IDENTIFICACIN DE PROCESOS CON MODELOS AUTORREGRESIVOS Un modelo autorregresivo tipo ARX es un modelo discreto lineal en el que la salida en el instante
de muestreo n se obtiene a partir de valores pasados de la salida y de la entrada (en n-1,n-2, etc.). Como ejemplo de modelo autorregresivo se puede proponer el siguiente, yn = a1 yn 1 + a2 yn 2 + b1un 4 Los parmetros de un modelo lineal ARX como el anterior se determinan a partir de valores muestreados con un intervalo de tiempo T de la entrada y de la salida. Esta determinacin se realiza mediante regresin lineal multivariable, esto es, se determinan los parmetros a1, a2 y b1 que minimizan la diferencia cuadrtica entre los valores reales y los calculados por el modelo. En realidad los modelos ARX determinan los valores muestreados de la respuesta de un proceso lineal continuo a una entrada escalonada como la representada en la figura. Lo normal es que la variable de entrada no vare de forma escalonada, aunque, como se aprecia en la figura, si el intervalo de muestreo es suficientemente pequeo la aproximacin de la entrada real por una escalonada ser buena.
un-6 un-5 un-4
yn-2 yn-1 yn yn+1
Como ejemplo de modelo ARX consideremos el equivalente a un sistema de primer orden con tiempo muerto de parmetros p, td y Kp,
dy + y = K p u( t t d ) dt
Asumiendo por un momento que t d = T , la transformada de Laplace con condicin inicial y=yn-1 y entrada en escaln de magnitud un-1- retrasada intervalos de muestreo es,
s p y( s ) p yn 1 + y( s ) = K
Reordenando,
un 1 s
y( s ) =
Kp / p 1 1 yn 1 + un 1 s +1/ p s +1/ p s
Aplicando la antitransformada y particularizando para t=T resulta, yn = ayn 1 + bun 1 con a = e
T / p
y b = K p (1 e
T / p
El modelo ARX tambin se puede escribir en forma de funcin de transferencia en z. Aplicando la transformada z a la ecuacin representativa del modelo se tiene,
y( z ) = az 1 y( z ) + bz ( +1 )u( z )
Reordenando,
G( z ) =
y( z ) b = z ( +1 ) u( z ) 1 + az 1
Se trata de un modelo ARX (1,1,+1) es decir, con na=1, nb=1 y nk=+1. Los parmetros a y b del modelo ARX a partir de los cuales es inmediato calcular Kp y p , se determinan mediante regresin lineal multivariable utilizando un conjunto de valores muestreados de las entrada y de las salidas. Pero cmo se determina y en definitiva el tiempo muerto que es veces el periodo de muestreo T? Para hacerlo se puede efectuar una breve experiencia de respuesta a un escaln y viendo el tiempo necesario para que la salida comience a variar tener una estimacin del tiempo muerto. Con ella se obtiene un primer valor de con el que se obtienen los parmetros a y b y el error cuadrtico. Posteriormente se repite el proceso ajuste de parmetros con valores de crecientes y decrecientes hasta obtener el menor error cuadrtico. Como se ver posteriormente existe una herramienta de MATLAB que es capaz de determinar de forma automtica el conjunto de rdenes del modelo ARX, na, nb y nk que minimizan el error cuadrtico. Las ventajas de utilizar de esta forma los modelos ARX para identificar la dinmica de procesos qumicos son:
No requieren que la entrada sea de tipo escaln No es preciso esperar a alcanzar un rgimen permanente para poder determinar los parmetros.
Intervalo de muestreo
Conforme menor sea el intervalo de muestreo menor error se comete al aproximar la entrada real por una muestreada. Sin embargo, mayor es el nmero de datos que hay que manejar para cubrir un periodo de tiempo determinado. Como intervalo de muestreo se recomienda T 0,1 ( p + t d ) ,cuya aplicacin requiere, obviamente, una estimacin de
la constante de tiempo y del tiempo muerto, y una comprobacin posterior.
Uso de MATLAB para identificar procesos
El uso de MATLAB se va a explicar apoyndonos en la simulacin de un sistema con SIMULINK. Valores muestreados de la respuesta del sistema a una entrada aleatoria se trasladan al workspace de MATLAB para disponer de un conjunto de valores muestreados que representaran a los valores reales obtenidos en una planta real. En concreto, el archivo pruebaident.mdl contiene el modelo para simular la respuesta del sistema 2e 10 s G( s ) = 10s + 1 ante una entrada aleatoria tipo band limited white noise. Los bloques SCOPE que aparecen estn configurados para que transfieran al workspace de MATLAB las seales muestreadas con un intervalo de muestreo T=0,5 (unidades de tiempo). A continuacin hay que transformar los conjuntos de valores exportados a vectores u e y. Para ello hay que ejecutar en MATLAB las siguientes rdenes: u=u(:,2) y=y(:,2) El siguiente paso consiste en introducir en MATLAB la orden, Ident para arrancar la herramienta de identificacin. Aparece una pantalla que es fcil de emplear para efectuar las siguientes operaciones: Importar los valores muestreados de las entrada y la salida Seleccionar el tipo de modelo, en nuestro caso ser ARX Se acota el rango de valores correspondientes a rdenes del modelo o na : 1-10 o nb : 1-10 o nk : 1-30 El programa obtiene los rdenes que minimizan la diferencia cuadrtica entre los valores muestreados y los estimados por el modelo. El resultado es el esperado, na=1, nb=1 y nk=21, esto es el modelo ARX(1 1 21). Expresado como funcin de transferencia en z el resultado es:
G( z ) = 0,09754 z 21 0,09754 = z 21 1 1 0,9512 z 1 0,9512 z 1
De aqu se obtiene,
t d = T = 20 0 ,5 = 10
p =
T = 10 ln a b =2 Kp = 1 e T /
Para obtener la funcin de transferencia se exporta el modelo ARX al workspace de MATLAB y se ejecuta la orden, h=tf([b],[1 a],T,inputdelay,) MATLAB responde con la function de transferencia G(z) que se expuso antes. Para convertir el modelo discreto en uno continuo se ejecuta la orden, G(s)=d2c(h) y MATLAB responde con G( s ) = 2e 10 s 10s + 1
