PROYECTO CONTROL AUTOMÁTICO 1

Torres Torres Brandon Stiven, Cartagena Velez Jhon Alexander, Bernate Mendez Daniel

Resumen— En este documento se describe el proceso de

identificación de un sistema dinámico, utilizando la
herramienta MATLAB junto con el Toolbox de Identificación
de Sistemas. A partir de datos experimentales proporcionados,
se estimaron modelos en el dominio continuo y discreto, los
cuales fueron representados mediante variables de estado y
expresados en forma de ecuaciones diferenciales. Asimismo, se
realizaron simulaciones tanto en la plataforma de simulación
Simulink como en el entorno gráfico LabVIEW, lo que
permitió verificar la coherencia de los modelos en diferentes
entornos de simulación. La investigación fue respaldada por la
revisión de cinco artículos académicos relevantes, fortaleciendo
el marco teórico que sustenta el desarrollo del proyecto.

I. INTRODUCCIÓN

Los sistemas dinámicos se definen por un conjunto de

variables que varían a lo largo del tiempo, cuyo
comportamiento está gobernado por ecuaciones matemáticas.
Este concepto es esencial en numerosas áreas de la ciencia y la Diagrama I. Metodología
ingeniería, ya que permite comprender cómo las interacciones
entre las distintas variables dan lugar a cambios y evoluciones Los programas principales utilizados en este proyecto
en el sistema. El análisis de estos sistemas resulta fundamental incluyeron la herramienta MATLAB, reconocida por su
para diseñar controladores, modelar fenómenos físicos o capacidad para el análisis de datos, el desarrollo de
biológicos, y optimizar procesos en diversas aplicaciones de la algoritmos y la creación de modelos matemáticos. En
ingeniería y otras disciplinas. particular, se utilizó el Toolbox de Identificación de
Sistemas de MATLAB para estimar un modelo aproximado
Este proyecto tuvo como objetivo identificar un sistema de del sistema, a partir de los datos de respuesta al escalón
control de nivel de un tanque utilizando la herramienta proporcionados.
MATLAB y su Toolbox de Identificación de Sistemas. Se
realizaron estimaciones de modelos en el dominio continuo y
También se utilizó la plataforma de simulación Simulink,
discreto, explorando también sus representaciones en variables
integrada en la herramienta MATLAB, para implementar los
de estado y ecuaciones en diferencias. Para validar la precisión
modelos obtenidos mediante diagramas de bloques y
y consistencia de los modelos obtenidos, estos fueron
analizar el comportamiento del sistema en un entorno
implementados en la plataforma de simulación Simulink y en
virtual. Estas simulaciones fueron clave para verificar la
el entorno gráfico LabVIEW, logrando una representación fiel
precisión de los modelos identificados, asegurando que
del comportamiento del sistema.
reprodujeran de forma fiel la dinámica del sistema.
El respaldo teórico de este proyecto se fortaleció mediante la
Además, se empleó el entorno gráfico LabVIEW, una
revisión de cinco artículos de investigación pertinentes, los
herramienta que permite simular el comportamiento de un
cuales fueron seleccionados de la base de datos de la
sistema de manera virtual, facilitando la observación y
Universidad del Quindío. Este documento presenta de manera
análisis de su respuesta ante diversas condiciones y
detallada todo el proceso llevado a cabo: desde el análisis de
parámetros.
datos inicial hasta la validación final de los modelos
Tabla 1.
obtenidos, ofreciendo una perspectiva completa sobre la
Materiales usados
aplicación de técnicas de identificación de sistemas en el
campo del control automático. CANTIDAD COMPONENTE

1 DISPOSITIVO PARA USAR

II. METODOLOGÍA E INSTRUMENTOS LOS SOFTWARE
REQUERIDOS
Se presenta a continuación un diagrama de desarrollo del
laboratorio paso a paso.
III. MARCO TEÓRICO

Discretización de una señal: La discretización es el proceso

mediante el cual una señal continua se convierte en una
secuencia de valores discretos, utilizando el muestreo a
intervalos de tiempo regulares. Este procedimiento permite
representar la señal de manera digital, haciendo posible su
manipulación en sistemas computacionales. En términos
prácticos, el muestreo implica registrar el valor de la señal
en momentos específicos, generando una secuencia de datos
que puede ser procesada por dispositivos como
computadoras o microcontroladores.
Figura 2. Estimación de la distancia
Ecuación en diferencias: En el ámbito del control, una
ecuación en diferencias es una herramienta matemática que
se emplea para representar sistemas dinámicos discretos y
para el diseño de controladores que trabajan en tiempo
discreto. Estas ecuaciones son esenciales para describir el
comportamiento del sistema en intervalos temporales
separados y para establecer la relación entre las entradas y
salidas en cada uno de esos momentos discretos.

Para llevar a cabo la identificación del sistema, que posee

una entrada tipo PWM y una salida medida en función de la
distancia, se dividieron los datos en dos conjuntos: el 70% se
utilizó para la estimación del modelo y el 30% restante para
su validación. Figura 3. Validación de la distancia

Después de obtener los datos de salida y validación, se

empleó el toolbox de Identificación de Sistemas disponible
en MATLAB. Esta herramienta ofrece una interfaz fácil de
usar para el manejo de modelos de sistemas dinámicos. En
dicha interfaz se cargaron los datos de salida y validación, lo
que permitió continuar con el proceso de identificación del
sistema.

Figura 1. Salida del sistema

Figura 4. Interfaz de estimación de la FT

En el proceso de estimación se configuró un modelo con 3

polos y 2 ceros, lo que permitió obtener una función de
transferencia continua que presenta un 59% de similitud con
la señal de salida de distancia original. Esta función se basa
en los datos experimentales y se ajusta para reflejar con
precisión el comportamiento del sistema. A continuación, se
muestran los coeficientes de la función, junto con una
gráfica que compara la respuesta del modelo con los datos
originales.
 Figura 5. FT de estimación

Figura 8. Función de transferencia discreta

En la gráfica se aprecia que el tiempo de muestreo es

adecuado para el sistema, ya que no se detectaron
interrupciones ni faltantes de datos en la señal en
comparación con la estimación realizada

Se determinó el tiempo máximo de muestreo para evaluar la

capacidad del sistema de soportar intervalos de muestreo
más largos.

Se igualan a cero los polos de la función de transferencia y

se sustituye la frecuencia angular máxima en la fórmula para
calcular el tiempo máximo de muestreo, de la siguiente
manera:
2
Figura 6. Gráfica de la FT estimada 𝑠 + 0. 007047𝑠 + 0. 0001724 = 0 (1)

Una vez ya se obtienen los coeficientes calculados, se 𝑠 = − 0. 0035235 + 0. 012539𝑖

1
procedió a realizar la discretización de la señal utilizando el
comando c2d en MATLAB. Este comando es esencial para 𝑠 = − 0. 0035235 − 0. 012539𝑖
2
convertir un modelo continuo en un modelo discreto, lo cual
es necesario para implementar el sistema en un entorno Donde la frecuencia angular máxima será la amplitud de las
digital. raíces complejas, como se muestra a continuación:

También se necesita para el desarrollo de la herramienta 2 2

𝑊𝑚𝑎𝑥 = 0. 0035235 + 0. 012539 = 0. 0132 𝑟𝑎𝑑/𝑠𝑒𝑔
virtual Labview el coeficiente completo, donde se usó la
función vpa que calcula todo el coeficiente de la función de Ya con la frecuencia angular máxima se halla el tiempo de
transferencia discreta y su gráfica. muestreo:

𝑇≤ π
5𝑊𝑚𝑎𝑥
= 47. 59 𝑠𝑒𝑔

Al modificar el tiempo de muestreo, se nota que la señal de

salida exhibe algunas irregularidades y datos faltantes. Esto
ocurre debido a los cambios en el tiempo de muestreo dentro
del código, lo que provoca que la función discreta resultante
sea diferente, tal como se ilustra en la Figura 9.

Figura 7. Función discreta con sus coeficientes completos

Tras obtener la función discreta, se realizó su representación

gráfica utilizando el tiempo de muestreo proporcionado por
los datos, con el fin de evaluar la precisión y confiabilidad
del modelo.
 Figura 9. Función discreta con el máximo tiempo de muestreo

El tiempo máximo de muestreo calculado es bastante alto.

Figura 11. Función de transferencia en VE continua
Incluso con intervalos de hasta 1 segundo, se consiguió
obtener la función discreta deseada. Esta situación implica
que dispositivos con menor velocidad podrían enfrentar
problemas al adquirir datos del sistema, ya que el tiempo de Variables de estado discreto del sistema
muestreo actual es únicamente de 0.05 segundos, una
Para construir las matrices de variables de estado discretas,
pequeña fracción del máximo permitido. Por lo tanto,
se siguió un proceso similar al aplicado en el caso de las
hubiera sido posible seleccionar un tiempo de muestreo más
variables de estado continuas, con la diferencia clave de que
largo.
aquí se trabaja directamente con la función de transferencia
Variables de estado continuas del sistema en su forma discreta. El procedimiento consistió en
transformar las expresiones del numerador y denominador
Para construir las matrices correspondientes a las variables de la función de transferencia G(z) a sus correspondientes
de estado, se utilizó en el código la función cell2mat, que matrices G, H, C y D.
convierte los elementos del numerador y denominador de Gs Para obtener la función de transferencia en el espacio de
en matrices. Luego, mediante la función tf2ss, se extraen las estados, se emplea la función ss, la cual crea un objeto que
variables del numerador y denominador en formato representa un sistema dinámico a partir de las matrices G, H,
matricial, asignándolas a cuatro variables que representan las C y D, considerando únicamente dos estados debido al orden
variables de estado. superior de la función. Este proceso incluye el ajuste por
desplazamientos relacionados con el dominio de las
Para derivar la función de transferencia en el espacio de posiciones y utiliza todos los coeficientes presentes en las
estados, se emplea la función ss, que genera un objeto matrices para construir el modelo por bloques en LabVIEW.
representativo de un sistema dinámico utilizando las La siguiente figura muestra las matrices de estado junto con
matrices A, B, C y D, considerando únicamente dos estados la gráfica de las variables de estado discretas.
debido al orden más alto de la función.

En la siguiente figura se observan las matrices de estados y

la gráfica de las variables de estados continuas:

Figura 12. Matrices G, H, C y D de las VE discretas

Figura 10. Matrices A, B, C y D de las VE continuas

 Figura 16. Diagrama de bloques de la función Discreta

Figura 13. Función de transferencia en VE discreta

Adicionalmente, se implementaron los modelos

identificados en la plataforma de simulación Simulink, lo
que permitió analizar de manera visual e intuitiva el
Figura 16. Respuesta al diagrama de bloques Discreta
comportamiento del sistema a través de diagramas de
bloques. La figura 14 y 16 muestra los diagramas de bloques Cabe destacar que los resultados de las simulaciones en
diseñados para las representaciones, tanto en tiempo Simulink coinciden plenamente con los generados mediante
continuo como en tiempo discreto, así como las respuestas los scripts en MATLAB, lo cual valida la fidelidad de las
dinámicas obtenidas. implementaciones y garantiza que los modelos identificados
reproducen de forma correcta la dinámica del sistema bajo
las mismas condiciones de entrada.

Ecuación en diferencia
Figura 14. Diagrama de bloques de la función continua

En lo que respecta a las ecuaciones en diferencias, estas

constituyen una herramienta clave para la descripción
matemática de sistemas discretos. En el marco de este
proyecto, además de obtener la función de transferencia
discreta y las matrices de estado, se derivaron las ecuaciones
en diferencias correspondientes al modelo identificado.

−5 −5 −2
−3.928𝑒 𝑧 + 3.93𝑒 𝑧
𝐺𝑧 = 2 * −2 (2)
𝑍 −2𝑧 + 0.9996 𝑧

−5 −1 −5 −2
𝑦(𝑧) −3.928𝑒 𝑧 + 3.93𝑒 𝑧
Figura 15. Respuesta al diagrama de bloques continuo 𝑢(𝑧)
= −1 −2
1−2𝑧 + 0.9996𝑧

−1 −2
𝑦(𝑧) − 2𝑦(𝑧) * 𝑧 + 0. 9996𝑦(𝑧) * 𝑧 =

−5 −1 −5 −2
− 3. 928𝑒 𝑢(𝑧) * 𝑧 + 3. 93𝑒 𝑢(𝑧) * 𝑧
 −5 −5
𝑦(𝑘) = 2𝑦(𝑘 − 1) − 0. 9996𝑦(𝑘 − 2) − 3. 928𝑒 𝑢(𝑘 − 1) + 3. 93𝑒 𝑢(𝑘 − 2) Variables de estado:

Ecuación en diferencia

Implementación en Labview

La implementación de estas ecuaciones en LabVIEW

permitió verificar el comportamiento del sistema mediante
simulaciones gráficas, tal como se ilustra en las figuras 17 a
20. Estas simulaciones complementan las realizadas en
MATLAB y Simulink, ofreciendo una validación adicional
del modelo obtenido, al comparar sus respuestas con los
datos experimentales.:
Figura 19. Ecuación de diferencia en labview

Figura 17. Ecuación de diferencia en labview

Figura 20. Ecuación de diferencia en labview

Artículos de base de datos IEEE Xplore:

1. High Dinamic Control of a PWM Rectifier using

Harmonic Elimination

En este artículo se aborda el problema del control de

corriente en convertidores de alta potencia utilizando
patrones de conmutación pre-calculados y de baja
frecuencia. Para superar el problema de la alimentación de
Figura 18. Ecuación de diferencia en labview
armónicos de conmutación a través de los controladores de
corriente, se desarrolla un método de predicción y
compensación de armónicos. El buen desempeño del método
se verifica ampliamente mediante simulaciones de un
rectificador PWM de tres niveles, modulado con eliminación
selectiva de armónicos a cinco ángulos, resultando en una
frecuencia de conmutación de 250 Hz. Finalmente, se
presentan resultados experimentales preliminares, donde se
controla la corriente en una carga pasiva R-L, para confirmar
la viabilidad de implementación de la técnica propuesta.

2. Data analysis using system identification toolbox of

heat exchanger process control training system

Este artículo presenta un estudio sobre el análisis de datos de

un sistema de entrenamiento para el control de procesos de
intercambiadores de calor. El análisis se basa en los modelos Este artículo presenta la identificación óptima de un modelo
ARX y ARMAX seleccionados. Los datos, compuestos por de orden fraccionario para un sistema de control de proceso
1000 muestras, se organizaron en una hoja de Excel de de presión, utilizando el algoritmo Cuckoo Search (CS).
Microsoft y se importaron a MATLAB para su Para el análisis y diseño del sistema, es esencial contar con
procesamiento. un modelo preciso del proceso de control de presión. El
modelo de orden fraccionario se basa en el cálculo
La evaluación de los modelos se llevó a cabo mediante la
fraccionario, lo que permite extender los órdenes de la
herramienta System Identification Toolbox de MATLAB,
función de transferencia de valores enteros a números reales.
analizando la respuesta en el dominio del tiempo para
Como resultado, el modelo de orden fraccionario es más
conocer características como la respuesta al escalón,
preciso que el modelo de orden entero.
respuesta al impulso, diagrama de Bode, polos y ceros. La
estabilidad y la respuesta de los modelos se visualizaron 5. System Identification and Control System Design
utilizando LTI Viewer. for Bioreactor Process.
Los resultados obtenidos muestran que las estructuras ARX Un sistema de control no puede ser simulado utilizando los
[2 2 1] y ARMAX [2 2 1 1] alcanzaron los mejores métodos convencionales de ajuste si no se dispone de un
porcentajes de ajuste: 94.51% y 95.54%, respectivamente, modelo matemático de la planta que se desea controlar. El
con funciones de pérdida de 0.00112377 y 0.001110033. Por trabajo realizado en este artículo se basa en datos
lo tanto, se concluye que ambos modelos ofrecen un buen experimentales de un proceso industrial de reactor
ajuste y presentan una respuesta estable, lo que los convierte bioquímico. A partir de estos datos, se identifican varios
en representaciones adecuadas para el sistema analizado. modelos matemáticos de la planta utilizando la herramienta
System Identification Toolbox de MATLAB.
3. Use of the MATLAB® System Identification
Toolbox® for the creation of specialized software
for parameters identification
CONCLUSIONES
El Este artículo muestra las posibilidades de crear un
programa especializado en el entorno de MATLAB® ● El uso del System Identification Toolbox de
utilizando las funciones contenidas en la biblioteca SIT MATLAB fue fundamental para obtener una
(System Identification Toolbox®). Estas funciones se estimación precisa de la función de transferencia
emplean para la identificación de parámetros de un modelo del sistema en lazo cerrado y para desarrollar un
de comportamiento de un piloto humano durante el control controlador PID optimizado. Esta herramienta
de vuelo en el simulador X-Plane A partir de los resultados simplificó notablemente el proceso de
obtenidos, se desarrolló una aplicación con una interfaz identificación y análisis de parámetros, mejorando
gráfica de usuario para la identificación de datos tanto la eficiencia como la precisión en la
seleccionados. En esta aplicación, se realizó un análisis de evaluación del sistema.
los distintos métodos de identificación aplicados a los datos ● Los sistemas discretos presentan diferentes
seleccionados, considerando los parámetros establecidos y comportamientos según el tiempo de muestreo
presentando posibles mejoras en los resultados alcanzados. utilizado. Si el tiempo de muestreo es demasiado
largo, la adquisición de datos ocurre con mayor
intervalo, lo que disminuye la resolución temporal.
Esta situación puede provocar la omisión de
4. Fractional Order Model Identification for Pressure
detalles relevantes en la señal digitalizada,
Process Control System by Cuckoo Search
afectando su precisión y limitando su aplicabilidad
Algorithm
en determinadas tareas.
 ● La implementación de ecuaciones en diferencias en
LabVIEW facilitó una validación práctica de los
modelos discretos, proporcionando una visión
concreta de su comportamiento en tiempo real y su
eficacia para representar con precisión la dinámica
del sistema.

REFERENCIAS

[1] “C. Silva and J. Oyarzun, "High Dinamic Control of a PWM Rectifier using Harmonic Elimination," IECON 2006 -
32nd Annual Conference on IEEE Industrial Electronics, Paris, France, 2006, pp. 2569-2574, doi:
10.1109/IECON.2006.347432. keywords: {Pulse width modulation;Rectifiers;Power harmonic filters;Space vector
pulse width modulation;Switching frequency;Current control;Voltage;Pulse width modulation
converters;Commutation;Power system harmonics},

[2] T. Mulyana, J. Alhilman and E. Kurniawan, "Data analysis using system identification toolbox of heat exchanger
process control training system," 2016 4th International Conference on Information and Communication Technology
(ICoICT), Bandung, Indonesia, 2016, pp. 1-6, doi: 10.1109/ICoICT.2016.7571958. keywords: {Analytical
models;Heating;Stability analysis;Poles and zeros;System identification;Thermal stability;Process control;data
analysis;system identification toolbox;heat exchanger;process control;training system;arx and armax model},

[3] L. Valoušek and R. Jalovecky, "Use of the MATLAB® System Identification Toolbox® for the creation of specialized
software for parameters identification," 2021 International Conference on Military Technologies (ICMT), Brno, Czech
Republic, 2021, pp. 1-5, doi: 10.1109/ICMT52455.2021.9502786. keywords: {Parameter
estimation;Transportation;Transfer functions;Libraries;Data models;System identification;Mathematical model;data
processing;dynamical systems;graphical user interfaces;mathematical model;MATLAB®;parameter estimation;system
identification},

[4] S. Rukkaphan and C. Sompracha, "Fractional Order Model Identification for Pressure Process Control System by
Cuckoo Search Algorithm," 2020 17th International Conference on Electrical Engineering/Electronics, Computer,
Telecommunications and Information Technology (ECTI-CON), Phuket, Thailand, 2020, pp. 349-352, doi:
10.1109/ECTI-CON49241.2020.9158296. keywords: {Mathematical model;Process control;Data models;System
identification;Heuristic algorithms;Computational modeling;Transfer functions;fractional order model
identification;pressure process control;modern optimization problem;cuckoo search algorithm},

[5] S. K. Sunori, A. Mittal, N. Joshi, V. Bisht, N. Gupta and P. Juneja, "System Identification and Control System Design
for Bioreactor Process," 2022 7th International Conference on Communication and Electronics Systems (ICCES),
Coimbatore, India, 2022, pp. 172-177, doi: 10.1109/ICCES54183.2022.9835717. keywords: {Biological system
modeling;Transfer functions;Process control;Control systems;Mathematical models;System
identification;Inductors;System identification;Biochemical reactor;Controller;Set-point;Transfer function
model;IMC;PID},