Professional Documents
Culture Documents
IDENTIFICACIÓN DE SISTEMAS
DINÁMICOS, TIPO MIMO Y SISO.
Freddy Campos, Angela Lugo
Abstact— This article presents the identification of a dynamic de un modelo preciso para fines de análisis, predicción,
system such as a steam turbine, this MIMO type system being 2x2,
simulación, diseño y control.
containing Magnetization Voltage and Vapor Pressure as input
variables, Generated Voltage and output variables. Speed of generator
rotation. The identification of the same will be done using the El sistema que se requiere identificar, es el de una turbina de
MATLAB tool "System Identification", the polynomial structures vapor, éste es un equipo tan conocido ytan robusto que si no se
ARX, ARMAX, OUTPUT ERROR (OE) AND BOX-JENKINS (BJ) hacen barbaridades con él tiene una vida útil muy extensa y
are used, comparing their yields. A study will be done identifying the exenta de problemas.
system with a SISO type model and determining the MIMO type model.
This article is made up of an Introduction, Development, Design and
Conclusions where the generalities that allow obtaining a reliable Una turbina de vapor consta de diversas variables de entrada
model are presented, which can represent the system we call “black y diversas variables de salida, viendo la misma desde un punto
box”. de vista de sistemas, la misma es un sistema tipo MIMO
(Multiple Input – Multiple Output, MIMO).
Keywords— System, Model, Identification, Turbine, Pressure,
Speed, SISO, MIMO.
II. DESARROLLO.
Resumen— Este artículo presenta la identificación de un sistema A. Identificación de sistemas dinámicos.
dinámico como lo es una turbina de vapor, siendo este sistema de tipo
Aspectos Generales
MIMO de 2x2, al contener como variables de entrada el Voltaje de
Magnetización y la Presión del vapor, como variables de salida el
Voltaje Generado y la Velocidad del rotación del generador. La Se denomina identificación a la técnica de construir un
identificación del mismo se realizará haciendo uso de la herramienta modelo a partir de las variables medidas del proceso: entradas
de MATLAB “System Identification”, se emplean las estructuras o variables de control, salidas o variables controladas y,
polinomiales ARX, ARMAX, ERROR DE SALIDA (OE) Y BOX- posiblemente, perturbaciones. En principio y con el objetivo de
JENKINS (BJ), comparando sus rendimientos. Se hará un estudio modelizar se pueden proponer tres formas distintas de utilizar
identificando el sistema con un modelo tipo SISO y determinando el los métodos de identificación:
modelo tipo MIMO. Este artículo está conformado por una - Hacer distintas aproximaciones para estructurar el problema:
Introducción, Desarrollo, Diseño y Conclusiones donde se presentan seleccionar las señales de interés, observar la dependencia entre
las generalidades que permiten obtener un modelo fiable, que puede
ellas, estudiar el grado de linealidad del proceso.
representar el sistema al que denominamos como “caja negra”.
- Construir un modelo que describa el comportamiento entre
Palabras Clave— Sistema, Modelo, Identificacion, Turbina, las entradas y las salidas, prescindiendo del comportamiento
Presión, Velocidad, SISO, MIMO. físico. Hay distintas formas de abordar el problema, según se
consideren modelos no paramétricos o modelos paramétricos.
I. INTRODUCCIÓN - Utilizar los datos para determinar los parámetros no
L a identificación de sistemas trata el problema de construir
modelos matemáticos de Sistemas Dinámicos a partir de datos
conocidos del modelo físico obtenido a base del estudio de
propiedades y leyes físicas del proceso estudiado. En este caso
se habla de modelos “tailor-made” de los cuales se debe estimar
obtenidos del propio sistema. El tema se basa en metodologías
solamente los valores de los parámetros no conocidos. Para ello
teóricamente bien sustentadas y, debidas a la abundancia de
se recurre a ensayos de comportamiento o pruebas físicas y/o a
sistemas dinámicos que existen a nuestro alrededor, las la utilización de técnicas de optimización.
técnicas de identificación de sistemas encuentran un extenso
campo de aplicación. Para el caso de este artículo, se hará el uso del segundo
lineamiento.
Debido a que los sistemas dinámicos abundan en nuestro
medio ambiente, las técnicas de identificación de sistemas han Otro aspecto a tener en cuenta será el tipo de modelo
cobrado gran relevancia en diversas áreas del conocimiento matemático que se pretende identificar. Hay varias formas de
(ingenierías, economía, biotecnología, etc.), donde se requiere catalogar los modelos matemáticos: deterministas o
estocásticos, dinámicos o estáticos, de parámetros distribuidos
Freddy Campos UNEXPO, Ciudad Guayana, Bolívar 8050 Venezuela.
freddycampos1994@gmail.com
Angela Lugo UNEXPO, Ciudad Guayana, Bolívar 8050 Venezuela.
anglugo28@gmail.com
2
Se obtiene generalmente del conocimiento previo que se tenga Es también muy común asumir que e(t) tiene una distribución
del sistema y de las perturbaciones. Se escoge un conjunto de Gaussiana, en cuyo caso la fdp queda enteramente especificada
modelos candidatos dentro de un grupo de modelos que parecen por (Ec. 4). La especificación (Ec. 2) en términos de un número
acomodarse al sistema. Tal escogencia es de suma importancia, finito de valores, o coeficientes, se conoce como modelado
y no en vano, uno de los pasos más difíciles en el procedimiento paramétrico e involucra métodos de estimación y predicción
de Identificación. Entran en juego entonces la intuición y el conocidos métodos de identificación paramétrica. Muy a
conocimiento a priori del sistema. En muchos casos se recurre menudo no es posible determinar a priori estos coeficientes
a representaciones de sistemas lineales de tipo general. Pueden partiendo del conocimiento de las leyes físicas que gobiernan el
entonces manejarse las estructuras del modelo como modelos comportamiento del sistema. Es por eso que la determinación
de “cajas negras”. Como ejemplo de modelo en ecuación de de todos o algunos de dichos valores debe ser dejada a los
diferencias tenemos que: procedimientos de estimación. Esto quiere decir que los
coeficientes en cuestión entran en el modelo como parámetros
A(q)y(k) = B(q)u(k) + C(q)e(k) Ec. 1. a ser determinados. Llamaremos entonces θ al vector que
contenga todos los parámetros a estimar. O sea que ahora la
descripción del modelo será la siguiente:
En donde u es la entrada, y la salida, y e una perturbación de
tipo ruido blanco. (t, θ) = G(q, θ ). u(t) + H(q, ). 𝑒(t) Ec. 5a.
𝑓𝑒 (𝑥, 𝜃), 𝑓𝑑𝑝 de (t); {𝑒(t)}ruido blanco. Ec. 5b.
Modelos paramétricos de sistemas lineales invariantes en el
tiempo
Cabe destacar que este no es un modelo sino un set de
Un modelo de un sistema consiste en una descripción modelos, aunque por lo general vamos a hablar
conveniente de algunas de sus propiedades, y de acuerdo a un despreocupadamente del “modelo (Ec. 5)” aunque sea un abuso
propósito particular. El modelo no necesita ser una exacta de notación desde un punto de vista formal [2]. Realizando la
descripción del sistema, y el usuario debe saber esto para poder predicción de las muestras futuras para (Ec. 5), y para enfatizar
llevar a cabo su propósito. El primer paso en la identificación la dependencia que mantiene el estimador con el vector de
de sistemas es determinar una clase de modelos, dentro de la parámetros θ, la notación se hace de la siguiente manera:
cual se hallará el modelo más conveniente.
𝑦̂(t, θ) = 𝐻 −1 (q, θ). G(q, θ). u(t) + [1 Ec. 6.
Un modelo lineal invariante en el tiempo, puede ser − 𝐻−1(q, θ). y(t)]
especificado por su respuesta impulsiva (𝑔(𝑘))∞, ∅ (𝑤) =
1 𝑤
𝜎2|(𝑒𝑗𝑤)|2 de la perturbación aditiva, y, posiblemente por la Es notable que la forma de este predictor no depende de
función de densidad de probabilidad (fdp) de la perturbación fe(x,θ) ya que, como hemos expresado anteriormente, es posible
e(t). Por lo tanto un modelo completo estaría dado por: llegar a (Ec. 6) sin hacer consideraciones probabilísticas. A
continuación serán analizados diferentes modos de describir
y(t) G(q).u(t) H(q).e(t) Ec. 2. (Ec. 5a) en términos de θ.
𝑓𝑒 (𝑥) , fdp de e(t)
Con,
Familia de modelos de Funciones de Transferencia
∞
𝐻(𝑞) Ec. 3.
𝐺(𝑞) = ∑ 𝑔(𝑘). 𝑞−𝑘 ∞ Tal vez el camino más inmediato para parametrizar G y H
𝑘=1 = 1 + ∑(𝑘). 𝑞−𝑘 sería representarlas como funciones racionales y dejar que los
𝑘=1 parámetros sean los coeficiente del numerador y del
denominador. En lo que sigue presentaremos varias estructuras
En la mayoría de los casos es impracticable el hecho de hacer modelo, conocidas como modelos de caja negra.
esta especificación tomando las secuencias infinitas {g(k)} y
{h(k)} conjuntamente con la función fe(x). En lugar de esto uno
elige trabajar con estructuras que permitan la especificación de Estructura ARX
G y H en términos de un número finito de valores. Tal es así
que las funciones de transferencia racionales son típicos Probablemente la relación entrada-salida más simple que se
ejemplos de esto. Incluso es muy común que la fdp no sea puede obtener sea la proveniente de una descripción del sistema
especificada como función, pero descripta en función de unas como una ecuación lineal en diferencias.
pocas características numéricas como los momentos de primero
y segundo orden:
3
Existen sistemas en los cuales constan de una señal de Una turbina a vapor se mueve impulsada por el vapor
entrada, esta señal de entrada genera una señal de salida (Single producido en una caldera. La expansión del vapor hace girar el
Input – Single Output, SISO) (ver figura 5). Pero en la práctica rotor de la turbina transmitiéndole una potencia. La turbina va
en general se presentan muchas variables a controlar a la vez, acoplada mecánicamente a un generador, que transforma en
que responden a los estímulos de distintas señales de entrada a potencia eléctrica la recibida de la turbina. En la figura 8 se
la vez (Multiple Input – Multiple Output, MIMO) (ver figura muestra una breve ilustración de dicha explicación.
6). Por ejemplo, alcanza con que tengamos que controlar
producción (en el sentido de cantidad producida) y calidad (en
el sentido de composición) de un proceso para que tengamos al
menos dos salidas. [3]
Cuando intervienen varias variables se dan interacciones Cada turbina tiene sus propias características dependiendo
entre ellas. En general, para un problema con n variables del número de rotores, de la presión y de la temperatura de
podrían plantearse en principio !n interacciones. trabajo, de las velocidades posibles de rotación según el
material de que estén hechos los elementos de la turbina que
Volviendo a un sistema de 2x2, pueden identificarse dos entran en contacto con el vapor, de hecho, cada turbina genera
tipos de “acoplamientos” entre las señales: una familia de curvas, puesto que a velocidades diferentes rinde
potencias de distintas magnitudes.
Una alternativa es el acoplamiento 1 – 1 / 2 – 2, como se
observa en la figura 7. III. DISEÑO
Para efectos de este artículo, se va a manejar un sistema que
corresponde a una turbina de vapor. Haciendo el uso del
software MATLAB, son cargados los datos a nivel de
laboratorio de dicha turbina, a través del comando “load
5
SteamEng”, se observa que son cargados los datos de entrada canal GenVolt vs MagVolt. En la figura 13, se observa el canal
como lo son la presión de vapor después de la válvula de Speed vs MagVolt.
control y el voltaje de magnetización sobre el generador
conectado al eje de salida. Las salidas son voltaje generado en
el generador y velocidad de rotación del generador, la
frecuencia de muestreo para este análisis es de 500ms.
Resultados para sistema SISO Teniendo todas las estimaciones de dichos modelos, es
posible realizar una comparación de los mismos. En la figura
Una vez realizado todo esto, se realizan las estimaciones 18, se puede observar esta comparación.
correspondientes para obtener los diferentes resultados, para
cada una de las estructuras polinomiales.
Estructura ARX
Estructura ARX
Estructura ARMAX
SISO vs MIMO
V. CONCLUSIONES
VI. REFERENCIAS
[1] L.Ljung and T.Glad. Modelling of dynamic system,
Prentice Hall, 1994.
[2] Identificación de sistemas dinámicos. Cristian Kunusch
Año 2003
[3] DINÁMICA Y CONTROL DE PROCESOS. Dr. Ing.
Iván López Moreda