PROCESOS Y CONTROL

V Ciclo

Informe de Laboratorio N° 6

Modelamiento de sistemas de
control (Método Identificación de
sistemas)

Integrantes del Equipo:

Alvarado Silva, Jonathan

Muñante Morales, Rogger

Meléndez vela, Mauricio

Contreras Egúsquiza Pedro Luis

Profesor: Ávila Córdova,

Edwin

Fecha de realización: 6 de octubre

Fecha de entrega: 13 de octubre

2023– 2
 OBJETIVOS

 Determinar el modelo matemático de un sistema de control por identificación de

sistemas.
 Sintonizar un controlador PID para controlar el modelo obtenido por identificación
de sistemas.
INTRODUCCIÓN
La identificación del sistema es un concepto fundamental en el curso de Procesos y Control.
Este tema es esencial para comprender cómo funcionan los sistemas dinámicos y cómo
podemos modelarlos y controlarlos de manera efectiva. La identificación del sistema se
refiere a la tarea de determinar un modelo matemático que describe el comportamiento de un
sistema en función de sus entradas y salidas. Este modelo es crucial para el diseño y la
implementación de estrategias de control eficientes.
En este curso, exploraremos diversos métodos y técnicas para identificar sistemas, que van
desde modelos simples hasta modelos más complejos. Estudiaremos cómo recopilar datos
experimentales, cómo utilizar herramientas matemáticas y estadísticas para analizar estos
datos y cómo ajustar modelos teóricos a los datos medidos. Además, veremos cómo esta
identificación del sistema se aplica en la práctica en una variedad de campos, como la
ingeniería, la economía, la biología y más.
La identificación del sistema es una habilidad esencial para cualquier ingeniero o profesional
que trabaje en el campo del control y la automatización. Al comprender cómo se comportan
los sistemas y cómo podemos modelarlos con precisión, podemos diseñar estrategias de
control efectivas que optimicen el rendimiento, mejoren la eficiencia y minimicen los errores.
exploraremos los conceptos fundamentales, los métodos de identificación y las aplicaciones
prácticas que hacen que esta área sea tan relevante e impactante en el mundo moderno.

Figura 1.
Diagrama de Bloques de un Sistema de Control Automático Continuo
 PROCEDIMIENTO DE LABORATORIO

Ejercicio 1:

A partir de los datos brindados en el archivo “data1.mat”, donde se tiene la entrada (u), la
salida (yn) y el sample time (Ts). Obtener la función de transferencia del sistema de primer
orden.

Figura 2.

función de transferencia

Primero para que nos salga la función debemos descargar el archivo mandado por el profesor
lo cual era data1.

En este procedimiento debemos que obtener los datos que obtiene el archivo elegido para que
después tengamos que sacar en el código del Matlab el procedimiento de estabilización.

Figura 3.

Datos de la descarga de data1.

Para abrir la ventana “Time domain data” debemos poner el nombre de ident para que así
podamos ver la ventana requerida para el procedimiento.
Figura 4.

código para abrir la ventana “time domain data”

1. En la ventana que aparece seleccione “Time domain data”:

Aquí vemos la ventana system identification tool para importar los modelos que obtuvimos
con data1, en esta ventana hemos identificado la opción import data para que obtengamos
la gráfica que se requiere

Figura 5.
ventana System Identification tool
 2. Realizar las configuraciones mostradas y luego seleccione “Import”.

En esta ventana con la opción importa data nos abre este cuadro donde debemos poner
las entradas y salida (u, yn) ya que estos se encuentran en la data1.
En el data information damos el nombre que queremos poner, después poner el tiempo
que va desde 0 a 0.0230 del intervalo dado; después de realizar todos los pasos le damos
en import.
Figura 6.
Import data

Figura 7.

Datos para el import data

 3. Seleccionar “Time plot “.

Después de seleccionar el import data, ubicamos en el cuadro time plot para que nos
habrá la ventana para ver las señalas de salida y entrada que van de 0 hasta 10 cuando se
estabiliza y el tiempo ya que va de 0.5.
Aquí contiene información de datos y tiempo dentro del proceso, podemos modificar y
analizar el comportamiento de una serie.
Figura 8.
Ventana time plot

4. Seleccione “Process Models”

En la opción process models, optamos para esta opción para el siguiente paso
correspondiente.
Figura 9.
Process models
 5. Seleccione “Estimate”

6. Nos debe salir los valores estimados (K y Tp1) de los parámetros y el nombre (P1) de
la función de transferencia.

En este procedimento es “process models” lo cual tenemos el K y Tp1 para que nos salga
estos valores debemos poner estimate y nos aparecera atomaticamente.

Y en modelo de funcion de transferencia para que no salga esa funcion, debemos quitar
las opciones de Zero, Delay e Integrator y nos aparecera el funcion que queremos.

Ademas solamente debemos seleccionar las opciones K y Tp1.

Figura 10.

Selección estimate y valores estimados

 7. Marcando la casilla podemos ver la validación del modelo

Después de hacer todo el procedimiento “Process Models” volvemos a la ventana

principal para que después pongamos Model output para que nos salga una gráfica para
visualizar y analizar.

Figura 11.
Model output
8. Para ver otros parámetros y datos relacionados al modelo estimado podemos hacer
clic derecho sobre el icono que lo representa. Nos mostrara la siguiente ventana.

Ahora diseñamos el controlador PID para este modelo con los valores que nos dio el
Data1 como el K y Tau (Tp1)
Figura 12

Código del controlador PID

9. En esta grafica de planta de flujo con acción PID el tiempo de la planta que es de
0.124 y un tiempo de transición de 0.2 con un porcentaje de 0.093 % de overshoot
vemos que se estabiliza de una forma tranquila y se puede poner en un proceso que se
requiera de PID.

Figura 13
Planta de flujo de acción PID
Ejercicio 2:
Figura 14
Carga de data 2 y colocación de entradas, salidas y tiempo de muestreo

Nota: Para la resolución del ejercicio 2 utilizaremos el archivo “data2.mat” el cual nos
entregara las variables las cuales nosotros marcaremos como entrada, salida y el
tiempo de muestreo para obtener una función de transferencia de primero orden con
retardo.

Figura 15.
Señal generada por los valores cargados del “data2.mat”

Nota: Observamos la señal de salida que se forma y colocamos el “Time Plot” y el

modelo de proceso para estimar los valores de las ganancias estática y el tiempo de
estabilización.
Figura 16.
Señal generada de la función de transferencia de primer orden con retardo

Nota: De la señal obtenida observamos la gráfica de la señal que se nos entrega y

comprobaremos el comportamiento del proceso con retardo, dándonos cuenta en el
pequeño tiempo de retardo que hay antes de que la señal comience a elevarse.
Figura 17.
Valores estimados de la ganancia estática y el tiempo de estabilización

Nota: Una vez conseguido el modelo de proceso, realizamos la estimación del tiempo de
estabilización y la ganancia estática, esto viene solamente del análisis de datos de entrada
y salida, siendo un método más rápido para analizar el comportamiento de una señal.
Figura 18.
Comportamiento real de la señal de salida

Nota: Al marcar la casilla para obtener la salida del modelo, este nos entregara el
valor de salida real, de esta forma comprobamos su comportamiento.
Figura 19.
Parámetros de la función de transferencia

Nota: Se procede a cargar los valores del proceso en el Multisim para analizar los parámetros.
Figura 20.
Parámetros cargados en ventana de comando Matlab

Nota: En la ventana de comando de Matlab se procederán a cargar los parámetros y la

función de transferencia del proceso.

Figura 21.
Parámetros control PID

Nota: Con la función de transferencia mediante la curva de reacción procederemos a

conseguir sus parámetros de control para un control PID.
Figura 22.
Procedimiento de la Ecuación

Nota: se observa en la imagen el valor de la ganancia Kp, tiempo integral y tiempo

derivativo, lo cual se realizó el cálculo determinado.

Figura 23.
Programación en Matlab
Figura 24.
Señal generada al aplicar los parámetros del PID

Nota: Al utilizar el método de curva de reacción conseguimos la estabilidad; no

obstante, el pico que se genera es demasiado alto, y la reacción de la señal es muy
ruidosa, lo cual podría generar daños en la válvula, para ello se decidió cambiar los
parámetros del PID a controlar.

Figura 25.
Programación Matlab – Parámetros Arreglados
Figura 26.
Señal generada al aplicar los parámetros nuevos del PID

Nota: En este caso la reacción de la señal es mucho más controlada, además de

reducir el overshoot a menos de 10%, sacrificando un poco el valor de tiempo de
estabilidad, aumentado a 8.16 s, pero se obtiene una mejor señal.

Ejercicio 3:
c. A partir de los datos brindados en el archivo “data3.mat”, donde se tiene la
entrada (u), la salida (yn) y el sample time (Ts). Obtener la función de
transferencia del sistema de segundo orden con polos reales

d. Diseñar el controlador PID para el modelo obtenido. Considerar como criterios

de desempeño (Tiempo de estabilización, sobre impulso y error en estado
estacionario) los mínimos valores posibles.

Figura 27.
Tiempo de retardo
 Nota: Al ingresar en el programa Matlab para poder realizar nuestra función de
transferencia, tendremos que abrir el archivo “data3.mat” y obtener nuestro tiempo de 1
retardo (Ts) la cual nos da un valor de 0.1842 tal y como podemos observar en la
figura.

Figura 28.
Información de datos

Nota: realizamos la configuración de nuestro tiempo de inicio y nuestro tiempo de

muestreo y posteriormente importar la información.

Figura 29.
Identificación del sistema
 Nota: En esta imagen podemos observar las señales de entrada y salida en el dominio
de tiempo.

Figura 30.
Modelo del proceso

Nota: En la imagen podemos observar el modelo proporcionado de nuestra función de

transferencia que se realizó de acuerdo a la configuración, añadiendo dos polos y
obteniendo los valores de ganancia estática, frecuencia natural y factor de
amortiguamiento.
Figura 31.
Respuesta real y respuesta del modelo obtenido

Nota: En esta imagen observamos nuestra señal cuyo valor es 96.65 lo cual nuestra
interpretación es de un buen ajuste con el rendimiento del proceso, ya que nuestro
valor es cercano a un 100% indicando la similitud en las señales

Figura 32.
Modelo y función de transferencia
Nota: Obtenemos nuestros valores de la función de transferencia las cuales son lo siguiente:

K (ganancia estática) = 10.001

Tw (frecuencia natural) = 1.0002
Zeta (factor de amortiguamiento) = 0.24979

Control PID:
Diseñamos nuestro controlador obtenido:

Figura 33.
Código de Matlab

Nota: Este código simulará un sistema de control PID aplicado a la planta con función
de transferencia, por otro lado, también se usó parámetros y ganancias para definir el
ajuste del controlador, la cual nos permitirá su comportamiento.
Figura 34.
Función de transferencia

Nota: En esta imagen podemos observar nuestros parámetros cuyos valores se

visualizan junto con los valores de la planta.

Figura 35.
Señal de planta
 Nota: En esta imagen podemos observar la planta en un sistema de lazo abierto, lo
cual el ajuste del controlador PID es efectivo. En esta respuesta de la señal de la
planta, tiene un tiempo de subida corto, un pequeño sobre pico y estabilización rápida.

Figura 36.
Respuestas del escalón unitario

Nota: El overshoot tiene un porcentaje menor a lo que se requiere, teniendo como valor
8.84% indicando que está por debajo del límite de 10% requerido. Esto cumple el criterio de
que debe ser menor y que el controlador PID tuvo éxito al minimizar el pico.

También podemos observar que nuestra desviación máxima es de 1.09 la cual al realizar los
cálculos tendrá un valor muy nulo o bajo. Esto nos indicara que nuestro controlador es
efectivo en mantener el sobre pico y la desviación.

Error = 1.09 – 1.00 = 0.09

Figura 37.
Respuestas del escalón unitario

Nota: Nuestro ajuste de tiempo tiene un valor de 4.72, por ello la respuesta del
sistema de la planta cumple con las configuraciones requeridas que se le proporciono
a las constantes proporcional, integral y derivativa en el código Matlab.

OBSERVACIONES

 Una observación importante es que la selección del tipo de modelo del sistema
dependerá del tipo de comportamiento y complejidad del sistema que se esté
modelando en ese instante.
 Es muy fundamental tener conocimiento completo del sistema para poder seleccionar
el modelo de sistema más adecuado, ya que esto permitirá una simulación precisa y
un mejor rendimiento.
 Hemos observado que el nuevo ejercicio que observamos en clases fue útil y mucho
más rápido para calcular el KP y Tp1, y es más entendible a ello.
 Observamos el procesos del PID, del Process models podemos hallarlos y las
opciones que se puede realizar con ellos.
 CONCLUSIONES

 El comando “System Identification” en Matlab es una herramienta muy útil para la

identificación y modelado de sistemas dinámicos a partir de datos experimentales.
 La inclusión de un controlador PID es una técnica muy común y efectiva para la
mejora del sistema, pero su sintonización es fundamental para lograr un rendimiento
optimo.
 La creación de modelos matemáticos de sistemas físicos permite la simulación del
comportamiento del sistema en diferentes condiciones y la implementación de
controladores que mejoren su rendimiento y estabilidad.
 Se concluye en la experiencia del laboratorio con la data brindada, se pudo identificar
el modelo matemático de un sistema para poder conocer el comportamiento de las
entradas y salidas, para ello, se usó el programa el Matlab y poder comprobar si el
sistema es estable o inestable.

BIBLIOGRAFÍA

Mario Alberto Perez. Analía Perez Hidalgo, E. P. (2008). Diagrama de Bloques de un Sistema de

Control Automático Continuo. Obtenido

de http://dea.unsj.edu.ar/control1b/teoria/unidad1y2.pdf