Introducción
Los métodos paramétricos buscan describir el sistema mediante un modelo matemático cuyos
parámetros se ajustan para que la salida del modelo se asemeje lo más posible a las salidas
observadas del sistema real. Estos modelos suelen representarse mediante ecuaciones
diferenciales o ecuaciones en diferencias, dependiendo de si el sistema es continuo o discreto.
Los siguientes experimentos se realizarán usando el siguiente circuito en cuestión.
Experimento 1
Utilizar mínimos cuadrados y la forma de regresión para obtener un modelo de segundo orden
que ajuste los datos entrada-salida obtenidos.
Coeficientes obtenidos para el vector de parámetros:
Experimento 2
Utilizando métodos de error de predicción obtener un modelo (en tiempo discreto) que ajuste
los datos entrada-salida.
El modelo con el mayor porcentaje de correlación fue el m2 usando ARMAX, el cual arrojo
los siguientes coeficientes para a1, a2, b1 y b2, respectivamente.
Experimento 3
Mediante el uso de las leyes de Kirchhoff, obtener un modelo y los correspondientes
parámetros matemáticos nominales del sistema. Comparar los parámetros nominales con los
obtenidos mediante mínimos cuadrados del inciso 1.
𝑈𝑖 (𝑡) = 𝑖1 (𝑡) ∗ 𝑅1 + 𝑉𝑐1 (𝑡)
𝑉𝑐1 (𝑡) = 𝑖2 (𝑡) ∗ 𝑅2 + 𝑉𝑐2 (𝑡)
donde 𝑉𝑐2 (𝑡) = 𝑉𝑜 (𝑡)
Relaciones por cumplir por conservación de corriente:
𝑑𝑉𝑜 (𝑡)
𝑖2 (𝑡) = 𝐶2
𝑑𝑡
𝑑𝑉𝑐1 (𝑡)
𝑖1 (𝑡) − 𝑖2 (𝑡) = 𝐶1
𝑑𝑡
Sustituyendo para dejar la corriente en función solo de voltajes:
𝑑𝑉𝑜 (𝑡)
𝑖2 (𝑡) = 𝐶2
𝑑𝑡
𝑑𝑉𝑐1 (𝑡) 𝑑𝑉𝑜 (𝑡)
𝑖1 (𝑡) = 𝐶1 + 𝐶2
𝑑𝑡 𝑑𝑡
Reescribiendo las ecuaciones de malla en función de los voltajes en los capacitores:
𝑑𝑉𝑐1 (𝑡) 𝑑𝑉𝑜 (𝑡)
𝑈𝑖 (𝑡) = 𝑅1 ∗ 𝐶1 + 𝑅1 ∗ 𝐶2 + 𝑉𝑐1 (𝑡)
𝑑𝑡 𝑑𝑡
𝑑𝑉𝑜 (𝑡)
𝑉𝑐1 (𝑡) = 𝑅2 ∗ 𝐶2 + 𝑉𝑜 (𝑡)
𝑑𝑡
Reacomodando en forma matricial y sustituyendo los valores de 𝑅1,2,3=10k Ω y 𝐶1,2,3=100
µF:
1 ̇
1 𝑉𝑐1 −1 0 𝑉𝑐1 1
[ ][ ] = [ ][ ]+[ ]𝑢
0 1 𝑉𝑜̇ 1 −1 𝑉𝑜 0
Sacamos la inversa para posteriormente despejar el vector de estados
1 1 −1 1 −1
[ ] =[ ]
0 1 0 1
Reacomodamos y despejando el vector de estados:
𝑥1 (𝑡) = 𝑉𝑐1 (𝑡)
Considerando:
𝑥2 (𝑡) = 𝑉𝑜 (𝑡)
𝑥̇1 (𝑡) −2 1 𝑥1 (𝑡) 1
[ ]=[ ][ ] + [ ] 𝑢(𝑡)
𝑥̇ 2 (𝑡) 1 −1 𝑥2 (𝑡) 0
𝑥1 (𝑡)
𝑦(𝑡) = [0 1] [ ]
𝑥2 (𝑡)
Donde:
−2 1 1
𝐴=[ ] 𝐵=[ ] 𝐶 = [0 1]
1 −1 0
Ahora transformamos a la forma canónica observable
−2 1 0 1
𝐶𝐴 = [0 1] ∗ [ ] = [1 −1] Por lo tanto 𝑄=[ ]
1 −1 1 −1
𝑠 0 −2 1 𝑠+2 −1
|𝑠𝐼 − 𝐴| = [ ]−[ ]=[ ] = 𝑠 2 + 3𝑠 + 1
0 𝑠 1 −1 −1 𝑠+1
3 1 1 −2
𝑊=[ ] 𝑇=[ ]
1 0 0 1
Obtenemos la siguiente forma canónica observable
𝑥̇ (𝑡) 0 −1 𝑥1 (𝑡) 1
[ 1 ]=[ ][ ] + [ ] 𝑢(𝑡)
𝑥̇ 2 (𝑡) 1 −3 𝑥2 (𝑡) 0
𝑥1 (𝑡)
𝑦(𝑡) = [0 1] [ ] = 𝑥2 (𝑡)
𝑥2 (𝑡)
Forma de regresor para L1=-20 y L2=-9
0 −20 0
𝛽̇ (𝑡) = [ ] 𝛽(𝑡) + [ ] 𝑢(𝑡)
1 −9 1
0 −20 0
𝜀̇(𝑡) = [ ] 𝜀(𝑡) + [ ] 𝑦(𝑡)
1 −9 1
1
𝑦(𝑡) = [0 0
1][𝑇𝛽 𝛽 𝑇𝜀 𝜀] [ ]
19
6
1
−0.45 1
Donde 𝑇 = [ ] el vector de parámetros 𝜃=[0]
−0.05 0 19
6
Aplicando la ecuación 𝐺(𝑠) = 𝐶(𝑠𝐼 − 𝐴)−1 𝐵 obtenernos la siguiente función de
transferencia en tiempo continuo:
1
𝐺(𝑠) =
𝑠2 + 3𝑠 + 1
Los coeficientes calculados de manera analítica a1=1, a2=3, b1=1, b2=0. Estos difieren un
poco con los estimados en el punto 1, encontrando la mayor variación en el coeficiente a2,
el cual de manera estimada dio un valor de 2.555 y analíticamente es de 3
Experimento 4
Discretizar el modelo obtenido previamente, utilizando un período de muestreo con un valor
de T=0.01 s, y comparar con los parámetros obtenidos mediante métodos de error de
predicción del inciso 2.
Haciendo uso del comando c2d en Rstudio obtenemos la siguiente función de transferencia
en tiempo discreto:
Conclusión
Como conclusión puedo decir que la identificación de sistemas por métodos paramétricos es
una herramienta poderosa que combina técnicas estadísticas con conocimiento del sistema
para crear modelos precisos y útiles. A través de ejemplos y aplicaciones prácticas, hemos
demostrado cómo estos métodos pueden mejorar significativamente la comprensión y el
control de sistemas dinámicos. El uso de software como R facilita enormemente este proceso,
proporcionando herramientas avanzadas para el ajuste y validación de modelos.