operador humano en las tareas de supervisión, tareas
destinadas a la detección y diagnosis de fallos, comparando
I. INTRODUCCIÓN
E
n este trabajo se pretende usar el comando de IDENT
de Matlab para hallar una ecuación que, de la solución
a cierto sistema obtenido mediante datos de Excel, se
desea hallar una función que satisfaga más del 90% de
idealidad, teniendo en cuenta conceptos clases de la
identificación de sistemas dinámicos.
II. OBJETIVO.
• Encontrar una identificación ideal para un conjunto de
datos dados por el docente
• Entender los conceptos de la identificación de sistemas
dinámicos
• Usar IDENT de Matlab.
III. MARCO TEÓRICO
¿Qué es la teoría de control?
Es un enfoque interdisciplinario para el control de sistemas y
dispositivos. Combina áreas como eléctrica, electrónica,
mecánica, química, ingeniería de procesos, teoría matemática
entre otras. [1]
Introducción a la identificación de programas
El cambio en el proceso productivo, debido
fundamentalmente a la evolución de las tecnologías de
información y la automatización de los procesos industriales,
ha permitido que dichos complejos se adapten al mercado,
mejorando sus índices de competitividad, elevando su
eficiencia y permitiendo el desarrollo de controladores, que
eliminen costos y desperdicios en el proceso de fabricación.
Esto únicamente se puede conseguir con un conocimiento
exhaustivo del comportamiento dinámico del proceso, lo que
nos permitirá comprender el comportamiento del sistema,
incluyendo sus partes críticas.
El modelo del sistema debe entenderse, no sólo en el contexto
industrial, se extiende por el resto de sectores y campos del
conocimiento como: bioingeniería, economía,
termodinámica, organización, construcción…, y su uso va
desde el control y la supervisión, hasta la optimización y la
predicción, pasando por el diagnóstico y la innovación en
sistemas. La mejora continua, y las innovaciones en procesos,
hacen necesario el desarrollo de herramientas que ayuden al
el proceso con un modelo de simulación; éstos son los
métodos llamados de diagnóstico [Gertler, 98]. Uno de los
mayores expertos en este conocimiento, L. Ljung nos dice:
“En la actualidad, cada vez más, el trabajo de un ingeniero
consiste en la realización de modelos matemáticos”.
Para el diseño de controladores, sean de tipo convencional o
avanzado, es necesario disponer de un modelo matemático
preciso del proceso a controlar, que nos ayude al diseño de
los algoritmos de control.
Por consiguiente, tanto para el desarrollo de controladores
como para el de métodos de diagnosis y detección de fallos,
se hace necesario un profundo conocimiento del sistema o
proceso a gobernar, que nos permita conocer el
comportamiento del mismo. Esto se conseguirá mediante la
utilización de metodologías y protocolos, llamados de
identificación de sistemas.[2]
¿Qué es la identificación?
Podemos definir la identificación de sistemas, como los
estudios de técnicas que persiguen la obtención de modelos
matemáticos de sistemas dinámicos a partir de mediciones
realizadas en el proceso: entradas o variables de control,
salidas o variables controladas y perturbaciones
El enfoque de la identificación se puede realizar en función
de la estructura del modelo, y del comportamiento físico o no
del mismo.
Tipos de modelos.
1. Modelos mentales. Sin formalismo matemático.
2. Modelos no paramétricos. Se caracterizan mediante
gráficos, diagramas o representaciones que describen las
propiedades dinámicas mediante un número no finito de
parámetros, i.e., respuesta al impulso, al escalón, o en
frecuencia.
3. Modelos paramétricos o matemáticos. Describen las
relaciones entre las variables del sistema mediante
expresiones matemáticas; i.e., ecuaciones diferenciales en
sistemas continuos y ecuaciones de diferencias en sistemas
discretos.
El IDENT de Matlab.
La identificación se simplifica utilizando una herramienta en
Matlab llamada System Identification. Esta tiene una serie de
funciones programadas que sirven para realizar las siguientes
operaciones:
• Carga archivo de datos, es decir los datos registrados en
un osciloscopio.
1
 • Organiza y filtra los datos, removiendo los valores
medios y filtrando el ruido en los mismos.
Adicionalmente separa datos para identificación y datos
para validación.
• Realiza proceso de validación, comparando gráficamente
los resultados.
• Entrega análisis de correlación de los residuos con la
entrada.[3]

Desventajas.
Su rango de validez suele ser limitado (solo son aplicables a
un determinado punto de trabajo, un determinado tipo de
entrada o un proceso concreto).

En muchos casos es difícil dar significado físico al modelo.

Fig. 2 Datos con previo tratamiento.
IV. ANÁLISIS 3. Elección de la estructura del modelo.

Para este paso debemos usar el IDENT de Matlab,

Para obtener una solución es necesario realizar varios pasos
previamente los datos de entrada ya deben estar insertados.
que nos facilitara la identificación del sistema.

1. Obtención de datos de entrada

Para nuestra identificación contamos con la cantidad

aproximada de 3000 datos, nuestros ejes serán el caudal [Q],
y la altura [H].

Fig. 3 Datos de entrada Q, H

Hay que tener en cuenta que los datos de entrada y de salida

deben tener la misma cantidad, ya que, si no es así, dará
errores al momento de identificar.

4. Obtención de los parámetros de nuestro modelo.

Fig. 1 Datos de Entrada
Insertamos el número de polos y ceros en nuestro caso
2. Tratamiento previo de los datos colocaremos 2polos y 1 ceros.
Para hacer el tratamiento previo hemos usado el programa
Excel para mayor facilidad de manejo de datos, se han
eliminado datos iniciales y finales que son inservibles.

Fig. 4 Ingreso de polos y de ceros

5. Validación del modelo.

Obteniendo una validación de entrada de 99.25% siendo casi

ideal.

2
 Mediante simulink graficamos nuestra función de
transferencia dándole una entrada.

Fig 7 Diagrama obtenido de Simulink t=3000s

Fig. 5 Porcentaje de validación

Coordenadas de los polos y ceros obtenidos por el IDENT de

Matlab.

Fig 8 Grafica de la función en Simulink

V.
Una vez realizado los pasos y obtener nuestra identificación
con un porcentaje de validación bastante aceptable,
obtenemos la función de transferencia.
CONCLUSIONES
• El proceso de identificación va desde el diseño del
experimento, la adquisición y tratamiento de los datos, la
elección de la estructura del modelo y la selección de los
parámetros, hasta concluir con la fase de validación del
modelo, para conseguir una coherencia de estimación,
todos los pasos citados deben tratarse con el mismo orden
y rigor; y descuidos en consideraciones sobre ellos,
provocarán inexactitudes y comportamientos erróneos
del modelo final.
• Se demostró que el proceso de identificación de sistemas
nos ofrece una alternativa práctica y eficaz para
determinar un modelo satisfactorio en control y su
aplicación no sólo se limita al control automático

VI. RECOMENDACIONES
• Revisar datos de entrada-salida para asegurar que estos
proporcionen información de la dinámica del sistema.
• Revisar si la estructura escogida proporciona una buena
descripción del modelo.
• Verificar si el ajuste de parámetros es el adecuado.

VII. BIBLIOGRAFÍA
[1] I. W. P. Kloster, «TEORÍA DE CONTROL», p. 45.
[2] «Introducción a la identificación de sistemas - Javier
Fig. 6 Función de transferancia
Sedano Franco, José Ramón Villar Flecha -
tecnicaindustrial.es». [En línea]. Disponible en:
0.3352𝑠 + 0.05977 http://www.tecnicaindustrial.es/TIFrontal/a-1408-
𝑔(𝑠) = introduccion-identificacion-sistemas.aspx. [Accedido:
𝑠 2 + 0.1721𝑠 + 0.003511
17-jun-2019].

3
[3] «System Identification Toolbox Documentation». [En
línea]. Disponible en:
https://www.mathworks.com/help/ident/. [Accedido:
17-jun-2019].

P=0.0872304359088791
4
I=0.00382610693834641

D=-0.0175555732618081

Filter coefficient (N)= 4.96881728713741