Академический Документы
Профессиональный Документы
Культура Документы
TABLA DE CONTENIDO
OBJETIVOS.......11
1.1
OBJETIVO GENERAL...11
1.2
OBJETIVOS ESPECFICOS...11
MARCO TERICO...12
2.1
INTRODUCCIN12
2.2
2.2.1
Control convencional14
2.2.2
Control avanzado......14
2.3
2.3.1
2.4
TIPOS DE MODELO..16
2.5
MTODOS DE IDENTIFICACIN...19
2.5.1
Mtodos paramtricos..19
2.5.2
Mtodos no paramtricos.20
2.6
2.6.1
2.6.2
2.7
2.7.1
2.7.2
Acondicionamiento de datos34
2.7.3
ANLISIS Y RESULTADOS...40
4.1
4.2
4.3
CONCLUSIONES...91
RECOMENDACIONES.93
BIBLIOGRAFA.94
TABLA DE FIGURAS
LISTA DE TABLAS
TITULO:
AUTORES:
FACULTAD:
DIRECTOR:
RESUMEN
Se estudi la identificacin de sistemas, haciendo nfasis en los mtodos no
paramtricos, especficamente en el de respuesta en frecuencia. Tambin se
estudi el Toolbox System Identification de Matlab detallando su utilizacin en
la obtencin de los modelos paramtricos y no paramtricos. El mtodo de
identificacin de respuesta en frecuencia y el toolbox de identificacin se
aplicaron para obtener el modelo no paramtrico de un motor de corriente
continua; se desarroll una metodologa para obtener el modelo paramtrico a
partir del no paramtrico.
TITULO:
AUTORES:
FACULTAD:
DIRECTOR:
RESUMEN
The studied of identification systems,making emphasis in the methods
Nonparametric, specially en the frequency respond. Also studied matlab's
"system identification" toolbox detailing its use in obtaining Parametric Models
and Nonparametric models. The identification of frequency response and the
toolbox identification methods were applied to obtained a Nonparametric model
of a continuously current motor. The developed a methodology to obtain
parametric model from Nonparametric model.
INTRODUCCIN
Existen fenmenos fsicos muy complejos que dificultan la obtencin del modelo
que facilite el anlisis, diseo e implementacin de estrategias de control; los
factores que intervienen en estos casos suelen ser difciles de evitar; de all se
genera la necesidad de obtener el modelo de un sistema por mtodos
experimentales que usen variables externas a el fciles de medir. Un mtodo
desarrollado es el de identificacin no paramtrica.
10
1 OBJETIVOS
A continuacin se plantea el objetivo general y los objetivos especficos que se
desarrollarn en el proyecto.
1.1
OBJETIVO GENERAL
1.2
OBJETIVOS ESPECFICOS
aplicando
la
metodologa
de
identificacin
no
paramtrica.
11
2 MARCO TERICO
2.1
INTRODUCCN
12
2.2
LA
IDENTIFICACIN
COMO
HERRAMIENTA
MODELIZACIN DE SISTEMAS DINMICOS
PARA
LA
Control convencional
Control avanzado
13
Dentro del control convencional esta el control PID, cascada, avance o retardo
de fase entre otros. En la actualidad la mayora de los procesos industriales
son con controladores convencionales
2.3
14
Deterministas
Dinmicos
De parmetros concentrados
Lineales o no lineales
15
En general se busca una funcin g que sea parametrizable, es decir que tenga
un nmero finito de parmetros. A estos parmetros se les denomina con . A
toda la familia de funciones candidatas se las denomina estructura del modelo,
y en general estas funciones se escriben como gN(t, , (t)) .
2.4
N conduce a:
TIPOS DE MODELO
16
En donde el vector
paramtrica.
Modelos paramtricos
Modelos no paramtricos
17
Requerimientos
Tipos de modelos
aplicacin
de precisin del
modelo
Mtodo de
identificacin
Off-line,
Respuesta
Lineal,
Verificacin de
Tiempo continuo,
modelos tericos
No paramtrico/
transitoria,
Media/ alta
Respuesta
frecuencial,
paramtrico
Estimacin
paramtrica
Sintona de
controladores
Ayuda al diseo
de algoritmos de
control
Off-line,
Lineal,
No paramtrico,
Medio
Tiempo continuo
Lineal,
Paramtrico,
(no paramtrico)
Medio
paramtrica
On-line/ off-line
tiempo discreto
paramtrico,
transitoria,
Estimacin
Lineal,
Control adaptativo
Respuesta
Estimacin
Medio
paramtrica
Tiempo discreto
On-line
Supervisin y
Lineal / no lineal,
Estimacin
deteccin de
Paramtrico,
fallos
Tiempo continuo
Alto
paramtrica
On-line
18
2.5
MTODOS DE IDENTIFICACIN
TCNICAS FRECUENCIALES
Las cuales minimizan el error entre la respuesta frecuencial real del proceso y la
respuesta frecuencial del modelo.
TCNICAS TEMPORALES
19
ANLISIS DE CORRELACIN
Es un mtodo del dominio temporal, til para sistemas lineales y con seales
continuas o discretas. Como resultado del mismo se obtiene la funcin de
correlacin entre las variables de inters y, como caso especial, una funcin de
pesos.
TCNICAS FRECUENCIALES
20
2.6
y y son valores no
tal que
21
Estructura ARX
Estructura OE
Donde tanto el histrico de las entradas como salidas influyen en el clculo del
trmino error.
En donde el error o residuo solo est afectado por el histrico de las entradas.
22
ALGORITMOS UTILIZADOS
Para los
23
2.7
de
esta
manera
es
posible
realizar
estimaciones
24
Y ( z ) = G ( z )U ( z ) + H ( z )W ( z )
Teniendo que Y es la salida del sistema, U la entrada de control de la planta, W
el ruido que en determinado momento puede ser aleatorio, H la funcin de
transferencia del ruido y G la funcin de transferencia de la planta.
U ( KT ) = A sin(WoKT )
Y la salida en estado estado estacionario:
Y ( KT ) = B sin(WoKT + 0 )
25
Donde:
B
= G * e jWoT
A
=< G (e jWoT )
Del sistema de la planta anteriormente descrito Y(z) el cual tiene una entrada
senosoidal U(KT), tomando N muestras en la entrada y la salida se quiere
encontrar la amplitud B y la fase 0 .
=< G (e jWoT )
rangos de frecuencia.
26
Y ' ( KT ) = B sin(WoKT + 0 )
Recordando
sin( + B )
B sin( + B ) = sin cos + sin cos
Bs sin + Bc cos
Bs = B cos
Bc = B sin
Aplicndolo al sistema
Bs = B cos( )
Bc = B sin( )
Entonces:
Y ( KT ) = Bs * sin(W0 KT ) + Bc cos(W0 KT )
27
B = ( Bc 2 + Bs 2 )
Bc
Bs
0 = tan 1
Para un mejor ajuste de los datos de Y
J=
J=
1
N
1
N
N 1
(Y ( KT ) Y ( KT ))
'
K =0
n 1
(Y ( KT ) Bc cos(W KT ) + Bs sin(W KT ))
0
k =0
J
1
=
Bc N
n 1
k =0
n 1
1
N
1
N
n 1
k =0
1 + cos( 2W0 KT )
Bs(sin( 2W0 KT )) = 0
2
28
Simplifico el 2
1
N
n 1
(Y ( KT ) * cos(W KT )
k =0
Bc Bc
Bs
cos( 2W0 KT )
sen ( 2W0 KT ) = 0
2
2
2
1
N
n 1
(Y ( KT ) * cos(W0 KT )
k =0
Bc Bc N 1
Bs
cos(2W0 KT )
2 2 N k =0
2N
N 1
sin(2W KT ) = 0
k =0
1
N
N 1
Z
k =0
1 Z N
=
N (1 Z 1 )
Donde
Z =e
j 2l
N
29
1
N
N 1
j 2lK
K =0
1 e
j 2l
* N
N
N (1 e
j 2l
N
1 e j 2l
N (1 e
j 2l
N
j 2lK
N
2lK
2lK
= cos
j sin
N
N
1
N
2lK
cos
K =0
N 1
1
N
2lK
sin
=0
K =0
N 1
30
2
Bc =
N
2
Bs =
N
2lK
N 1
Y ( KT ) cos
K =0
2lK
N 1
Y ( KT ) sin
K =0
Por las ecuaciones anteriores se sabe que stas estn relacionadas con la
transformada discreta de Fourier de la derivada de Y, con base en esto la DTF
de Y es:
N 1
DTF (Y ( KT )) = Y ( KT )
j 2lK
N
K =0
N 1
2lK
2lK
j sin
N
N
Y ( KT ) cos
K =0
N
( Bc jBs )
2
n=l
nl
31
DTF de la entrada U:
2lK
DTF (U ( KT )) = A sin
e
N
K =0
N 1
j 2lK
N
j 2lK
j 2NlK
j 2NlK
A
N
=
e
e e
2j
l=n
NA
2
ln
N
( Bc jBs)
DTF (Y )
2
=
NA
DTF (U )
2j
Resolviendo
DTF (Y ) Bs Bcj
=
DTF (U )
A
H e j0
Por la propiedad:
Y
= H (e
U
j 2l
N
32
La tcnica aplicada se hace con un shirp que es una funcin senoidal con una
frecuencia que va creciendo desde un valor inicial a uno final para que cubra
un rango deseado.
U ( KT ) = A0 = W ( K ) SIN (WK KT ) `
0 < K < N 1
Fc N K
U ( K ) = Asat
sat
0.1N 0.1N
K
WJ K = Wstart + (Wend Wstart )
N
W(K) es una funcin de ventana que lleva la entrada a inicio en cero, con
amplitud creciente con una rampa A y decreciendo con una rampa hasta llegar
a cero al final.
33
Una seal puede ser construida para tener energa slo en ciertas bandas y con
el uso de la funcin de transferencia se puede estimar precisamente la banda.
Este es un caso particular de un principio de gran importancia de la
identificacin de sistemas:
Utilizar
todos
los
conocimientos
previos
disponibles
para
reducir
la
incertidumbre en la estimacin
Es por esta razn que conocemos los ceros en el infinito del plano S, que
pueden ser asignados a Z=-1 y usarlos para reducir la incertidumbre en la
estimacin de la funcin de transferencia discreta.
Suponemos que modelamos los polos conocidos como las races de los
polinomios aK(Z) y los ceros conocidos como las races de bK(Z). Entonces
34
todo lo que este sobre la funcin de transferencia puede ser factorizado entre
las pares conocidas y desconocidas de esta forma.
G(Z ) =
bK ( Z )
G1 ( Z )
aK ( Z )
Donde:
Y = GU + U
FY = GFU + FV
Yf = GUf + FV
Conociendo que FV es ruido filtrado y F es filtro pasa bajos.
35
y (n) =
g (k )u (n k )
k =
y (n) * u (n l ) = g (k )u (n k )u (n l )
R yu (l ) = g (k ) Ruu (l k )
S yu ( Z ) = G ( Z ) S uu ( Z )
Donde S yu (Z ) se obtiene de la transformada Z de R yu (l ) y esta es el espectro de
potencia cruzado entre los procesos Y y U, con S uu (Z ) como el espectro de
potencia del proceso U, se obtiene de la trasformada Z de Ruu (l k ) .
Tambin se pude decir que G(Z) es la funcin de transferencia, se obtiene de la
transformada Z de g(k), es igual a la estimacin de correlacin entre R yu y Ruu e
igual a la estimacin de los espectros S yu y S uu de y(k) y u(k).
N
1
R yu (l ) = lim
y (n)u (n l )
N 2 N + 1 n = N
36
1
R yu (l ) =
N
y(n)u (n l )
n= N
Por lo tanto Y(K) y U(K) son ceros fuera del rango 0<K<N-1 y el nmero de
valores de datos usados
cuando
37
El primer paso para saber qu clase de modelos se poda obtener fue iniciar
una documentacin del tema a travs de consultas en libros, revistas, artculos
y exposiciones realizadas a nivel nacional e internacional para el estudio de la
metodologa de identificacin de sistemas y obtencin de modelos por mtodos
paramtricos y no paramtricos; con unos conocimientos mas amplios del tema
se decidi obtener un modelo no paramtrico.
Los datos fueron tomados con un osciloscopio digital Fluke 123 el cual permite
llevar los datos al computador por medio de un software llamado FlukeView;
se realiz un tutorial que explic como se plasma los datos en una tabla de
Excel.
Era importante tener los datos del sistema en una tabla de Excel ya que Matlab
permite ingresarlos como vectores y as el Toolbox deja importar los datos para
ser utilizados con el fin de obtener el modelo.
Con los datos en Toolbox se quera tener otra forma para la obtencin de los
datos del modelo de un sistema, por eso se utiliz una secuencia de
interpolacin cbica que permiti tener los datos espaciados uniformemente sin
perder la forma de la seal original, luego se realiz la estimacin de los
modelos utilizando el modelo espectral; se obtuvo tres modelos los cuales
pasaron por un proceso de verificacin y de los cuales se trabajaron dos debido
a su fiabilidad. Los modelos obtenidos se trabajaron separadamente segn sus
caractersticas; teniendo un modelo paramtrico expresado grficamente y en
una tabla de valores y para obtener una funcin de transferencia se realizaron
unas iteraciones de tipo emprico obteniendo un modelo bastante aproximado.
39
4 RESULTADOS Y ANLISIS
A continuacin se encuentran los resultados del proyecto como el manual,
adquisicin de datos y desarrollo del modelo.
4.1
Siendo u(t) los datos de entrada, e(t) las posibles perturbaciones que pueden de
ingresar al sistema y y(t) los datos de salida del sistema.
Cabe aclarar al lector que para operar el Tolboox debe ingresar como mnimo
las secuencias de entrada u(t) y las secuencias de salida y(t).
40
41
Para el uso de esta herramienta se requiere tener cierto conocimiento previo del
sistema a modelar para que se pueda hacer un uso satisfactorio del toolbox.
Para el uso bsico suele bastar con algunas consideraciones superficiales.
Los modelos describen la relacin entre seales que han sido medidas
experimentalmente. Debe distinguirse claramente entre seales de entrada y de
salida pues estas ltimas son determinadas en parte por la o las entradas,
adems pueden ser afectadas por factores diferentes a las entradas medidas
estos factores o seales no medidas sern llamados ruido.
Ruido
Entrada
Sistema
Salida
42
Para estimar un modelo se requieren datos de entrada y salida, que son datos
medidos de un sistema real, existen muchas formas de obtener estos modelos.
El proceso para obtener un modelo a partir de datos observados involucra
bsicamente 3 ingredientes:
43
2 Depurar
los
datos
eliminando
aquellos
que
sean
atpicos
y/o
4 Operar las entradas con cada modelo del conjunto ajustando los
parmetros de los mismos y as establecer el mejor de ellos de acuerdo
con los datos de salida y los criterios ya establecidos.
Para el paso 2 hay rutinas para graficar los datos, filtrarlos y remover muestras
atpicas, para el paso 3 el Toolbox ofrece una serie de modelos no
paramtricos, as como las cajas negras de entrada salida y estructuras en
espacio de estados ms comunes y tambin se pueden obtener espacios de
estado en dominio continuo o discreto hechos a medida; en el paso 4 para la
prediccin de errores en general (mximo riesgo), se ofrecen mtodos para
modelos paramtricos y los anlisis espectrales y de correlacin son utilizados
para las estructuras de modelo no paramtrico. Para examinar los modelos en
el paso 5 muchas funciones permiten el clculo y la representacin en
frecuencia mostrando los polos y los ceros as como simulacin del propio
modelo, tambin se incluyen funciones para transformar del dominio del tiempo
a frecuencia y viceversa adems se pueden importar y exportar datos a otros
Toolbox como el de Sistemas de Control y Procesamiento de Seales.
44
45
All se importan los datos con los nombres de las variables previamente
guardadas especificando el nombre el tiempo de inicio y el intervalo de
muestreo, se hace click en import, inmediatamente estos quedaran en la tabla
de datos, es importante tener en cuenta que los vectores deben guardarse
como columna si no es el caso aparecer una ventana que le preguntara si se
desea trasponer, en tal caso lo ms conveniente es aceptar.
PRE-PROCESAMIENTO
47
En el System Identification Toolbox existen diversas opciones de preprocesamiento, para el dominio del tiempo estn habilitadas las opciones select
channels, select experiments, merge experiments, select range, remove means,
remoe trends, filter, resample transform data y quick start. Se describe a
continuacin cada una de las opciones anteriores.
de experimentos
MERGE EXPERIMENTS: fusiona los datos para los objetos IDDATA los
cuales representa conjuntos de datos multiexperimentales.
48
49
FILTER: permite filtrar el ruido que poseen las seales de entrada y/o
salida por medio de un sistema pasa banda o pasa bajas
50
51
Supongamos
y (t )-1.5y(t-1)+0.7y(t-2)=u(t-1)+0.5u(t-2)+e(t)-e(t-1)+0.2e(t-2),
Y=G*u+H*e
52
x( t+1)=Ax(t)+Bu(t)+Ke(t)
y(t)=Cx(t)+Du(t)+e(t)
53
Esta se refiere a todo aquello que afecte la salida que no sea una
entrada y denota que aunque un experimento se repita con las mismas
entradas la salida obtenida seguir siendo algo diferente a la obtenida
antes.
54
- MODELO ARX
La estructura es totalmente definida por los tres enteros na, nb y nk. na es igual
al nmero de polos y NB-1 es el nmero de ceros, mientras que es el de nk es
el tiempo de demora (el tiempo muerto) en el sistema.
Para un sistema en virtud del la muestra de datos de control, normalmente nk
es igual a 1 si no hay un tiempo muerto. Para los sistemas multiples de entrada
y nk nb son vectores fila, donde el i-simo elemento da la orden o retraso
asociado con el i-simo de entrada.
55
- MODELO ARMAX
56
Es otro caso especial del modelo ARX, su diferencia radica en el modelado del
ruido
Donde B(q) y F(q) son polinomios con parmetros nb y nf, que son los rdenes
de las secuencias dependientes y los nk son los retardos de la entrada.
57
- MODELO BOX-JEKINS
58
59
Cabe destacar que el primer modelo propuesto no debe estar muy desfasado
de una posible solucin ya que esto conlleva a la divergencia del mtodo.
Igual que con la entrada y la salida el modelo se importa, esta vez desde la
tabla de modelos.
60
1
2
61
Como se observa el modelo propuesto no se ajusta a los datos de entradasalida pues la convolucin entre el registro de entrada y la respuesta al impulso
del sistema dan como resultado una secuencia de salida muy distinta.
Para corregir el modelo, se selecciona el pop men de estmate, en el sub
men linear parametric models tal como se muestra en la figura.
62
Al validar los datos con el nuevo modelo se obtiene una comparacin entre
modelo inicial y su respectiva correccin.
63
65
PROCESS MODEL
Se usa para obtener una funcin de transferencia como una fraccin de dos
polinomios (de grado hasta 3) de s:
66
CORRELATION MODEL
Esta funcin estima la respuesta al impulso del conjunto de datos del sistema
utilizando modelos FIR de alto orden. El resultado se puede apreciar abriendo la
ventana de Transient resp.
67
4.2
68
69
SCREENS
READINGS
Permite hacer el anlisis de una seal por medio del zoom y de esta manera
generando la creacin de un espectro, obteniendo los datos requeridos de la
seal.
70
INSTRUMENT SETUPS
WAVEFORMS
71
Para obtener los datos de las seales en una tabla de Excel es necesario dar
Click derecho sobre la grafica y de esta manera abriendo una serie de opciones
que se muestran a continuacin.
72
73
4.3
La Unidad Mecnica (Ver Figura 46) tiene una fuente de voltaje que alimenta un
servomotor (motor dc). El motor mueve el eje de salida a travs de un sistema
de reduccin con correa de relacin 32 a 1. Sobre el eje del motor estn
montados un freno de corrientes parsitas (un disco de aluminio acoplado a un
74
75
76
A VIDE
SENS:2
24 V CC
77
78
FRECUENCI
A (Hz)
0.946
0.948
1.159
1.231
1.306
1.516
1.698
1.879
1.968
2.153
2.288
2.410
2.548
2.676
2.846
2.926
3.229
3.590
3.840
4.148
4.434
4.852
5.192
5.675
6.195
6.721
7.472
8.539
9.426
10.88
12.03
Vin (V)
Vout(V)
RPM
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
10.2
2.80
2.79
2.25
2.08
2.01
1.66
1.51
1.39
1.29
1.27
1.22
1.17
1.14
1.10
1.01
0.98
0.97
0.706
0.704
0.630
0.619
0.543
0.505
0.463
0.437
0.418
0.402
0.347
0.295
0.252
0.215
2310.93
2302.14
1856.56
1716.29
1658.53
1369.73
1245.96
1146.94
1064.43
1047.92
1006.67
965.41
940.65
907.65
833.39
808.63
800.38
582.54
580.89
519.83
510.76
448.05
416.69
382.03
360.58
344.90
331.70
286.32
243.41
207.93
177.40
79
Con los datos obtenidos para determinar el modelo en forma no paramtrica del
sistema en estudio, se realizaron los siguientes pasos en Toolbox:
80
frec3=6:5:76;
y3=pchip(frec1,y,frec3);
frec4=(6:2.25:73.75)';
y4=pchip(frec3,y3,frec4)';
figure(1),plot(frec1,y);
hold on
plot(frec4,y4,'r')
grid on
81
SPA
Este es el mtodo clsico de anlisis espectral.
ETFE
Estima la funcin G(eiw) de forma emprica. La funcin de estimacin se calcula
como una serie proporcional a la relacin existente entre la transformada de
Fourier de la entrada y la salida, utilizando FFT. (Transformada rpida de
Fourier)
82
3) Verificacin
83
84
4) Modelado funcional
Una vez verificado los modelos se propuso un mtodo para obtener a partir del
modelo no paramtrico (registro numrico), la funcin de transferencia del
sistema satisficiera la respuesta en frecuencia estimada por el Toolbox.
1.56
en el domino continuo.
s + 0.2
85
Para verificar este modelo se hace la multiplicacin del sistema por la entrada,
lo cual da como resultado la salida planteada en el conjunto de datos del
modelo. Se realiz un programa que permite mostrar y comparar la salida del
modelo con la salida obtenida experimentalmente (Figura 54) y estas con la
salida obtenida por el Ident (Figura 55)
hmach=abs(1.56./(frec1*i+0.2));
figure(3),plot(frec1,hmach);
hold on
%plot(frec1,y./u,'r')
frec2=6:2.25:73.75;
y2=(abs(15.912./(frec2*i+0.2)))';
figure(4),plot(frec2,y2,'r');ylabel('Voltaje')
xlabel('Frecuencia'),grid on
hold on
plot(frec1,y)% hold on
plot(10.2*sys,'m')
86
Frequency(rad/s)
y1
----------------6.00
0.271009
8.25
0.199505
10.50
0.150838
12.75
0.129833
15.00
0.117015
17.25
0.105560
19.50
0.095688
21.75
0.084714
24.00
0.070985
26.25
0.061155
28.50
0.056274
30.75
0.052608
33.00
0.048956
35.25
0.045846
37.50
0.043771
87
39.75
42.00
44.25
46.50
48.75
51.00
53.25
55.50
57.75
60.00
62.25
64.50
66.75
69.00
71.25
73.50
0.042237
0.041166
0.040451
0.039541
0.038127
0.036423
0.034374
0.032191
0.030269
0.028533
0.027291
0.026369
0.025407
0.024369
0.023292
0.022166
88
La grfica obtenida para una entrada escaln con una amplitud de 10.2 es un
transitorio donde se observa que se estabiliza aproximadamente en 3 segundos
con un voltaje de 8V (ver figura 62).
90
CONCLUSIONES
Para tener una visin de lo que se quera desarrollar fue importante indagar
sobre el tema propuesto conociendo trabajos e investigaciones de especialistas
en el tema.
91
El toolbox System Identification tiene la ventaja que permite ingresar los datos
obtenidos de magnitud sin tener en cuenta la fase y con esto obtener un modelo
cercano al real.
92
RECOMENDACIONES
93
BIBLIOGRAFIA
LIBROS
TUTORIALES
CURSOS
94