquema en Simulink que nos permita, conociendo la salida del sistema real y las Funciones de Transferencia

identificadas tanto del sistema como del ruido, obtener la salida del sistema identificado y estimar el ruido. El esquema que hace referencia a este modelo es el siguiente:

El anlisis que se va a realizar es del mismo tipo que el realizado con el ARX, ya que lo nico que cambia es la Funcin de Transferencia del error. Modelo ARIX Sus siglas traducen al espaol Auto regresivo integrado con entrada exgena (Auto Regressive Invegrated with Exogenous Input).

Modelo ARIMAX Sus siglas traducen al espaol Auto regresivo integrado con promedio variable y entrada exgena (Auto Regressive Integrated with Moving Average and Exogenous Input).