Sistemas de Medici on

Pablo J. Prieto Yunier Valeriano Orlando Urquijo Robby Gustabello

Departamento de Autom atica. Universidad Central Marta Abreu de Las Villas (UCLV) Carretera a Camajuan km 5.5 Santa Clara (54830), Villa Clara, Cuba and pablop@uclv.edu.cu

Respuesta del sistema ante entrada escal on

La raz on por la que se realiza la estimaci on param etrica de sistemas a partir de excitaci on a la planta es debido a la imposibilidad de obtener un modelo matem aticos de manera anal tica ya que existen elementos participantes en la din amica del sistema que se hace dif cil su estimaci on, principalmente elementos no lineales tales como zonas muertas, fricciones, entre otros. Es por ello que se recurre a la estimaci on de manera experimental teniendo en cuenta criterios estad sticos. La idea principal es lograr la aproximaci on lineal de una planta en cuesti on a determinado modelo, mientras m as simple mejor, que sea capaz de lograr respuestas similares con respecto al sistema original . El primer paso es tener una idea del orden del modelo en cuesti on. Se hacen diferentes pruebas experimentales. Entre ella sobresale aplica una se nal escal on al sistema en lazo abierto con el objetivo de que, al excitar la planta, est en presentes din amicas del sistema que permitan lograr esa aproximaci on. Se tiene en cuenta la se nal escal on ya que la misma presenta un espectro de frecuencia innito y dentro de este u ltimo se encuentra el ancho de banda del sistema y por ende, es capaz de excitar todos los elementos din amicos presentes.

Figure 1: Respuesta del sistema en lazo abierto.

En la gura 1 se presenta la respuesta del sistema ante entrada escal on. Se puede observar una 1

caracter stica fundamental. En ella se ve la presencia de un integrador ya que, como se aprecia, ante la entrada escal on la respuesta del sistema es del tipo rampa. Esto es propio de los sistemas que presentan un polo en el origen y por tanto a la hora de hacer una identicaci on del sistema se hace necesario realizarlo a lazo cerrado ya que un sistema de n orden tipo 1 en lazo cerrado se convierte en un sistema de orden n . El sistema mostrado en la gura 2 representa el diagrama en bloque, llevado a cabo en Simulink, en lazo cerrado donde puede ser visto que la ganancia K = 0.05. Adem as es presentado la respuesta de la planta , esta vez con la retroalimentaci on de la salida

Figure 2: Esquema del sistema en lazo cerrado.

En la gura 7 puede ser visto varios elementos importantes que permite hacerse una idea acerca del modelo. La primera es la existencia de polos complejos conjugados que dominan la respuesta del sistema ya que se puede observar el car acter sub-amortiguado de la respuesta de la planta, objeto de an alisis. Otro de los elementos presentes es el conocido como respuesta inversa del sistema visibles entre los segundos uno y ocho. Esto puede ser visto en sistemas que presentan ceros en el semiplano derecho.

Figure 3: Respuesta del sistema en lazo cerrado ante entrada escal on.

Se parte de que el sistema, objeto de estudio, puede ser aproximado a un sistema de tercer orden tipo 1 con un cero en el semiplano derecho:
2 Kwn (s a) 2) + 2wn s + wn

G=

s(s2

(1)

A partir de la gura 7 se toman los par ametros fundamentales concernientes a la respuesta temporal de un sistema, ampliamente referenciado en la literatura (referenciar Ogata, Kuo y la madre de los tomates) . En este caso, son: Tiempo de establecimiento ts = 66.7079s Tiempo de pico tp = 19s Tiempo de subida tr = 13s

Identicaci on de sistemas

Para obtener experimentalmente el modelo param etrico de un sistema, se somete el mismo a un proceso de identicaci on experimental. Este proceso consiste en excitar el sistema con una se nal binaria pseudoaleatoria (PRBS), registrar la se nal obtenida a la salida, y con ambas, aplicando m etodos de estimaci on de par ametros, determinar el modelo din amico discreto que las correlacione adecuadamente. Este modelo debe ser validado con diferentes t ecnicas de an alisis estad stico, y de no ser el m as adecuado deber a cambiarse la estructura del modelo, el m etodo de estimaci on o repetirse el experimento con otra se nal de estimaci on hasta obtener un resultado satisfactorio: Los m etodos de estimaci on param etricos dan como resultado una funci on de transferencia en tiempo discreto que responde a la forma general: A(z )y (k ) = G(z )u(k ) + H (z )e(k ) donde b1 z nk + b2 z nk1 + .... + bnb z nknb+1 B ( z 1 ) = 1 F (z ) 1 + f1 z 1 + .... + bnf z nf C (z 1 ) 1 + c1 z 1 + .... + cnc z nc = D(z 1 ) 1 + d1 z 1 + .... + dnd z nd (2)

G(z ) =

(3)

H (z ) = y

(4)

A(z ) = 1 + a1 z 1 + .... + ana z na

(5)

Para elegir la estructura de este tipo de modelos hay que determinar el orden de cada uno de los polinomios anteriores, es decir na, nb, nc, nd, nf y el retardo entre la entrada y la salida nk . En ella, los errores del modelo se incluyen en el t ermino e(k ), mientras G(z ) y H (z ) son funciones de transferencia que modelan la parte determinista y estoc astica del proceso. A partir de la forma general (Ec. 2 25) se denen diferentes estructuras, seg un la forma en que se modele el ruido, con sus peculiaridades en cuanto al algoritmo que se utiliza para la determinaci on de G(z) y H(z) y las propiedades que sean asumidas para el ruido. Las m as usadas son:

 ARX (Auto Regressive and Exogenous Variable): Estructura auto-regresiva [A(z).y(k)] con variables ex ogenas [B(z).u(k)], suponiendo un ruido blanco de media cero y varianza constante. Se resuelve directamente por el algoritmo de m nimos cuadrados. Respondiendo a la forma:

A(z )y (k ) = B (z )u(k nk ) + e(k )

(6)

ARMAX (Auto Regressive Moving Average and Exogenous Variable): Estructura auto-regresiva con variables ex ogenas, suponiendo un ruido blanco de media cero y varianza constante afectado por un ltro de media m ovil. Se resuelve minimizando el error de predicci on de forma iterativa, aplicando el algoritmo de m nimos cuadrados extendido. Respondiendo a la forma:

A(z )y (k ) = B (z )u(k nk ) + C (z )e(k )

(7)

OE (Output Error): Estructura auto-regresiva con variables ex ogenas, que s olo afecta a la relaci on entrada-salida (no perturbada) con un ruido blanco aditivo. Se resuelve con un algoritmo similar al ARMAX modicando el c alculo del error de predicci on y el gradiente. Respondiendo a la forma: A(z )y (k ) = B (z ) u(k nk ) + e(k ) F (z ) (8)

BJ (Box-Jenkins): Estructura auto-regresiva con variables ex ogenas, cuya parte determinista no tiene par ametros comunes con la estoc astica. Se resuelve con un algoritmo similar al ARMAX modicando el c alculo del error de predicci on y el gradiente. Respondiendo a la forma: B (z ) C (z ) u(k nk ) + e( k ) F (z ) D(z )

y (k ) =

(9)

todos los casos k representa el instante de muestreo k- esimo, nk representa el retardo puro que pueda tener el sistema, mientras A, B, C, F y D son polinomios en z de orden na, nb, nc, nf y nd respectivamente.

Figure 4: diagrama en bloques de las estructuras mas usadas para la estimaci on lineal.

Teniendo en cuenta la din amica del sistema se estima el modelo alrededor del punto de operaci on. Ello se logra con la excitaci on del sistema a trav es de una se nal PRBS. Se obtiene entonces una familia de modelos param etricos a trav es del uso del m etodo de m nimos cuadrados. Este proceso debe hacerse en lazo cerrado porque de otra forma no podr an lograrse variaciones estables alrededor del punto de operaci on. Aplicando los m etodos de estimaci on, se determina primeramente la funci on de transferencia del lazo cerrado (Glc ) a partir de las se nales de salida (y ) y entrada (PRBS). Con ella se tiene la siguiente relaci on: Kp Gsis(z ) numGlc(z ) Y (z ) = = P RBS 1 + Kp Gsis(z ) denGlc(z )

Glc(z ) =

(10)

Como Kp es conocida, se puede despejar y obtener la funci on de transferencia del sistema en lazo abierto (Gsis): Y Glc(z ) Kp Gsis(z ) = (z ) = = U Kp (1 Glc(z )) denGlc(z ) numGlc(z )
numGlc(z )

(11)

La Identicaci on Directa ser a estimar la funci on de transferencia de lazo abierto a partir de las se nales de mando (u ) y la salida del sistema (y ). Pero, para aplicar este m etodo a un proceso en lazo cerrado, se requiere de un conocimiento preciso del modelo del ruido.

2.1

Dise no de la PRBS

Para la generaci on de la se nal binaria pseudo-aleatoria se tiene en cuenta varios criterios. En primer lugar se escoge la frecuencia de muestreo, que en este caso se escoge a partir de la frecuencia natura del sistema. Basado en el ep grafe anterior se determina que:

wn = 0.1696rad/s

(12)

A partir de los criterios pr acticos la frecuencia de muestreo debe obedecer la siguiente premisa: Para recuperar toda la informaci on de una se nal dada es necesario muestrear dicha se nal con una frecuencia igual o mayor a dos veces la frecuencia m axima que contenga dicha se nal o sea: wm = 2wn (13)

En la pr actica se toma una frecuencia u til de tal forma que sea de cinco a diez la frecuencia del sistema. Se hace necesario aclara que un tiempo de muestreo superior no solo implica altos costos en lo que a electr onica y sistemas empotrados se reere sino tambi en a que la informaci on recolectada puede ser muy redundante. En este caso espec co se tiene en cuenta el criterio siguiente:

wm = 5wn = 2.38rad/s

(14)

Se genera la PRBS a partir de que el tiempo total de estimaci on es 20 veces el tiempo de establecimiento: 5

te = 20 ts

(15)

Se genera otra se nal del mismo tipo. Esta vez con el objetivo de validar el modelo estimado. El criterio tenido en cuenta es que el tiempo de validaci on sea 15 veces el tiempo de establecimiento: tv = 15 ts (16)

Basado en las propiedades intr nsecas de la se nal PRBS, que cumpla el delta de Dirac, donde su auto-correlaci on sea lo m as pr oximo a cero y que haga un barrido a lo largo del ancho de banda del sistema con el objetivo de excitar en todos los niveles de frecuencia la din amica de sistema y con ello garantizar toda la recolecci on de informaci on. Se establece que, basado en el tiempo de experimento, la se nal cumpla con las propiedades. Para ello se toma: te = 1346.4s (17)

La gura 5 muestra la se nal pseudo aleatoria brindando el tiempo de estimaci on y el tiempo de validaci on. Tambi en se a naden muestra la auto-correlaci on de la PRBS cumpli endose los requisitos te oricos y por otro lado muestra el espectro de la se nal conteniendo el ancho de banda del sistema.

Figure 5: Se nal binaria pseudo-aleatoria.

La respuesta del sistema se toma en dos tramas, mostrados en la gura 9: La primera para identicar La segunda para validar

Figure 6: Se nal binaria pseudo-aleatoria y respuesta del sistema.

2.2

Toolbox de identicaci on

La identicaci on se puede llevar a cabo empleando la herramienta GUI del toolbox de identicaci on de sistemas. La siguiente gura muestra las diferentes estructuras tomadas.

Figure 7: Toolbox de identicaci on de Matlab con las estructuras seleccionadas.

A trav es de esta interfaz pueden ser procesadas las se nales del sistema, ltradas con vistas a la estimaci on del modelo. Para la comparaci on cuantitativa de los modelos obtenidos con cada estructura, se utiliza el por ciento de ajuste de la salida del modelo a la salida real medida, denido en el Toolbox de Identicaci on como: Donde ym es el vector de la salida simulada del modelo ante la misma entrada con que se obtiene el

vector de salida del sistema real y . norma(ym y ) ]100% norma(y media(y ))

F IT = [1

(18)

En el caso de la selecci on de las estructuras se tienen en cuenta sobre todo modelos de tercer, cuarto y quinto orden ya que sistemas con orden superior no reejan ning un signicado f sico. Table 1: Caracter sticas pricipales de la MTI Estructura F IT (%) na nb nc nd nf nk ARX 93.72 7 5 1 OE 93.71 5 5 1 ARMAX 93.73 5 4 3 1 BJ 93.51 5 4 3 2 1

De manera general los diferentes modelos presentan similares seguimientos de se nal. Se hace necesario aclarar que estos modelos basados en las estructuras ya explicadas est an validados por los criterios de la auto-correlaci on de residuos y correlaci on de los residuos con la salida del sistema ya que estos par ametros estad sticos deben ser lo m as peque no posible, con tendencia hacia cero, debido a que en ning un instante de tiempo debe existir dependencia de unos con respecto a otros. De esta forma el modelo estimado se asemeja al real. Los dem as modelos fueron desechados al no obedecer a los mismos criterios. En este caso se toma el modelo obtenido a partir de la estructura ARMAX debido a las caracter sticas propias. Dicho modelo es validado tambi en por el criterios de los residuos mostrados en la gura 8.

Figure 8: Correlaci on cruzada entre residuos y salida del sistema y autocorrelaci on de los mismos.

A trav es de la implementaci on de instrucciones en Matlab basados en criterios planteados en los 8

peigrafes anteriores fue obtenido el modelo de la planta objeto de estudio. den = amx3451.A; num = amx3451.B;

Ld = tf(num,den,tm); Lcc = d2c(Ld,tustin); [num,den] = tfdata(Lcc,v);

La =

tf([num/Kp],[den-num])

donde el modelo obtenido es: G= 12.4563(s + 1.301)(s 0.849)(s 0.4146) (s + 5.424)(s + 0.2778)(s + 0.0001061) (19)

con vistas a evaluaci on del desempe no ambos modelos son sometidos a entradas escal on unitario. El esquema en Simulink se muestra en la gura ??

Figure 9: Esquema en Simulink y respuestas de los sistemas entrada escal on unitario.