MAESTRIA CONTROL INDUSTRIAL

TALLER No.


1. El archivo Proceso4.mat contiene las variables y, y t las cuales corresponden a la respuesta paso de
un sistema y a su respectiva variable tiempo. Encontrar el modelo del sistema usando mtodos Eye
Ball.

Desarrollo

Inicialmente cargamos los datos en Matlab para observar la respuesta:



Como podemos observar es la respuesta paso de un sistema de segundo orden con retardo, as que vemos la
tomar los datos visualmente de la grfica como son la ganancia, el valor mximo del Sobreimpulso, numero de
cortes por cero en el tiempo muerto, el periodo de oscilacin y el tiempo muerto.



Luego realizamos un *.m en matlab para graficar ambas graficas en un solo dibujo para ajustarla lo mas que se
pueda, esta es la verificacin.

%% Taller 4 por eyeball

clear all
close all
clc

load Proceso4


figure(1)
plot(t,y)
grid

% Calculo de parametros a partir de la grafica (Kp, Td, Wn, Zita)

Kp=1; % Esta es la ganacia en estado estacionario
Kov=1.412; %El valor maximo del sobreimpulso
Td=0.46; % El tiempo muerto
T=0.9; %periodo de oscilacion
M=(Kov-Kp)/Kp;
zita=(-log(M))/(sqrt(pi^2+log(M)^2));
Wn=(2*pi)/(T*(sqrt(1-zita^2)));
n=5; % ESTE ES EL NUMERO DE CRUCES POR CERO EN EL TIEMPO MUERTO
num2=Kp*Wn^2;
den2=[1 2*zita*Wn Wn^2];
[num1,den1]=pade(Td,n);
numm=conv(num1,num2);
denm=conv(den1,den2);

% Verificacion del modelo

y1=step(numm,denm,t);
hold on
plot(t,y1,'*r')
grid


Ejecutando el *.m file nos arroja la siguiente grfica.



La funcin de transferencia para esta respuesta impulso es:

()

2. El archivo Proceso5.mat contiene las variables y, y t las cuales corresponden a la respuesta paso de
un sistema y a su respectiva variable de tiempo. Encontrar el modelo del sistema usando mtodos Eye
Ball.



TALLER No.3















Para ello creamos un *.m en matlab e ingresamos los datos de amplitud y frecuencia

%% Grafico datos en bode

f=[0.01 0.018 0.032 0.056 0.1 0.178 0.316 0.562 1 1.778 3.162 5.623 10 17.783 31.623
56.234 100 177.828 316.228 562.341 1000]/60;
mag=[0 0 0 0 0 0 -0.01 -0.03 -0.09 -0.27 -0.83 -2.29 -6.02 -12.39 -20.83 -30.27 -40.09
-50.03 -60.01 -70 -80];
mag2=(10.^(mag/20));
fase=[-180.4 -180.7 -181.3 -182.3 -184 -187.1 -192.7 -202.5 -220.1 -251.1 -305.7 -39.8
-196.5 -90.7 -150.8 -150.8 -333.4 -48 -55 -267.9 -206.7]-360;
fased=fase*180/pi;

figure(1)
subplot(2,1,1)
semilogx(f,mag)
subplot(2,1,2)
semilogx(f,fase)


La cual nos arroja la siguiente grfica.


Despues abrimos el la plaicacin de matlab ident para halar los datos, el cual nos muestra una pantalla asi:


Luego vamos a import data y seleccionamos los freq domain data, puesto que nuestros datos estn en rango de
frecuencia. Luego nos aparece la siguiente ventana. Que es donde ingresamos nuestros datos asi como estn en
la figura y le damos al boton import.


Luego vemos que se cargan los datos en las casillas de Data views, en Working data y Validation Data. Y se
observa en la siguiente figura.



Como el objetivo es tener un modelo paramtrico entonces vamos al botn EStimate y seleccionamos Transfer
Function Models como se muestra en la figura.


Despues de haberle dado la instruccin nos mostrara la siguiente vantana. Donde podremos ingresar los datos
para obtener nuestro modelo. Como lo son el numero de polos, ceros. Este procedimiento lo realizamos varias
veces hasta obtener el mejor modelo para nuestro bode inicial.

Despus de realizar varias iteraciones seleccionamos los 4 mejores modelos que tenemos.




Que son:
Tf4


Tf5


Tf9


Tf1



Y luego le damos click en Transient resp y Model Output



Para obtener las siguientes dos grficas


La cual nos muestra la respuesta paso de los modelos estimados; sin embargo estos se deben validar con la
respuesta en frecuencia de la inicial.



Como se puede observar el modelo tf1, es el que mas puntos en comn tiene con el bode original.





Para este segundo sensor se tiene lo siguiente. Se ingresan los datos a un*.m para correr el cdigo y ver que que
los datos ingresados se encuentren bien.

%% La segundo diagrama de bode cargamos los datos

f2=[0.01 0.018 0.032 0.056 0.1 0.178 0.316 0.562 1 1.778 3.162 5.623 10 17.783 31.623
56.234 100 177.828 316.228 562.341 1000]/60;
mag2=[-6.02 -6.02 -6.02 -6.02 -6.02 -6.03 -6.04 -6.08 -6.19 -6.56 -7.68 -10.79 -18.06
-30.79 -47.68 -66.56 -86.19 -106.08 -126.04 -146.03 -166.02];
mag3=(10.^(mag2/20));
fase3=[-0.2 -0.4 -0.7 -1.3 -2.3 -4.1 -7.2 -12.9 -22.8 -40.3 -70.2 -117.4 -180 -242 -289.8
-319.7 -337.2 -347.1 -352.8 -355.9 -357.7];
fased3=fase*180/pi;

figure(5)
subplot(2,1,1)
semilogx(f2,mag2)
subplot(2,1,2)
semilogx(f2,fase3)


Como se puede observar estn bien ingresados los datos, ahora procedemos a ingresar a la herramienta ident
para hallar nuestro modelo.



Igualmente como en el anterior ejercicio, voy a import data y selecciono los siguientes datos en Freq domain
data e ingresamos los siguientes datos.


Y luego aparecern cargados en Data Views, Operations y Validation Data


Luego vamos al botn estimate y seleccionamos Transfer Function Models

Que aparecern las siguientes opciones de seleccin de polos y ceros para parametrizar nuestro sistema.

Dentro de todas las posibilidades de polos y ceros, la mejor nos da para 4 polos y 2 ceros. Aumentar polos y ceros
no disminuye el error por lo tanto seleccionamos esta.



Y los parmetros de ajuste estn al 98.12% lo que es muy aproximada a la realidad.



Al final comparamos las respuestas con los datos que nos muestran acontinuacion. Hacemos un archivo en
simulink.



Ensayo simulacin.







http://repositorio.innovacionumh.es/Proyectos/P_19/Tema_5/UMH_02.htm


TALLER No.4