Curso:

Laboratorio de Ingeniera de Control

Manuel Madrigal Valenzuela ID: A01114070

Benjamn Muoz Correa ID: A00369318
Arturo Lafarga Loreto ID: A01222449
Alfredo Zrate Buenrostro ID: A01222814

Examen Prctico
1er Parcial

Dr. Oscar Eleno Carbajal Espinosa

Febrero de 2017
 Identificacin de un Sistema mediante
el Mtodo de Mnimos Cuadrados
Marco Terico
El algoritmo de identificacin por mnimos cuadrados es una herramienta poderosa
utilizada para determinar el valor de los parmetros de la funcin de transferencia discreta
de un sistema, dados los valores discretos de entrada y salida del mismo. (Ntese que este
algoritmo puede ser utilizado para estimar los parmetros que caracterizan cualquier
funcin).
Se debe asumir que el modelo sigue la estructura de una ecuacin de diferencias de la
siguiente manera:
y ( k )=a1 y ( k 1 )+ a2 y ( k 2 ) +...+an y ( kn ) +b1 u ( k1 ) +b 2 y ( k 2 )+ ...+ bm y (k m)

Que puede ser escrita como:

y ( k )= X

Donde:

X =[ y k1 y k2 y kn u k1 uk2 u km ]

T
= [ a1 a 2 an b1 b 2 bm ]

El vector es el vector de los parmetros del sistema (los cuales deseamos

determinar), y X es el Regresor debido a que incluye valores pasados de la entrada y
la salida, los cuales influyen en el valor presente de la salida del sistema.
Como se mencion anteriormente, el objetivo de este algoritmo es determinar el valor de
los parmetros de la funcin de transferencia discreta, de tal manera que la salida del
sistema sea predicha en sentido del error de mnimos cuadrados sobre la ventana de tiempo
descrita en ese intervalo. As, para todos los valores, deseamos encontrar el conjunto de
parmetros que satisfagan el siguiente sistema de ecuaciones:
 y (0)

y (1n) u(0) u(1m) y (1)
y (2n) u(1) u(2m)

[] []
y (1) a1
y (2)
=[ y (k1) y (k n)u(k 1) u( km) ] an
b1

y (k ) bm

O lo que es lo mismo:
Y k= X k

Es necesario resolver este sistema de ecuaciones bajo las condiciones de que k > m+n y
de que el sistema tiene una nica solucin. Pero observamos que el sistema nunca tiene una
solucin nica debido a distintas razones:
El sistema a identificar no es realmente linear
No sabemos realmente el orden del sistema
Las muestras de la salida son afectadas por ruido.
Es por ello que siempre existe un error aproximado y entonces, la ecuacin se convierte en:
Y k + Ek =X k

Ahora, el objetivo es determinar los parmetros de tal modo que se minimice este
error, lo que da como resultado que:
 T 1 T
=( X k X k ) X k Y k

Con lo cual, finalmente obtenemos los valores de los coeficientes de la funcin de

transferencia discreta que modela nuestro sistema.
Un punto ms que debemos considerar es que, para una buena aproximacin, es necesario
ingresar al sistema una entrada lo suficientemente rica, de tal modo que todas las
dinmicas del sistema sean exhibidas; para ello, podemos probar con valores aleatorios o
simplemente el ingreso de una rampa.
Implementacin en MATLAB
%%Cargar valores de entrada y salida del sistema en variables
load('Entrada.mat');
load('Salida.mat');

t=Salida(:,1);
y=Salida(:,2);
u=Entrada(:,2);

n=2;%Numero de coeficientes en el denominador

m=1;%Numero de coeficientes en el numerador
k=size(y,1);

%%Construccin de matrices
Y=y;
X=zeros(k,n+m);
for i=1:size(X,1)
for j=1:size(X,2)
if(j<(n+1))
if((i-j)>0)
X(i,j)=Y(i-j);
else
X(i,j)=0;
end
else
if((i+n-j)>0)
X(i,j)=u(i+n-j);
else
X(i,j)=0;
end
end
end
end

%%Obtencin de parmetros
Theta=(X'*X)\X'*Y;

%%Reconstruccin de la salida
Yk=zeros(k,1);
step=ones(k,1);
for i=1:k
if( ((i-2)>0) && ((i-1)>0) )
Yk(i)=Theta(n+1)*step(i-2)+Theta(1)*Yk(i-1)+Theta(2)*Yk(i-2);
end
end
plot(t,Yk)

H=tf([Theta(n+1)],[1 -Theta(1) -Theta(2)],0.001)

 Identificacin por Mnimos Cuadrados vs Mtodo Grfico
vs Planta Fsica
Sistema Real:

Mtodo de identificacin por mnimos cuadrados:

Despus de calcular el error de cada uno de los puntos en la

identificacin por mnimos cuadrados contra las muestras de la planta
fsica y promediarlos, se obtiene un error del 1.2138%
Mtodo Grfico:

Despus de calcular el error de cada uno de los puntos en la

identificacin por mtodo grfico contra las muestras de la planta
fsica y promediarlos, se obtiene un error del 1.0829%

Conclusiones
Tanto el mtodo de identificacin por mnimos cuadrados como el
mtodo grfico, son herramientas muy poderosas que nos permiten
modelar nuestros sistemas.
Como se puede observar, los resultados son altamente similares, a tal
grado que los errores promedio porcentuales de ambos mtodos difieren
por solo algunas dcimas de unidad, con un error de 1.08% para el
mtodo grfico y un error del 1.21% para el mtodo de mnimos
cuadrados.
Por ello, la utilizacin de cada uno de ellos queda al criterio del usuario
como una decisin respaldada en bases tericas y complejidad de
implementacin.