Universidad Politécnica Salesiana. Adad Daniel, Asitimbay Mayra, Navas William.
Identificación de sistemas 1
Identificación y Modelado Matemático de un
Motor mediante Método Grafico y estructura de
modelo ARX
Daniel Abad, Mayra Asitimbay, William Navas.
mayra177_85@hotmail.com, dabada_01@hotmail.com, willp_nc@yahoo .
Universidad Politécnica Salesiana Sede Cuenca.

Resumen— El presente documento trata del análisis e
identificación de un sistema motor-generador, así como de
emplear técnicas de modelado matemático que nos servirán
como herramientas para representar dicho sistema de forma
matemática. Se han adquirido muestras a través de una DAQ
del comportamiento del sistema ante un escalón y una señal
PRBS, los datos obtenidos se procesaron a través del software
MATLAB y el toolbox IDENT, donde por medio de criterios
de selección descritos posteriormente se obtiene un modelo
ARX. Las técnicas estudiadas fueron: Identificación
paramétrica con la aplicación de una señal PRBS y estructura
de modelo ARX110. Identificación no paramétrica con la
aplicación del método de Miller. La identificación paramétrica
de sistema fue validado con la implementación de un
observador.
Índice de términos—ARX. DAQ. Identificación. IDENT.
PRBS. Lineal. Método Miller.
Abstract— This paper is about the analysis and identification
of an engine-generator system, as well as to employ
mathematical modeling techniques that will serve as tools to
represent such a system mathematically. The signs were
acquired through a DAQ system behavior before a step and
PRBS signal, the data was processed through MATLAB
software and IDENT toolbox, where through selection criteria
described subsequently obtained an ARX model. Techniques
studied were parametric identification with the application of
a PRBS signal and ARX221 structure model. Nonparametric
identification with the application of the method of Miller.
Parametric system identification was validated by
implementing an observer.
Key Terms— ARX. DAQ. Identification. IDENT. PRBS.
Lineal. Miller Method.
I. INTRODUCCIÓN
A lo largo de la historia del control industrial surgió la
necesidad de conocer el comportamiento de los sistemas
dinámicos vistos como “cajas negras”, motivo por el cual
Maestría en Control y Automatización Industriales.
han surgido importantes investigaciones que han dado como
resultado propuestas de técnicas de modelado que aproximan
sus comportamientos a los reales de manera sorprendente.
La identificación permite determinar el modelo de un sistema
dinámico a partir de mediciones de entradas y salidas,
mediante la cual podamos entender de mejor manera el
comportamiento de dicho sistema. Tener la representación
matemática permite calcular, simular y ajustar parámetros de
controladores, que luego serán aplicados al sistema físico
observando el comportamiento simulado y ajustado sobre el
modelo matemático.
II. IDENTIFICACIÓN
Identificar es determinar el modelo de un sistema dinámico a
partir de mediciones de entradas y salidas. La identificación es
un enfoque experimental para determinar el modelo dinámico
de un sistema, en el que de manera general se involucran cinco
pasos:
1. Adquisición de tos de entrada y salida.- es necesario
excitar el sistema mediante la aplicación de una señal de
entrada y registrar la evolución de sus entradas y salidas
durante un intervalo de tiempo.
2. Procesamiento de los datos.- los datos generalmente
están acompañados de ruidos indeseados que deben ser
eliminados o corregidos antes de iniciar la identificación.
3. Selección de la estructura del modelo.- si se desea
obtener un modelo paramétrico el primer paso es
determinar la estructura deseada para dicho modelo
4. Estimación de los parámetros del modelo.- hay que
estimar los parámetros de la estructura que mejor ajustan
la respuesta del modelo a os datos de entrada-salida
obtenidos experimentalmente.
5. Validación del modelo.- hay que determinar si el modelo
obtenido satisface el grado de exactitud requerido para la
aplicación. Si el modelo obtenido no resulta validado, es
posible que se deba a las siguientes razones: El conjunto
de datos entrada-salida no proporciona suficiente
información sobre la dinámica del sistema. criterio de
ajuste de parámetros seleccionado
Universidad Politécnica Salesiana. Adad Daniel, Asitimbay Mayra, Navas William. Identificación de sistemas
III. TÉCNICAS PARA LA IDENTIFICACIÓN DE
SISTEMAS.
Los métodos de identificación pueden ser clasificados de
diversas maneras dependiendo del modelo a representar. A
continuación se describen los métodos paramétricos y no
paramétricos:
A. Métodos Paramétricos.- Son métodos cuantitativos, que
describen la interacción de las variables de un proceso
mediante funciones o ecuaciones matemáticas. Requieren de
una elección de la estructura de un modelo, donde queda a
criterio el ajuste y la estimación de los parámetros del modelo.
Se pueden realizar análisis tanto en el dominio de tiempo y en
el dominio de frecuencia. En ambos casos se reduce el error
de proceso real y del proceso modelado.
B. Métodos No Paramétricos.-Pueden definir un modelo
mediante tablas o gráficas, mediante un número no finito de
muestras, así como de un vector de parámetros.
Se pueden realizar tres tipos de análisis de la respuesta
transitoria1, de correlación2 y técnicas frecuenciales3.
IDENTIFICACIÓN GRÁFICA MÉTODO DE MILLER.
El procedimiento propuesto por Miller es una variación del
Método de la tangente de Ziegler y Nichols y, al igual que
éste, requiere el trazo de una recta tangente al punto de
inflexión de la respuesta. El retardo de tiempo para esta
variante se calcula de la respuesta al escalón se determina L
interceptando la tangente a la curva de respuesta, en su punto
de inflexión, con el eje de tiempo correspondiente al valor de
estado estacionario inicial. La variación propuesta se establece
en el cálculo de la constante de tiempo del modelo, la cual se
determina como el tiempo requerido para que la respuesta
alcance el 63.2 por ciento del cambio total a partir del retardo
de tiempo. Esta variación hace que la respuesta del modelo y
la del sistema real coincidan en por lo menos un punto, ambas
respuestas transitan por el mismo punto en el instante de
tiempo t = T + L. La recta trazada y la ubicación de los puntos
mencionados se muestran en la Figura 1.
Figura 1. Método de la tangente modificado de Miller.
1
Para obtener la señal de salida se ingresa al sistema físico una señal
impulso o un escalón.
2
Se usan en sistemas lineales en el dominio del tiempo ya sea continuo o
discreta, la respuesta es una correlación entre las variables o una función de
pesos.
3 4
Determina en dominio frecuencial el comportamiento del sistema, se
usan el análisis de Fourier y el análisis Espectral, como respuesta se obtiene
un gráfico el cual se puede interpretar.
Maestría en Control y Automatización Industriales.
2
IDENTIFICACIÓN POR MÉTODO ARX.
Existen varias maneras de modelar numéricamente en este
caso optamos por un modelo de caja negra llamado Auto
Regressive with eXogenous input (ARX). En este modelo, es
necesario definir grandes matrices de coeficientes que
permitan, dado un vector de estado con información de pasos
previos, obtener una predicción a futuro del sistema. Como
todo modelo de caja cerrada, los coeficientes necesarios son
definidos 'por inspección' o con métodos de identificación en
base a mediciones previas
IV. IDENTIFICACIÓN DEL SISTEMA MOTOR-
GENERADOR.
A. Adquisición de señales de la Planta.
En este proyecto hemos utilizado dos técnicas de
identificación; paramétrica con la aplicación de una señal
PRBS y estructura de modelo ARX110 e identificación no
paramétrica con la aplicación del método más simple el de
Miller. Con el fin de contrastar los resultados obtenidos con el
método paramétrico del proceso de identificación el modelo
del sistema fue validado con la implementación de un
observador.
Para iniciar con el proceso en cualquiera de los casos fue
necesario obtener datos de entrada y salida mediante la
aplicación de una señal de excitación. Para tal efecto fue
necesario el uso de una tarjeta de adquisición de datos de NI
(National Instruments) y las conexiones con la planta y la
computadora, tal como se muestra en la Figura 1.
Figura 2. Planta motor-generador y la conexión con la tarjeta de adquisición,
fuente de alimentación y computador.
B. Identificación Paramétrica.
Se aplicó como señal de entrada una señal PRBS 4 generada
por medio del software Matlab y a la salida de la planta
obtuvimos la respuesta que se muestra en la Figura2.
Pseudorandom binary sequence su significado en inglés, secuencia binaria
pseudo-aleatoria.
Universidad Politécnica Salesiana. Adad Daniel, Asitimbay Mayra, Navas William. Identificación de sistemas
Figura 3. En blanco tenemos la señal PRBS generada y aplicada a la entrada
de la planta y en rojo la respuesta dl sistema ante dicha señal.
Con los datos obtenidos se generó un archivo donde se
guardaron los datos tanto de Entrada como de salida
a=load('datos3.1_prbs.txt');
uk=a(:,1);
yk=a(:,2);
Con el uso del toolbox de Matlab llamado IDENT y con el
archivo de datos se generaron varios modelos ARX lo cuales
se pueden observar en a Figura (3).
Figura 4(a). Modelos Generados.
Figura 4(b). Aproximación de los modelos generados con los datos
obtenidos de la planta.
Maestría en Control y Automatización Industriales.
3
Figura4 (c). Análisis de los Residuos.
Con el análisis de las figuras anteriores se determina que el
mejor resultado se obtuvo con la estructura ARX110.
El análisis de residuos: Se conocen como residuos de un
sistema a los errores de predicción obtenidos:
( ) ( ) ( ). (1)
siendo el vector de parámetros del modelo, ( ) la respuesta
real del sistema e ( ) la respuesta estimada por el modelo
para la misma entrada.
Como se observa en la figura3© el modelo será tanto más
exacto cuanto más se acerquen a cero los términos de la
correlación.
El modelo de salida de la figura (b) muestra un porcentaje del
45.9% para la estructura de modelo ARX110 escogida,
porcentaje mayor a las demás estructuras probadas y por tanto
elegida como estructura definitiva para el modelo.
La estructura nos ayuda a definir la función de transferencia
de la planta la cual se muestra en la ecuación (1). En matlab se
utilizó las siguientes instrucciones para pasar del dominio de
z al dominio de s.
num=arx110.B
den=arx110.A
Ts=0.1;
H=tf(num,den,Ts)
Hc=d2c(H)
15..17
G  2 
(s) s  19.02
Dicha función de transferencia nos da una respuesta al escalón
que se encuentra en la gráfica de la Figura 4 (b).
Figura 5(a). Simulación de la función de transferencia obtenida
En simulink la entrada es de 3voltios .
Universidad Politécnica Salesiana. Adad Daniel, Asitimbay Mayra, Navas William. Identificación de sistemas 4

Para obtener la señal de salida primero se escogieron los datos

validos de nuestro modelo; es decir:
 Datos no validos 0 hasta 343
 Datos validos 344 hasta 606
Se procedió a graficar en matlab con las siguientes
instrucciones:
a=load('data_escalon6.txt');
uk=a(:,1);
yk=a(:,2);
Figura 5(b). Respuesta al escalón de la función de transferencia del modelo tk=a(:,3);
ARX110. tr = tk(1:264);
Como un método de validación para el modelo obtenido ur = uk(343:606);
hemos implementado un observador cuyo comportamiento yr = yk(343:606);
junto con el del modelo obtenido se presentan en la gráfica de
a Figura 6.
3.5

2.5

1.5

0.5

-0.5

-1
0 0.5 1 1.5 2 2.5 3
Figura 6. Comportamiento del observador realizado en base al modelo
obtenido ante cambios en la referencia..
Figura 8. Señal de salida ante un escalón de 3 voltios
Claramente se puede apreciar como el observador le sigue a la
referencia. Luego de “preparada” la respuesta obtenida (suavizado), se ha
aplicado el método simple de Miller para obtener los
C. Identificación No Paramétrica.
siguientes parámetros:
En este tipo de Identificación se alimentó a la planta con un
escalón de 3 unidades de voltaje, obteniendo el  ∆y(∞) = 2.39
comportamiento de la salida ante tal excitación.  ∆u = 3
En la Figura 6 se muestran las señales de excitación y de
respuesta de la planta. Podemos calcular la constante K :

( )
(4)

Para calcular el tao (τ) :

0.63%∆y(∞)= 1.5037

El tiempo muerto resulta prácticamente despreciable (es

Figura 7. Señales de entrada a la planta en blanco y comportamiento de la imperceptible).
planta en rojo.
Reemplazamos en nuestra ecuación (3)
Como se puede observar en la figura 6 la respuesta de salida
es de primer orden sin retardo, no tiene sobre oscilación,
entonces nuestra función de transferencia es la de primer
orden puro:
(3)
Maestría en Control y Automatización Industriales.
Universidad Politécnica Salesiana. Adad Daniel, Asitimbay Mayra, Navas William. Identificación de sistemas 5

Para corroborar la función de transferencia obtenida, ARX110

realizamos una simulación en el simulink con un step de 3
voltios Otro método de validación seria la simulación entre las
respuesta al escalón y el modelo ARX110 obtenidos
anteriormente, como se muestra la figura siguiente las dos
salidas responden a un escalón de 3voltios.

Figura 9. Señal de salida ante un escalón de 3 voltios

En el simulink

Figura 12. Diagrama de para obtener las respuestas al escalón de los modelos:
gráfico y ARX110

Para determinar que método se aproxima a la señal de salida

se realizó una resta entre la salida real y los datos obtenidos
de los modelos MArx y MG en matlab:

(5)
Ismael
(6)
Figura. 10. respuesta al escalón. Para los errores se obtuvo un promedio de todos los errores y
luego el porcentaje, entonces tenemos los siguientes valores:
Como se puede observar las gráficas de la figura 7 y figura 9 1.067%
tienen bastante similitud, en el siguiente punto vamos a
comparar las gráficas y a validar nuestra modelo. A hora podemos decidir qué modelo es el adecuado para
nuestro sistema.
V. VALIDACION DEL MODELO. Es el ARX110 porque tiene memos error en comparación con
El principio de validación es el siguiente: el método grafico
Si la estructura seleccionada para la “planta + disturbios” es En la gráfica siguiente podemos visualizar cómo se comportan
correcta; si los grados de los polinomios de la estructura del las salidas respecto a un escalón.
modelo, por ejemplo: na; nb; d se han elegido correctamente, La gráfica inferior nos indica los errores de la señal real con
entonces el error de predicción debe tender asintóticamente a los métodos encontrados.
una señal de ruido blanco, lo que implica:
La función de autocorrelación nos proporciona información
sobre la dependencia de los datos con muestras pasadas. [6]
VERIFICACIÓN DE LOS MÉTODOS (ARX, MÉTODO GRÁFICO )

3 uk
Autocorrelation of residuals for output y1
0.2 yk
2 ARX
Volts

0.1 MG
1

0 0

-0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Time
COMPARACIÓN DEL ERROR DE LOS MÉTODOS (ARX, MÉTODO GRÁFICO)
-0.2 2
-20 -15 -10 -5 0 5 10 15 20
Error ARX
1.5
ErrorMG
Cross corr for input u1 and output y1 resids
1
0.2
0.5
0.1 0

0 -0.5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

-0.1

-0.2
-20 -15 -10 -5 0 5 10 15 20 Figura 13.Ccomparación de los resultados de las salidas y los errores.
Samples Señal real y los métodos encontrados.
Figura 11. Representación de los residuos del modelo

Maestría en Control y Automatización Industriales.

Universidad Politécnica Salesiana. Adad Daniel, Asitimbay Mayra, Navas William. Identificación de sistemas 6

VI. CONCLUSIONES. http://alvarounal.blogspot.com/2012/01/toolbox-

Resulta necesario conocer el modelo de un sistema para su ident-matlab-modelo-arx-motor.html
análisis y posterior control, por lo tanto la determinación de
dicho modelo a partir de algún conocimiento previo es [3] Identificación de Sistemas. Aplicación al modelado
fundamental. de un motor de continua. Departamento:
Para obtener los modelos del sistema propuesto se han seguido ELECTRÓNICA María Elena López Guillén
dos direcciones:
Por la vía analítica determinando la estructura del modelo y [4] Dr. Eliezer Colina, “Cátedra de Identificación de
los parámetros definitorios. Sistemas”, Maestría de Control y Automatización
Por la vía experimental en la cual se ha considerado al Industrial, Universidad Politécnica Salesiana Sede
sistema como una “caja negra”, en donde se ha realizado un Cuenca, Febrero 2015.
experimento que proporcionó pares de medidas de las entradas
y salidas durante un intervalo de tiempo definido hasta que el [5] Arafet Pedro, Chang Francisco, Torres Miguel,
sistema alcance el estado estacionario. Domínguez Hugo. Métodos de Identificación
En definitiva, en los métodos gráficos, los parámetros del Dinámica. Universidad de Oriente. 2008.
sistema se obtienen de manera gráfica, mientras que en los
analíticos, los parámetros se obtienen fruto de la realización de [6] Dr. Ismael Minchala, “Cátedra de Identificación de
algunos cálculos numéricos. Sistemas-Sesión 1”, Maestría de Control y
En la selección de los modelos ARX se tuvo presente que el Automatización Industrial, Universidad Politécnica
sistema tenía que ser físicamente realizable; es decir que el Salesiana Sede Cuenca, Febrero 2015.
grado del numerador fuese menor al grado del denominador.
En la implementación del observador confirmamos que el
modelo siempre guardará un margen de error con el modelo
real, este claro que puede ser minimizado y corregido,
ajustando parámetros o estableciendo otros criterios al
momento de identificar.
La identificación experimental se ha realizado ajustando los
parámetros obtenidos hasta que la salida del modelo coincida,
lo mejor posible, con la salida medida.
En el modelo obtenido a partir de la identificación mediante el
TOOLBOX IDENT de Matlab, generalmente se puede usar la
hipótesis simplificadora para describir el comportamiento del
sistema mediante un modelo de orden inferior.
Para concluir que el modelo obtenido por el método de Miller,
fue adecuadamente identificado se tuvo que comparar la salida
del modelo con los datos medidos que no se usaron en la
estimación de los parámetros.
Para el modelado paramétrico, en donde se asumió una
estructura ARX110, se estimó la respuesta al escalón mediante
el análisis de correlación.
Para fines de simulación y experimentación, la señal de
excitación tipo escalón es la más utilizada, en la práctica no
puede usarse tan fácilmente o se puede lograr solamente una
aproximación ya que los procesos industriales no pueden ser
sometidos a cambios tan bruscos en tiempos muy cortos.
Finalmente, estamos claros que los modelos obtenidos son una
mera aproximación de la realidad, pero mediante la cual,
lógicamente podemos tomar decisiones importantes.

VII. REFERENCIAS

[1] López Guillen, María E. Identificación de sistema,

aplicado al modelo de un motor de corriente
continua.

[2] The MathWorks. System Identification Toolbox for

use with matlab user’s guide. Versión 2. Recuperado
el 7 de marzo de 2015 de
Maestría en Control y Automatización Industriales.