You are on page 1of 43

Regresiones lineales

en tiempo discreto
Laboratorio de control II

Integrantes
-Mauricio Baeza
-Joaqun negrete
-Vctor Ortiz
docente
-Joel vega
Seccin
-179
Fecha entrega
-16/05/2014

Regresiones lineales en tiempo discreto

ndice
Introduccin ....................................................................................................................................... 3
Desarrollo........................................................................................................................................... 4
Mtodo ARX ...................................................................................................................................... 5
Nuevos valores arx (841) ................................................................................................................ 7
Nuevos valores arx (881) .............................................................................................................. 11
Nuevos valores arx (100 4 1)........................................................................................................ 15
Nuevos valores arx (50 25 1)........................................................................................................ 19
Mtodo ARMAX .............................................................................................................................. 23
Armax (3333) ..................................................................................................................................... 24
Armax (3233) ..................................................................................................................................... 29
Armax (4333) ..................................................................................................................................... 33
Armax (4443) ..................................................................................................................................... 37
Conclusin ....................................................................................................................................... 43

Regresiones lineales en tiempo discreto

Introduccin
En esta parte de la experiencia haremos un anlisis grfico a travs de las
funciones ARX y ARMAX que nos entrega MATLAB Generalmente los modelos
paramtricos se describen en el dominio discreto, puesto que los datos que sirven
de base para la identificacin se obtienen por muestreo. Con estos mtodos de
hacer regresiones discretas tomaremos varias muestras para analizarlas y ver cual
es el mejor mtodo. Tenemos una forma de graficar un sistema por mtodos de
polinomios el cual se puede representar en dos matrices:
ARX :Este utiliza la estimacin de parmetros utilizando mnimos cuadrados
adems es una matriz de 1x3 con la siguiente estructura [na nb nk] que se
representa por un polinomio del tipo A(z)y(t) = B(z)u(t) + e(t)
ARX model: A(z)y(t) = B(z)u(t) + e(t)
Donde:
A (z) y B (z): representan los polinomios que describen la dinmica del sistema
e (t)

: perturbacin del sistema

u (t) : entrada del sistema


y (t) : salida del sistema

ARMAX : Este utiliza una estimacin de parmetros usando datos de dominio de


tiempo adems es una matriz de 1x4 la cual tiene la siguiente estructura [na nb nc
nk] que se representa por un polinomio del tipo A(z)y(t) = B(z)u(t) + C(z)e(t)
ARMAX model: A(z)y(t) = B(z)u(t) + C(z)e(t)
Donde:
A (z), B (z) y C(z) : representan los polinomios que describen la dinmica del
sistema
e (t)

: perturbacin del sistema

u (t) : entrada del sistema


y (t) : salida del sistema

Regresiones lineales en tiempo discreto

Desarrollo
Para poder hacer uso de este mtodo en MATLAB se prosigue a ingresar al
commad Windows y se escribe el comando >>ident y seguimos los mismos pasos
usados para regresin pero en el momento de elegir Estimate--> ahora se pone la
opcin polynominal Models.

En polynominal Models nos muestran su estructura como polinomios, adems se


pueden estimar (representar grficamente y obtener polinomio). En structure
podemos elegir las opciones que vamos a trabajar como arx y armx como se
mostrar en la siguiente imagen:

Regresiones lineales en tiempo discreto

Mtodo ARX
Equivale a introducir a la salida limpia una perturbacin que es un ruido blanco
e previamente filtrado por 1/A(z):

En polynominal Models nos dan la opcin para cambiarles los valores de la matriz,
nos muestran su estructura como polinomios.

En la opcin order editor nosotros


podemos modificar los polos (na), ceros
(nb), y el retardo (nk).

Regresiones lineales en tiempo discreto

Luego de eso procedemos a estmate donde podremos visualizar nuestro modelo


de salida

Al hacer click en la funcin nos arroja los valores de los polinomios

El cual al apretar present este aparecer en el command window de Matlab. Con


esto nosotros podemos saber el valor de los polinomios de nuestra funcin .

Regresiones lineales en tiempo discreto

Nuevos valores arx (841)


arx841 =
Discrete-time ARX model: A(z)y(t) = B(z)u(t) + e(t)
A(z) = 1 - 1.126 (+/- 0.02475) z^-1 + 0.07693 (+/- 0.04301) z^-2 + 0.2463 ( +/0.03194) z^-3 - 0.07202 (+/- 0.01221) z^-4
B(z) = 0.0007068 (+/- 0.001029) z^-1 + 0.005736 (+/- 0.00124) z^-2 + 0.06306 (
+/- 0.00124) z^-3 + 0.0529 (+/- 0.002094) z^-4
Name: arx841
Sample time: 0.08 seconds
Parameterization:
Polynomial orders: na=4 nb=4 nk=1

Luego apretaremos Model output para poder apreciar la medida y simulacin de


la salida.

Regresiones lineales en tiempo discreto

Procederemos a tomar nuestro modelo y arrastrarlo a To workspace para poder


visualizarlo en command window alli nosotros seremos capases de ver los
distintos mtodos de estabilidad como Bode, nyquist y LGR y simular en matlab.

Regresiones lineales en tiempo discreto

BODE

NYQUIST

Regresiones lineales en tiempo discreto

STEP

LGR

10

Regresiones lineales en tiempo discreto

Nuevos valores arx (881)

Valores de los polinomios


arx881 =
Discrete-time ARX model: A (z) y (t) = B (z) u (t) + e (t)
A(z) = 1 - 0.957 (+/- 0.03178) z^-1 + 2.207e-05 (+/- 0.04416) z^-2 - 0.03999 (+/0.04409) z^-3 + 0.1017 (+/- 0.0433) z^-4 + 0.002487 (+/- 0.04217) z^-5 + 0.07365
(+/- 0.04159) z^-6 - 0.0703 (+/- 0.03185) z^-7 + 0.01215 ( +/- 0.01209) z^-8
B(z) = 0.0001593 (+/- 0.000992) z^-1 + 0.005938 (+/- 0.001192) z^-2 + 0.06418
(+/- 0.001206) z^-3 + 0.0624 (+/- 0.002372) z^-4 + 0.01908 (+/- 0.003062) z^-5 11

Regresiones lineales en tiempo discreto

0.006951 (+/- 0.003111) z^-6 - 0.01387 (+/- 0.003058) z^-7 - 0.01086 (+/0.002671) z^-8
Name: arx881
Sample time: 0.08 seconds
Parameterization:
Polynomial orders: na=8 nb=8 nk=1

SELECCIONAMOS LA NUEVA REGRESIN

12

Regresiones lineales en tiempo discreto

BODE

NYQUIST

13

Regresiones lineales en tiempo discreto

STEP

LGR

14

Regresiones lineales en tiempo discreto

Nuevos valores arx (100 4 1)

Valores de los polinomios


arx10081 =
Discrete-time ARX model: A(z)y(t) = B(z)u(t) + e(t)
A(z) = 1 - 0.9568 (+/- 0.03176) z^-1 + 0.003229 (+/- 0.04411) z^-2 - 0.04024 (+/0.0439) z^-3 + 0.09711 (+/- 0.04317) z^-4 + 0.004961 (+/- 0.04194) z^-5 + 0.07369
(+/- 0.04144) z^-6 - 0.05528 (+/- 0.03665) z^-7 - 0.03908 ( +/- 0.03401) z^-8 +
0.06515 (+/- 0.02807) z^-9 - 0.02931 (+/- 0.01169) z^-10
15

Regresiones lineales en tiempo discreto

B(z) = 3.418e-05 (+/- 0.0009884) z^-1 + 0.006117 (+/- 0.001187) z^-2 + 0.06412
(+/- 0.001199) z^-3 + 0.06238 (+/- 0.002366) z^-4 + 0.01934 (+/- 0.003048) z^-5 0.006484 (+/- 0.003097) z^-6 - 0.01397 (+/- 0.003047) z^-7 - 0.01066 ( +/0.002675) z^-8
Name: arx10081
Sample time: 0.08 seconds
Parameterization:
Polynomial orders: na=10 nb=8 nk=1

SELECCIONAMOS LA NUEVA REGRESIN

16

Regresiones lineales en tiempo discreto

BODE

NYQUIST

17

Regresiones lineales en tiempo discreto

STEP

LGR

18

Regresiones lineales en tiempo discreto

Nuevos valores arx (50 25 1)

Valores de los polinomios


arx50251 =
Discrete-time ARX model: A(z)y(t) = B(z)u(t) + e(t)
A(z) = 1 - 0.8986 (+/- 0.0339) z^-1 + 0.01177 (+/- 0.04563) z^-2 - 0.0454 ( +/- 0.04569) z^-3 + 0.05903 (+/0.04572) z^-4 - 0.04218 (+/- 0.04577) z^-5 + 0.0463 (+/- 0.0457) z^-6 - 0.04015 (+/- 0.04572) z^-7 - 0.08301
(+/- 0.04573) z^-8 + 0.08285 (+/- 0.04581) z^-9 - 0.04208 (+/- 0.04584) z^-10 + 0.01915 (+/- 0.04574) z^-11 +
0.001154 (+/- 0.04572) z^-12 + 0.05137 (+/- 0.04569) z^-13 - 0.06454 (+/- 0.04574) z^-14 + 0.05804 (+/0.0459) z^-15 - 0.04583 (+/- 0.04593) z^-16 + 0.001621 (+/- 0.0458) z^-17 + 0.022 ( +/- 0.04559) z^-18 0.05301 (+/- 0.04558) z^-19 + 0.02053 (+/- 0.04573) z^-20 - 0.01853 (+/- 0.04507) z^-21 + 0.0421 (+/0.04385) z^-22 - 0.01988 ( +/- 0.04332) z^-23 + 0.005611 (+/- 0.03852) z^-24 - 0.005618 (+/- 0.03597) z^-25+
0.02119 (+/- 0.03598) z^-26 - 0.02634 (+/- 0.03595) z^-27 - 0.001659 (+/- 0.03595) z^-28 + 0.02845 (+/0.03595) z^-29 - 0.02529 (+/- 0.03595) z^-30 + 0.01565 (+/- 0.03596) z^-31 - 0.02028 (+/- 0.03601) z^-32 +
0.02584 ( +/- 0.03604) z^-33 - 0.007342 (+/- 0.03599) z^-34 - 0.03303 (+/- 0.03589) z^-35 + 0.03962 (+/0.03584) z^-36 + 0.01234 (+/- 0.03584) z^-37 - 0.06497 (+/- 0.03582) z^-38 + 0.07788 (+/- 0.0359) z^-39 0.04807 (+/- 0.03605) z^-40 + 0.003298 (+/- 0.0361) z^-41 + 0.003121 (+/- 0.03602) z^-42 - 0.00867 (+/0.03587) z^-43 + 0.02059 (+/- 0.03579) z^-44 - 0.005798 (+/- 0.03584) z^-45 - 0.003702 (+/- 0.03597) z^-46 0.0008045 (+/- 0.03606) z^-47 - 0.0126 (+/- 0.03572) z^-48 + 0.02954 (+/- 0.02942) z^-49 - 0.0164 (+/- 0.0123)
z^-50

B(z) = -0.00103 (+/- 0.001032) z^-1 + 0.006095 (+/- 0.001224) z^-2 + 0.0641 (+/- 0.001234) z^-3 + 0.06637
(+/- 0.0025) z^-4 + 0.02744 (+/- 0.003366) z^-5 + 0.001797 (+/- 0.003479) z^-6 - 0.0088 (+/- 0.003468) z^-7 0.01089 (+/- 0.003465) z^-8 - 0.009718 (+/- 0.003477) z^-9 - 0.009215 (+/- 0.003498) z^-10 - 0.013 (+/0.003517) z^-11 - 0.01252 (+/- 0.003543) z^-12 - 0.01065 (+/- 0.00356) z^-13 - 0.007876 (+/- 0.003575) z^-14
- 0.005597 (+/- 0.003576) z^-15 - 0.0008433 (+/- 0.003565) z^-16 + 0.0003346 (+/- 0.003537) z^-17 +
0.001548 (+/- 0.003502) z^-18 + 0.001158 (+/- 0.003482) z^-19 + 0.0001855 (+/- 0.003466) z^-20 - 0.001992
(+/- 0.003448) z^-21 - 0.002808 (+/ - 0.003428) z^-22 - 0.004054 (+/- 0.003429) z^-23 - 0.003505 (+/0.003327) z^-24 - 0.002556 (+/- 0.002835) z^-25

19

Regresiones lineales en tiempo discreto

Name: arx50251
Sample time: 0.08 seconds
Parameterization:
Polynomial orders: na=50 nb=25 nk=1
Luego apretaremos Model output para poder apreciar la medida y simulacin de
la salida.

SELECCIONAMOS LA NUEVA REGRESION

20

Regresiones lineales en tiempo discreto

BODE

NYQUIST

LGR

21

Regresiones lineales en tiempo discreto

STEP

Esta regresin nos muestra que al variar solo un poco los polos Na y aumentar el retardo Nk
nuestra regresin no va a ser tan aproximada a la deseada.

22

Regresiones lineales en tiempo discreto

Mtodo ARMAX
Es decir, que a la salida limpia se le suma una perturbacin que es un ruido
blanco e previamente filtrado por C(z)/A(z).

Cambiaremos de modelo y procederemos a realizar los mismos pasos ya


nombrados anteriormente

23

Regresiones lineales en tiempo discreto

En polynominal Models nos dan la opcin para cambiar la estructura para


ARMAX, luego de elegirla esta nos muestra el orden de este del polinomio y la
ecuacin que lo representa adems del metodo.

Armax (3333)

En la opcin order editor nosotros podemos modificar los polos (na), ceros (nb),
el ruido de entrada (nc) y el retardo (nk).

24

Regresiones lineales en tiempo discreto

Al hacer click en la funcin nos arroja los valores de los polinomios

25

Regresiones lineales en tiempo discreto

Valores de los polinomios


amx3333 =
Discrete-time ARMAX model: A(z)y(t) = B(z)u(t) + C(z)e(t)
A(z) = 1 - 2.281 (+/- 0.01548) z^-1 + 1.709 (+/- 0.02235) z^-2 - 0.4236 (+/0.008741) z^-3
B(z) = 0.06755 (+/- 0.0009952) z^-3 - 0.02539 (+/- 0.00252) z^-4 - 0.03745 (+/0.00187) z^-5
C(z) = 1 - 1.382 (+/- 0.03591) z^-1 + 0.4523 (+/- 0.05492) z^-2 + 0.004408 ( +/0.03294) z^-3
Name: amx3333
Sample time: 0.08 seconds
Parameterization:
Polynomial orders: na=3 nb=3 nc=3 nk=3

Luego apretaremos Model output para poder apreciar la medida y simulacin de


la salida.

26

Regresiones lineales en tiempo discreto

Procederemos a tomar nuestro modelo y arrastrarlo a To workspace para poder


visualizarlo en command window alli usaremos los mtodos de estabilidad como
Bode, nyquist y LGR y simular en matlab.

BODE

27

Regresiones lineales en tiempo discreto

NYQUIST

STEP

28

Regresiones lineales en tiempo discreto

LGR

Armax (3233)

29

Regresiones lineales en tiempo discreto

Valores de los polinomios


amx3233 =
Discrete-time ARMAX model: A(z)y(t) = B(z)u(t) + C(z)e(t)
A(z) = 1 - 1.568 (+/- 0.03869) z^-1 + 0.8091 (+/- 0.05678) z^-2 - 0.152 (+/0.02179) z^-3
B(z) = 0.06908 (+/- 0.0009986) z^-3 + 0.01849 (+/- 0.003831) z^-4
C(z) = 1 - 0.6424 (+/- 0.04951) z^-1 + 0.2728 (+/- 0.03722) z^-2
Name: amx3233
Sample time: 0.08 seconds
30

Regresiones lineales en tiempo discreto

Parameterization:
Polynomial orders: na=3 nb=2 nc=2 nk=3

Luego apretaremos Model output para poder apreciar la medida y simulacin de


la salida.

BODE

31

Regresiones lineales en tiempo discreto

NYQUIST

STEP

32

Regresiones lineales en tiempo discreto

LGR

Armax (4333)

33

Regresiones lineales en tiempo discreto

Valores de los polinomios


amx4333 =
Discrete-time ARMAX model: A(z)y(t) = B(z)u(t) + C(z)e(t)
A(z) = 1 - 2.487 (+/- 0.04099) z^-1 + 2.179 (+/- 0.101) z^-2 - 0.7929 (+/- 0.08331)
z^-3 + 0.1018 (+/- 0.02333) z^-4
B(z) = 0.06791 (+/- 0.001) z^-3 - 0.04247 (+/- 0.004546) z^-4 - 0.02521 (+/0.003922) z^-5
C(z) = 1 - 1.616 (+/- 0.05229) z^-1 + 0.8001 (+/- 0.08618) z^-2 - 0.1812 (+/0.04009) z^-3
34

Regresiones lineales en tiempo discreto

Name: amx4333
Sample time: 0.08 seconds
Parameterization:
Polynomial orders: na=4 nb=3 nc=3 nk=3
Luego apretaremos Model output para poder apreciar la medida y simulacin de
la salida.

BODE

35

Regresiones lineales en tiempo discreto


Nyquist

STEP

36

Regresiones lineales en tiempo discreto

LGR

Armax (4443)

37

Regresiones lineales en tiempo discreto

Valores de los polinomios


amx4443 =
Discrete-time ARMAX model: A(z)y(t) = B(z)u(t) + C(z)e(t)
A(z) = 1 - 2.592 (+/- 0.2068) z^-1 + 2.418 (+/- 0.4774) z^-2 - 0.9695 (+/- 0.3593)
z^-3 + 0.1441 (+/- 0.08866) z^-4
B(z) = 0.06774 (+/- 0.001008) z^-3 - 0.04861 (+/- 0.01394) z^-4 - 0.02429 (+/0.005998) z^-5 + 0.005371 (+/- 0.00878) z^-6

38

Regresiones lineales en tiempo discreto

C(z) = 1 - 1.71 (+/- 0.2085) z^-1 + 0.8947 (+/- 0.3029) z^-2 - 0.138 (+/- 0.1241)
z^-3 - 0.04457 (+/- 0.03578) z^-4
Name: amx4443
Sample time: 0.08 seconds
Parameterization:
Polynomial orders: na=4 nb=4 nc=4 nk=3

Luego apretaremos Model output para poder apreciar la medida y simulacin de


la salida.

39

Regresiones lineales en tiempo discreto

BODE

Nyquist

40

Regresiones lineales en tiempo discreto

STEP

LGR

41

Regresiones lineales en tiempo discreto

Como podemos apreciar tenemos 8 graficas estimadas, tambin podemos


determinar el porcentaje de aproximacin y su grafica en Model Output, ver sus
valores y estructura dando click derecho sobre la grfica importada y adems
convertir la informacion en un workspace deslizando la grfica importada sobre el
cuadro to workspace.

42

Regresiones lineales en tiempo discreto

Conclusin
Para finalizar, se concluye que las funciones de transferencia se pueden
representar a travs de polinomios, para este anlisis se utiliza la transformada z
la cual nos permite llevar la seal anloga a una seal discreta y as obtener
valores en cada parte de la curva.
Ambos mtodos de anlisis de regresin son buenos para el caso del arx, dar un
sistema de ecuaciones donde las incgnitas sern los coeficientes de la funcin de
transferencia discreta que son obtenidos cuando el mtodo arx minimiza la suma
de los cuadrados y para armax se introduce en el polinomio C(q), esto da lugar a
un sistema de ecuaciones donde las incgnitas son los coeficientes del modelo
discreto, y las soluciones se obtienen por prediccin del error.
La respuesta y la aproximacin de estos sistemas vara segn la cantidad de polos
existentes, a medida que bamos agregando mas polos nos acercbamos mas al
valor deseado un ejemplo claro es el ARX 881 con el ARX 10081 donde uno nos
daba un 88.61% y el otro 90.62% otro detalle era en que al agregar retardos
nuestra aproximacin disminua considerablemente hasta que en algunos casos
nos daba un -54.81% esto paso con el ARX 1120 .El agregar polos aumenta la
exactitud de esta se acerca bastante pero a la vez aumenta el tiempo de
estabilizacin esto se puede visualizar al aplicar un escalon donde en el ARX
50251 se estabiliza a los 7 segundos mientras que en el ARX 881 a los 3.5
segundos
Una ventaja de usar ARMAX es que nos dara valores mas cercanos a los
deseados esto se debe a que ocupa un polinomio mas que actua sobre el error en
el ARMAX 4443 nos da un 91.24% a un 91.22% de ARMAX 4333, adems el
tiempo de estabilizacin aumenta hasta unos 40 segundos que el mtodo ARX
esto se puede ver en la respuesta al escalon con el ARMAX 4443.
Se puede decir que con el mtodo de regresiones ARX se logra una respuesta
ms rpida que con el mtodo ARMAX, pero con el mtodo ARMAX se acerca
ms al porcentaje de exactitud de la planta que estamos analizando

43