Identificación paramétrica
Identificación Paramétrica de sistemas
Prof. Dr. Rubén Dario Hernández B.
Prof. Dr. Rubén Darío Hernández B.
Identificación paramétrica
Identificación Paramétrica
Se denomina identificación de sistema a la obtención de información relevante a
partir de un conjunto de datos observados.
En ocasiones es necesario realizar la identificación de un sistema del cual no se tiene
conocimiento previo. En estos casos, se suele recurrir a modelos estándar, cuya
validez para un amplio rango de sistemas dinámicos ha sido comprobada.
Prof. Dr. Rubén Darío Hernández B.
Identificación paramétrica
Puede distinguirse tres enfoques diferentes para la selección de la estructura del
modelo.
Black-box: Los parámetros del modelo no tienen una interpretación física. Un modelo
basado en leyes fundamentales es muy complicado o se desconoce.
Gray-box: Algunas partes del sistema son modeladas basándose en principios
fundamentales y otras como una caja negra, Algunos de los parámetros del modelo
pueden tener una interpretación física.
White-box: La estructura del modelo se obtiene a partir de leyes fundamentales. Los
parámetros tienen una interpretación física.
Prof. Dr. Rubén Darío Hernández B.
Identificación paramétrica
Métodos de identificación
Métodos no paramétricos: (Métodos libre de estructura)
Identificación no Paramétrica en el dominio del tiempo (respuesta al escalón o al
impulso)
Identificación no Paramétrica en el dominio de la frecuencia.
Métodos paramétricos:
Quedan descritos mediante una estructura y un número finito de parámetros que
relacionan las señales de interés del sistema (entradas, salidas y perturbaciones).
Prof. Dr. Rubén Darío Hernández B.
Identificación paramétrica
Prof. Dr. Rubén Darío Hernández B.
Identificación paramétrica
Ejercicio
Señal tomada de osciloscopio
Prof. Dr. Rubén Darío Hernández B.
Identificación paramétrica
Se procesan los datos en la función IDENT de Matlab.
En esta ventana se
cargan la señal de
entrada y salida en
import data
Prof. Dr. Rubén Darío Hernández B.
Identificación paramétrica
Se selecciona Time Domain data y se
cargan los datos.
Prof. Dr. Rubén Darío Hernández B.
Identificación paramétrica
Luego de cargar los datos se
utilizan los métodos para
aproximar la señal de salida
respecto a la de entrada en
Estimate, se selecciona
Process Models.
Prof. Dr. Rubén Darío Hernández B.
Identificación paramétrica
Luego de utilizar process
models y obtener varias
aproximaciones, que se
muestran en el lado
derecho de la ventana del
ident.
Prof. Dr. Rubén Darío Hernández B.
Identificación paramétrica
En la opción models output se
ven las aproximaciones y el
factor de correlación de cada
una.
Prof. Dr. Rubén Darío Hernández B.
Identificación paramétrica
Después se obtiene la función de transferencia de cada aproximación y se dibujó con
un step.
Función de transferencia tercer orden
con cero (r=0.9451)
Función de transferencia segundo
orden (r=0.9489)
Prof. Dr. Rubén Darío Hernández B.
Identificación paramétrica
Función de transferencia segundo orden Función de transferencia segundo orden
con cero (r=0.9583)
complejo conjugado (r=0.9575)
Prof. Dr. Rubén Darío Hernández B.
Identificación paramétrica
Función de transferencia primero orden
(r=0.958)
Función de transferencia primero orden
con cero (r=0.9453)
Prof. Dr. Rubén Darío Hernández B.
Identificación paramétrica
El factor de cada aproximación es:
El error cuadrático medio es de cada función de transferencia aproximada.
Prof. Dr. Rubén Darío Hernández B.
Identificación paramétrica
Mejor aproximación al comportamiento del sistema.
Prof. Dr. Rubén Darío Hernández B.
Identificación paramétrica
¿Preguntas?
Prof. Dr. Rubén Darío Hernández B.