Proyecto 2 Inf

UNIVERSIDAD DEL BIO-BIO
CONCEPCION
PROYECTO 2
COD. 410151
“SERVOMECANISMO”
ALUMNOS: PABLO CESAR ALTAMIRANO NEIRA

ISAAC ELIAS CHUMA MEDINA
FECHA DE REALIZACION: 25-04-2018
FECHA DE ENTREGA: 4-05-2018
CURSO: CONTROL POR COMPUTADOR
PROFESOR: JAIME A. ROTHEN C.
Código : 410151
INFORME PROYECTO N°2
Revisión : 0
Fecha :25-04-2018
“IDENTIFICACION DE PARAMETROS” Página : 2 de 73
TABLA DE CONTENIDOS
1. INTRODUCCION
2. OBJETIVO
3. MARCO TEORICO
4. SIMULACION Y CONTROL
5. EXPERIMENTACION
6. CONCLUSIONES
7. ANEXOS
Código : 410151
Revisión : 0
Fecha :25-04-2018
1. INTRODUCCION
En este proyecto se presentará un sistema servomecanismo implementándolo en la vida real

aplicando métodos de simulación Simulink y laboratorio a distancia.
Para este modelo se le aplicará Identificación de parámetros considerando el análisis profundo de
mínimos cuadrados y el análisis de mínimos cuadrados recursivos para el sistema.
2. OBJETIVO
2.1. Comprender la metodología de la identificación de parámetros a través de mínimos

cuadrados. Esté proyecto consta de la implementación en un servomecanismo dispuesto en
el laboratorio a distancia del DIEE.
2.2. Conocer el comportamiento de las señales utilizadas y el análisis de filtros discretos.
3. MARCO TEORICO
El modelamiento de los sistemas hace que sea posible y más fácil realizar el control, pues
del conocimiento del comportamiento del mismo se puede aplicar un apropiado control.
El método de mínimos cuadrados (LS) se presenta como una de las alternativas numéricas de
estimación de parámetros de baja complejidad y relativamente fácil de analizar. A través de un
conjunto muestra y una función propuesta para la identificación, el algoritmo minimiza el error
cuadrático entre ambas, de forma de ajustar de la mejor forma la función al conjunto de datos.
La señal de salida
𝑦(𝑘) = 𝑚1 (𝑘)𝜃1 + 𝑚2 (𝑘)𝜃2 + 𝑚3 (𝑘)𝜃3 + 𝑚4 (𝑘)𝜃4 + ⋯ . +𝑚𝑛 (𝑘)𝜃𝑛 = 𝑚𝑇 𝜃 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1.0
Para N mediciones se tiene:

𝑦(1) 𝜃1
𝑦(2) 𝑚1 (1) 𝑚2 (1) … … .. 𝑚𝑛 (1) 𝜃2
𝑦(𝑁) = . 𝑀(𝑁) = [ 𝑚1 (2) 𝑚2 (2)…… … . . . 𝑚𝑛 (2) ] 𝜃 = . 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1.1
. 𝑚1 (𝑁) 𝑚2 (𝑁) … … … 𝑚𝑛 (𝑁) .
[𝑦(𝑁)] [𝜃𝑛 ]
Para efectos de identificación de parámetros, se asume que no se tiene θ sino que 𝜃̂, por lo
que se introduce el concepto de error de estimación. De aquí la salida puede ser representada
por:
𝑦(𝑁) = 𝑀(𝑁)𝜃̂ + 𝑒(𝑁) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1.2
Con ello se puede enunciar una función de costo que se hará en base al error cuadrático medio,
Código : 410151
Revisión : 0
Fecha :25-04-2018
el cual se buscará minimizar.
𝐽(𝑁) = 𝑒 𝑇 (𝑁)𝑒(𝑁) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1.3
𝐽(𝑁) = (𝑦(𝑁) − 𝑀(𝑁)𝜃̂)𝑇 (𝑦(𝑁) − 𝑀(𝑁)𝜃̂) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1.4
𝐽(𝑁) = (𝑦 𝑇 (𝑁) − 𝜃̂ 𝑇 𝑀𝑇 (𝑁)) (𝑦(𝑁) − 𝑀(𝑁)𝜃̂) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1.5
𝐽(𝑁) = 𝑦 𝑇 (𝑁)𝑦(𝑁) − 𝑦 𝑇 (𝑁)𝑀(𝑁)𝜃̂ − 𝜃̂ 𝑇 𝑀𝑇 (𝑁)𝑦(𝑁) + 𝜃̂ 𝑇 𝑀𝑇 (𝑁)𝑀(𝑁)𝜃̂ 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1.6
Note que la ecuación anterior puede seguir simplificándose
𝐽(𝑁) = 𝑦 𝑇 (𝑁)𝑦(𝑁) − 𝑦 𝑇 (𝑁)𝑀(𝑁)𝜃̂ − 𝜃̂ 𝑇 𝑀𝑇 (𝑁)(𝑦(𝑁) + 𝜃̂ 𝑇 𝑀𝑇 (𝑁)𝑀(𝑁)𝜃̂ 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1.7

𝑇
𝐽(𝑁) = 𝑦 𝑇 (𝑁)𝑦(𝑁) − (𝑦 𝑇 (𝑁)𝑀(𝑁)𝜃̂) − 𝜃̂ 𝑇 𝑀𝑇 (𝑁)𝑦(𝑁) + 𝜃̂ 𝑇 𝑀𝑇 (𝑁)𝑀(𝑁)𝜃̂ 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1.8
𝐽(𝑁) = 𝑦 𝑇 (𝑁)𝑦(𝑁) − 2𝜃̂ 𝑇 𝑀𝑇 (𝑁)𝑦(𝑁) + 𝜃̂ 𝑇 𝑀𝑇 (𝑁)𝑀(𝑁)𝜃̂ 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1.9
Se tiene que tener en cuenta lo siguiente:
𝒹𝐴𝑥 𝒹𝑥 𝑇 𝐴𝑋
=𝐴 = 𝑥 𝑇 (𝐴 + 𝐴𝑇 ) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 2.0
𝒹𝑥 𝒹𝑥
Para conocer un punto de inflexión se deriva la Ecuación 1.9
𝒹𝐽(𝑁) 𝒹
= (𝑦 𝑇 (𝑁)𝑦(𝑁) − 2𝜃̂ 𝑇 𝑀𝑇 (𝑁)𝑦(𝑁) + 𝜃̂ 𝑇 𝑀𝑇 (𝑁)𝑀(𝑁)𝜃̂) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 2.1
𝒹𝜃̂ 𝒹𝜃̂
𝒹𝐽(𝑁)
= −2𝑀𝑇 (𝑁)(𝑦(𝑁) + 2𝑀𝑇 (𝑁)𝑀(𝑁)𝜃̂ 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 2.2
𝒹𝜃̂
Para conocer de algún mínimo local, entonces la derivada anterior se iguala a cero resultandos
que:
𝜃̂ = (𝑀𝑇 (𝑁)𝑀(𝑁))−1 𝑀𝑇 (𝑁)𝑦(𝑁) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 2.3
Esta aplicación es una optimización off-line en donde se obtienen estos resultados de variables
ya medidas.
El método de mínimos cuadrados recursivos (RLS) corresponde a una aplicación particular

Código : 410151
Revisión : 0
Fecha :25-04-2018
del método de mínimos cuadrados (LS).

Aquí, en vez de obtener un único vector de parámetros, se opta por aplicar el algoritmo en cada
instante de tiempo, produciendo una nueva estimación en cada iteración.
Basándose en la ecuación 2.3 de mínimos cuadrados donde M(N) representa la matriz variables
explicativas o medidas e y(N) es el vector de salida de N muestras de la siguiente forma.
𝑚𝑇 (1) 𝑦(1)
𝑚1 (1) 𝑚2 (1) … … .. 𝑚𝑛 (1) 𝑚 𝑇 (2) 𝑦(2)
𝑀(𝑘) = [ 𝑚1 (2) 𝑚2 (2) … … . . . 𝑚𝑛 (2) ]= . 𝑦(𝑘) = . 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 2.4
…
𝑚1 (𝑁) 𝑚2 (𝑁) … … … 𝑚𝑛 (𝑁) . .
[𝑚𝑇 (𝑘)] [𝑦(𝑘)]
En la Ecuación 2.4 se desprende para la muestra 𝑘 + 1 lo siguiente:
𝑀(𝑘) 𝑦(𝑘)
𝑚(𝑘 + 1) = [ 𝑇 ] 𝑦(𝑘 + 1) = [ ] 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 2.5
𝑚 (𝑘 + 1) 𝑦(𝑘 + 1)
De esta manera en el siguiente tiempo se tiene:
𝜃̂ = (𝑀𝑇 (𝑘 + 1)𝑀(𝑘 + 1))−1 𝑀𝑇 (𝑘 + 1)𝑦(𝑘 + 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 2.6
(1) (2)
Resolviendo la (parte (1))
𝑀(𝑘)
𝑀𝑇 (𝑘 + 1)𝑀(𝑘 + 1) = [𝑀𝑇 (𝑘) 𝑚(𝑘 + 1)] [ 𝑇 ] 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 2.7
𝑚 (𝑘 + 1)
𝑀𝑇 (𝑘 + 1)𝑀(𝑘 + 1) = 𝑀𝑇 (𝑘)𝑀(𝑘) + 𝑚(𝑘 + 1)𝑚𝑇 (𝑘 + 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 2.8
Resolviendo la (parte (2))
𝑦(𝑘)
𝑀𝑇 (𝑘 + 1)𝑦(𝑘 + 1) = [𝑀𝑇 (𝑘) 𝑚(𝑘 + 1)] [ ] 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 2.9
𝑦(𝑘 + 1)
𝑀𝑇 (𝑘 + 1)𝑦(𝑘 + 1) = 𝑀𝑇 (𝑘)𝑀(𝑘) + 𝑚(𝑘 + 1)𝑦(𝑘 + 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3.0
Mediante las ecuaciones anteriores se logra evaluar una actualización de la ecuación de

Código : 410151
Revisión : 0
Fecha :25-04-2018
parámetros en cada instante de tiempo k.

Aún falta encontrar la forma de calcular la inversa de la parte (1).
Se implementa las siguientes definiciones.
P(K) = [𝑀𝑇 (𝑘)𝑀(𝑘)]−1 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3.1
𝑏(𝑘) = 𝑀𝑇 (𝑘)𝑌(𝑘) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3.2
Luego
𝜃̂(𝑘 + 1) = 𝑃(𝑘 + 1)𝑏(𝑘 + 1) 𝜃̂(𝑘) = 𝑃(𝑘)𝑏(𝑘) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3.3
Ahora
𝑃−1 (𝑘 + 1) = 𝑃−1 (𝑘) + 𝑚(𝑘 + 1)𝑚𝑇 (𝑘 + 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3.4
𝑏(𝑘 + 1) = 𝑏(𝑘) + 𝑚(𝑘 + 1)𝑦(𝑘 + 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3.5
Es posible obtener 𝑃(𝐾 + 1)en base a 𝑃(𝑘)mediante la ecuación 3.6 de inversión de matriz.
−𝟏 −𝟏
(𝑨 + 𝒃𝒄𝒅)−𝟏 = 𝑨−𝟏 − 𝑨−𝟏 𝒃(𝒄−𝟏 + 𝒅𝑨−𝟏 𝒃) 𝒅𝑨−𝟏 = 𝑨−𝟏 [𝑰 − 𝒃(𝒄−𝟏 + 𝒅𝑨−𝟏 𝒃) 𝒅𝑨−𝟏 ]
𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3.6
Considerando como 𝐴 = 𝑃−1 (𝑘), 𝑏 = 𝑚(𝑘 + 1), 𝑐 = 1, 𝑑 = 𝑚𝑇 (𝑘 + 1) entonces:
𝑃(𝑘 + 1) = 𝑃(𝑘)[𝐼 − 𝑚(𝑘 + 1)((1 + 𝑚𝑇 (𝑘 + 1)𝑃(𝑘)𝑚(𝑘 + 1))−1 𝑚𝑇 (𝑘 + 1)𝑃(𝑘)]
La única inversión en la Ecuación 3.7 es del término escalar
(1 + 𝑚𝑇 (𝑘 + 1)𝑃(𝑘)𝑚(𝑘 + 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3.8
Definiendo también el error 𝑒(𝑘 + 1)
𝑒(𝑘 + 1) = 𝑦(𝑘 + 1) − 𝑚𝑇 (𝑘 + 1)𝜃̂(𝑘) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3.9
Y sustituyendo en la ecuación de 𝑏(𝑘 + 1)
𝑏(𝑘 + 1) = 𝑏(𝑘) + 𝑚(𝑘 + 1)(𝑒(𝑘 + 1) + 𝑚𝑇 (𝑘 + 1)𝜃̂(𝑘) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 4.0
𝑏(𝑘 + 1) = 𝑏(𝑘) + 𝑚(𝑘 + 1)𝑚𝑇 (𝑘 + 1)𝜃̂(𝑘) + 𝑚(𝑘 + 1)𝑒(𝑘 + 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 4.1
Utilizando la Ecuación 3.3 que

Código : 410151
Revisión : 0
Fecha :25-04-2018
𝑏(𝑘 + 1) = 𝑃−1 (𝑘 + 1)𝜃̂(𝑘 + 1) 𝑏(𝑘) = 𝑃−1 (𝑘)𝜃̂(𝑘) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 4.2
Igualando con la última ecuación de la página anterior, se tiene:
𝑃−1 (𝑘 + 1)𝜃̂(𝑘 + 1) = 𝑃−1 (𝑘)𝜃̂(𝑘) + 𝑚(𝑘 + 1)𝑚𝑇 (𝑘 + 1)𝜃̂(𝑘) + 𝑚(𝑘 + 1)𝑒(𝑘 + 1)

𝑃−1 (𝑘 + 1)𝜃̂(𝑘 + 1) = [𝑃−1 (𝑘) + + 𝑚(𝑘 + 1)𝑚𝑇 (𝑘 + 1)] 𝜃̂(𝑘) + 𝑚(𝑘 + 1)𝑒(𝑘 + 1)
𝑃−1 (𝑘 + 1)𝜃̂(𝑘 + 1) = [𝑃−1 (𝑘 + 1)𝜃̂(𝑘) + 𝑚(𝑘 + 1)𝑒(𝑘 + 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 4.5
Multiplicando por 𝑃(𝑘 + 1)
𝜃̂(𝑘 + 1) = 𝜃̂(𝑘) + 𝑃(𝑘 + 1)𝑚(𝑘 + 1)𝑒(𝑘 + 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 4.6
Para la simplificación de este método existe un algoritmo que simplifica los resultados de
mínimos cuadrados recursivos.
1- Formar m(k) usándola nueva data
2- Formar 𝑒(𝑘) = 𝑦(𝑘) − 𝑚𝑇 (𝑘)𝜃̂(𝑘 − 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 4.7
𝑃(𝑘−1)𝑚(𝑘)
3- Formar 𝐾(𝑘) = 1+𝑚𝑇 (𝑘)𝑃(𝑘−1)𝑚(𝑘) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 4.8
4- Formar 𝑃(𝑘) = 𝑃(𝑘 − 1) − 𝐾(𝑘)𝑚𝑇 (𝑘)𝑃(𝑘 − 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 4.9
5- Actualizar 𝜃̂(𝑘) = 𝜃̂(𝑘 − 1) + 𝑃(𝑘)𝑚(𝑘)𝑒(𝑘) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 5.0
4. SIMULACION Y CONTROL
Código : 410151
Revisión : 0
Fecha :25-04-2018
4.1. Enuncie las leyes físicas que modelan el sistema.

Solución 4.1
Primero consideraremos la parte del sistema del motor del servomecanismo que llevaremos a cabo
sus leyes físicas.
Figura n°1” modelo motor C.C.”
Además, tenemos las siguientes definiciones:
𝑡𝑒 = 𝐾𝑚 𝑖𝑎 ; Torque eléctrico
𝑅𝑎 𝑖𝑎 = 𝑝é𝑟𝑑𝑖𝑑𝑎
𝑑𝑖
𝐿𝑎 𝑎 = 𝑖𝑛𝑑𝑢𝑐𝑡𝑎𝑛𝑐𝑖𝑎
𝑑𝑡
𝑒𝑎 = 𝑡𝑒𝑛𝑠𝑖ó𝑛 𝑖𝑛𝑑𝑢𝑐𝑡𝑎𝑛𝑐𝑖𝑎
𝑑𝑤 = 𝑟𝑜𝑐𝑒
𝑑𝑤
𝐽 = 𝐼𝑛𝑒𝑟𝑐𝑖𝑎
𝑑𝑡
Entonces aplicando leyes de LVK se obtiene:

𝑑𝑖𝑎
1)𝑉𝑎 = 𝑅𝑎 𝑖𝑎 + 𝐿𝑎 𝑑𝑡
+ 𝑒𝑎 Ecuación 5.1
𝑑
2) 𝑡𝑒 = 𝐾𝑚 𝑖𝑎 =𝑑𝑤 + 𝐽 𝑑𝑡𝑤 Ecuación 5.2
Conclusiones:
En conclusión, las leyes físicas que modelan el motor C.C. mediante el uso de un modelo
matemático resultan de suma utilidad para poder anticipar los diferentes comportamientos del
sistema. El análisis de este sistema con la implementación de las leyes de voltaje de kirchoff resulta
ser más simple de encontrar sus ecuaciones para proseguir en el desarrollo del proyecto.
4.2. Demuestre que es posible concluir que el sistema del servomecanismo se comporta como
Código : 410151
Revisión : 0
Fecha :25-04-2018
un sistema de primer orden.
De las ecuaciones anteriores se le aplica lo siguiente para concluir a un sistema de primer orden
entonces.
Aplicando Laplace a ambas ecuaciones se concluye:

𝑉𝑎 (𝑠) = 𝑅𝑎 𝑖𝑎 (𝑠) + 𝐿𝑎 𝑠 𝑖𝑎 (𝑠) + 𝐾𝑚 𝑤(𝑠) Ecuación 5.3
𝑤(𝑠)[𝑑+𝐽𝑠 ] = 𝐾𝑚 𝑖𝑎 (𝑠) Ecuación 5.4
Despejando las variables 𝑖𝑎 (𝑠) y 𝑤(𝑠)se obtiene lo siguiente

1 𝐾𝑚
𝑖𝑎 (𝑠) = 𝑅 𝑉𝑎 (𝑠) − 𝑅 𝑤(𝑠) Ecuación 5.5
𝑎 +𝐿𝑎 𝑠 𝑎 +𝐿𝑎 𝑠
𝐾
𝑚
𝑤(𝑠) = 𝐽 +𝑑 𝑖𝑎 (𝑠) Ecuación 5.6
𝑠
Al llevar las ecuaciones a un diagrama de bloques se obtiene de las ecuaciones anteriores
Figura n° 2 “representación motor C.C. en diagramas de bloque”
Del diagrama de bloques derivamos a nuevas ecuaciones para obtener la ganancia y la constante de
tiempo del sistema dado.
1
Para simplificar cálculos 𝐽 +𝑑 le llamaremos ℎ1 (𝑠) entonces.
𝑠
1
𝑤(𝑠) = ℎ1 (𝑠) ∗ 𝐾𝑚 ∗ 𝑅 [𝑉𝑎 (𝑠) − 𝐾𝑚 𝑤(𝑠)] Ecuación 5.7
𝑎
1 1
𝑤(𝑠)[1 + ℎ1 (𝑠) ∗ 𝐾𝑚 ∗ 𝑅 ] = [ℎ1 (𝑠) ∗ 𝐾𝑚 𝑅 ∗ 𝑉𝑎 (𝑠)] Ecuación 5.8
𝑎 𝑎
1
ℎ1 (𝑠)∗𝐾𝑚 ∗
𝑅𝑎
𝑤(𝑠) = 1 𝑉𝑎 (𝑠) Ecuación 5.9
[1+ℎ1 (𝑠)∗𝐾𝑚2 ∗ ]
𝑅𝑎
Código : 410151
Revisión : 0
Fecha :25-04-2018
Volvemos a la expresión ℎ1 (𝑠)para finalizar y obtener lo siguiente:

1 1
∗𝐾 ∗
𝐽𝑠 +𝑑 𝑚 𝑅𝑎
𝑤(𝑠) = 1 1 𝑉𝑎 (𝑠) Ecuación 6.0
[1+ ∗𝐾𝑚2 ∗ ]
𝐽𝑠 +𝑑 𝑅𝑎
𝐾𝑚
𝑤(𝑠) = [𝑅 (𝐽 +𝑑)+𝐾
𝑉𝑎 (𝑠) Ecuación 6.1
𝑎 𝑠 𝑚2 ]
𝐾𝑚
𝑤(𝑠) = [𝑅 𝑉𝑎 (𝑠) Ecuación 6.2
𝑎 (𝐽𝑠 +𝑑)+𝐾𝑚2 ]
Finalizando en las ecuaciones anteriores se logra:

𝐾𝑚
𝑅𝑎 𝑑+𝐾 2
𝑚
𝑤(𝑠) = 𝑅𝑎 𝐽 𝑉𝑎 (𝑠) Ecuación 6.3
[ +1]
𝑅𝑎 𝑑+𝐾 2
𝑚
La ganancia K= 𝑅
𝐾𝑚
𝑎 𝑑+𝐾𝑚2
y la Constante de tiempo τ=𝑅 𝑑+𝐾
𝑅 𝐽
𝑎
𝑎
𝑚2
Figura n° 3 “Representación motor C.C. sistema primer orden”
Conclusiones:
En conclusión el sistema realizado y desarrollado por medio de diagramas de bloques se
concluye a un sistema de primer orden en la cual describe su comportamiento y su estabilidad
mediante de su constante de tiempo y su ganancia del sistema los cuales nos describen que es
estable. Cómo se observa en la figura n° 3 de las ecuaciones y simplificaciones se lleva a un
sistema de primer orden. El análisis realizado es sin perturbaciones en el sistema, pero aun así si
existiese y derivando las perturbaciones a cero no cambiaría su ganancia y la constante de tiempo.
4.3. Discretice el sistema de primer orden y obtenga su función de transferencia (utilice la

respuesta a entrada impulso).
Código : 410151
Revisión : 0
Fecha :25-04-2018
1
ℎ(𝑠) = 𝐾𝑝 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 6.4
𝜏𝑠 + 1
𝑢(𝑡) = 𝑢(𝑡) − 𝑢(𝑡 − 𝑇) con T: tiempo de muestreo
Implica
1 1 −𝑇𝑠
𝑢(𝑠) = − 𝑒 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 6.5
𝑠 𝑠
1
𝑢(𝑠) = [1 − 𝑒 −𝑇𝑠 ] 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 6.6
𝑠
La salida es:
𝑦(𝑠) = ℎ(𝑠)𝑢(𝑠) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 6.7
Entonces
1 1
𝑦(𝑠) = 𝐾𝑝 ∗ [1 − 𝑒 −𝑇𝑠 ] 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 6.8
𝜏𝑠 + 1 𝑠
1 1
𝑦(𝑡) = ℒ −1 {𝐾𝑝 ∗ [1 − 𝑒 −𝑇𝑠 ]} 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 6.9
𝜏𝑠 + 1 𝑠
1 1
𝑦(𝑘) = ℒ −1 {𝐾𝑝 ∗ [1 − 𝑒 −𝑇𝑠 ]} /𝑇 = 𝑘𝑇 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 7.0
𝜏𝑠 + 1 𝑠
Aplicando transformada 𝑍
1 1
𝒵{𝑦(𝑘)} = 𝒵 {ℒ −1 {𝐾𝑝 ∗ [1 − 𝑒 −𝑇𝑠 ]} /𝑇 = 𝑘𝑇} 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 7.1
𝜏𝑠 + 1 𝑠
1 1 1
𝒵{𝑦(𝑘)} = 𝒵 {ℒ −1 {𝐾𝑝 𝜏𝑠+1 ∗ 𝑠 } /𝑇 = 𝑘𝑇} − 𝒵 {ℒ −1 {𝐾𝑝 𝜏𝑠+1 ∗ 𝑒 −𝑇𝑠 }/𝑇 = 𝑘𝑇} 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 7.2
1 1 1 1
𝒵{𝑦(𝑘)} = 𝒵 {ℒ −1 {𝐾𝑝 ∗ } /𝑇 = 𝑘𝑇} − 𝑧 −1 𝒵 {ℒ −1 {𝐾𝑝 ∗ } /𝑇 = 𝑘𝑇} 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 7.3
𝜏𝑠+1 𝑠 𝜏𝑠+1 𝑠
Código : 410151
Revisión : 0
Fecha :25-04-2018
1 1
𝒵{𝑦(𝑘)} = (1 − 𝑧 −1 ) 𝒵 {ℒ −1 {𝐾𝑝 ∗ } /𝑇 = 𝑘𝑇} 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 7.4
𝜏𝑠 + 1 𝑠
𝑦(𝑘)∗
Aplicando fracciones parciales en 𝑦(𝑘)∗
1 1
ℒ −1 {𝐾𝑝 ∗ } 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 7.5
𝜏𝑠 + 1 𝑠
1 1 𝐴 𝐵
𝐾𝑝 ∗ = + 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 7.6
𝜏𝑠 + 1 𝑠 𝑠 𝜏𝑠 + 1
𝐾𝑝 = 𝐴(𝜏𝑠 + 1) + 𝐵𝑠 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 7.7
𝐾𝑝 = (𝐴𝜏 + 𝐵)𝑠 + 𝐴 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 7.8
𝐴𝜏 + 𝐵 = 0 ==> 𝐵 = −𝐴𝜏 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 7.9
Se obtienen los valores A y B
𝐴 = 𝐾𝑝 , 𝐵 = −𝐾𝑝 𝜏 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 8.0
1 𝜏 1 𝜏
𝑦(𝑘)∗ = ℒ −1 {𝐾𝑝 ( − )} = 𝐾𝑝 ℒ −1 {( − )} 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 8.1
𝑠 𝜏𝑠 + 1 𝑠 𝜏𝑠 + 1
−1𝑡
𝑦(𝑡) = 𝐾𝑝 [𝑢(𝑡) − 𝑒 𝜏 𝑢(𝑡)] 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 8.2
−1𝑇𝑘
𝑦(𝑘)∗ = 𝐾𝑝 [𝑢(𝑘) − 𝑒 𝜏 𝑢(𝑘)] 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 8.3
Aplicando transformada Z
Código : 410151
Revisión : 0
Fecha :25-04-2018
−1𝑡
𝒵{𝑦(𝑘)∗ } = 𝐾𝑝 [𝑢(𝑡) − 𝑒 𝜏 𝑢(𝑡)] 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 8.4
1 1
𝒵{𝑦(𝑘)∗ } = 𝐾𝑝 [ − 𝑇] 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 8.5
1 − 𝑧 −1 −1 −
1− 𝑧 𝑒 𝜏
Volviendo a la Ecuación 7.4
1 1
ℎ(𝑧) = (1 − 𝑧−1 )𝐾𝑝 [ − 𝑇] 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 8.6
1 − 𝑧−1
1 − 𝑧−1 𝑒− 𝜏
−𝑇
1 − 𝑧−1 𝑒 𝜏 − 1 + 𝑧−1
ℎ(𝑧) = (1 − 𝑧−1 )𝐾 𝑝[ 𝑇 ] 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 8.7
1 − 𝑧−1 (1 − 𝑧−1 𝑒− 𝜏 )
−𝑇
𝑧−1 (1 − 𝑒 𝜏 )
ℎ(𝑧) = −𝑇 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 8.8
1 − 𝑧−1 𝑒 𝜏
−𝑇 𝑇
𝑦(𝑘) = 𝑒 𝜏 𝑦(𝑘 − 1) + 𝐾𝑝 (1 − 𝑒− 𝜏 ) 𝑢(𝑘 − 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 8.9
Conclusiones:
Se concluye que al discretizar el sistema de primer orden con una respuesta a una entrada impulso
se llega a la ecuación 8.9 obteniendo una respuesta en donde se obtienen 𝑘𝑝 y 𝜏 para obtener los
parámetros del sistema. Este análisis discreto tiene como característica en el uso de filtros discretos y
también en la implementación de mínimos cuadrados, mínimos cuadrados recursivos que
posteriormente de abarcará más adelante.
4.4. El modelo discreto escríbalo como 𝒚(𝒌) = 𝑴𝑻 (𝒌)𝜽 , definiendo apropiadamente 𝑴𝑻 (𝒌)
Código : 410151
Revisión : 0
Fecha :25-04-2018
y θ.
−𝑇 𝑇
𝑦(𝑘) = 𝑒 𝜏 𝑦(𝑘 − 1) + 𝐾𝑝 (1 − 𝑒− 𝜏 ) 𝑢(𝑘 − 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 8.9
𝑦(𝑘) = 𝑚1 (𝑘)𝜃1 + 𝑚2 (𝑘)𝜃2 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 9.0
Donde 𝑚1 , 𝑚2 , 𝜃1 , 𝜃2 son las mediciones y parámetros respectivamente.
𝑀𝑇 (𝑘) = [𝑚1 (𝑘) 𝑚2 (𝑘)] 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 9.1
𝜃
𝜃 = [ 1] 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 9.2
𝜃2
Donde
−𝑇 𝑇
𝑚1 (𝑘) = 𝑦(𝑘 − 1) ; 𝑚2 (𝑘) = 𝑢(𝑘 − 1) ; 𝜃1 = 𝑒 𝜏 ; 𝜃2 = 𝐾𝑝 (1 − 𝑒− 𝜏 )
Conclusiones:
Se pude concluir que la matriz 𝑀𝑇 (𝑘) resulta de Nx2, donde N es la cantidad de filas, esto depende
de Ts y del tiempo de simulación. También se puede obtener el despeje de los parámetros en
𝜃1 𝑦𝜃2 para encontrar 𝑘𝑝 y 𝜏.
4.5. Construya la matriz M(N) e y(N), donde N es la cantidad de muestras que tendrá una vez
terminada la simulación y obtenga los parámetros del sistema mediante mínimos cuadrados
(Off-Line). Luego, con los parámetros obtenidos de la identificación, simule el sistema real
en paralelo al sistema obtenido por mínimos cuadrados y compare sus resultados. Grafique
posición, velocidad, tensión de alimentación; todas los gráficos de posición deben ir en una
misma figura, así también como lo gráficos de velocidad. Utilice un tiempo de muestreo de
Ts = 20ms.
Código : 410151
Revisión : 0
Fecha :25-04-2018
Figura n°3:"Identificación de 𝝉 mediante mínimos cuadrados offline"
Figura n°4:"Identificación de 𝒌𝒑 mediante mínimos cuadrados offline"

Código : 410151
Revisión : 0
Fecha :25-04-2018
Comentarios:
En las figuras n°3, n°4 se obtienen los parámetros 𝑘𝑝 = 9.97 y 𝜏 = 0.4898 definidos en el tiempo.
Estos valores fueron obtenidos mediante la aplicación de mínimos cuadrados offline utilizando un
𝑇𝑠 = 20 𝑚𝑠.
Figura n°4:"Representacion posición en el tiempo con posición filtrada"
Comentarios:
En la figura n°4 está representada la posición en el tiempo en donde se observa la posición con ruido
(azul) y la posición filtrada (rojo) presentando un pequeño desfase entre sí con un 𝑇𝑠 = 20𝑚𝑠.
Código : 410151
Revisión : 0
Fecha :25-04-2018
Figura n°5:"comparación de la señal real de velocidad y señal identificada de velocidad"
Figura n°6:"comportamiento del voltaje en el tiempo"

Código : 410151
Revisión : 0
Fecha :25-04-2018
Comentarios y conclusiones:
Como se observa en la figura n°5 se puede comparar la señal real del sistema (azul) con la
señal identificada de velocidad (rojo) su análisis presenta un desfase mínimo. Para este método
de mínimos cuadrados offline es necesario tener una gran cantidad de mediciones para poder
alcanzar el mínimo efecto de ruido, en otras palabras al contener más muestras en la matriz de
mediciones será un mejor ajuste por mínimos cuadrados.
4.6. Repita 4.5) para las variables filtradas.
Figura n°7:"identificación de 𝝉 mediante mínimos cuadrados offline para la señal filtrada, Ts=20ms"
Código : 410151
Revisión : 0
Fecha :25-04-2018
Figura n°8:"identificación de 𝑲𝒑 mediante mínimos cuadrados offline para la señal filtrada"
Observaciones:
Como se puede observar en las figuras n°7 y n°8 presentan un comportamiento diferente para
la señal filtrada obteniendo como resultado un 𝑘𝑝 = 14,87 y 𝜏 = 0.9381 muy diferente a lo
obtenido anteriormente para un 𝑇𝑠 =20ms.
Código : 410151
Revisión : 0
Fecha :25-04-2018
Figura n°9:"posición en el tiempo y filtro de ventana, Ts=20ms"
Figura n°10:"comparación de la señal filtrada de velocidad y señal identificada de velocidad"

Código : 410151
Revisión : 0
Fecha :25-04-2018
Observaciones:
Como se observa en la figura n°10 se contempla la señal speed_in (azul), señal identificada
(naranja) y señal filtrada (amarilla) en donde la señal identificada presenta un mayor desfase
frente a la señal filtrada.
Conclusiones:
Se puede concluir que al ser utilizado la implementación de mínimos cuadrados offline nos
permite apreciar los parámetros del sistema sin tener que estar directamente conectados. Al ser
implementada una señal filtrada presenta una respuesta con desfase y atenuación. Se implementó
filtro de ventana Digital analizada en la experiencia anterior ya que presentaba un mejor seguimiento
de las señales, se aplicó un N=6 (ancho de la ventana), ya que al ser mayor provoca un desfase
considerable en la gráfica de velocidad, y si es menor, la banda de filtrado aumenta y pasa mucho
ruido, obteniendo una señal con mucha interferencia.
Código : 410151
Revisión : 0
Fecha :25-04-2018
4.7. Repita 4.6) para Ts = 150ms
Figura n°12:” identificación de 𝝉 con mínimos cuadrados offline, con Ts=150ms”
Figura n°13:"grafica de identificación de 𝑲𝒑 con mínimos cuadrados offline, con Ts=150ms"

Código : 410151
Revisión : 0
Fecha :25-04-2018
Comentarios:
Al observar claramente en las figuras n° 12 y n° 13 al ser alteradas con un tiempo de 𝑇𝑠 = 150𝑚𝑠
el comportamiento de los parametros 𝜏 𝑦 𝐾𝑝 presentan una grafica diferente al tener y un tiempo de
𝑇𝑠 = 20𝑚𝑠. Obteniendo un 𝜏 = 6.378 𝑦 𝐾𝑝 = 24,41 estos valores se obtienen cuando alcanza un
estado estacionario.
Figura n°14:"posición en el tiempo y la señal filtrada, con Ts=150ms"

Código : 410151
Revisión : 0
Fecha :25-04-2018
Figura n°15:"comparación entre la señal de entrada, la filtrada y la identificada, con Ts=150ms"

Código : 410151
Revisión : 0
Fecha :25-04-2018
Comentarios y conclusiones:
Al observar la figura nª14 la posición en el tiempo y la señal filtrada presentan un desfase entre
ambas señales ya que el tiempo de muestreo es aumentada a 150ms presentando un cambio en la
señal.
Al observar la figura n°15 la velocidad vista en la señal filtrada y la identificada presentan un gran
cambio en amplitud y desfase de la señal de entrada gracias al cambio del tiempo de muestreo de
150ms.
Se puede concluir que el sistema cambia, ya que se debe a los tiempos de muestreo que afecta a la
estimación de los parámetros. Para un tiempo de muestreo de 150ms provoca un muestreo no
adecuado, ya que el método de mínimos cuadrados offline no es preciso para su ajuste, ya que en este
método de mínimos cuadrados offline presenta una mejor respuesta cuando se logra tener una gran
cantidad de muestras para analizar, porque será más preciso.
4.8. Considerando las salidas filtradas del sistema y un tiempo de muestreo de Ts = 20 ms,
implemente el algoritmo de mínimos cuadrados recursivo y con los parámetros que va
obteniendo simule en paralelo y compare las salidas del identificador y las reales. Grafique
posición, velocidad, tensión de alimentación; todos los gráficos de posición deben ir en una
misma figura, así también como lo gráficos de velocidad.
Para el desarrollo de este método se aplicaron ecuaciones para el despeje de la identificación de los
parámetros que estos demostrara él porque se llegó a la siguiente denotación en la implementación
de mínimos cuadrados recursivos COD.2 (anexo).
−𝑇
𝑒 𝜏 = 𝜃1 𝐸𝑐𝑢𝑎𝑐𝑖ò𝑛 9.3
Para despejar uno de los parámetros se le aplica 𝑙𝑛 para obtener 𝜏

−𝑇
𝑒 𝜏 = 𝜃1 /∗ 𝑙𝑛 𝐸𝑐𝑢𝑎𝑐𝑖ò𝑛 9.4
−𝑇
𝑙𝑛 𝑒 𝜏 = 𝑙𝑛𝜃1 𝐸𝑐𝑢𝑎𝑐𝑖ò𝑛 9.5
−𝑇
= 𝐿𝑛𝜃1 𝐸𝑐𝑢𝑎𝑐𝑖ò𝑛 9.6
𝜏
Despejando se obtiene
−𝑇
𝜏= 𝐸𝑐𝑢𝑎𝑐𝑖ò𝑛 9.7
𝐿𝑛𝜃1
Código : 410151
Revisión : 0
Fecha :25-04-2018
Para despejar 𝐾𝑝 se tiene
−𝑇
𝐾𝑝 (1 − 𝑒 𝜏 ) = 𝜃2 𝐸𝑐𝑢𝑎𝑐𝑖ò𝑛 9.8
Utilizando la Ecuación 9.3 para reemplazar se obtiene:
𝜃2
𝐾𝑝 = 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 9.9
(1 − 𝜃1 )
Entonces obteniendo el despeje de los parámetros y esto explica por qué se utilizó la secuencia de
códigos.
Figura n°17 “fragmento de código implementación mínimos cuadrados recursivos”
Observaciones:
Al observar la figura n°17 representa un “ciclo if” para determinar theta 1(𝜃1 ) en donde se le
restringe para que el valor del parámetro 𝐾𝑝 𝑦 𝜏 no se indetermine y en” parameter” solo se
declaran las identificación de los parámetros.
Código : 410151
Revisión : 0
Fecha :25-04-2018
Figura n°18:"Identificacion de 𝝉 por mínimos cuadrados recursivos, con Ts=20ms"
Figura 19:"Identificación de 𝑲𝒑 por mínimos cuadrados recursivos, con Ts=20ms”

Código : 410151
Revisión : 0
Fecha :25-04-2018
Observaciones:
Se puede observar en las figuras n°18 y n°19 la identificación de parámetros obteniendo un 𝜏 =
0,9526 𝑦 𝐾𝑝 = 14,85 utilizando el método de mínimos cuadrados recursivos con un tiempo de
muestreo de 20ms en donde la señal es diferente a la señal de mínimos cuadrados offline.
Figura n°20:"posición en el tiempo y posición filtrada, con Ts=20ms"

Código : 410151
Revisión : 0
Fecha :25-04-2018
Figura n°21:"grafica de la señal de velocidad speed in y la señal identificada"
Figura n°22:"señal de voltaje"

Código : 410151
Revisión : 0
Fecha :25-04-2018
Observaciones y conclusiones:
Se observa que al obtener los parámetros de una señal filtrada con un Ts=20ms, se alejan los
valores de 𝐾𝑝 y 𝜏 de los reales, obteniendo un poco de desfase entre la señal filtrada y la señal
identificada (figura 20).
El método de estimación de parámetros recursivo se ha visto afectado por filtro utilizado,
afectando a los parámetros obtenidos y así también a su atenuación y su desfase en cuanto a la
comparación de la señal real. Al ver las figuras se concluye que el resultado es algo similar a las
señales reales filtradas.
4.9. Repita 4.8) pero sin considerar filtrado.
Figura n°28:"Identificación de 𝝉 por mínimo cuadrados recursivos, con Ts=20ms"

Código : 410151
Revisión : 0
Fecha :25-04-2018
Figura n°29:"Identificación de 𝑲𝒑 por mínimos cuadrados recursivos, con Ts=20ms"
Observaciones:
Al observar la figura n°28 y n°29 se obtienen los parámetros 𝜏 = 0,499 𝑦 𝐾𝑝 = 9,943 sin
considerar la señal filtrada del sistema utilizando la aplicación de métodos mínimos cuadrados
recursivos con un tiempo de muestreo de 20 ms. Al tiempo de 7seg y 8seg presenta un leve impulso
y después de este logra establecerse en ambas figuras.
Código : 410151
Revisión : 0
Fecha :25-04-2018
Figura n°25:"posición en el tiempo y posición filtrada, con Ts=20ms"
Figura n°26:"grafica de velocidad speed in y la señal identificada con mínimos cuadrados recursivos, Ts=20ms"
Código : 410151
Revisión : 0
Fecha :25-04-2018
Figura n°27:"grafica del comportamiento del voltaje en el tiempo"
Al calcular los parámetros tau y 𝐾𝑝 con la señal no filtrada de velocidad, se pude observar que al
obtener los parámetros con mínimos cuadrados recursivos es muy exacto, incluso poseen menos error
que en offline. Se observa que en la figura n°25 la señal roja es la identificada y la azul es la señal no
filtrada, siguiendo a esta de muy buena manera.
Código : 410151
Revisión : 0
Fecha :25-04-2018
5.0. Repita 4.9) pero considerando Ts = 150 ms.
Figura n°28:"Identificación de 𝝉 por mínimos cuadrados recursivos, con Ts=150ms"
Figura n°29:"Identificación de 𝑲𝒑 por mínimos cuadrados recursivos, con Ts=150ms"

Código : 410151
Revisión : 0
Fecha :25-04-2018
Observaciones:
En las figuras n°28 y n°29 para obtener la identificación de parámetros de nuestro sistema a un
tiempo de muestreo de 150ms utilizando mínimos cuadrados recursivos se obtienen nuevos
parámetros de 𝜏 = 6,378 𝑦 𝐾𝑝 = 24,41. La señal obtenida en ambas figuras presenta una señal
distorsionada.
Figura n°30:"grafica de la posición y la posición filtrada, con Ts=150ms"

Código : 410151
Revisión : 0
Fecha :25-04-2018
Figura n°31:"Grafica de la velocidad speed in y la señal identificada, con Ts=150ms"
Figura n°32:"grafica del comportamiento del voltaje en el tiempo"

Código : 410151
Revisión : 0
Fecha :25-04-2018
Se puede observar que al igual que en mínimos cuadrados offline, en mínimos cuadrados
recursivos al aumentar el Ts de 20 ms a 150 ms, los parámetros se disparan alejándose mucho de
los valores reales; esto se debe a que la señal filtrada con el filtro de ventana se vuelve poco
representativa de la señal original de velocidad a un Ts=150 ms, para que los parámetros
calculados con mínimos cuadrados tomando como 𝑦(𝑘) la salida del filtro mejoren y se acerquen
a los reales se debe disminuir el tiempo de muestreo o aumentar de frecuencia de muestreo.
5. EXPERIMENTACIÓN SLDWED (Sistema de laboratorio a Distancia Wed)

5.1 Repita 4.5 de la parte de simulación y control del proyecto
Figura n°33:” representación 𝝉 laboratorio a distancia”

Código : 410151
Revisión : 0
Fecha :25-04-2018
Figura n°34:” representación 𝑲𝒑 laboratorio a distancia”
Figura n°35:” representación posición laboratorio a distancia”

Código : 410151
Revisión : 0
Fecha :25-04-2018
Figura n°36:” representación velocidad laboratorio a distancia”

Código : 410151
Revisión : 0
Fecha :25-04-2018

Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018

Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018

Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Obs: en esta etapa experimental se identificaron los parámetros con mínimos cuadrados
recursivos, se puede observar al igual que en 5.2, al identificar la señal a partir de una señal
filtrada los parámetros tau = 1.8 y kp = 20.7, esto provoca que la identificación varia en relación
a la real (speed in).

Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Obs: en esta etapa experimental la identificación de los parámetros y de la señal mejoran

bastante, obteniendo una identificación aceptable, ya que, los parámetros se obtienen a partir de
la speed in real.

Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Código : 410151
Revisión : 0
Fecha :25-04-2018
Obs: al igual que en la primera etapa experimental 5.3, los parámetros se disparan ya que al
tener un Ts = 150ms el filtro de ventana se vuelve poco representativo, debido a esto la señal
identificada se distorsiona bastante.
Código : 410151
Revisión : 0
Fecha :25-04-2018
6. CONCLUSIONES
En esta experiencia se puede concluir que al aplicar un filtro de ventana a la señal a

identificar (speed in), los parámetros se alejan un poco de los que ideales, al aumentar Ts
a 150ms los parámetros se disparan y la identificación no es representativa con respecto a
la señal real, consideramos que esto sucede debido a no tener una señal filtrada (con
Ts=150ms) que represente bien a la real, por eso los parámetros se alejan mucho de los
reales de la planta.
También se concluyó que al calcular los parámetros con la señal real (speed in), se obtiene
un modelo aceptable obteniendo un error mínimo en los parámetros y en la señal
identificada, en la obtención de los parámetros de manera experimental mediante el
laboratorio online existe un mayor error, pero aun así es un modelo aceptable.
En cuanto a las diferencias entre mínimos cuadrados offline y mínimos cuadrados

recursivos, puede concluir que existe una leve mejora en la identificación de los
parámetros con mínimos cuadrados recursivos ya que minimiza de mejor manera el
error.
Código : 410151
Revisión : 0
Fecha :25-04-2018
7. ANEXOS
7.1.1 Códigos de implementación mínimos cuadrados offline
7.1.2 Parámetros Mínimos cuadrados offline se aprecia en la figura nnn.
Figura n°49 “modelado en Matlab mínimos cuadrados offline”

Código : 410151
Revisión : 0
Fecha :25-04-2018
El código es el siguiente:
Código : 410151
Revisión : 0
Fecha :25-04-2018
COD n°1 “código fuente Mínimo cuadrado offline”
7.1.3 Mínimo cuadrado recursivo se aprecia en la figura 50.

Código : 410151
Revisión : 0
Fecha :25-04-2018
Figura n°50 “modelado en Matlab Mínimo cuadrado recursivo parámetros”
Código : 410151
Revisión : 0
Fecha :25-04-2018
COD n°2 “código fuente mínimo cuadrado recursivo”
7.1.4 Filtro Ventana digital, se aprecia en la figura 53.

Código : 410151
Revisión : 0
Fecha :25-04-2018
Figura n°53 “modelado en Matlab filtro ventana digital”
COD n°3 “código fuente filtro ventana digital”

Proyecto 2 Inf

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Proyecto 2 Inf

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDAD DEL BIO-BIO

ALUMNOS: PABLO CESAR ALTAMIRANO NEIRA

En este proyecto se presentará un sistema servomecanismo implementándolo en la vida real

2.1. Comprender la metodología de la identificación de parámetros a través de mínimos

𝑦(𝑘) = 𝑚1 (𝑘)𝜃1 + 𝑚2 (𝑘)𝜃2 + 𝑚3 (𝑘)𝜃3 + 𝑚4 (𝑘)𝜃4 + ⋯ . +𝑚𝑛 (𝑘)𝜃𝑛 = 𝑚𝑇 𝜃 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1.0

Para N mediciones se tiene:

𝑦(𝑁) = 𝑀(𝑁)𝜃̂ + 𝑒(𝑁) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1.2

el cual se buscará minimizar.

𝐽(𝑁) = 𝑒 𝑇 (𝑁)𝑒(𝑁) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1.3

𝐽(𝑁) = (𝑦(𝑁) − 𝑀(𝑁)𝜃̂)𝑇 (𝑦(𝑁) − 𝑀(𝑁)𝜃̂) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1.4

𝐽(𝑁) = (𝑦 𝑇 (𝑁) − 𝜃̂ 𝑇 𝑀𝑇 (𝑁)) (𝑦(𝑁) − 𝑀(𝑁)𝜃̂) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1.5

𝐽(𝑁) = 𝑦 𝑇 (𝑁)𝑦(𝑁) − 𝑦 𝑇 (𝑁)𝑀(𝑁)𝜃̂ − 𝜃̂ 𝑇 𝑀𝑇 (𝑁)𝑦(𝑁) + 𝜃̂ 𝑇 𝑀𝑇 (𝑁)𝑀(𝑁)𝜃̂ 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1.6

Note que la ecuación anterior puede seguir simplificándose

𝐽(𝑁) = 𝑦 𝑇 (𝑁)𝑦(𝑁) − 𝑦 𝑇 (𝑁)𝑀(𝑁)𝜃̂ − 𝜃̂ 𝑇 𝑀𝑇 (𝑁)(𝑦(𝑁) + 𝜃̂ 𝑇 𝑀𝑇 (𝑁)𝑀(𝑁)𝜃̂ 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1.7

𝐽(𝑁) = 𝑦 𝑇 (𝑁)𝑦(𝑁) − 2𝜃̂ 𝑇 𝑀𝑇 (𝑁)𝑦(𝑁) + 𝜃̂ 𝑇 𝑀𝑇 (𝑁)𝑀(𝑁)𝜃̂ 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 1.9

Se tiene que tener en cuenta lo siguiente:

Para conocer un punto de inflexión se deriva la Ecuación 1.9

𝜃̂ = (𝑀𝑇 (𝑁)𝑀(𝑁))−1 𝑀𝑇 (𝑁)𝑦(𝑁) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 2.3

El método de mínimos cuadrados recursivos (RLS) corresponde a una aplicación particular

del método de mínimos cuadrados (LS).

En la Ecuación 2.4 se desprende para la muestra 𝑘 + 1 lo siguiente:

De esta manera en el siguiente tiempo se tiene:

𝜃̂ = (𝑀𝑇 (𝑘 + 1)𝑀(𝑘 + 1))−1 𝑀𝑇 (𝑘 + 1)𝑦(𝑘 + 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 2.6

Resolviendo la (parte (1))

𝑀𝑇 (𝑘 + 1)𝑀(𝑘 + 1) = 𝑀𝑇 (𝑘)𝑀(𝑘) + 𝑚(𝑘 + 1)𝑚𝑇 (𝑘 + 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 2.8

Resolviendo la (parte (2))

𝑀𝑇 (𝑘 + 1)𝑦(𝑘 + 1) = 𝑀𝑇 (𝑘)𝑀(𝑘) + 𝑚(𝑘 + 1)𝑦(𝑘 + 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3.0

Mediante las ecuaciones anteriores se logra evaluar una actualización de la ecuación de

parámetros en cada instante de tiempo k.

P(K) = [𝑀𝑇 (𝑘)𝑀(𝑘)]−1 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3.1

𝑏(𝑘) = 𝑀𝑇 (𝑘)𝑌(𝑘) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3.2

𝜃̂(𝑘 + 1) = 𝑃(𝑘 + 1)𝑏(𝑘 + 1) 𝜃̂(𝑘) = 𝑃(𝑘)𝑏(𝑘) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3.3

𝑃−1 (𝑘 + 1) = 𝑃−1 (𝑘) + 𝑚(𝑘 + 1)𝑚𝑇 (𝑘 + 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3.4

𝑏(𝑘 + 1) = 𝑏(𝑘) + 𝑚(𝑘 + 1)𝑦(𝑘 + 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3.5

𝑃(𝑘 + 1) = 𝑃(𝑘)[𝐼 − 𝑚(𝑘 + 1)((1 + 𝑚𝑇 (𝑘 + 1)𝑃(𝑘)𝑚(𝑘 + 1))−1 𝑚𝑇 (𝑘 + 1)𝑃(𝑘)]

(1 + 𝑚𝑇 (𝑘 + 1)𝑃(𝑘)𝑚(𝑘 + 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3.8

Definiendo también el error 𝑒(𝑘 + 1)

𝑒(𝑘 + 1) = 𝑦(𝑘 + 1) − 𝑚𝑇 (𝑘 + 1)𝜃̂(𝑘) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 3.9

Y sustituyendo en la ecuación de 𝑏(𝑘 + 1)

𝑏(𝑘 + 1) = 𝑏(𝑘) + 𝑚(𝑘 + 1)(𝑒(𝑘 + 1) + 𝑚𝑇 (𝑘 + 1)𝜃̂(𝑘) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 4.0

𝑏(𝑘 + 1) = 𝑏(𝑘) + 𝑚(𝑘 + 1)𝑚𝑇 (𝑘 + 1)𝜃̂(𝑘) + 𝑚(𝑘 + 1)𝑒(𝑘 + 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 4.1

Utilizando la Ecuación 3.3 que

𝑏(𝑘 + 1) = 𝑃−1 (𝑘 + 1)𝜃̂(𝑘 + 1) 𝑏(𝑘) = 𝑃−1 (𝑘)𝜃̂(𝑘) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 4.2

Igualando con la última ecuación de la página anterior, se tiene:

𝑃−1 (𝑘 + 1)𝜃̂(𝑘 + 1) = 𝑃−1 (𝑘)𝜃̂(𝑘) + 𝑚(𝑘 + 1)𝑚𝑇 (𝑘 + 1)𝜃̂(𝑘) + 𝑚(𝑘 + 1)𝑒(𝑘 + 1)

𝑃−1 (𝑘 + 1)𝜃̂(𝑘 + 1) = [𝑃−1 (𝑘 + 1)𝜃̂(𝑘) + 𝑚(𝑘 + 1)𝑒(𝑘 + 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 4.5

Multiplicando por 𝑃(𝑘 + 1)

𝜃̂(𝑘 + 1) = 𝜃̂(𝑘) + 𝑃(𝑘 + 1)𝑚(𝑘 + 1)𝑒(𝑘 + 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 4.6

1- Formar m(k) usándola nueva data

2- Formar 𝑒(𝑘) = 𝑦(𝑘) − 𝑚𝑇 (𝑘)𝜃̂(𝑘 − 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 4.7

4- Formar 𝑃(𝑘) = 𝑃(𝑘 − 1) − 𝐾(𝑘)𝑚𝑇 (𝑘)𝑃(𝑘 − 1) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 4.9

5- Actualizar 𝜃̂(𝑘) = 𝜃̂(𝑘 − 1) + 𝑃(𝑘)𝑚(𝑘)𝑒(𝑘) 𝐸𝑐𝑢𝑎𝑐𝑖ó𝑛 5.0

4.1. Enuncie las leyes físicas que modelan el sistema.

Figura n°1” modelo motor C.C.”

Además, tenemos las siguientes definiciones:

Entonces aplicando leyes de LVK se obtiene:

un sistema de primer orden.

Aplicando Laplace a ambas ecuaciones se concluye:

𝑤(𝑠)[𝑑+𝐽𝑠 ] = 𝐾𝑚 𝑖𝑎 (𝑠) Ecuación 5.4

Despejando las variables 𝑖𝑎 (𝑠) y 𝑤(𝑠)se obtiene lo siguiente

Al llevar las ecuaciones a un diagrama de bloques se obtiene de las ecuaciones anteriores

Figura n° 2 “representación motor C.C. en diagramas de bloque”

Volvemos a la expresión ℎ1 (𝑠)para finalizar y obtener lo siguiente: