Escolar Documentos
Profissional Documentos
Cultura Documentos
ACTIVIDAD 2
TRABAJO COLABORATIVO
LUIS ALBERTO SANCHEZ CORREA - Cd.: 16.786.134
ENVER RICARDO PIZO Cd.:
INTRODUCCION
OBJETIVOS
Generales
Realizar las actividades correspondientes de la Unidad 2 del Curso.
Especficos
1. Leer los contenidos propuestos en el entorno de conocimiento para la Unidad 2. Tcnicas avanzadas
de control II (control ptimo, control basado en lgica difusa).
2. Determinar cul es la optimizacin del sistema utilizando la menor cantidad posible de energa.
3. Generar reglas de control fuzzy para el control de temperatura y humedad de la habitacin, aportes
individuales que conllevaran a la actividad colaborativa.
4. Fase 2 - Plantee un modelo matemtico para un sistema de control de temperatura y humedad de
una habitacin. Y Determine a partir del modelo diseado, cul sera la estructura ms apropiada para
la identificacin del sistema que se ajusta a los datos de entrada-salida registrados? Explique.
5. Fase 3 -Si se desea calentar una habitacin utilizando la menor cantidad posible de energa. Si ( )es
la temperatura de la habitacin, la temperatura ambiente fuera de la habitacin (se supone
constante) )( la proporcin de calor que hay que suministrar a la habitacin, la dinmica del modelo
puede representarse mediante la ecuacin: = ( ) + , donde (), con a y b constantes
que dependen de las propiedades de la habitacin, como por ejemplo su aislamiento. Si se define como
variable de estado del sistema la diferencia de temperatura entre el interior y el exterior, es decir )(
= ( )se puede escribir la ecuacin de estado como: = +
6. Para controlar la temperatura dentro de un intervalo de tiempo fijo [0, t1] con la menor cantidad
posible de energa proporcionada;
7. Defina el ndice de rendimiento, Defina el Hamiltoniano para este sistema, Determine el co estado
ptimo.
8. Si la temperatura inicial de la habitacin es 20C, determine la trayectoria ptima y el control ptimo
as como el coste ptimo del sistema que mide la cantidad de energa utilizada. O sea se debe
determinar cul es la optimizacin del sistema utilizando la menor cantidad posible de energa (Definir
el ndice de rendimiento.
9. Definir el Hamiltoniano para el sistema propuesto. Determinar el co estado ptimo. Determinar la
trayectoria ptima.
10.
Determinar el control ptimo. Determinar el coste ptimo. Proponer una solucin en Mathlab
para el control ptimo del sistema).
11.
Generar reglas de control Fuzzy para el control de temperatura y humedad de la habitacin
(Determinar las reglas difusas para realizar un control Fuzzy de la habitacin. Proponer una simulacin
en Mathlab del sistema basado en lgica difusa).
INTRODUCCION
El sistema de control para temperatura y humedad que hemos venido modelando desde la unidad
1 de esta materia sistemas avanzados de control es necesario conocer la dinmica de la planta, y
cmo se comporta y reacciona ante estmulos externos y buscar su estabilidad y controlabilidad.
Durante la fase inicial se obtuvo un modelo de la planta que reproduzca con suficiente precisin el
comportamiento del proceso real requerido en este proyecto. Existen dos mtodos para la
obtencin de modelos de procesos de sistemas de control plenamente estudiados:
Mtodo terico: Anlisis de relaciones que existen entre variables de proceso y se crea las
ecuaciones matemticas.
Mtodo experimental: Se simula proceso con
Identificacin de sistemas.
las caractersticas
El modelado del aire de salida, la mezcla de aire, tanque de agua fra, el calentador, y de sus
componentes del humidificador. El modelo matemtico: El calor y la densidad del aire especficos
son constantes, no hay ninguna fuga de aire en el proceso, El lmite es aislado. Y El aire es el gas
ideal. La ley de termodinmica en este caso es:
energa
entrada
energa
salida
{prdidas
energa
} = acumulada
sistema
La eficiencia energtica de des humidificacin: Mide en litros de agua extrados del aire por kWh de
energa consumida. Un factor ms alto significa mayor eficiencia, con un rendimiento que van desde
1 L / kWh a ms de 4 L / kWh. La interaccin compleja de la temperatura del aire, significa la temperatura,
la velocidad del aire radiante y la humedad con el ambiente trmico humano. Se analiza el efecto de la
manipulacin de la humedad relativa HR del ambiente en un cuarto en el confort trmico y sensacin trmica
ocupantes humanos. El estudio utiliza anlisis termodinmicos y psicomtricas, para incorporar el efecto de
cambiar RH junto con la temperatura de bulbo seco en el confort humano. El efecto de controlar la RH junto
con la temperatura en la zona de confort trmico se traduce en:
El aumento de la humedad relativa final en el cuarto reduce la cantidad de calor rechazado por lo
tanto haciendo que el sistema de aire acondicionado eficiente en consumo de combustible.
El control de la humedad relativa en el cuarto cuenta con el valor RH, como valor de humedad
relativa inicial alta conduce a una mayor cantidad de rechazo de calor.
Sistema de refrigeracin por evaporacin utiliza controlar la humedad relativa del cuarto.
Donde:
Donde:
= ( +
( ( + (
(1)
Donde:
(UA)ah = Factor de transmitancia por rea de la unidad de aire acondicionado = 0.04 kJ/sC
Dnde:
Ch =
= ( + (
(2)
Th =
( +
(3)
Donde:
Vh = Volumen total del Humidificador=0.44 m3
Wh = Relacion del suministro de aire / humedad en el humidificador en kg/kg(Aire seco)
En la ecuacin (3), h (t) es la tasa de aire hmedo que el humidificador puede producir y es
funcin de relacin de humedad.
Revisado ecuaciones diferenciales en el sistema se pueden expresar en forma de espacio de estado
de la siguiente manera:
Donde:
= ( + (
= (
3 = ( + (
1 = ,
= ,
=
( ,
( =
( =
(
, ( =
1 = , = ,
( =
,
( =
(
0
(
= 0 = ( + 0
(
(
0
De aqu se calcula:
= ( =
1 = ( =
( = , ( = , ( = , ( = 0
(
( =
(
0
= ( ( + (
= ( [ ( ]
De aqu:
(
(
0
( =
=
=
(
0
(
1
=
[
=
_
= =
= ( =
=
= ( =
=
Donde las variables controladas V1 y V2 son capaces de controlar los estados as:
x = ax + bu
Estructura ms apropiada para la identificacin del sistema que se ajusta a los datos de entradasalida registrados:
Donde:
d es la temperatura ambiente,
r seria la temperatura deseada,
k seria el controlador, planta decide si calentar o enfriar
Mathlab Solucin:
A=[0 1 ; 18 -6 ];
B= [1;0];
C=[0 1];
D= 0;
[num,den] = ss2tf(A,B,C,D)
S1= tf(num,den)
h = stepplot(S1)
rlocus (S1)
nyquist (S1)
bode (S1)
Respuesta Mathlab
num =
den =
0 0 18
1 6 -18
Transfer function:
Convirtiendo a discreto
Td=2;
Gz=c2d(S1,Td)
margin(Gz)
Gmf = feedback(Gz,0.05)
DC = dcgain(Gmf)
Sampling time: 2
Transfer function
Sampling time: 2
62.75 z + 17.08
--------------------z^2 - 77.69 z + 0.854
DC =
-1.0526
rlocus (Gz)
CONTROL PTIMO
El control ptimo es una rama del control moderno que se relaciona con el diseo de controladores
para sistemas dinmicos tal que se minimice una funcin de medicin que se denomina ndice de
desempeo o costo del sistema. En trminos ms formales, su objetivo principal de la teora de
control optimo es determinar las seales de control que causan a un proceso el satisfacer las
restricciones fsicas que se tengan y asimismo minimizar o maximizar segn sea el caso cierto criterio
de desempeo deseado. La solucin de algunos problemas de control no es posible obtenerla
usando mtodos de control clsicos. Esto puede ser ya sea debido a su complejidad, o que se
requieran satisfacer ciertos parmetros relacionados con su desempeo.
Energa mnima:
Ejemplo:
Determinar los valores extremos para el siguiente funcional J:
Esta ecuacin de segundo orden se puede resolver mediante integracin. Se integra dos veces la ecuacin y
se obtiene lo siguiente:
Esta ecuacin representa la solucin general de la ecuacin diferencial. Para determinar el valor de las
constantes de integracin, se deben usar las condiciones iniciales x(0) y condiciones finales x(1) del sistema.
Estos datos corresponden a los valores de frontera que representan los valores de inicio y trmino de la curva
x(t) que se est buscando. El procedimiento es evaluar la solucin general de x(t) en los valores iniciales y
finales y de esa manera obtener ecuaciones algebraicas cuya solucin determina los valores de las constantes
k. Para el valor inicial x(0) = 0, se tiene lo siguiente
:
Para el valor final x(1) = , se tiene:
trmino representa la pendiente de la curva dada por t. Esto describe la relacin que hay. Esta funcin x(t)
describe la solucin ptima del problema de minimizacin. Cualquier otra funcin cuyos puntos iniciales y
final sean los valores dados en las condiciones de frontera, ser una funcin admisible, pero no ser optima.
Otras funciones admisibles que podran considerarse como admisibles en este problema son x (t) = t
Es posible realizar una comparacin de manera cuantitativa de la solucin optima con otras curvas
admisibles son comprobar que tienen como condiciones de frontera los puntos x(0) = 0 y (1) = . Estas se
pueden obtener, mediante grficos. Adems, se podran obtener funciones ms especficas si se considerara
un valor numrico para , como por ejemplo = 1, para saber si una funcin pasa por los puntos, se requiere
evaluar su valor en esos valores, y si cumple con los valores dados por las condiciones de frontera, se puede
considerar como una candidata. Las admisibles son importantes al momento de comprobar que la solucin
optima efectivamente minimiza el ndice de desempeo. Para comprobar que la funcin x (t) obtenida
anteriormente es optima, se evala el ndice de desempeo J para esta funcin, y su valor se compara con
el que tiene al evaluarlo para otra funcin que cumpla con las caractersticas de los valores de frontera. A
continuacin, se evaluar el ndice de desempeo J(x (t)) donde x (t) = t, y su derivada es x (t) = .
Este valor debe ser comparado con el valor que se obtenga del ndice de desempeo evaluado en otra
funcin, por ejemplo las anteriormente mencionadas como admisibles:
La lgica borrosa (Fuzzy Lgica) ha surgido como una herramienta para el control de subsistemas y
procesos industriales complejos, tambin para la electrnica de entretenimiento y hogar, sistemas
de diagnstico y otros sistemas expertos. Con esta lgica se pretende representar de forma rigurosa
el significado de los enunciados imprecisos del lenguaje natural. Lo central en la lgica borrosa, de
modo distinto a la lgica clsica de sistemas, se orienta hacia la modelizacin de modos de
razonamiento imprecisos, los cuales juegan un rol esencial en la destacable habilidad humana de
trazar decisiones racionales en un ambiente de incertidumbre e imprecisin.
Esta habilidad depende, en cambio, de nuestra habilidad de inferir una respuesta aproximada a
preguntas basadas en un conjunto de conocimiento que es inexacto, incompleto o no totalmente
confiable, si la lgica clsica est considerada como la ciencia de los principios formales y normativos
del razonamiento, la lgica borrosa define los principios formales del razonamiento aproximado,
siendo capaz de reproducirlos modos usuales del razonamiento humano basando la certeza de una
proposicin en una cuestin de grado.
Esta lgica nos permite representar el conocimiento comn, el cual ser en su mayora del tipo
lingstico cualitativo y no necesariamente cuantitativo, en un lenguaje matemtico a travs de la
teora de conjuntos difusos que generaliza la teora de conjuntos clsica. Un conjunto borroso
sobre un universo X asigna un grado de pertenencia a cada elemento en el intervalo [0, 1], y no en
el conjunto {0, 1} como los conjuntos clsicos, que pasan a ser un caso particular de conjuntos
borrosos.
Se utilizan operadores borrosos de implicacin para definir relaciones borrosas que representan las
reglas para hacer inferencia mediante la regla composicional de inferencia, y que deben elegirse
apropiadamente para aplicaciones de control. La lgica borrosa es bsicamente una lgica evaluada
que permite valores intermedios para poder definir evaluaciones convencionales como s/no,
verdadero/falso, negro/blanco, etc. Las nociones como "ms bien caliente" o "poco fro" pueden
formularse matemticamente y ser procesados por computadoras. De esta forma se ha realizado un
intento de aplicar una forma ms humana de pensar en la programacin de computadoras.
Conjuntos borrosos. Los elementos fundamentales de la teora de sistemas borrosos son los
conjuntos borrosos (fuzzy). Sobre ellos se pueden realizar operaciones, algunas de ellas semejantes
a las que se realizan con los conjuntos clsicos. Finalmente, la lgica borrosa est basada en
combinaciones de conjuntos difusos mediante las mencionadas operaciones.
Los conjuntos borrosos, son conjuntos en los que se define una funcin llamada "funcin de
pertenencia", que asigna a cada elemento del conjunto, un valor que representa el grado en que
dicho valor pertenece al conjunto. A cada conjunto se le asocia un cuantificador lingstico, como
por ejemplo, mucho, poco, bastante etc., de forma que relacionamos el modelo matemtico con el
lenguaje humano.
Sea X un universo de discurso. Un conjunto difuso (fuzzy) A se define mediante dicho conjunto queda
identificado mediante parejas de elementos. Donde el smbolo "/" no representa ningn cociente
sino que tiene la funcin de un separador. La forma especfica de la funcin A depende de los
objetivos del modelo fuzzy. Por ejemplo, puede ser continua lineal a trozos. Si A es la funcin
caracterstica de A, entonces A es un conjunto clsico (no fuzzy).
Reglas Difusas
El tipo de sistema difuso que se utiliz para el controlador fue Mamdani, debido a que este mtodo
se basa en un mecanismo de inferencia basado en reglas se adapt fcilmente a las condiciones
planteadas basadas en el comportamiento del horno de la variables de entrada respecto a la variable
de salida, adicionalmente se utiliza el mtodo de fusificacin Centroide o centro de gravedad por ser
continuo.
Simulacin del controlador difuso
Una vez modelado el horno mediante la red neuronal y diseada el controlador difuso se procede a
unir todas las partes creadas simulando el sistema utilizando Simulink de Matlab cuya salida llamada
Salida C muestra el comportamiento del sistema. Para introducir los datos correctamente al modelo
se dispone de convertidores de las seales a miliamperios y la vlvula de control de flujo de gas.
Adicionalmente, para agregar la variable Error Derivado al modelo se emplea un bloque derivativo
y un bloque de saturacin llamado cambio cuyo rango va de -0.1 a 0.1 que es el rango de esa variable,
el cual contribuye a que al producirse el menor cambio de la seal de Error bien sea en los rangos
de las funciones de pertenencia positivo o negativo de esta variable el controlador realice el cambio
respectivo.
DESARROLLO TRABAJO:
figure
plot(sol_a,Dx1,sol_a,Dx2,sol_a,Dp1,sol_a,Dp2, sol_a,sol_h)
figure
plot(sol_a,Dx1,sol_a,Dx2);
-----------------------s=dsolve('Dy=2*y+t','y(0)=1','t')
ezplot(s,[-4,4])
------------------sol=dsolve('D2y+2*Dy=exp(x)','y(0)=1','Dy(0)=0','x')
ezplot(sol,[-2,4])
-------------------dsolve('eq1','eq2',...,'cond1','cond2',...,'v')
---------------------syms yt
yt = 2*exp(t^2/2)
ys = dsolve(diff(y,t) == t*y, ty(0) == 2)
ezplot ys
Con el uso de la herramiento sisotools de mathlab permite realizar los calculos del modo automaticos asi:
Tunable Elements
C:
Parameter
Value
Gain
133.402252943856
Zeros
-0.964292762414591
Poles
F:
Parameter Value
Gain
Zeros
[]
Poles
[]
Fixed Elements
G:
Parameter
Value
Gain
18
Zeros
[]
Poles
[-8.19615242270663;2.19615242270663]
H:
Parameter Value
Gain
Zeros
[]
Poles
[]
Tunable Elements
C:
Parameter
Value
Gain
-30.3836422230698
Zeros
[-0.348011865286026;10419.7375199713]
Poles
[0;-116326.724466002]
F:
Parameter Value
Gain
Zeros
[]
Poles
[]
Fixed Elements
G:
Parameter
Value
Gain
18
Zeros
[]
Poles
[-8.19615242270663;2.19615242270663]
H:
Parameter Value
Gain
Zeros
[]
Poles
[]
Tunable Elements
C:
Parameter
Value
Gain
-1.1428737645912
Zeros
[-0.000399955053239864;201.193932835713]
Poles
[0;-137.91770518874]
F:
Parameter Value
Gain
Zeros
[]
Poles
[]
Fixed Elements
G:
Parameter
Value
Gain
18
Zeros
[]
Poles
[-8.19615242270663;2.19615242270663]
H:
Parameter Value
Gain
Zeros
[]
Poles
[]
Tunable Elements
C:
Parameter
Value
Gain
-0.11109162705739
Zeros
[136.150232921282;-1.98234021377891e-007]
Poles
[0;-12.126830712719]
F:
Parameter Value
Gain
Zeros
[]
Poles
[]
Fixed Elements
G:
Parameter
Value
Gain
18
Zeros
[]
Poles
[-8.19615242270663;2.19615242270663]
H:
Parameter Value
Gain
Zeros
[]
Poles
[]
Se elige un controlador Mandami para este caso y el programa con las reglas se llama temp3.
Se crean 3 entradas que son Humedad, temperatura, setpoint Temperatura, setpoint Humedad, y
las salidas de Control el calentador, el aire acondicionado y el humidificador.
Para la segunda variable temperatura se establecieron tres categoras, frio, normal y caliente
como se puede observar:
Para la tercera entrada de control es el setpoint deseado de control de temperatura, se definen tres
escalas bajo, medio y alto como se observa en la grfica:
La primera salida de control fuzzy es el calentador que tiene 4 categoras apagado, bajo, medio y
alto como se observa en la grfica:
La segunda salida de control es el aire acondicionado que se categoriza en cuatro modos, apagado,
bajo, medio y algo como se observa en la grfica:
La tercera salida es el humidificador que se categoriza en apagado, suave, medio y rpido as:
A continuacin como parte del proceso se sigue el establecimiento de las reglas de control, un
total de 25 reglas, que se pueden observar en la grfica siguiente as:
A continuacin se observan las superficies de control, en este caso se observa la respuesta del
calentador para la entrada humedad y la entrada temperatura.
En esta grafica se puede observar la respuesta del aire acondicionado a las entradas de control
humedad y temperatura:
En esta grafica se puede observar la respuesta del humidificador a las entradas de control
humedad y temperatura as:
En esta grafica se observa la respuesta del calentador a las variables de entrada de control
humedad y setpoint de la humedad.
En la siguiente grafica se observa la respuesta del aire acondicionado a las entradas de control
humedad y setpoint de temperatura.
En la siguiente grafica se puede observar la respuesta del aire acondicionado a las variables de
control setpoint temperatura y temperatura.
Ahora se presenta el diagrama en simulink con la insercin del controlador fuzzy modo operacin
Mandami as:
En las siguientes graficas se pueden observar grficamente las reglas de diseo del controlador
fuzzy asi:
NumMFs=4
MF1='Apagar':'trapmf',[-38 -0.804 4.63 4.8941798941799]
MF2='Medio':'trimf',[37.4137566137566 56.6137566137566 71.8253968253968]
MF3='Alto':'trapmf',[73.4 98.5 98.7 132]
MF4='Bajo':'trimf',[4.89 21.3 37.962962962963]
[Output2]
Name='AireCondicionado'
Range=[0 100]
NumMFs=4
MF1='Apagar':'gbellmf',[6.22 3.28 -0.00370370370370221]
MF2='Baja':'trimf',[9.26190476190476 28.1619047619048 39.7619047619048]
MF3='Alto':'gaussmf',[17 106.068253968254]
MF4='Medio':'trimf',[34.1 54.3650793650793 72.9]
[Output3]
Name='Humidificador'
Range=[0 100]
NumMFs=4
MF1='seco':'gauss2mf',[1.12 -1.76915343915344 1.12 5.69084656084656]
MF2='suave':'trimf',[7.41 23.1481481481481 37.9]
MF3='Medio':'trimf',[36.994708994709 58.894708994709 70.994708994709]
MF4='Rapido':'gbellmf',[16.7 3.12 101.321957671958]
[Rules]
1 1 1 1,
1 2 1 1,
1 3 2 2,
1 2 1 3,
2 1 1 1,
2 2 1 3,
2 3 2 2,
2 3 1 3,
3 2 2 3,
3 3 2 3,
3 0 2 2,
3 0 2 3,
1 1 3 3,
2 3 3 3,
2 3 3 3,
3 3 3 3,
2 3 3 3,
3 1 2 3,
2 3 2 3,
2 3 3 2,
3 2 3 3,
2 3 3 2,
2 3 3 2,
3 2 2 2,
3 3 3 3,
2
4
4
4
1
2
2
4
2
2
2
2
3
2
2
4
2
3
2
2
3
2
4
3
4
1
2
4
4
1
4
3
3
4
4
3
4
2
4
4
4
4
4
3
4
2
4
3
4
3
1
1
1
3
2
3
3
4
3
3
4
3
2
3
2
3
4
2
4
3
4
2
3
2
3
(1)
(1)
(1)
(1)
(1)
(1)
(1)
(1)
(1)
(1)
(1)
(1)
(1)
(1)
(1)
(1)
(1)
(1)
(1)
(1)
(1)
(1)
(1)
(1)
(1)
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
CONCLUSIONES
El comportamiento del aire acondicionado, del Sistema de Calefaccin, Ventilacin
tiene una gran importancia en el consumo de energa como la calidad del aire.
El rendimiento del sistema de control ptimo en la fase de diseo, es necesario
modelos matemticos aproximados para los componentes del sistema.
Las estrategias de control ptimo y fuzzy eficientes son esenciales en el desarrollo
de mejores sistemas de control de energa para edificios.
Los criterios ms importantes ptimos y de control fuzzy para el diseo de plantas
de climatizacin son la eficiencia energtica y las condiciones ambientales interiores.
Combinacin eficiente de demanda y consumo da control adecuado de la planta.
Las funciones de cualquier sistema de climatizacin son proporcionar condiciones
satisfactorias interiores confortables (temperatura y humedad relativa) para edificios
y viviendas, para los seres humanos y equipo, y, al mismo tiempo, reducir al mnimo
el consumo total de energa al tiempo que proporciona temperaturas agradables y la
humedad para los ocupantes.
Sistema de climatizacin optimo utiliza para compensar la carga trmica (Qz) y la
carga de humedad (Mz) en una zona trmica y para mantener puntos de ajuste
deseable para parmetros de condiciones de comodidad, tales como temperatura,
humedad relativa, contenido de CO2, y la velocidad del aire de acuerdo al diseo.
Diferentes parmetros, la temperatura y la humedad relativa tienen una influencia
directa en el rendimiento de sistemas de aire acondicionado en las aplicaciones.
El diseo de controladores ptimos y fuzzy de xito para los sistemas de
climatizacin depende de la disponibilidad de modelos dinmicos de los sistemas y
ecuaciones matemticas que describen su comportamiento.
Temas como la eficiencia energtica, recientemente, tienen inters en modelado
matemtico de sistemas de HVAC y componentes.
El comportamiento lineal del sistema, y de componentes del HVAC son importantes
debido a que da lugar a una accin de control ptimo y fuzzy vlido y satisfactorio.
BIBLIOGRAFIA
Kouro, S., & Musalem, R. (2002). Control mediante lgica difusa. Tcnicas modernas
automticas, (1-7)-7.
Pastelleto. S. (2010). Matemtica del control fuzzy. Depto. Control- Escuela de electrnica
FCEIA-UNR. Pginas 1-20.
https://en.wikibooks.org/wiki/Control_Systems/System_Modeling
http://wikis.controltheorypro.com/Reaction_Cancellation_Example
http://www.cds.caltech.edu/~murray/courses/cds101/fa04/caltech/am04_ch23oct04.pdf
http://ocw.mit.edu/courses/mechanical-engineering/2-004-systems-modeling-andcontrol-ii-fall-2007/lecture-notes/
http://www.mathworks.com/help/pdf_doc/control/get_start.pdf
http://ctms.engin.umich.edu/CTMS/index.php?example=Introduction§ion=Syste
mModeling
https://www.pearsonhighered.com/assets/hip/us/hip_us_pearsonhighered/samplech
apter/0136156738.pdf
http://www.mathworks.com/help/control/ug/control-system-modeling-with-modelobjects.html