Professional Documents
Culture Documents
IDENTIFICACIN DE SISTEMAS
e(t)
H(z)
v(t)
u(t)
G(z)
y(t)
NDICE
Indice
Indice
Indice
Indice
.................................................................................................... 9-2
Indice
Indice
TEMA 1
MODELOS DE SISTEMAS CONTINUOS Y
DISCRETOS
1.1 INTRODUCCIN
Un sistema puede ser definido como un objeto o una coleccin de objetos cuyas
propiedades queremos estudiar. Ejemplos de sistemas son por ejemplo, el sistema solar,
una planta fabricadora de papel, un circuito RC (Resistencia-Condensador),..., etc.
Unas veces la curiosidad y otras la necesidad nos hace buscar respuestas a muchas
preguntas sobre las propiedades de los sistemas. Por ejemplo: Cmo se podra ajustar la
planta para obtener papel de mejor calidad?, qu ocurre si disminuyo la capacidad del
condensador?, cundo tendr lugar el prximo eclipse total de sol?, etc.
La
respuesta
alguna
de
estas
preguntas
se
puede
encontrar
mediante
w(t)
u(t)
y(t)
Sistema
1-2
Identificacin de sistemas
y1 (t )
u1 (t )
w1 (t )
y (t )
u (t )
w (t )
2
2
2
y (t )
w(t )
u(t )
:
:
:
wr ( t )
u m (t )
y p (t )
(1.1)
(1.2)
donde
y ( k ) (t )
dk
dk
(k )
y
(
t
);
u
(
t
)
u(t )
dt k
dt k
(1.3)
1-3
De acuerdo con la ley de Bernoulli la velocidad del caudal de salida en (m/s) es:
v(t ) 2g h(t )
(1)
q(t ) av(t )
(2)
El volumen del lquido en el tanque en el instante t es obviamente Ah(t) (m3), y cambia debido a la
diferencia entre el caudal de entrada y el caudal de salida:
d
Ah(t ) u(t ) q(t )
dt
(3)
a 2g
d
1
h(t ) u(t )
h( t )
dt
A
A
(4)
Conocidas a, A y u(t), mediante (4) se puede obtener la altura h(t). Conocida sta el caudal de salida
es:
q(t ) a 2g h(t )
(5)
x1 (t ) f 1 ( x1 (t ),..., x n (t ), u1 (t ),...., u m (t ))
x 2 (t ) f 2 ( x1 (t ),..., x n (t ), u1 (t ),...., um (t ))
:
x n (t ) f n ( x1 (t ),..., x n (t ), u1 (t ),...., u m (t ))
(1.4)
1-4
Identificacin de sistemas
x (t ) f ( x(t ), u(t ))
(1.5)
x1 (t )
f 1 ( x, u )
x (t )
f ( x, u )
2
2
, f ( x, u )
x(t )
:
:
x n (t )
f n ( x, u )
(1.6)
donde
Las salidas del modelo se pueden calcular a partir de las variables internas xi(t) y de las
entradas ui(t) usando las siguientes ecuaciones:
y1 (t ) h1 ( x1 (t ),..., x n (t ), u1 (t ),...., u m (t ))
y 2 (t ) h2 ( x1 (t ),..., x n (t ), u1 (t ),...., u m (t ))
:
y p (t ) hn ( x1 (t ),..., x n (t ), u1 (t ),...., um (t ))
(1.7)
y (t ) h ( x(t ), u(t ))
(1.8)
1-5
x (t ) f ( x(t ), u(t ))
y (t ) h ( x(t ), u(t ))
(1.9)
Para este sistema el vector x(t0) define el estado del sistema en el instante t0. Si f(x,u)
es continuamente diferenciable y u es continua a trozos la ecuacin diferencial (1.9) con
x(t0)=x0 tiene una solucin nica para tt0.
En consecuencia se ha establecido que las variables internas xi(t) i=1,..,n determinan el
estado del sistema en el instante t. Las ecuaciones (1.9) definen el modelo en el espacio de
estados, el vector x(t) es el vector de estado y sus componentes xi(t) son las variables de
estado. El orden del modelo queda definida por la dimensin del vector x(t), que recordemos
es n.
El modelo en el espacio de estados (1.9) se dice que es lineal si f(x,u) y h(x,u) son
funciones lineales de x y u:
x (t ) Ax Bu
y(t ) Cx Du
(1.10)
y (t )
m
b
1-6
Identificacin de sistemas
F ma
Donde F es la suma de todas las fuerzas aplicadas sobre la masa m y a es el vector aceleracin del
cuerpo.
En este sistema las fuerzas que estn actuando son las correspondientes al muelle y al amortiguador,
que actan en la direccin horizontal:
dy
F k y b
dt
La aceleracin total es:
d 2 y (t )
a
u (t )
dt 2
Con lo que la ecuacin del movimiento es:
d 2 y (t )
dy (t )
m
b
k y (t ) mu (t )
2
dt
dt
Si se definen las siguientes variables de estado:
x1 y
x2
dy
dt
Entonces la ecuacin de estado que describe las dinmicas del sistema es:
x1 (t ) 0
k
x 2 (t ) m
1 x (t ) 0
b 1 u (t )
x (t )
1
m 2
x (t )
y (t ) 1 0 1
x 2 (t )
1-7
Ejemplo 1.3:
Se considera la red elctrica RLC de la Figura 1.3. La variable de entrada es la tensin aplicada u=vs
y la de salida es la intensidad de corriente por la resistencia R, es decir, y=i1. Como variables de
estado se pueden elegir la cada de tensin x1 =vc en el condensador C y la corriente x2=i2 a travs de
la inductancia L.
R
i2 (t )
i1 (t )
vs (t )
vc (t )
v s Ri1 vc
dv
C c i1 i2
dt
di
vc L 2
dt
Operando sobre estas expresiones se obtienen las ecuaciones de estado:
dvc
1
1
1
vc i2
vs
dt
RC
C
RC
di2 1
vc
dt
L
En forma matricial:
x1
x 2
1-8
1
RC
1
L
1
1
C x1
x RC u
0 2 0
Identificacin de sistemas
1
1
u x1
R
R
Ejemplo 1.4:
Ra
ea (t )
Rf
La
i f (t )
ia (t )
Lf
eb (t )
Tr (t ) (t )
J,c
Figura 1.4: Diagrama esquemtico del motor de corriente continua excitado por separado
En la Figura 1.4 se representa un diagrama esquemtico de un motor de corriente continua. En dicha
figura Ra y La representan la resistencia y la inductancia de la armadura. eb(t) representa la fuerza
contra-electromotriz debida a la rotacin de los conductores de la armadura en el campo magntico.
Anlogamente, Rf y Lf indican la resistencia y la inductancia de la bobina del campo. Las
no-linealidades y la dependencia de los parmetros con el tiempo de estas bobinas se han
despreciado.
Se supone que la bobina del campo (el estator) est conectada a una fuente de voltaje constante y la
bobina de la armadura (el rotor) est conectada a una fuente de voltaje variable v(t). De esta forma, la
intensidad de campo ef se puede considerar constante. El voltaje ea(t) puede variar para cambiar la
velocidad angular (t) del rotor.
El flujo magntico de la bobina del campo es una constante cuando if se supone constante. El torque
Tr con el eje del motor es proporcional a ia por una constante Km del motor.
Tr K m ia
1-9
El voltaje eb(t) generado como resultado de la rotacin, es proporcional a la velocidad de rotacin del
eje , por una constante Kg1 del generador:
eb (t ) K g (t )
Aplicando las leyes de Kirchoff al circuito de la armadura se obtiene:
di (t )
ea (t ) La a Ra ia (t ) eb (t )
dt
El torque del rotor Tr(t) y la velocidad angular estn relacionados mediante la segunda ley de Newton
de la dinmica:
d (t )
Tr (t ) Td (t ) J
c (t )
dt
Donde Td(t) es el torque de la carga en el eje del rotor, c es la constante de rozamiento viscoso y J es
el momento de inercia de la carga.
Combinando estas ecuaciones se obtiene el siguiente sistema de ecuaciones diferenciales con
coeficientes constantes:
Kg
dia (t )
R
1
a ia (t )
(t ) ea (t )
dt
La
La
La
d (t ) K m
c
1
ia (t ) (t ) Td (t )
dt
J
J
J
Estas ecuaciones se pueden escribir en la forma matricial de ecuaciones de estado:
dia (t ) Ra
dt La
d (t ) K m
dt J
Kg
1
i
(
t
)
La a La
c (t )
0
0 e (t )
a
1 T (t )
d
J
Si se considera como salida del sistema la velocidad de rotacin del motor, entonces la ecuacin de
salida es:
i (t )
y 0 1 a
(t )
1
En unidades consistentes, Km es igual a Kg, pero en algunos casos la constante motor-torsin viene dada en
otras unidades, como onzas-pulgadas por amperes, y la constante del generador debe de expresarse en unidades
de voltios por 1000 rpm.
1-10
Identificacin de sistemas
Si las variables de salida son el torque desarrollado por el eje del rotor y la velocidad de rotacin,
entonces se tiene como ecuacin de salida:
K
y m
0
0 ia (t )
1 (t )
L[ f (t )] F ( s ) f (t )e st dt
(1.11)
f (t ) L [ F ( s )]
2 j j
F ( s )e st ds
(1.12)
L[
dk
f (t )] s k F ( s ) s k 1 f (0 ) s k 2 f (0 ) ... f ( k 1) (0 )
k
dt
(1.13)
L[
L[
d
f (t )] sF ( s ) f (0)
dt
d2
f (t )] s 2 F ( s ) sf (0) f (0)
2
dt
(1.14)
(1.15)
lim sF ( s ) lim f (t )
(1.16)
lim sF ( s ) lim f (t )
(1.17)
s 0
t 0
L[ f (t a )u1 (t a )] e as F ( s )
(1.18)
Y ( s ) G ( s )U ( s )
(1.19)
G ( s ) CsI A B D
1
(1.20)
Y ( s ) b0 s m b1 s m1 ... bn 1 s bn
n
U (s)
s a1 s n1 ... a n 1 s a n
1-12
(1.21)
Identificacin de sistemas
f(t)
(t )
F(s)
si t 0
si t 0
A si t 0
f (t )
0 si t 0
At si t 0
f (t )
0 si t 0
A
s
A
s2
At n (t 0)
An !
s n 1
1
sa
s
2
s 2
e at (t 0)
cos(t ) (t 0)
sen(t ) (t 0)
s 2
2
te at (t 0)
e at cos(t ) (t 0)
e at sen(t ) (t 0)
1
( s a)2
sa
(s a)2 2
(s a)2 2
1-13
Si un sistema posee algn polo o par de polos complejos conjugados con su parte real
positiva, entonces el sistema es inestable, en el caso contrario se dice que el sistema es
estable. Por otra parte, si un sistema posee algn cero o par de ceros complejos conjugados
con su parte real positiva, se dice que el sistema es de fase no mnima (n.m.p) 2. En caso
contrario, se dice que el sistema es de fase mnima (m.p) 3.
Ejemplo 1.5:
Para el sistema de masa con resorte y amortiguamiento sobre mvil del Ejemplo 1.2 la ecuacin del
movimiento era
d 2 y (t )
dy (t )
m
b
k y (t ) mu (t )
2
dt
dt
Tomando la transformada de Laplace con condiciones iniciales nulas sobre la ecuacin anterior
ms 2Y ( s) bsY ( s ) k Y ( s ) mU ( s )
y reordenando trminos se obtiene que la funcin de transferencia del sistema es:
G ( s)
Y ( s)
m
2
U ( s ) ms bs k
1
b
k
s 2 s
m
m
Ejemplo 1.6:
Para la red elctrica RLC del Ejemplo 1.3 aplicando la ecuacin (1.26) se obtiene la siguiente funcin
de transferencia
1
G( s)
R
RC
0
1
L
C
s
1 2
1
s
1 1
RCL
RC R
R
1
1
s2
s
0
RC
CL
2
3
1-14
Identificacin de sistemas
Ejemplo 1.7:
Para el motor de corriente continua del Ejemplo 1.4 aplicando la ecuacin (1.26)
K
G ( s ) m
0
Ra
0 s L
a
1 K m
Kg
La
c
s
J
La
1
J
Km
c
s
J
1
L
G ( s)
a
Km
K K
R
c
s a s m g
J La
La
J
J La
J La
R
1
s a
J
La
K m K g
g (t ) L [G ( s )]
G ( s )e
2 j
st
ds
(1.22)
y (t ) g ( v )u (t v )dv
(1.23)
y (t ) g ( v ) (t v )dv g (t )
(1.24)
1-15
Se observa que la salida puede ser obtenida como una suma ponderada de valores
pasados de la entrada, es decir, la salida es una convolucin de la entrada en instantes
anteriores con la funcin peso g(v).
La funcin peso g(v) caracteriza completamente el comportamiento del sistema, de la
misma forma que lo hace su ecuacin diferencial.
{x k } { y k } {u k } { y 0 u 0 , y1 u1 , y 2 u 2 ,...}
Multiplicacin por un escalar:
{x k } {y k } { y 0 , y1 , y 2 ,...}
Retraso de una secuencia:
1-16
Identificacin de sistemas
P(s)
1
s 1
En la Figura 1.5 se muestra en lnea continua la respuesta y(t) de la planta al ser excitada por una
entrada escaln. Adems se representa con crculos la respuesta muestreada con un periodo
T=0.25 s. Los puntos muestreados forman la secuencia:
1
0.9
0.8
0.7
y(t)
0.6
0.5
0.4
0.3
0.2
0.1
0
0
2
3
Tiempo (s)
Figura 1.5: Respuesta y(t) (lnea continua) a un escaln de la planta P(s) y puntos muestreados
(crculos) con T=0.25 s.
1-17
Y ( z ) Z [{y k } ] y i z i y 0 y1 z 1 y 2 z 2 ...
(1.25)
i 0
La transformada Z de una funcin del tiempo y(t) que ha sido muestreada con un
periodo T obtenindose la secuencia de valores y(kT) con k=0,1,2,... se define mediante la
siguiente ecuacin:
(1.26)
k 0
Z [a{y k } ] aZ [{y k } ] aY ( z )
Carcter lineal de la transformacin.
Z { y k d } z d Y ( z )
(1.27)
Z { y k d } z d Y ( z ) z d y 0 z d 1 y1 ... zy d 1
(1.28)
Teorema del valor final. Permite el clculo del valor lmite de la secuencia, si ste
existe (todos los polos de X(z) se encuentran dentro del crculo unitario con la
posible excepcin de un solo polo en z=1), a partir del conocimiento de la funcin
transformada, segn la expresin:
1-18
Identificacin de sistemas
lim{ y k } lim (1 z 1 )Y ( z )
k
z 1
(1.29)
Ejemplo 1.9:
Sea la funcin escaln unitario:
1 t 0
y (t )
0 t 0
Se trata de una funcin continua en el tiempo. Si dicha seal se muestrea con un periodo T se
obtendra la siguiente secuencia:
y k 1,1,1,...,
k 0,1, 2,...
Y ( z ) Z [{y k } ] yi z i 1 z 1 z 2 z 3 ...
i 0
z
1
1
1 z
z 1
Ejemplo 1.10:
Sea la funcin rampa unitaria:
t t 0
y (t )
0 t 0
Se trata de una funcin continua en el tiempo. Si dicha seal se muestrea con un periodo T se
obtendra la siguiente secuencia:
y k 0, T , 2T , ,...,
k 0,1, 2,...
Y ( z ) Z [{y k } ] y i z i 0 T z 1 2T z 2 3T z 3 ... T z 1 2z 2 3z 3
i 0
1 z
1 2
T z
z 12
1-19
Z 1 [Y ( z )] y (k ) y k
(1.30)
Si Y(z) viene expresada de forma racional existen diferentes mtodos para obtener la
transformada Z inversa, por ejemplo:
1-20
Identificacin de sistemas
y k f (u k , u k 1 ,..., u k m , y k 1 , y k 2 ,..., y k n )
La ecuacin en diferencias permite representar el modelo con un nmero finito de
trminos. Si el sistema es LTI la ecuacin en diferencias toma la siguiente forma:
m
i 0
i 1
y k bi u k i ai y k i
(1.31)
O de forma equivalente:
q 1 y (k ) y (k 1)
qy (k ) y (k 1)
entonces la ecuacin (1.37) se puede expresar como:
A(q 1 ) y (k ) B(q 1 ) u (k )
donde
A(q 1 ) 1 a1 q 1 ... a n q n
B (q 1 ) 1 b1 q 1 ... bm q m
1-21
Ejemplo 1.11:
Se desea resolver la siguiente ecuacin en diferencias:
2y (k ) 2y (k 1) y (k 2) u (k )
donde y(k)=0 para k<0 y
1 k 0,1, 2
u (k )
k 0
0
Los valores de la secuencia y(k) se obtienen a partir de la ecuacin en diferencias:
2y (k 1) y (k 2) u (k )
2
y (k )
Los primeros valores de la secuencia son:
y (0)
y (1)
y (2)
2
2
2y (1) y (0) u (2) 21 0.5 1
1.25
2
2
2Y ( z ) 2z 1Y ( z ) z 2Y ( z )
1
1 z 1
Despejando Y(z):
Y ( z)
1
1
z3
(1 z 1 ) (2 2z 1 z 2 ) ( z 1)(2 z 2 2z 1)
z
z2 z
1 z 1
1
Y ( z)
z 1 2 z 2 2z 1 1 z 1 2 2z 1 z 2
1-22
Identificacin de sistemas
Ntese que los polos involucrados en el ltimo trmino cuadrtico de Y(z) son complejos conjugados.
Por lo tanto Y(z) se puede reescribir de la siguiente forma:
1
1 1 0.5z 1
1
0.5z 1
Y ( z)
1 z 1 2 1 z 1 0.5z 2 2 1 z 1 0.5z 2
Si se acude a una tabla de transformadas z, se encuentra que:
X ( z)
e aT z 1 sen( T )
x(k ) e a k T sen(k T )
a T
1
2a T
2
1 2e cos(T )z e
z
y que
1 e a T z 1 cos( T )
X ( z)
x(k ) e ak T cos( k T )
a T
1
2a T
2
1 2e cos(T )z e
z
Para Y(z) se identifica que
e 2a T 0.5
1
cos( T )
sen( T )
1
2
1
1
y (k ) 1 e ak T cos( k T ) e ak T sen( k T )
2
2
Y sustituyendo valores:
k
1 1
k 1 1
k
y (k ) 1
cos
sen
2 2
4 2 2
4
k 0,1, 2 ...
Conviene comprobar que el trmino general obtenido es el correcto, para ello se van calcular los
primeros valores de la secuencia:
1-23
1 1
1
y (0) 1
cos0
2 2
2
1 1
1
y (1) 1
cos
2 2
4 2
1
sen0 0.5
2
1
sen 1
2
4
1 1
1 1
y (2) 1
sen 1.25
cos
2 2
2
2 2 2
x k 1 f ( x k , u k )
y k g ( xk , uk )
(1.33)
x k 1 Fk x k M k uk
y k C k x k Dk u k
(1.34)
Y ( z ) H ( z )U ( z )
(1.35)
1-24
Identificacin de sistemas
H ( z ) CzI F M D
1
(1.36)
Y ( z ) b0 z m b1 z m1 ... bn 1 z bn
H ( z)
n
U ( z)
z a1 z n 1 ... a n1 z a n
(1.37)
Si todos los polos de H(z) se encuentran dentro del crculo unidad el sistema es estable.
La funcin de transferencia H(z) de un sistema en tiempo discreto tambin se define
como
H ( z ) hk z k
(1.38)
k 0
1 k 0
0 k 0
(1.39)
y k hr u k r
(1.40)
r 0
dy (t )
y (t ) Ku(t )
dt
(1.41)
1-25
donde u(t) e y(t) son la entrada y la salida del sistema, respectivamente. Tomando la
transformada de Laplace con condiciones iniciales nulas se obtiene la siguiente funcin de
transferencia:
G ( s)
Y ( s)
K
U ( s) s 1
(1.42)
Este sistema de primer orden queda caracterizado por dos parmetros: su ganancia
esttica K y su constante de tiempo . El sistema tiene un polo situado en s=-1/.
Si se excita al sistema de primer orden (1.42) con una entrada impulso (u(t)=(t) o
U(s)=1) la salida en el dominio de Laplace es:
Y ( s ) G ( s )U ( s )
K
s 1
y (t )
t0
(1.43)
y ( )
e 1 0.37
(1.44)
1-26
Identificacin de sistemas
K y (0)
(1.45)
2
1.8
1.6
1.4
y(t)
1.2
1
=0.5
=1
0.8
0.6
=1.5
0.4
0.2
0
0
0.5
1.5
2.5
Tiempo (sec)
3.5
4.5
Y ( s ) G ( s )U ( s )
K 1
s 1 s
Y ( s ) G ( s )U ( s )
K
K
s s 1
y (t ) K (1 e ) t 0
(1.46)
1-27
y ( ) K (1 e 1 ) 0.63K
Es decir, es aproximadamente el 63% de su valor final.
=0.5
=1
0.8
y(t)
=1.5
0.6
0.4
0.2
0
0
4
5
Tiempo (sec)
y (3 ) 0.95K
Es decir es aproximadamente el 95% de su valor final.
Para t=4 la salida toma el valor
y (4 ) 0.98K
Es decir, es aproximadamente el 98% de su valor final. Al instante t=4 se le considera
el tiempo de asentamiento para sistemas de primer orden, es decir, el instante de tiempo a
partir del cual la respuesta a un escaln unidad permanece dentro de una banda del 2% de
su valor final. Aunque de acuerdo con (1.50) el estado estacionario se alcanza en tiempo
infinito, en la prctica se considera que se alcanza el valor estacionario cuando se alcanza
el 98 % del valor final, es decir, transcurrido un tiempo igual a cuatro constantes de tiempo.
Otra caracterstica importante de la respuesta a un escaln unidad del sistema de
primer orden (1.42) es que su pendiente en t=0 es igual a:
1-28
Identificacin de sistemas
y (0)
(1.47)
Luego la abcisa del punto de la interseccin de la recta tangente al valor inicial con la
recta horizontal de valor K, es precisamente la constante de tiempo . Recurdese que la
constante de tiempo tambin se puede estimar como el instante de tiempo en que la
respuesta a un escaln unidad alcanza el 63 % de su valor final. En la Figura 1.8 se
resumen los dos mtodos para obtener la constante de tiempo de un sistema de primer
orden.
y(t)
0.8
0.6
0.4
0.2
0
0
Tiempo (sec)
Supngase que la salida del sistema de primer orden (1.42) se encuentra en un valor
estado estacionario y1 al que ha llegado tras ser excitado con una entrada escaln de
amplitud u1 Si en un cierto instante posterior es excitado con una entrada escaln de
amplitud u=u2-u1, el valor de su salida cuando alcance el estacionario ser y2. A partir de
esta informacin se pueden estimar los parmetros de la funcin de transferencia del
sistema (1.42) de la siguiente forma:
y y2 y1
u u2 u1
0.632Ku
(1.48)
(1.49)
1-29
1.4.2 Integrador
Supngase un sistema lineal continuo de primer orden de la forma:
dy (t )
Ku(t )
dt
(1.50)
Donde u(t) e y(t) son la entrada y la salida del sistema, respectivamente. Puesto que la
salida se obtiene integrando la entrada, a este sistema se le denomina integrador.
Tomando la transformada de Laplace con condiciones iniciales nulas se obtiene la
siguiente funcin de transferencia:
G ( s)
Y ( s) K
U ( s) s
(1.51)
El sistema tiene un polo situado en el origen del plano s, es decir, en s=0. A este
elemento se le denomina integrador.
Si se excita (1.51) con una entrada escaln unidad (r(t)=1 o R(s)=1/s) la salida en el
dominio de Laplace es:
1-30
Identificacin de sistemas
Y ( s ) G ( s )U ( s )
K
s2
y (t ) K t
t0
(1.52)
Step Response
1
0.9
0.8
Amplitude
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
0.1
0.2
0.3
0.4
0.5
Time (sec)
0.6
0.7
0.8
0.9
dy (t )
du(t )
y (t ) K
u(t )
dt
dt
(1.53)
Donde u(t) e y(t) son la entrada y la salida del sistema, respectivamente. Tomando la
transformada de Laplace con condiciones iniciales nulas se obtiene la siguiente funcin de
transferencia:
1-31
G ( s)
Y ( s)
s 1
K
s 1
U ( s)
(1.54)
Y ( s ) G ( s )U ( s ) K
s 1 1
s 1 s
Y ( s ) G ( s )U ( s )
K K ( )
s 1
s
t0
(1.55)
y (0)
(1.56)
A diferencia del valor 0 que tomaba el sistema de primer orden cuando no exista un
cero. Esto es debido a que el sistema no es estrictamente causal, es decir, el orden del
denominador es igual que el orden del numerador de la funcin de transferencia.
Si <0, el valor inicial de la salida tiene signo contrario al valor que toma en el
estacionario. Este tipo de respuesta se denomina respuesta de fase no mnima o respuesta
1-32
Identificacin de sistemas
inversa. Ntese que en este caso el cero se encuentra situado en el semiplano derecho del
plano s, se dice que se tiene un cero de fase no mnima.
En la Figura 1.10 se muestra la respuesta a un escaln unidad del sistema (1.54) para
tres valores distintos del parmetro supuesto K=1 y =0.5.
3
=2
2
y(t)
=0.7
1
0
=0.7
1
2
0
0.5
1.5
TIempo (sec)
2.5
Figura 1.10. Respuesta a un escaln unidad de un sistema de primer orden con cero
En un sistema de primer orden con cero el tiempo de asentamiento, es decir, el tiempo
en que la respuesta del sistema llega al 98% de su valor final viene dado aproximadamente
por la siguiente expresin:
50
te ln
(1.57)
Este tiempo es mayor que 3.91 si >2, recurdese que 4 era el tiempo de
establecimiento para un sistema de primer orden sin cero.
Finalmente comentar que si se encuentra comprendido en el intervalo [0, 2] se
produce una cancelacin significativa del polo y el cero.
1-33
G ( s)
Y ( s)
Kn2
2
R( s ) s 2 n s n2
(1.58)
G( s)
n2
s ( j d )
(1.59)
Imag
Par de polos
complejos conjugados
x
jd
Real
n 2 d 2 2
(1.60)
cos
(1.61)
Luego
n
Con lo que
1-34
(1.62)
Identificacin de sistemas
d n 1 2
(1.63)
Si se excita al sistema (1.58) con un impulso (r(t)=(t) o R(s)=1) se puede demostrar que
se obtiene la siguiente salida:
y (t )
n
1
e n t sen( n 1 2 t )
(1.64)
0.8
=0.25
=0.5
0.6
=0.7
0.4
y(t)/wn
=1
0.2
0
0.2
0.4
0.6
0.8
0
10
t
12
14
16
18
20
tp
cos 1
n 1 2
(1.65)
cos1
y (t p ) n exp
1 2
(1.66)
1-35
Asimismo si se excita el sistema (1.58) con una entrada escaln unidad (r(t)=1 o
R(s)=1/s) se puede demostrar que se obtiene la siguiente salida (supuesto <1):
y (t ) 1
1.8
1
1
e n t sen( n 1 2 t cos 1 )
(1.67)
=0.1
1.6
=0.25
1.4
=0.50
1.2
=0.7
1
y(t)
=1
0.8
0.6
0.4
0.2
0
0
5
wnt
10
En la Figura 1.13 se dibuja la salida (1.67) para distintos valores del factor de
amortiguamiento , se observan los siguientes comportamientos:
Si 0<<1 los dos polos del sistema de segundo orden son complejos conjugados.
En dicho caso la respuesta oscila antes de alcanzar el valor estacionario. Se dice
que el sistema es subamortiguado.
Si =1 los dos polos del sistema de segundo orden son reales e iguales. En dicho
caso la respuesta no oscila antes de alcanzar el valor estacionario. Se dice que el
sistema posee amortiguamiento crtico.
Si >1 los dos polos del sistema de segundo orden son reales y distintos. En dicho
caso la respuesta no oscila antes de alcanzar el valor estacionario. Se dice que el
sistema es sobreamortiguado.
1-36
Identificacin de sistemas
Si =0, los dos polos del sistema de segundo orden son complejos conjugados y
no poseen parte real. En dicho caso la respuesta oscila con una amplitud
constante y nunca alcanza el valor estacionario. Se dice que el sistema es
oscilante.
tp
(1.68)
n 1 2
y (t p ) y p M p 1 exp
2
1
(1.69)
M0
y p y ss
y ss
(1.70)
G ( s)
Y ( s)
Kn2 ( s 1)
2
U ( s ) s 2 n s n2
(1.71)
1-37
G ( s ) G2 ( s ) sG2 ( s )
(1.72)
Donde
Kn2
G2 ( s ) 2
s 2 n s n2
(1.73)
Si se excita (1.71) con una entrada escaln unidad (r(t)=1 o R(s)=1/s) la salida en el
dominio de Laplace es:
1
1
Y ( s ) G ( s )U ( s ) G2 ( s ) sG2 ( s ) Y2 ( s ) sY2 ( s )
s
s
Donde
Y2 ( s ) G2 ( s )
1
s
y (t ) y2 (t )
dy2 (t )
dt
Luego se observa que dicha respuesta es igual a la respuesta del sistema de segundo
orden sin cero ms la derivada de esta seal ponderada por la constante de tiempo del
cero.
Si el sistema es sobreamortiguado, la funcin de transferencia pasa a tener la siguiente
forma:
G ( s)
Donde
Y ( s)
Kn2 ( s 1)
U ( s ) ( 1s 1)( 2 s 1)
(1.74)
son las constantes de tiempo de los dos polos reales. En este caso la
respuesta a un escaln se ver afectada por la posicin relativa del cero con respecto a los
1-38
Identificacin de sistemas
polos. Sealar que si un cero se sita cerca de un polo se cancelan en gran medida los
efectos de los dos elementos en la respuesta.
Tanto si se tiene un sistema sobreamortiguado como subamortiguado, la derivada de la
salida no es nula en t=0, al contrario de lo que sucede en un sistema de segundo orden sin
cero.
La respuesta de un sistema de segundo orden con cero se clasifica en dos tipos
atendiendo al signo de la constante de tiempo del cero:
al caso sin cero. Si el cero est cerca del polo ms alejado del origen, la
respuesta cada vez ms se aproximar ms a la de un sistema de primer
orden con constante de tiempo
2.
1-39
G1 ( s )
K
2s 1
Step Response
1
0.8
0.6
K=1
0.4
y(t)
0.2
0
0.2
0.4
K=1
0.6
0.8
1
0
0.5
1.5
Tiempo (sec)
2.5
Figura 1.14. Respuesta a un escaln unidad de un sistema de primer orden con ganancia positiva
(lnea continua) y con ganancia negativa (lnea discontinua)
1-40
Identificacin de sistemas
2.5
2
1.5
y(t)
1
0.5
0
0.5
1
1.5
2
0
6
Tiempo (sec)
10
12
Figura 1.15. Respuesta a un escaln unidad de un sistema de segundo orden subamortiguado (lnea
continua) y de un sistema sobreamortiguado (lnea discontinua) con un cero en el semiplano derecho
1-41
dy (t )
y (t ) Ku(t td )
dt
(1.75)
donde u(t) e y(t) son la entrada y la salida del sistema, respectivamente. Adems K es la
ganancia esttica, la constante de tiempo, y td el tiempo que tarda el sistema en responder
a la entrada o tiempo de retardo. Tomando la transformada de Laplace con condiciones
iniciales nulas se obtiene:
sY ( s ) Y ( s ) Ke t sU ( s )
d
(1.76)
G ( s)
Y ( s)
K td s
e
U ( s) s 1
(1.77)
1-42
td s
Identificacin de sistemas
td s
usar directamente sin necesidad de recurrir a ninguna aproximacin del mismo. Sin embargo
cuando es necesario utilizar los ceros y los polos de una funcin de transferencia de un
sistema con retardo, como en la tcnica del lugar de las races o en los mtodos de
ubicacin de polos, se requiere usar una aproximacin racional del trmino de retardo. Una
de las aproximaciones racionales ms utilizadas es la aproximacin de Pade de primer
orden:
td s
td
s 1
2
(1.78)
td
s 1
2
Ntese que la aproximacin de Pade del retardo posee un cero de fase no mnima. En
general este tipo de ceros suponen una posible forma de modelar los retrasos. De acuerdo
con lo explicado en la seccin anterior la reaccin a un cambio en forma de escaln en la
entrada de un sistema con un cero de fase no mnima es inicialmente en un sentido pero
acaba evolucionando en sentido contrario. Este tiempo que tarda en tomar la direccin
correcta puede considerarse una forma de modelar el retardo.
En la Figura 1.16 se muestra la respuesta a un escaln de un sistema de primer con
retardo td=2 s. Se observa que la respuesta tiene la misma forma que la de un sistema de
primer orden sin retardo pero retrasada un tiempo td.
1
0.8
y(t)
0.6
0.4
0.2
td
0
0.2
0
5
6
Tiempo(seg)
10
11
Figura 1.16. Respuesta a un escaln unidad de un sistema de primer orden con retardo
1-43
1
0.8
y(t)
0.6
0.4
0.2
0
0.2
0
5
6
Tiempo(seg)
10
11
Figura 1.17. Respuesta a un escaln de un sistema de primer con retardo td puro (lnea continua) y la
del sistema considerando la aproximacin de Pade de primer orden del retardo (lnea punteada).
Tiempo de pico tp. Es el instante de tiempo en que la salida alcanza su valor mximo
Mp.
1-44
Identificacin de sistemas
ts
4
n
(1.79)
1.2
Banda del 2%
de error
1.1
1
0.9
y(t)
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
tr
2
ts
tp
4
10
12
14
16
18
20
1-45
ln( M p 1) 2
(1.80)
ln( M p 1) 2 2
4
ts
(1.81)
LA
RESPUESTA
G ( j ) Re[G ( j )] j Im[G ( j )]
De forma equivalente G(j) puede expresarse de la siguiente forma:
1-46
(1.82)
Identificacin de sistemas
G ( j ) G ( j )e j arg G ( j )
(1.83)
donde:
(1.84)
Im[G ( j )]
arg G ( j ) arctan
Re[G ( j )]
(1.85)
Y ( s ) G ( s )U ( s )
(1.86)
Y ( j ) G ( j )U ( j )
(1.87)
G ( j )
Y ( j )
U ( j )
1-47
Lm(G ( j )) 20log10 G ( j )
(1.88)
20
dB.
Por
ejemplo,
como
Lm(10)=
20
dB
entonces
Lm(10*10)=Lm(10)+Lm(10)=20+20= 40 dB.
1.5.2.2 Octava y dcada
Se dice que el rango o banda de frecuencias [f1, f2] posee una anchura de una octava si
se verifica que f2/f1=2. Por ejemplo la banda de frecuencia [1, 2] (Hz) posee una anchura de
una octava en anchura, al igual que la banda [17.4, 34.8] (Hz). El nmero de octavas en el
rango de frecuencia [f1, f2] es
f
log10 ( f 2 / f 1 )
3.32log10 2 octavas
log10 2
f1
(1.89)
Se dice que el rango o banda de frecuencias [f1, f2] posee una anchura de una dcada si
se verifica que f2/f1=10. Por ejemplo la banda de frecuencia [1, 10] (Hz) posee una anchura
de una dcada en anchura, al igual que la banda [2.5, 25] (Hz). El nmero de dcadas en el
rango de frecuencia [f1, f2] es
f
log10 2 dcadas
f1
1-48
(1.90)
Identificacin de sistemas
G ( jc )
1
G ( j0)
2
G ( j0)
Lm(G ( jc )) 20 log10 G ( jc ) 20 log10
2
1
20 log10
20 log10 G ( j0)
2
3.0103 Lm(G ( j0))
1-49
0 c
Para sistemas con un comportamiento de filtro pasa-baja, es decir, que dejan
pasar las bajas frecuencias y atenan las altas frecuencias, su ganancia a bajas
frecuencias ser un valor constante distinto de cero. Para dichos sistemas el
ancho de banda coincide con la frecuencia de corte.
Para sistemas con un comportamiento de filtro pasa-alta, es decir, que dejan
pasar las altas frecuencias y atenan las bajas frecuencias, la ganancia de
referencia para calcular el ancho de banda es la ganancia a alta frecuencia.
Para sistemas con un comportamiento de filtro pasa-banda, es decir, que dejan
pasar una banda de frecuencia pero atenan las bajas y las altas frecuencias, el
ancho de banda es la diferencia entras las frecuencias en las que su atenuacin al
pasar a travs del sistema se mantiene igual o inferior a 3 dB comparada con la
frecuencia principal, que se suele tomar como la central de la banda.
El ancho de banda de un sistema da una indicacin de las propiedades de la
respuesta transitoria de un sistema de control, as como de las caractersticas al
filtrado de ruido.
El ancho de banda es una medida de la posibilidad que tiene el sistema de
reproducir fielmente una seal de entrada. Generalmente la respuesta del sistema
para valores de frecuencia superiores al ancho de banda estar atenuada.
El ancho de banda es adems una medida directa de la sensibilidad del sistema al
ruido (un ancho de banda muy grande indica que el sistema es muy sensible a los
ruidos de alta frecuencia).
1-50
Identificacin de sistemas
(
s
1)
l
2 1
l 1
l 1 nl
nl
e td s
G ( s)
2
p
h
s
2 s
s N ( i s 1) 2 i 1
ni
i 1
i 1 ni
(1.91)
Se observa que esta funcin de transferencia posee los siguientes factores individuales:
una ganancia K, q ceros reales, r pares de ceros complejos conjugados, N polos en el origen
(integradores), p polos reales, h pares de polos complejos conjugados y un tiempo de
retardo td.
Sustituyendo s por j en (1.91) se obtiene lo siguiente:
j 2 2
l j 1
K ( l j 1)
l 1
l 1 nl
nl
e td j
G ( j )
2
p
h
j 2 i
( j ) N ( i j 1)
j
ni
i 1
i 1 ni
(1.92)
j 2 2
nl nl
l 1
l 1
j 2 2
Lm(( j ) ) Lm( i j 1) Lm
i j 1 (1.93)
ni ni
i 1
i 1
Por su parte la fase de G(j) expresada en grados se obtiene como la suma de las
fases de cada uno de los factores individuales de que consta la funcin de transferencia:
1-51
j 2 2
l
arg(( j ) N )
l 1
l 1
nl nl
j 2 2
arg( i j 1) arg
i j 1 arg( e jtd )
ni ni
i 1
i 1
(1.94)
(1.95)
LmK 20log10 K
(1.96)
K 0
0
arg K
180 K 0
(1.97)
1
sN
Sustituyendo s por j se obtiene la respuesta en frecuencia:
1-52
(1.98)
Identificacin de sistemas
(1.99)
( j ) N
La magnitud logartmica y la fase vienen dadas por las siguientes expresiones:
1
Lm
j N
20log10
20log10
1
arg
j N
20N log
(1.100)
90N
(1.101)
Magnitud (dB)
50
0
50
100 2
10
10
10
10
10
10
89
Fase ()
89.5
90
90.5
91 2
10
10
10
(rad/s)
10
10
10
1-53
sM
(1.102)
( j ) M
(1.103)
La magnitud logartmica y la fase de los M derivadores vienen dadas por las siguientes
expresiones:
Lm
j 20log
M
10
arg
(1.104)
j 90M
M
(1.105)
Magnitud(dB)
50
0
50
100 3
10
10
10
10
10
10
91
Fase ()
90.5
90
89.5
89 3
10
10
10
(rad/s)
10
10
1-54
10
Identificacin de sistemas
e std
(1.106)
e jtd
(1.107)
La magnitud logartmica y la fase del elemento de retardo vienen dadas por las
siguientes expresiones:
(1.108)
arg e jtd td
(1.109)
Magnitud (dB)
td=2.
1
1 2
10
10
10
10
10
Fase ()
0
5000
10000
15000 2
10
10
10
(rad/s)
10
10
1-55
1
s 1
(1.110)
j 1
(1.111)
1
1
1
20log10
20log10
Lm
2
j 1
2 1
j 1
10 log10 ( 2 2 1)
1
arg
arctan( )
j 1
(1.112)
(1.113)
0 c
Aplicando su definicin y operando se puede demostrar que la frecuencia de corte es:
1-56
(1.114)
Identificacin de sistemas
Se observa que cuanto menor sea la constante de tiempo, es decir, cuanto ms rpido
sea el sistema, mayor ser su ancho de banda.
En la Figura 1.22 se representa el diagrama de Bode de un polo real
Magnitud (dB)
0
20
40
60
80 2
10
10
10
10
10
10
Fase ()
50
90
2
10
10
10
(rad/s)
10
10
10
s 1
(1.115)
j 1
(1.116)
Lm j 1 20log10 j 1 20log10 2 2 1
10log10 ( 1)
2
(1.117)
arg j 1 arctan( )
(1.118)
1-57
Magnitud (dB)
80
60
40
20
0 2
10
10
10
10
10
10
Fase ()
90
45
0 2
10
10
10
(rad/s)
10
10
10
n2
1
2
(1.119)
s 1
1
1 2 j2
n
n
2
1-58
(1.120)
Identificacin de sistemas
Lm
2
1 2 j2
n
n
2
2
10log 1 4 2
2
10
n2
1
arg
2
1 2 j2
n
n
2 /
n
arctan
2
1 2
n
(1.121)
(1.122)
r n 1 2 2
(1.123)
Mr
1
2 1 2
(1.124)
1-59
15
=0.1
10
=0.25
|G| (dB)
5
=0.5
0
=0.7
=1
10
15 1
10
10
w (rad/s)
Figura 1.24. Amplitud de un sistema de polo complejo con n=0.5 rad/s y distintos valores de
AB n 1 2 2 2 4 2 4 4
(1.125)
1-60
Identificacin de sistemas
s2
2
n
s 1
(1.126)
2
1 2 j2
n
n
(1.127)
2 2
2
2
Lm 1 2 j2 10log10 1 2 4 2 2
n
n
n
n
(1.128)
2 / n
arg 1 2 j2 arctan
2
n
n
1 2
n
(1.129)
1-61
G ( s)
Y ( s)
s 1
K
U ( s)
s 1
(1.130)
1-62
Identificacin de sistemas
Figura 1.25. Diagrama de Bode de un sistema de primer orden con cero en funcin de la posicin
relativa del cero y el polo [Guzman et al., 2012]
1-63
BIBLIOGRAFA
[Astrm, K. J. y Wittenmark, 1984]
[Dormido, 2004]
[Ogata, 1996]
[Ogata, 1998]
1-64
TEMA 2
MODELOS DE PERTURBACIONES
2.1 INTRODUCCIN
Una perturbacin es una seal externa que afecta al comportamiento del sistema y cuyo
valor no puede ser elegido o controlado, como por ejemplo el ruido que afecta a los
sensores de medida o las rfagas de viento y las turbulencias que afectan al vuelo de un
avin. En consecuencia si se quiere disponer de un modelo realista de un sistema se hace
necesario modelar tambin las perturbaciones que le afectan.
La construccin de modelos para las perturbaciones de un sistema depende en gran
medida de si se conoce la fuente o fuentes que originan las perturbaciones y de si son
medibles o no. En el mejor de los casos las perturbaciones w(t) que afectan al sistema son
perturbaciones medibles de origen conocido. Por ejemplo, en un panel solar la intensidad
del sol en un determinado instante de tiempo es una seal de perturbacin ya que su valor
no puede ser elegido o controlado. Sin embargo, es perfectamente medible y su origen es
conocido.
Para este tipo de perturbaciones es posible construir modelos a partir de medicin
directa. En estos casos se pueden obtener modelos continuos del sistema de la forma:
x k 1 f ( x k , u k , wk )
y k h( x k , u k , w k )
2-1
Por otra parte una situacin bastante comn es que al examinar las variables de un
sistema se observa que el comportamiento de las mismas se desva del tericamente
previsto. Esta desviacin es producida por perturbaciones de origen conocido (por ejemplo,
el ruido de un sensor) o desconocido que no pueden ser medidas de forma directa. En
consecuencia la presencia de estas perturbaciones se detecta debido a que influyen sobre
otras variables del sistema que s pueden ser medidas. Una forma bastante comn de tratar
estas perturbaciones no medibles es agruparlas en un trmino de perturbacin w(t) que se
aade a la salida del sistema y(t):
y (t ) z (t ) w(t )
donde z(t) es la salida sin perturbar. Se tiene por tanto el sistema que se muestra en la
Figura 2.1.
w(t)
u(t)
z(t)
Sistema
y(t)
Las perturbaciones w(t) pueden ser modeladas como seales deterministas o como
seales aleatorias (procesos estocsticos). Usualmente las entradas u(t) del sistema son
seales deterministas por lo que si w(t) es una seal determinista entonces la salida y(t)
tambin ser determinista. Por el contrario si w(t) es un proceso estocstico entonces la
salida y(t) tambin ser un proceso estocstico.
Este tema est dedicado al estudio de los posibles modelos que se pueden utilizar para
las perturbaciones que afectan a un sistema. En primer lugar se realiza una clasificacin de
las perturbaciones atendiendo a su carcter. En segundo lugar se comenta cmo es posible
reducir los efectos de las perturbaciones. En tercer lugar se describen los modelos
deterministas de las perturbaciones. En cuarto lugar se incluyen los conceptos bsicos de la
teora de procesos estocsticos. En quinto lugar se definen y caracterizan los modelos de
procesos estocsticos. Dichos modelos resultan tiles para describir tanto a las
perturbaciones como a las salidas del sistema. La parte final del tema se dedica al filtrado de
procesos estocsticos estacionarios y a la factorizacin espectral.
2-2
Identificacin de sistemas
2-3
2-4
Identificacin de sistemas
A
+
B
+
Realimentacin
local
Pr oceso
Figura 2.2: Reduccin de perturbaciones mediante el uso de realimentacin local. La perturbacin se
introduce en el sistema entre los puntos A y B. Las dinmicas entre estos dos puntos deben ser tales
que sea posible usar una alta ganancia en el lazo.
Perturbacin medida
Hw
Hff
u
+
Hp
+
Pr oceso
H ff H p1 H w
2-5
si t 0
u w (t ) (t )
0 si t 0
Para sistemas discretos se modela como un pulso con amplitud unidad y una
duracin de un periodo de muestreo.
1 si k 0
u wk k
0 si k 0
El pulso y el impulso son tambin importantes por motivos tericos ya que la
respuesta de un sistema lineal continuo en el tiempo est completamente
2-6
Identificacin de sistemas
1 t 0
u w (t )
0 t 0
La rampa. Es una seal que se utiliza para representar la deriva en los errores de
medida as como a perturbaciones que de repente comienzan a desplazarse. En
la prctica estas perturbaciones se encuentran acotadas, sin embargo el uso de
una seal rampa suele ser una til idealizacin. Tiene la siguiente definicin en
tiempo continuo
t t 0
y (t )
0 t 0
La sinusoide. Es el prototipo de una perturbacin peridica. La posibilidad de
seleccionar su frecuencia la hace idnea para representar tanto a las
perturbaciones en la carga (de baja frecuencia) como al ruido de medida (de alta
frecuencia). Tiene la siguiente definicin en tiempo continuo
Asen(t ) t 0
y (t )
t0
0
Pulso
Escaln
Rampa
Sinusoide
2-7
DE
LA
TEORA
DE
PROCESOS
F ( x) P ( x(k ) x)
Es decir, es la probabilidad de que la variable aleatoria x(k) tome valores menores o
iguales a x. La funcin de distribucin de probabilidad cumple las siguientes propiedades:
F ( a ) F (b ) si a b
F ( ) 0
F ( ) 1
Si la variable aleatoria tiene un rango continuo de valores, entonces se puede definir la
funcin densidad de probabilidad f(x):
Px x(k ) x x
f ( x) lim
x 0
x
Se verifica que:
2-8
Identificacin de sistemas
f ( x) 0
f ( x)dx 1
f ( x)
dF ( x)
dx
f ( x) pi ( x xi )
i
E x(k) x
x f ( x)dx
(2.1)
E x (k)
2
2
x
f ( x)dx
(2.2)
Si x no es un escalar entonces
2-9
E x(k)xT (k) x2
x(k)x
(k) f ( x)dx
Un parmetro que se utiliza en lugar del valor cuadrtico medio es la raz cuadrada
positiva del mismo, conocido por su terminologa anglosajona como rms de root-mean
squared.
La varianza de la variable aleatoria x(k) se define como
Var[x(k)]=E (x(k)-x ) 2 x2
(x(k)- )
x
f ( x )dx 2x x2
(2.3)
Si x no es un escalar:
E (x(k) - x ) (x(k) - x )
2
x
(x(k) -
)(x(k) - x ) T f ( x )dx x2 x2
f ( x)
1
e
2 b
( x a )2
2b2
x E[ x(k )]
xf ( x)dx a
2-10
Identificacin de sistemas
Una notacin bastante extendida para denotar a una distribucin normal de media y varianza 2, es
N(, 2). As una distribucin normal con media cero y varianza unidad se denotar como N(0,1).
Por otra parte, como ocurre con cualquier funcin de densidad de probabilidad su integral o rea en
el rango (-.,) es igual a 1. Es decir que la probabilidad de que una variable aleatoria tome valores
comprendidos entre (-.,) es del 100%.
Considerando la funcin error que se define como:
erf ( x )
t
e dt
2
( 1) n x 2 n 1
n 0 n!(2n 1)
es posible calcular que la probabilidad de que una variable aleatoria con distribucin normal tome un
valor comprendido entre 3 es del 99.7%. Mientras que la probabilidad de que tome un valor
comprendido entre 2 es del 95.4% y entre es del 68.3%.
0.3
0.25
0.3989 /0.2
x
0.15
0.2420 / x
0.1
0.05400.05
/ x
0
x 2 x
5x
x x x x
x 2 x
10
2-11
F2 ( x, y ) Px(k ) x & y (k ) y
La correspondiente funcin de densidad de probabilidad conjunta se define como:
Px x ( k ) x x & P y y ( k ) y y
f 2 ( x, y ) lim
x 0
xy
y 0
que verifica las siguientes propiedades:
f 2 ( x, y ) 0
2 F2 ( x, y )
f 2 ( x, y )
xy
( x, y )dxdy 1
f 2 ( x, y ) f x ( x) f y ( y )
entonces las dos variables son estadsticamente independientes. Es decir, el suceso x(k) x
es independiente del suceso y(k) y.
Una medida de la dependencia lneal de dos variables aleatorias x(k) e y(k) viene dada
por la covarianza que se define de la siguiente forma:
(2.4)
2-12
Identificacin de sistemas
Cov[x(k),y(k)]=Cov[y(k),x(k)]
Cov[x(k),x(k)] Var[x(k)]
Por otra parte si x(k) e y(k) son estadsticamente independientes entonces
xy
rxy
x y
(2.5)
Se verifica que
1 xy 1
El coeficiente de correlacin proporciona una medida del grado de dependencia lineal
entre las variables aleatorias x(k) e y(k). Si x(k) e y(k) son independientes entre si entonces
xy=0, y se dice que las variables aleatorias x(k) e y(k) no estn correlacionadas.
Si la distribucin de probabilidad conjunta es normal y xy=0 entonces x(k) e y(k) son
independientes. Si la distribucin no es normal y xy=0 entonces x(k) e y(k) no estn
correlacionados aunque no necesariamente son independientes.
Si xy=1 entonces
y (k ) a bx ( k )
Mientras que si xy=-1 entonces
y (k ) a bx ( k )
Conforme xy se acerca al valor 1 los valores de y(k) con respecto a x(k) se van
concentrando en las cercanas de una lnea recta de pendiente positiva. Mientras que
conforme xy se acerca al valor -1 los valores de y(k) con respecto a x(k) se van
concentrando en las cercanas de una lnea recta de pendiente negativa.
2-13
x(t ), t T x(t , h )
Usualmente se supone que t es el tiempo y T. Si se considera sistemas discretos
entonces T es el conjunto de instantes de muestreo T={0,k,2k,...} siendo k el periodo de
muestreo. En el caso de procesos estocsticos continuos T es un conjunto de variables
reales. Para un h fijo, h=h0, se tiene que x(t, h0) es una funcin del tiempo que se denomina
realizacin. Mientras que para un instante de tiempo fijo, t=t0, se tiene que x(t0,h)=x(t0) es
una variable aleatoria.
Realizaciones
x(t , h )
Variables aleatorias
x(t1 )
x(t 2 )
x(t , h1 )
x(t , h2 )
x(t , h3 )
t
Figura 2.6: Tres realizaciones x(t, h1), x(t, h2) y x(t, h3) de un mismo proceso estocstico x(t, h). Se
detallan las variables aleatorias x(t1) y x(t2) que se obtienen cuando se fija el tiempo a t=t1 y t=t2
2-14
Identificacin de sistemas
F ( , t ) P[ x(t ) ]
La funcin de densidad de probabilidad correspondiente se define
f ( , t )
dF ( , t )
d
(t) Ex(t) f ( , t )d
(2.6)
(t ) (t ) f ( , t )d
T
(2.7)
La varianza da informacin del tamao de las fluctuaciones del proceso con respecto a
su valor medio. A la raz cuadrada de la varianza se le denomina desviacin estndar.
Ntese que tanto el valor medio como la varianza son funciones del tiempo.
La funcin de covarianza de un proceso aleatorio x se define como:
T
xx t1 , t2 cov x (t1 ), x (t2 ) E x (t1 ) (t1 ) x (t2 ) (t2 )
1 (t1 ) 2 (t2 ) f (1 , 2 ; t1 , t2 )d 1d 2
T
(2.8)
(2.9)
2-15
x(t2+),..., x(tn+) para todo , n, t1,..., tn. La funcin valor medio de un proceso aleatorio
estacionario es constante. La funcin de covarianza o autocovarianza de un proceso
aleatorio estacionario es funcin del desplazamiento o retraso (lag) considerado:
(2.10)
xy cov x (t ), y (t ) E[( x (t ) x )( y (t ) y )]
(2.11)
Se cumple que
xy yx
Si la funcin de covarianza o autocovarianza es normaliza por x 0 se obtiene la
funcin de correlacin o autocorrelacin, que se define de la siguiente forma:
x ( )
x x
x 0
x2
(2.12)
rx rx 0
se obtiene que
x ( ) 1
Es decir, la magnitud de la funcin de correlacin es menor que la unidad.
El valor de x() da idea de la magnitud de la correlacin existente entre dos puntos del
proceso distanciados unidades de tiempo. Valores de x() cercanos a uno significan que
existe una fuerte correlacin positiva. Mientras que valores de x() cercanos a menos uno
significan que existe una fuerte correlacin negativa. Asimismo, si x()=0 entonces no existe
correlacin.
2-16
Identificacin de sistemas
De forma anloga puede definirse la funcin de correlacin cruzada entre dos procesos
x e y:
xy
xy ( )
x 0 y 0
xy
x y
(2.13)
xy ( ) 1
xy ( ) yx ( )
Si xy ( ) yx ( ) 0 entonces no existe correlacin cruzada entre los procesos x e y,
se dice entonces que los procesos no estn correlacionados o que son estadsticamente
independientes.
La funcin de densidad espectral o espectro de potencia de un proceso aleatorio
estacionario permite conocer la distribucin en frecuencia del proceso, se define como la
transformada de Fourier de su funcin de covarianza
xx ( )
1
2
xx
( k )e ik
(2.14)
xx ( k )
ik
xx ( )d
(2.15)
xy ( )
1
2
xy
( k )e ik
(2.16)
2-17
xy ( k )
ik
xy ( )d
(2.17)
xx ( )
1
2
1
xy ( )
2
xx (t )
xx
(t )e it dt
(2.18)
xy
(t )e it dt
(2.19)
it
xx ( )d
(2.20)
it
xy ( )d
(2.21)
xy (t )
Un proceso estocstico estacionario puede ser descrito por su valor medio, varianza y
funcin de autocorrelacin o funcin de densidad espectral. Ntese que si se conoce la
funcin de densidad espectral se puede calcular la funcin de autocorrelacin y viceversa.
Los valores de un proceso aleatorio x en n instantes de tiempo {t1, t2,..., tn} distintos
constituyen n variables aleatorias x(t1), x(t2),...,x(tn). Supuesto que los n instantes de tiempo
estn equiespaciados un valor , es decir, ti+1-ti= i=1,...,n-1 y tomando el instante t1 como
origen de referencia, entonces las n variables aleatorias se pueden denotar como x(0),
x(),x(2),...,x((n-1)). Obsrvese que si se tomase t2 como origen entonces las variables
aleatorias se denotaran como x(-),x(0),...,x((n-2)). En el caso de un proceso estocstico
estacionario, se puede tomar cualquier instante como origen.
La funcin de covarianza o autocovarianza de un proceso estocstico permite analizar
la relacin que existen entre los valores o variables aleatorias de dicho proceso. Es decir,
como influye el valor de un proceso en un instante de tiempo en el valor de dicho proceso en
los restantes instantes de tiempo, o equivalentemente como influye una variable aleatoria
del proceso en las restantes variables aleatorias de dicho proceso. En consecuencia,
analizar la forma de la funcin de covarianza aporta informacin sobre las interdependencias
temporales del proceso (ver Figura 2.7).
2-18
Identificacin de sistemas
La covarianza describe
la relacin entre las variables
aleatorias de
un mismo proceso estocstico
x(t )
La covarianza cruzada
describe la relacin
entre las variables aleatorias de
dos procesos estocsticos
distintos
y (t )
t1
t2
Figura 2.7: Realizaciones de dos procesos estocsticos distintos x(t) e y(t). Se detallan las variables
aleatorias x(t1), x(t2), y(t1) e y(t2) que se obtienen cuando se fija el tiempo a t=t1 y t=t2
2 xx d
1
(2.22)
representa la potencia de la seal en el rango de frecuencias [1, 2]. Por tanto, el rea
encerrada por la curva de la densidad espectral en [1, 2] representa la potencia de la
seal en una cierta banda de frecuencia. Dicha rea total es proporcional a la varianza de
seal.
Dos seales o procesos aleatorios x e y se dice que no estn correlacionados si su
densidad de potencia cruzada xy es 0.
2-19
1
N
cxx ( ) xx ( )
1
N
x (t )
(2.23)
t 1
( x(t ) x )( x(t ) x )
(2.24)
t 1
rxx ( ) xx ( )
cxx ( )
cxx (0)
(2.25)
1
N
cxy ( ) xy ( )
1
N
( x(t ) x )( y (t ) y )
0,1, 2...
t 1
( y (t ) y )( x(t ) x )
(2.26)
1, 2,...
t 1
rxy ( ) xy ( )
cxy ( )
(2.27)
( )
c ( )W
( )e i
(2.28)
donde WM() se denomina ventana de retardo (lag window) siendo M un entero positivo
denominado anchura de la ventana o parmetro de truncacin. La ventana de retardo es
una funcin que sirve para enfatizar las componentes de frecuencia ms importantes y
despreciar las menos relevantes, de esta forma se logra suavizar la forma del espectro de
2-20
Identificacin de sistemas
1
1 cos
WM ( ) 2
M
(2.29)
valores muestreados de una realizacin de dichas seal posee un cierto error F-F
cuya
magnitud se encontrar comprendida dentro de un cierto intervalo (L1 , L 2 ) con una
probabilidad del P%.
En consecuencia el valor real de la funcin se encontrar dentro del intervalo
, F+l
)
(F-l
1
2
con una probabilidad del P %. A dicho intervalo se le denomina intervalo de confianza del
P%.
Supuesto que la seal aleatoria tiene una distribucin de probabilidad normal el
intervalo de confianza del P% viene dado por la siguiente expresin:
n , F+
n )
(Fdonde n=1, 2,3, y es una estima del error o desviacin estndar. En este caso al
intervalo de confianza del P% tambin se le denomina intervalo de confianza n . De
acuerdo con el Ejemplo 2.1 un intervalo de confianza 2 sera equivalente a un intervalo de
confianza del 95.4% y un intervalo de confianza 3 sera equivalente a un intervalo de
confianza del 99.7%.
2-21
Se puede demostrar [Box and Jenkins, 1976] que si supone que el proceso x(t) es de
tipo ruido blanco (ver seccin 2.6.1) entonces una estima del error o desviacin estndar
existente en el estimador de la funcin de autocorrelacin (2.25) viene dada por la siguiente
expresin
1
N
(2.30)
Asimismo se puede demostrar [Box and Jenkins, 1976] que supuesto que los procesos
x(t) e y(t) no estn correlacionados y que uno de ellos es ruido blanco entonces una estima
del error o desviacin estndar del estimador de la funcin de correlacin cruzada (2.27)
viene dada por la siguiente expresin:
1
N
(2.31)
2-22
Identificacin de sistemas
Figura 2.8. Ejemplo de serie temporal no estacionario por variacin de su valor medio
En ocasiones puede ser difcil determinar por inspeccin visual si una serie temporal
est asociada a un proceso estacionario o a un proceso no estacionario. Otro mtodo para
determinar la estacionaridad de un proceso es el anlisis de la funcin de autocorrelacin
estimada. Una condicin necesaria pero no suficiente para afirmar que la serie temporal es
una realizacin de un proceso no estacionario es que la funcin de autocorrelacin estimada
decrezca muy lentamente. En consecuencia si dicha funcin decrece rpidamente el
proceso es estacionario.
Ejemplo 2.3
En la Figura 2.10 se representa la funcin de autocorrelacin estimada de una cierta serie temporal.
Se observa que la autocorrelacin decrece muy lentamente por lo que esta serie podra ser una
realizacin de un proceso estocstico no estacionario.
2-23
Sample Autocorrelation
0.8
0.6
0.4
0.2
0.2
0
10
Lag
12
14
16
18
20
Como se ver en la seccin 2.6.5 las series temporales que presentan derivas y/o
tendencias pueden ser modeladas por modelos estocsticos no estacionarios de tipo
ARIMA. Este tipo de series temporales no estacionarias presentan una cierta homogeneidad
y pueden ser convertidas en series estacionarias diferencindolas d veces, donde d
normalmente suele ser 1 o 2.
2 0
xx ( )
0 1, 2,...
(2.32)
En la Figura 2.11 se representa rxx() grficamente. Obsrvese que rxx() es nula para
todos los valores de excepto en el origen (=0) donde vale 2 que es la varianza del
proceso. Esto significa que el valor del proceso en un instante de tiempo t es independiente
(no est correlacionado) de los valores del proceso en otros instantes de tiempo. El proceso
estocstico ruido blanco puede por tanto ser considerado como una secuencia de variables
aleatorias igualmente distribuidas e independientes.
2-24
Identificacin de sistemas
xx
2
2
(2.33)
Luego un proceso de ruido blanco se caracteriza por tener una densidad espectral
constante para todas las frecuencias (ver Figura 2.11). La analoga con las propiedades
espectrales de la luz blanca explican el nombre que recibe este proceso estocstico.
En el caso del ruido blanco en tiempo continuo aplicando (2.18) sobre la densidad
espectral (2.31) se obtiene que su funcin de covarianza es:
xx (t ) 2 ( )
(2.34)
si 0
0 si 0
( )
rxx()
2
-2
-1
2
2
Figura 2.11. Representacin grfica de la covarianza y de la densidad espectral del ruido blanco en
tiempo discreto
Ejemplo 2.4
En la Figura 2.12 se muestra 1000 muestras de una cierta serie temporal a. Asimismo en la Figura
2.13 se muestra la funcin de autocorrelacin estimada de a. Se observa que la autocorrelacin vale
1 en =0, adems para 0 la autocorrelacin toma valores que se pueden considerar cero ya que se
encuentran todos encerrados dentro del nivel de confianza 3 o nivel de confianza del 99.7%. Por lo
tanto, la serie temporal a se puede considerar que es una realizacin de un proceso ruido blanco.
2-25
4
3
2
1
0
1
2
3
4
0
100
200
300
400
500
600
Sample Number
700
800
900
1000
16
18
20
Sample Autocorrelation
1
0.8
0.6
0.4
0.2
0
0.2
10
Lag
12
14
2-26
Identificacin de sistemas
2.6.2 Procesos AR
Considrese un proceso estocstico zt, la desviacin de este proceso con respecto a un
cierto origen, o con respecto a su media si el proceso es estacionario, es:
zt zt
(2.35)
zt 1 zt 1 ... n zt n at
donde (1 ,..., n ) son parmetros reales, entonces se dice que
(2.36)
zt es un proceso
q 1 yt yt 1
(2.37)
1 q
1
... n q n zt at
(2.38)
( q 1 ) zt at
(2.39)
donde
( q 1 ) 1 1 q 1 ... n q n
(2.40)
Por lo tanto
zt
1
at
( q 1 )
(2.41)
2-27
1
que es excitado con una entrada de ruido blanco.
( q 1 )
( q 1 ) (1 p1q 1 )(1 p2 q 1 ) (1 pn q 1 ) 0
(2.42)
lo
tanto
si
p11 , p2 1 , , pn 1
son
las
races
(2.43)
de
( q 1 ) 0
entonces
pi 1 i 1, 2,..., n
(2.44)
1 1 2 2 ... n n
(2.45)
A1 p1 A2 p2 ... An pn
(2.46)
2-28
Identificacin de sistemas
D sen(2 f F )
en la funcin de autocorrelacin, que se corresponde con una oscilacin sinusoidal
amortiguada
2 f cos
con
factor
de
amortiguamiento
D pi p j
frecuencia
Re( pi ) / D .
xt xt 1 at
Donde at es ruido blanco N (0, a ) . Este proceso es estacionario si 1 1 .
2
x2
a2
1 2
xx ( )
Supngase que
0.9
2-29
8
6
4
2
0
2
4
6
8
0
100
200
300
400
500
600
Sample Number
700
800
900
1000
18
20
0.9
()
0.6
0.5
0.4
0.3
0.2
0.1
0
0
10
Lag
12
14
16
0.9
0.9
proceso AR(1). En la Figura 2.17 se representa la funcin de autocorrelacin de este proceso AR(1).
Se observa que segn aumenta el desplazamiento el valor absoluto de la autocorrelacin
disminuye.
2-30
Identificacin de sistemas
8
6
4
2
0
2
4
6
8
0
100
200
300
400
500
600
Sample Number
700
800
900
1000
18
20
0.9
()
0.2
0
0.2
0.4
0.6
0.8
1
0
10
Lag
12
14
16
0.9
2-31
2.6.3 Procesos MA
Si el proceso estocstico zt (ver seccin anterior) es generado mediante una ecuacin
en diferencias de la forma
zt at 1 at 1 ... m at m
(2.47)
donde (1 ,..., m ) son parmetros reales, entonces se dice que zt es un proceso de media
mvil (moving average) de orden m o ms abreviadamente un proceso MA(m).
Considerando el operador retardo q-1 este proceso se puede escribir equivalentemente
de la siguiente forma:
zt 1 1 q 1 ... m q m at
(2.48)
zt ( q 1 )at
(2.49)
donde
( q 1 ) 1 1 q 1 ... m q m
(2.50)
xt at at 1
Donde at es ruido blanco N (0, a ) . Este proceso es siempre estacionario independientemente del
2
valor de
Se puede demostrar que su varianza y su funcin de autocorrelacin son:
2-32
Identificacin de sistemas
x2 a2 (1 2 )
1
xx ( )
2
1
0
Supngase que
0.9
0
1
2
8
6
4
2
0
2
4
6
8
0
100
200
300
400
500
600
Sample Number
700
800
900
1000
0.9
()
0.5
0.5
10
Lag
12
14
16
18
20
0.9
2-33
zt 1 zt 1 ... n zt n at 1 at 1 ... m at m
(2.51)
1 q
... n q n zt 1 1 q 1 ... m q m at
(2.52)
( q 1 )zt ( q 1 )at
(2.53)
Donde
( q 1 ) 1 1 q 1 ... n q n
(2.54)
( q 1 ) 1 1 q 1 ... m q m
(2.55)
( q 1 )
at
( q 1 )
(2.56)
Por lo tanto
zt
( q 1 )
que es excitado con una entrada de ruido blanco.
( q 1 )
2-34
Identificacin de sistemas
Ejemplo 2.7
Considrese el proceso ARMA(1,1):
xt xt 1 at at 1
Donde at es ruido blanco N (0, a ) . Este proceso es estacionario si
2
1 1 .
x2
1 2 2 2
a
12
(1 )( ) 2
xx ( )
a
1 2
xx ( 1)
Supngase que
0.5 , 0.9
0
1
2
6
0
100
200
300
400
500
600
Sample Number
700
800
900
1000
0.5 , 0.9
2-35
()
0.6
0.5
0.4
0.3
0.2
0.1
0
0
10
Lag
12
14
16
18
20
0.5 , 0.9
(1 q 1 )
(2.57)
d (1 q 1 ) d
(2.58)
wt d zt
(2.59)
2-36
Identificacin de sistemas
( q 1 )d zt ( q 1 )at
(2.60)
1 1 q 1 ... m q m
zt
at
(1 q 1 ) d (1 1 q 1 ... n q n )
(2.61)
xt xt 1 at
donde at es ruido blanco N (0, a ) .
2
xt x0 ai
i 1
Var[ xt ] E [( xt E[ xt ])2 ] t a2
xx ( ) 1
2-37
Supngase que
a2 =1.
10
10
15
0
100
200
300
400
500
600
Sample Number
700
800
900
1000
18
20
()
0.8
0.6
0.4
0.2
0
0
10
Lag
12
14
16
2-38
Identificacin de sistemas
(1 q 1 )xt at
De la que se deduce que un proceso paseo aleatorio es un proceso ARIMA(0,1,0). Ntese que la
ecuacin anterior se puede expresar tambin en la forma
xt
1
at
1 q 1
Con lo que un proceso paseo aleatorio se puede considerar la salida de un filtro con funcin de
transferencia
1
que es excitado con una entrada de ruido blanco. Esta funcin de tranferencia
1 q 1
[kk ]
1
N 1/2
kp
(21)
2-39
2-40
Identificacin de sistemas
la hiptesis de que la serie ha sido generada por un proceso ruido blanco, de tal forma que
si un valor de dicha funcin se encuentra dentro, sobre o ligeramente por encima del
intervalo puede considerarse que su valor es nulo bajo dicha hiptesis. Se pueden dar los
siguientes casos:
Con respecto a la eleccin de los rdenes del modelo se debe tener en cuenta lo
siguiente:
2-41
Para considerar como vlidos los resultados se debe dispone de una serie
temporal con un nmero de muestras N igual o mayor a 50.
Ejemplo 2.9
Considrese un cierto sistema 1 que es excitado con una seal de ruido blanco at de tipo N(0,1), la
salida del sistema es una seal aleatoria yt. Se dispone de N=1000 datos de la entrada y de la salida.
En la Figura 2.24 se representa la salida yt. Se observa que la seal presenta un comportamiento
estacionario, por lo que no es necesario diferenciarla. Esta conclusin se comprueba calculando su
funcin de autocorrelacin estimada (ver Figura 2.25). Puesto que todos sus valores se encuentran
dentro del intervalo de confianza del 99.7%, excepto en =0 y =1, la seal es estacionaria adems
se podra usar un modelo MA(1) para modelar el sistema.
Supngase que el sistema 1 es excitado con otra seal distinta de ruido blanco et de tipo N(0,1), la
salida del sistema es la seal aleatoria zt. En la Figura 2.26 se representa su funcin de
autocorrelacin estimada. Se observa que aparte de los puntos =0 y =1 como ya suceda en la
anterior realizacin, tambin sobrepasan el intervalo de confianza del 99.7%, los puntos =2 , =10 y
=11. La existencia del punto =2 fuera del intervalo de confianza (o si estuviera muy prximo al
lmite) podra llevar a pensar en utilizar un modelo MA(2), aunque tambin podra atribuirse a la
varianza existente en la serie temporal y considerar un modelo MA(1). La existencia de los puntos
=10 y =11 fuera del intervalo de confianza debe atribuirse a la varianza existente en la serie
temporal.
2-42
Identificacin de sistemas
8
6
4
2
0
2
4
6
8
0
100
200
300
400
500
600
Sample Number
700
800
900
1000
16
18
20
Sample Autocorrelation
0.5
0.5
0
10
Lag
12
14
2-43
Sample Autocorrelation
0.5
0.5
0
10
Lag
12
14
16
18
20
En la Figura 2.27 se representa la funcin de correlacin cruzada entre las entradas at e et. Puesto
que todos sus valores se encuentran dentro del intervalo de confianza del 99.7% se concluye que no
existe correlacin entre ambas seales, son estadsticamente independientes. Sealar que aunque
en esta ocasin no se ha presentado, dos seales no correlacionadas entre s pueden presentar una
funcin de correlacin cruzada estimada con algunos puntos sobre o ligeramente fuera del intervalo
de confianza debido a la varianza de las series.
0.06
0.04
0.02
0
0.02
0.04
0.06
0.08
20
15
10
0
Lag
10
15
Figura 2.27. Funcin de Correlacin cruzada estimada entre las seales at y et.
2-44
20
Identificacin de sistemas
0.5
0.5
1
20
15
10
0
Lag
10
15
20
Figura 2.28. Funcin de Correlacin cruzada estimada entre las seales et y zt.
Ejemplo 2.10
Considrese un cierto sistema 2 que es excitado con una seal de ruido blanco at, de tipo N(0,1) la
salida del sistema es una seal aleatoria zt. Se dispone de N=1000 datos de la entrada y de la salida.
En la Figura 2.29 se representa la salida zt. Se observa que la seal presenta un comportamiento no
estacionario debido a la existencia de valores medios o niveles locales. Esta conclusin se
comprueba calculando su funcin de autocorrelacin estimada (ver Figura 2.30) en la cual se observa
un decrecimiento muy lento.
Para eliminar la estacionaridad habr que diferenciar la seal zt d veces. Si diferenciamos una vez la
seal zt se obtiene la seal wt:
wt zt zt 1
En la Figura 2.31 se representa la salida diferenciada wt. Se observa que parece presentar un
comportamiento estacionario. Para confirmarlo en la Figura 2.32 se representa su funcin de
2-45
300
200
100
100
200
300
0
100
200
300
400
500
600
Sample Number
700
800
900
1000
16
18
20
Sample Autocorrelation
0.8
0.6
0.4
0.2
0.2
0
10
Lag
12
14
2-46
Identificacin de sistemas
8
6
4
2
0
2
4
6
8
10
0
100
200
300
400
500
600
Sample Number
700
800
900
1000
16
18
20
Sample Autocorrelation
0.8
0.6
0.4
0.2
0.2
0
10
Lag
12
14
2-47
Por otra parte, este decrecimiento exponencial de la funcin de autocorrelacin estimada indica que
la salida diferenciada wt puede ser generada por un proceso AR(n) o ARMA(n,m). Para discriminar
qu tipo de proceso la genera se ha calculado la funcin de autocorrelacin parcial estimada (ver
Figura 2.33) Se observa que todos sus valores se encuentran dentro del intervalo de confianza
excepto en =0, =1 y =2, luego se tratara de un proceso AR(2).
En conclusin el sistema 2 podra modelarse como un modelo ARIMA(2,1,0).
m y (k ) H (1)mu (k )
(2.62)
y densidad espectral
y ( ) H (e i )u ( )H T (e i )
(2.63)
Adems la densidad espectral cruzada entre la entrada y la salida est dada por la
expresin
yu ( ) H (e i )u ( )
(2.64)
u
H(z)
2-48
Identificacin de sistemas
Por otra parte, la ecuacin (2.64) indica que la densidad espectral cruzada es igual a la
funcin de transferencia del sistema si la entrada es ruido blanco con densidad espectral
unidad. Este resultado puede ser utilizado para determinar la funcin de transferencia pulso
del sistema.
Se va considerar ahora un sistema en tiempo continuo estable invariante en el tiempo
con respuesta a impulso g. La relacin entre la entrada y la salida de dicho sistema viene
dada por:
t
y (t )
(2.65)
m y G (0)mu
(2.66)
y densidad espectral
y ( ) G (i )u ( )G T (i )
(2.67)
yu ( ) G (i )u ( )
(2.68)
( z z ) B( z )
( z p ) A( z )
H ( z) K
estacionario que al ser excitado por ruido blanco de covarianza unidad genera una salida
cuya densidad espectral y(), racional en cos , es conocida de antemano.
2-49
u ( )
1
2
Adems como
z e i
entonces por la ecuacin (2.63) se tiene que:
y ( )
1
H ( z )H T ( z 1 )
2
Teorema de factorizacin espectral. Dada una densidad espectral (), que sea una
funcin racional en cos , existe un sistema lineal con funcin de transferencia pulso
H ( z)
B( z )
A( z )
(2.69)
tal que la salida que se obtiene, cuando la entrada del sistema es ruido blanco, es un
proceso aleatorio estacionario con densidad espectral . El polinomio A(z) tiene todos sus
ceros dentro del crculo unidad. El polinomio B tiene todos sus ceros dentro del disco unidad
o sobre el circulo unidad.
De acuerdo con el teorema de factorizacin espectral es posible generar cualquier
proceso aleatorio estacionario con densidad espectral racional como la salida de un sistema
lineal estable al cual se le excita con ruido blanco. Por tanto es suficiente con estudiar cmo
se comportan los sistemas cuando son excitados por ruido blanco. Todos los otros procesos
estacionarios con densidad espectral racional pueden ser generados mediante el filtrado
adecuado del ruido blanco.
2-50
Identificacin de sistemas
BIBLIOGRAFA
[Astrm and Wittenmark, 1984]
[Rivera, 2007]
2-51
TEMA 3
CONSIDERACIONES GENERALES SOBRE
LA IDENTIFICACION DE SISTEMAS
3.1 INTRODUCCIN
El modelo matemtico de un sistema se puede utilizar para calcular o decidir cmo se
comporta el sistema. Una posible forma de realizar esto es resolviendo analticamente las
ecuaciones matemticas que describen el sistema y analizando el resultado. Sin embargo,
en muchas ocasiones no es posible encontrar una solucin analtica, o sta es tan
complicada que no permite extraer conclusiones claras. En dichos casos las ecuaciones del
modelo se deben resolver numricamente con ayuda de un computador. ste es
precisamente el fundamento de la simulacin de sistemas, que permiten realizar
experimentos numricos sobre el modelo de un sistema. Obviamente su principal desventaja
es que los resultados de la simulacin dependen de la calidad del modelo del sistema
utilizado.
De forma general los modelos matemticos se pueden obtener de dos formas distintas:
Modelizacin matemtica. Es un mtodo analtico que usa las leyes fsicas (como
las leyes de Newton o las leyes de Kirchoff) para describir la conducta dinmica
del proceso. El modelado depende totalmente de la aplicacin y a menudo tiene
sus races en la tradicin y en las tcnicas especficas del rea de aplicacin.
Generalmente, supone considerar el sistema dividido en subsistemas cuyas
propiedades son conocidas de experiencias anteriores y de los que se tienen
modelos matemticos. El modelo del sistema completo se obtiene uniendo
matemticamente los modelos de los subsistemas considerados.
Identificacin de sistemas. Se trata de un mtodo emprico, es decir, requiere de
la realizacin de varios experimentos para obtener datos de entrada-salida del
3-1
sistema. Dichos datos se utilizan para estimar los coeficientes del modelo de tal
forma que la salida del mismo coincida lo ms posible con la salida real del
sistema cuando ambos son excitados con la misma entrada.
Ambas formas de modelizacin no se deben ver como separadas o excluyentes (ver
Figura 3.1). En muchos casos los procesos son tan complejos que no es posible obtener un
modelo usando nicamente principios fsicos. En tal caso se requiere el uso de tcnicas de
identificacin. No obstante para la eleccin de estas tcnicas es importante todo el
conocimiento fsico previo que se tenga de la planta. Tambin puede ocurrir que se obtenga
un modelo a partir del anlisis fsico de la planta pero existan parmetros que no se
conozcan y que puedan ser estimados mediante identificacin.
Sistema
Datos
Entrada-Salida
Leyes
fsicas
Modelado
fsico
Identificacin
Modelo
del
sistema
Figura 3.1: Como construir un modelo de un sistema
3-2
Identificacin de sistemas
3.2 PROCEDIMIENTO
SISTEMAS
GENERAL
DE
IDENTIFICACIN
DE
3-3
Inicio
Diseo
de experimentos
Adquisicin
y
tratamiento de datos
Conocimiento
a priori
del sistema
Estimacin de los
parmetros del modelo
No
Si
Modelo adecuado?
Fin
Una vez realizado el experimento los datos de entrada y salida registrados deben ser
tratados matemticamente antes de poder ser utilizados en el proceso de estimacin de los
parmetros del modelo. Por ejemplo si los datos son series temporales estacionarias
entonces se les debe eliminar los valores medios. Si las series son no estacionarias, a las
series temporales se les debe eliminar las tendencias o las perturbaciones de baja
frecuencias que motivan la no estacionaridad. Una posible forma de eliminarlas es filtrar las
series temporales usando un filtro pasa-alta.
Por otra parte los datos experimentales, siempre que se disponga de suficientes datos,
se dividen en dos partes: una se utiliza para identificar el modelo (datos para identificacin) y
otra para validarlo (datos para validacin).
A continuacin se debe escoger un determinado tipo de modelo y proceder a su
obtencin usando los datos experimentales. Existen principalmente dos categoras de
modelos: no paramtricos y paramtricos.
3-4
Identificacin de sistemas
Los modelos no paramtricos vienen expresados como curvas o tablas que no pueden
ser caracterizadas usando funciones con un nmero de parmetros finito. Algunos de los
modelos no paramtricos ms usuales son los obtenidos mediante:
Anlisis de correlacin. Genera la respuesta a un impulso o a un escaln del sistema
a partir de los datos de entrada-salida disponibles. De la representacin grfica de
estas respuestas se pueden estimar los posibles retardos del sistema, el tipo de
respuesta (oscilatoria, amortiguada, etc) y la ganancia esttica.
Anlisis espectral. Genera una estima de la funcin de la frecuencia del sistema y del
espectro del ruido. A partir de la funcin de la frecuencia del sistema se puede
deducir que frecuencias atena o amplifica el sistema y en que rango (filtro pasabaja, pasa-banda o pasa-alta). Por su parte del estudio del espectro del ruido se
puede deducir si las perturbaciones que afectan al sistema se pueden modelar como
ruido blanco o se debe obtener un modelo especfico para las mismas.
Los modelos paramtricos quedan definidos por un conjunto finito de parmetros. Los
parmetros del modelo se obtienen usando algn mtodo de estimacin o calibracin de
parmetros como el mtodo de los mnimos cuadrados que se basa en la minimizacin del
error de prediccin, es decir, la diferencia entre la salida real medida y la salida generada
por el modelo.
Cuando se desea obtener modelos paramtricos una de las principales decisiones que
se deben tomar es que tipo de modelo utilizar. Normalmente se desean identificar modelos
lineales, algunos de los tipos de modelos discretos lineales ms usuales son: ARX, ARMAX,
OE y BJ. Siempre se suele elegir en primer lugar un modelo ARX ya que es el ms sencillo
de estimar.
Una vez elegido el tipo de modelo, otra decisin que se debe tomar es decidir cul es la
estructura del mismo, es decir, los rdenes de los polinomios que definen el modelo. Lo ms
normal es estimar varios modelos distintos, es decir, trabajar con diferentes estructuras, y
escoger el mejor modelo utilizando algn criterio de seleccin o informacin que tambin
debe ser especificado. En general se debe escoger el modelo que con la menor complejidad
(nmero de parmetros) resulte adecuado para el uso que se va hacer del mismo (control,
simulacin, prediccin,...)
Por ltimo el modelo seleccionado debe ser validado. Entre los tests de validacin ms
utilizados se encuentran los siguientes:
3-5
Comparacin de la salida del modelo con la salida real del sistema usando la misma
entrada. Siempre que sea posible, se debe realizar una validacin cruzada, que
consiste en utilizar para realizar la validacin un conjunto de datos de entrada-salida
distinto al que se ha utilizado para estimar los parmetros del modelo.
Comparacin de la respuesta en frecuencia del modelo con la respuesta en
frecuencia estimada en el anlisis espectral.
Anlisis de los residuos. Los residuos son las diferencias entre la salida del modelo y
la salida real del sistema. Consiste en calcular la autocorrelacin de los residuos y la
autocorrelacin cruzada de los residuos y la entrada.
Si el resultado de la validacin es negativo se debe considerar la opcin de utilizar otras
estructuras y otros tipos de modelos. Si de esta forma tampoco se consiguen buenos
resultados habr que plantearse la realizacin de nuevos experimentos sobre el sistema que
permitan generar datos de entrada-salida que contengan un grado de informacin mayor. En
consecuencia, tal y como se muestra en la Figura 3.2, el procedimiento de identificacin es
iterativo.
En general la identificacin de sistemas resulta muy til para obtener un modelo de un
sistema cuando se dispone de poco o de ningn conocimiento a priori del mismo. En dicho
caso al sistema se le considera como una caja negra. En la identificacin de modelos de
caja negra no suele importar tanto la estructura del modelo sino que el modelo genere una
salida que se ajuste lo ms posible a la salida medida experimentalmente.
Por otra parte, la identificacin tambin resulta til cuando a partir del modelado fsico
se ha obtenido un determinado modelo cuyos parmetros hay que estimar. En este caso al
sistema se le considera como una caja gris. En la identificacin de modelos de caja gris lo
importante es estimar los parmetros de un modelo predeterminado de tal forma que la
salida del mismo se ajuste lo ms posible a la salida del sistema medida experimentalmente.
3.3 HERRAMIENTAS
SISTEMAS
SOFTWARE
PARA
IDENTIFICACIN
DE
3-6
Identificacin de sistemas
3-7
SITB emplea varios tipos de estructuras de datos en forma matricial que permiten
representar los distintos elementos con los que trabaja. Tambin SITB dispone de las
funciones necesarias para la manipulacin de estas estructuras de datos: creacin de
nuevas estructuras, extraccin y modificacin de valores almacenados, representacin
grfica. Adems dispone de funciones para convertir, cuando es posible, un tipo de
estructura a otro tipo distinto.
Aparte de poder invocar las funciones de SITB desde la lnea de comandos de Matlab o
desde un script, SITB tambin dispone de una interfaz grfica de usuario (GUI) atractiva y
sencillo que internamente invoca a las funciones de la toolbox pero sin que el usuario sea
consciente de ello, ya que nicamente tiene que operar con el ratn sobre la interfaz grfica.
Al GUI de SITB (ver Figura 3.3) se le invoca con la siguiente orden:
>>ident
3-8
Identificacin de sistemas
3-9
3-10
Identificacin de sistemas
Input
Signal
que
muestra
la
representacin
temporal,
3-11
Los datos de entrada salida se cargan mediante el men ModesReal data. Los
datos deben encontrarse en un fichero ASCII o en fichero .mat de MATLAB. En el caso de
que se encuentren en un fichero ASCII los datos se deben organizar en tres columnas:
tiempo, salida, entrada. Si se utiliza el formato MATLAB, el fichero .mat debe contener las
variables t (tiempo), y (salida) y u (entrada).
En este modo de trabajo el contenido de la ventana de ITSIE vara parcialmente con
respecto al modo simulacin. Las zonas que antes estaban dedicadas a configurar los
parmetros de la seal de entrada y los parmetros de simulacin ahora desaparecen.
Ahora aparecen zonas que permiten configurar las estructuras de diferentes tipos de
modelos.
BIBLIOGRAFA
[Guzman et al., 2009]
[Ljung, 2010]
[Rivera, 2007]
3-12
TEMA 4
DISEO DE EXPERIMENTOS Y
TRATAMIENTO DE DATOS
4.1 INTRODUCCIN
El xito del procedimiento de identificacin depende en gran medida de la calidad de los
datos de entrada-salida que se adquieran del sistema. Para obtener datos que contengan la
mxima informacin resulta fundamental realizar un diseo adecuado del experimento o
experimentos a los que se va a someter el sistema. Dicho diseo debe contemplar aspectos
tales como la seleccin del tipo y de las caractersticas (magnitud y duracin) de la seal de
entrada con que se va a excitar el sistema. As como la eleccin del periodo de muestreo.
Tambin se debe procurar que los experimentos que se diseen sean amigables con la
planta o sistema a identificar, es decir, que no perturben en exceso su actividad normal ni
puedan provocar la rotura de los actuadores.
Una vez realizados los experimentos, los datos de entrada-salida deben ser
representados grficamente. A partir de dichas representaciones es posible detectar la
existencia de comportamientos no estacionarios (derivas y/o tendencias en el valor medio y
en la pendiente), la existencia de perturbaciones de alta frecuencia y la existencia de datos
errneos (outliers). Antes de poder ser utilizados para la estimacin de modelos los datos
deben ser tratados matemticamente para eliminar las anomalas detectadas. Bsicamente
dicho tratamiento incluye la eliminacin de valores medios y tendencias de las series
temporales de entrada-salida. As como el filtrado (si fuese necesario) de los datos para
eliminar las perturbaciones de baja (derivas) y alta frecuencia, o para enfatizar un
determinado rango de frecuencia de inters.
En este tema en primer lugar se realizan unas consideraciones generales sobre la
eleccin de la seal de entrada. En segundo lugar se describen las caractersticas de los
principales tipos de seales de entrada. A continuacin se realizan unas consideraciones
sobre la eleccin del periodo de muestreo. Finalmente se describe el tratamiento
4-1
matemtico que hay que realizar sobre los datos de entrada-salida obtenidos
experimentalmente antes de poder utilizarlos en el proceso de identificacin.
M n ( z ) m1 z 1 ... mn z n
(4.1)
la relacin
2
M n ( e j ) u ( ) 0
(4.2)
M n ( e j ) 0
(4.3)
implica que
y (t ) G ( z )u(t ) v (t )
4-2
(4.4)
Identificacin de sistemas
v(t ) H ( z )a (t )
(4.5)
y (t ) G ( z )u(t ) H ( z )a (t )
(4.6)
a(t)
H(z)
v(t)
u(t)
G(z)
y(t)
Debe poseer tanta potencia como sea posible, es decir, debe tener una EP de grado
elevado para excitar el mayor nmero posible de frecuencias del sistema y conseguir
que la salida contenga la mxima informacin posible.
4-3
4-4
Identificacin de sistemas
f (%) 100 1 T
N 1
(4.7)
4-5
2
2
u mean
2 u rms
(4.8)
u max u min
donde urms es la raz cuadrada del valor cuadrtico medio (root mean squared (rms)) de la
secuencia u, umean es su valor medio, umax es su valor mximo y umin es su valor mnimo.
Ntese que PIPS es un porcentaje y sus valores caen por tanto entre el 0% y el 100%, lo
cual lo hacen fcil de interpretar. Cuanto mayor es el valor de PIPS ms amigable se
considera la seal de entrada.
4.2.4.3 Factor de cresta
El factor de cresta o CF (Crest Factor) de una seal se define [Guillaume et al., 1991]
como el cociente entre la norma infinito o norma de Chebyshev l (u ) de la seal y la norma
dos l 2 (u ) de la seal:
CF(u)
l (u )
l 2 (u )
(4.9)
1 N
l p (u ) | u(t ) | p dt
N 0
1/ p
(4.10)
1 N
l p (u ) | u k | p
N k 1
1/ p
(4.11)
l ( x ) max | x(t ) |
(4.12)
4-6
Identificacin de sistemas
Figura 4.2: Representacin temporal de la seal multiseno: a) u1 (parte superior). b) u2 (parte inferior)
En la Figura 4.2 ([Rivera, 2007]) se muestra la representacin temporal de ambas seales. La seal
u1 tiene unos valores inicial y final bastante altos con respecto al resto de valores. Por su parte la
seal u2 tiene sus valores uniformemente distribuidos a lo largo del rango de valores. Luego se
comprueba que la seal u2 con menor factor de cresta resulta ms amigable.
a t 0
u (t )
0 t 0
(4.13)
Su transformada de Laplace es
4-7
U (s)
a
s
(4.14)
a k 0, 1, 2,...
uk
0 k 1, 2, 3
(4.15)
Su transformada z es
U ( z)
a
1 z 1
(4.16)
Figura 4.3. Ejemplo de serie temporal y espectro de potencia de una entrada escaln
Una entrada escaln nicamente permite excitar las bajas frecuencias. Se puede
demostrar que es una seal de EP de grado 1. Con este tipo de entradas nicamente se
puede determinar un nico parmetro: la ganancia esttica del sistema. Este valor
corresponde al comportamiento del sistema a frecuencia cero (=0).
4-8
Identificacin de sistemas
t0
0
u ( t ) a 0 t t
0
t t
(4.17)
Su transformada de Laplace es
U (s)
a(1 e t s )
s
(4.18)
k 1, 2,...
uk a
0
k 0, 1, 2,...., N
N t / T
k N 1, N 2,..
(4.19)
Su transformada z es
U (z)
a(1 z N )
1 z 1
N t / T
(4.20)
Figura 4.3. Ejemplo de serie temporal y espectro de potencia de una entrada pulso simple
Una seal pulso a diferencia de una seal escaln consigue excitar algo al sistema en
un rango intermedio de frecuencia. Si se estrecha la anchura y se aumenta la amplitud de la
seal pulso, sta se puede aproximar a un impulso. Mientras que si se aumenta su anchura
del pulso, ste se asemeja a la seal escaln.
4-9
t0
0
u ( t ) a 0 t t
a
t t
(4.21)
Su transformada de Laplace es
U (s)
a(1 2e t s e 2t s )
s
(4.22)
k 1,2,...
0
uk a
k 0, 1, 2,...., N N t / T
a k N 1, N 2,...
(4.23)
a(1 2z N z 2 N )
1 z 1
(4.24)
Su transformada z es
U ( z)
N t / T
Figura 4.5. Ejemplo de serie temporal y espectro de potencia de una entrada pulso doble
4-10
Identificacin de sistemas
Una seal pulso doble tambin consigue excitar algo al sistema en un rango intermedio
de frecuencia. Sin embargo atena las bajas frecuencias, lo cual puede suponer un
problema si la anchura del pulso t no es lo suficiente grande.
2 0
rxx ( )
0 1, 2,...
(4.25)
En la Figura 4.6 se representa rxx() grficamente. Obsrvese que rxx() es nula para
todos los valores de excepto en el origen (=0) donde vale 2 que es la varianza del
proceso. Esto significa que el valor del proceso en un instante de tiempo t es independiente
(no est correlacionado) de los valores del proceso en otros instantes de tiempo. El proceso
estocstico ruido blanco puede por tanto ser considerado como una secuencia de variables
aleatorias igualmente distribuidas e independientes.
rxx()
2
-2
-1
2
2
Figura 4.6: Representacin grfica de la covarianza y de la densidad espectral del ruido blanco en
tiempo discreto
2
2
(4.26)
4-11
Luego un proceso de ruido blanco se caracteriza por tener una densidad espectral
constante para todas las frecuencias. La analoga con las propiedades espectrales de la luz
blanca explican el nombre que recibe este proceso estocstico.
En el caso del ruido blanco en tiempo continuo su funcin de covarianza es:
rxx (t ) 2 ( )
(4.27)
si 0
0 si 0
( )
sin 2 (Tsw / 2)
u ( ) a Tsw
(Tsw / 2) 2
2
(4.28)
4-12
Identificacin de sistemas
> .
Figura 4.7: Realizacin y espectro de potencia de una seal RBS. 300 muestras tomadas con periodo
de muestreo unidad, Tsw=3 minutos, a=1, p=0.5.
Figura 4.8: Espectro de potencia asinttico de una seal RBS con p=0.5
4-13
Figura 4.9: Generacin de una seal PRBS utilizando un registro de desplazamiento de nr bits y una
puerta lgica XOR (OR-exclusiva).
Tiene dos niveles a y puede cambiar de uno a otro slo en ciertos intervalos de
tiempo t=0, Tsw, 2 Tsw, 3 Tsw, A Tsw se le conoce como tiempo de reloj o de
conmutacin.
Las seales PRBS ms utilizadas son las que se basan en secuencias de longitud
mximas, para las cuales N=2nr-1 siendo nr la capacidad del registro de
desplazamiento.
4-14
Identificacin de sistemas
Figura 4.11: Representacin temporal y espectro de potencia de una seal PRBS. Periodo de
muestreo unidad, Tsw=3, a=1 y nr=4. La duracin de un ciclo es de 45 minutos.
Tsw
sin
2
a (N 1)Tsw 2
u ( )
N
Tsw
2
(4.29)
4-15
2
2.8
N Tsw
Tsw
(4.30)
4-16
Identificacin de sistemas
La principal diferencia entre ambos tipos de seales es que una seal PRBS es
determinista y por lo tanto reproducible experimentalmente, por eso siempre es preferible
utilizar una seal PRBS a una seal RBS.
Los parmetros de diseo de una seal PRBS son su amplitud a, el periodo de
conmutacin Tsw y la longitud nr del registro de desplazamiento. En [Rivera, 1992] se dan
las siguientes expresiones como guas para ayudar a disear una seal PRBS:
Tsw
N 2 nr 1
L
2.8 dom
H
2 s dom
Tsw
(4.31)
(4.32)
Tanto Tsw como N son nmeros enteros positivos. Adems Tsw debe ser un mltiplo
entero del tiempo de muestreo T.
El significado de los parmetros que aparecen en las expresiones (4.31) y (4.32) es el
siguiente:
L
H
dom
y dom
son las estimas inferior y superior, respectivamente, de la constante
4-17
L s
H
s dom
dom
(4.33)
us ( k ) 2 i cos(i k T i )
(4.34)
i 1
i 1
Por otra parte, es un factor de escala para asegurar que la amplitud de la seal se
encuentra entre los valores usat.
La frecuencia de cada componente sinusoidal se calcula a travs de la siguiente
expresin:
2 i
N T
4-18
(4.35)
Identificacin de sistemas
ns
N
2
(4.36)
i 2 j j
(4.37)
j 1
i 0
i 0
2
N s T
Figura 4.13: Espectro de potencia de una seal suma de sinusoides diseada como filtro pasa-baja.
4-19
H
2 s dom
N
T
ns
N T s
L
2 dom
(4.38)
(4.39)
L
H
, dom
, s y s tienen el mismo significado que en el caso de las
Los parmetros dom
L s
H
s dom
dom
(4.40)
es
P( s )
s 1
con un periodo de muestreo T=0.3 minutos [Rivera et al., 1993]. Se va a considerar que dom=1.5
minutos, s= 2 y s=3. Sustituyendo estos valores en (4.38) y (4.39) se obtienen los siguientes valores
para los parmetros de diseo de una seal multiseno: N=95 y ns=7. Adems el periodo de un ciclo
es de NT=950.3=28.5 minutos. Se va a tomar como amplitud de la seal a=1.75.
Figura 4.14: Series temporales de la seal PRBS y de la seal multiseno del ejemplo.
4-20
Identificacin de sistemas
Por otra parte sustituyendo el valor de estos parmetros en las expresiones (4.31) y (4.32) se obtiene
los siguientes valores para los parmetros de diseo de una PRBS: Tsw=2.1, N=15 y n=4. Adems el
periodo de un ciclo es NTsw=152.1= 31.5 minutos. Se va a tomar como amplitud de la seal a=1.0.
En la Figura 4.14 ([Rivera, 2007]) se muestra la representacin temporal de la seal multiseno y de la
seal PRBS. Se observa que la amplitud de la seal PRBS oscila en un rango de valores [-1,1] ms
pequeo que la amplitud de la seal sinusoidal que se mueve entre [-1,7,1.7] aproximadamente. Sin
embargo la seal multiseno requiere de movimientos menos bruscos de los actuadores en
comparacin con la seal PRBS.
En la Figura 4.15 ([Rivera, 2007]) se muestra la salida del sistema cuando es excitado con la seal
multiseno y con la seal PRBS. Se observa que la amplitud de la seal de salida es muy parecida en
ambos casos y muestra desviaciones similares del punto de operacin nominal.
Figura 4.15: Series temporales de la salida del sistema cuando es excitado con la seal PRBS y con
la seal multiseno del ejemplo.
Figura 4.16: Espectro de potencia de la seal PRBS y de la seal multiseno del ejemplo.
4-21
En la Figura 4.16 ([Rivera, 2007]) se muestra el espectro de potencia de ambas seales. Se observa
que las dos seales tienen el mismo ancho de banda; sin embargo nicamente la seal multiseno es
una autentica seal pasa-baja. Sin embargo esta seal no tiene suficiente excitacin persistente para
identificar las componentes de alta frecuencia, como por ejemplo las que poseen los modelos tipo FIR
(ver seccin 6.2.2). Una forma de corregir este problema es aadir armnicos a alta frecuencia pero
solo como una fraccin de la potencia a baja frecuencia. (ver Figura 4.17 ([Rivera, 2007]))
Figura 4.18: Serie temporal y espectro de potencia de la seal multiseno modificada para que se
parezca a la seal PRBS en el rango de frecuencias de inters.
Identificacin de sistemas
u s ( k ) 2 i cos(i k T i )
(4.41)
i 1
p 1 ,2 , ..., ns
(4.42)
lim p p p
p
4-23
4.3.8 Conclusiones
Con vistas a la reproducibilidad del experimento es conveniente usar una seal
determinista que una aleatoria. Si se conoce el rango de frecuencias del sistema que se
desea identificar entonces se puede elegir como seal de entrada una suma de sinusoides
distribuidas de forma regular sobre dicho rango. Si no se conoce el rango lo mejor es utilizar
una seal RBS o una seal PRBS.
s 21
(4.43)
2
T
(4.44)
s 101
(4.45)
4-24
Identificacin de sistemas
Ejemplo 4.3:
Se tiene la siguiente expresin para la funcin de transferencia de una planta que posee a su entrada
un retenedor de orden cero.
G ( s)
K (1 T4 s)e Td s
(1 T1s)(1 T2 s)(1 T3 s)
K 1; T1 10; T2 7; T3 3; T4 2; Td 4
El modelo discreto equivalente que se obtiene considerando un periodo de muestreo T es:
4-25
G ( z ) z nk
(b0 b1 z 1 b2 z 2 b3 z 3 )
(1 a1 z 1 a2 z 2 a3 z 3 )
La ganancia es
b
1 a
i
En la Tabla 4.1 se muestran los valores de los coeficientes de G(z) en funcin del periodo de
muestreo T.
Cuando el periodo de muestreo disminuye las magnitudes de los parmetros a se incrementan y la de
los parmetros b disminuyen. Para un periodo de muestreo pequeo, por ejemplo T=1 s, se tiene
bi ai
1 ai ai
Se observa que pequeos errores en los parmetros pueden tener una influencia significativa en el
comportamiento entrada-salida del modelo, ya que, por ejemplo, el valor de
depende
T=1
T=4
T=8
T=16
a1
-2.48824
-1.49836
-0.83771
-0.30842
a2
2.05387
0.70409
0.19667
0.02200
a3
-0.56203
-0.09978
-0.00995
-0.00010
b0
0.06525
0.37590
b1
0.00462
0.06525
0.25598
0.32992
b2
0.00169
0.04793
-0.02850
0.00767
b3
-0.00273
-0.00750
-0.00074
-0.00001
bi
0.00358
0.10568
0.34899
0.71348
1+ai
0.00358
0.10568
0.34899
0.71348
4-26
Identificacin de sistemas
a3 << 1 ai
y b3 <<
S
2
(4.46)
4-27
Siempre hay que analizar si es necesario llevar a cabo cada una de estas acciones.
Dependiendo de la calidad de los datos de que se dispongan pueden ser necesario realizar
todas, alguna o ninguna de estas acciones.
y F (t ) L( q )y (t )
u F (t ) L( q )u(t )
(4.47)
Los datos de entrada-salida filtrados (uF(t), yF(t)) son los que se utilizan para identificar
el modelo.
Sealar que en la literatura L(q) recibe el nombre de prefiltro y a (uF(t), yF(t)) se les
denomina datos prefiltrados. Asimismo a la operacin de filtrar los datos de entrada/salida a
travs del filtro L(q) se le denomina operacin de prefiltrado de datos.
El diseo del filtro L(q) se realiza con el objetivo de conseguir uno o varios de los
siguientes objetivos:
Enfatizar el rango de frecuencias donde se desea que el ajuste del modelo a los
datos experimentales sea mejor.
4-28
Identificacin de sistemas
Las derivas y/o tendencias en el valor medio o/y en la pendiente caractersticas de una
serie temporal no estacionaria aparecen en el dominio de la frecuencia como componentes
de baja frecuencia. En consecuencia si los datos presentan un comportamiento no
estacionario, ste se puede eliminar filtrando los datos con un filtro pasa-alta, el cual atena
las componentes de baja frecuencia existente en los datos.
El filtro pasa-alta ms simple es el diferenciador. Por ello la no estacionaridad de una
serie temporal se puede eliminar diferenciando la seal d veces, tal y como se describi en
la seccin 2.6.5. En el caso de los datos de entrada-salida la diferenciacin se realiza de la
siguiente forma:
y F (t ) y (t ) y (t 1) (1 q 1 ) y (t )
uF (t ) u(t ) u (t 1) (1 q 1 ) u(t )
(4.48)
L( q) (1 q 1 )
(4.49)
L( z )
z 1
z
(4.49)
4-29
Ejemplo 4.4:
La funcin filter de Matlab presenta la siguiente sintaxis:
v=filter(B,A,x);
Donde x es la seal a filtrar, v es la seal filtrada, A y B son los coeficientes del filtro L(q) de acuerdo
a la siguiente ecuacin:
Para enfatizar el rango de frecuencias donde se desea que el modelo presente un mejor
ajuste se debe usar un filtro pasa-banda. Usando un filtro de este tipo se consigue tambin
eliminar el comportamiento no estacionario asociado a componentes de baja frecuencia y el
ruido de alta frecuencia.
La funcin idfilt de la toolbox SITB permite implementar el filtrado de datos a travs
de filtros pasabanda de tipo Butterworth, de orden 5 por defecto.
Ejemplo 4.5
La funcin idfilt de Matlab presenta la siguiente sintaxis:
zf=idfilt(z,filter);
4-30
Identificacin de sistemas
Donde zf son los datos filtrados, z los datos de entrada-salida y filter es la especificacin del
filtro la cual puede hacerse de diferentes formas. Por ejemplo, para implementar un filtro pasa-banda
en el rango de frecuencias [7.5, 22.5] (rad/s) se debera ejecutar el siguiente comando
zf= idfilt(z,[7.5, 22.5]);
Ejemplo 4.6
Como se estudiar en el Tema 6 un modelo paramtrico de tipo ARX se ajusta con un nfasis en el
comportamiento de alta frecuencia presente en los datos de entrada-salida, lo cual no es deseable en
general. Este efecto puede ser compensado prefiltrando los datos con un prefiltro L(q) de tipo pasabaja o pasa-banda.
Un mtodo bastante til y sencillo para disear este prefiltro consiste en obtener un modelo ARX
usando los datos originales (u(t),y(t)). Supngase que el modelo ARX identificado es
A1 ( q) y (t ) B1 ( q)u(t nk ) e(t )
El prefiltro se define entonces como:
L( q )
1
A1 ( q)
y * ( t ) m0 m1t ... mr t r
u* ( t ) n0 n1t ... ns t s
y despus calcular los datos eliminando las tendencias:
4-31
y (t ) y (t ) y* (t )
u ( t ) u( t ) u* ( t )
Es a estos datos a los que se aplica el algoritmo de identificacin.
Si los grados r y s son cero el procedimiento consiste simplemente en calcular los
valores medios de las seales
y*
u*
1
N
1
N
y (t )
t 1
u(t )
t 1
y sustraerlos de las medidas. Con valores de r>0 y s>0 se modela una tendencia polinomial.
En Matlab la funcin detrend de la SITB permite eliminar los valores medios y las
tendencias lineales de los datos de entrada/salida.
Ejemplo 4.7
Se van a considerar como datos de entrada/salida los suministrados a modo de ejemplo en el fichero
dryer2.mat de la toolbox SITB de Matlab. En la Figura 4.21a se representan las series temporales
de la entrada y salida originales. Se observa que tanto la entrada como la salida presentan un valor
medio no nulo. En la Figura 4.21b se representan las mismas series temporales pero con los valores
medios eliminados.
y1
y1
10
20
30
40
50
60
70
80
10
20
30
u1
2
10
20
30
40
50
60
70
80
50
60
70
80
u1
40
50
60
70
80
10
20
(a)
30
40
(b)
Figura 4.21: Representacin grfica de las series temporales de entrada y salida: (a) Originales. (b)
Tras eliminar los valores medios.
4-32
Identificacin de sistemas
plot(datos1)
Tambin se observa que la entrada es una seal RBS o PRBS (slo puede saberse si es una PRBS
si se tiene un registro suficientemente largo de datos donde pueda observar su periodicidad) y que no
parece existir ruido de alta frecuencia ya que ni la entrada ni la salida poseen fluctuaciones pequeas
y rpidas en sus valores temporales.
Sealar que con este mtodo se pueden eliminar tanto valores medios como tendencias
de tipo polinomial, por lo que si una seal no estacionaria presenta tendencias de este tipo
pueden ser eliminadas usando este mtodo sin necesidad de diferenciarla previamente.
k y k y k
k 1,..., N
Una forma bastante usual de tratar los outliers es hacer un test de presencia de outliers
y ajustar los datos errneos. En este caso se obtiene un modelo ajustando los datos sin
prestar atencin a los outliers. Despus se obtienen los residuos k y se representan
grficamente. Se detecta la existencia de posibles picos en la secuencia k . Si por ejemplo
4-33
algn valor | k | para algn cierto valor j es anormalmente grande entonces el dato j de la
salida medida experimental yj se modifica. Una modificacin sencilla es tomar
y j 0.5 y j 1 y j 1
y j y j
La secuencia de valores obtenida haciendo las sustituciones anteriores se utiliza para
obtener un nuevo modelo.
BIBLIOGRAFA
[Davies, 1970]
[Godfrey, 1993]
minimization
approximation
using
methods.
nonlinear
IEEE
Chebyshev
Transactions
on
[Ljung, 1999]
[Ljung, 2010]
4-34
Identificacin de sistemas
[Rivera, 1992]
D. E Rivera, L. Hyunjin, W. B. Martin, H. Mittelmann. PlantFriendly system identification : a challenge for the process
industries. Proceeding of 13th IFAC Symposium on System
Identification (SYSID 2003). 2003.
[Rivera, 2007]
D. E. Rivera, H. Lee, H. D Mittelmann, M. W. Braun. Highpurity distillation using plant-friendly multisine signals to
identify a strongly interactive process. Control Systems
Magazine, IEEE Vol. 27 ,No : 5 pp.72-89. 2007.
[Schroeder, 1970]
4-35
TEMA 5
IDENTIFICACIN DE MODELOS
NO PARAMTRICOS
5.1 INTRODUCCIN
Un modelo de un sistema se considera no paramtrico si viene expresado en forma de
tabla o grfica. Este tipo de modelos no pueden ser usados de forma directa para
simulacin. Pese a esta limitacin los modelos no paramtricos pueden aportar informacin
importante sobre las caractersticas temporales o frecuenciales del sistema que puede ser
utilizada en la etapa de estimacin o validacin de modelos paramtricos.
Considrese el sistema representado en la Figura 5.1, que posee una entrada u(t), una
salida y(t) y est sometido a una perturbacin v(t).
5-1
y (t ) G ( q )u(t ) v(t )
(5.1)
G ( q ) g ( k )q k
(5.2)
k 1
q 1 u(t ) u(t 1)
(5.3)
G (e i )
(5.4)
v ( )
(5.5)
v ( )
R ( )e
i t
(5.6)
Rv ( ) E[ v(t )v(t )]
(5.7)
v(t ) H ( q )e(t )
5-2
(5.8)
Identificacin de sistemas
En ese caso el espectro de potencia de v(t) toma la siguiente forma (ver seccin 2.7):
v ( ) H (e i )
(5.9)
y (t ) G ( q )u(t ) H ( q )e(t )
(5.10)
Esta ecuacin da la descripcin en el dominio temporal del sistema mientras que G(ei)
y v() constituyen su descripcin en el dominio frecuencial.
Tanto la respuesta a un impulso {g(k)} (o a un escaln) como la funcin de frecuencia
del sistema G(ei) son una coleccin de puntos que pueden ser representados en una
grfica o recopilados en una tabla. Se trata por lo tanto de modelos no paramtricos del
sistema. Lo mismo ocurre con el espectro de la perturbacin del sistema v().
La respuesta a un impulso {g(k)} (o a un escaln) de un sistema permite obtener
informacin sobre la constante de tiempo y el retardo del sistema. As como sobre la
ganancia en el estado estacionario. Los dos mtodos ms utilizados para obtener una
estima de la respuesta a un impulso de un sistema son:
5-3
Este tema est dedicado a describir las caractersticas bsicas de los principales
mtodos utilizados para obtener una estima de la respuesta a un impulso y de la funcin de
frecuencia de un sistema, que son modelos no paramtricos del sistema. En primer lugar se
describen los mtodos para obtener una estima de la respuesta a un impulso: el anlisis del
transitorio y el anlisis de correlacin. A continuacin se describen los mtodos para obtener
una estima de la funcin de frecuencia del sistema: el anlisis de frecuencia, el anlisis de
Fourier y el anlisis espectral.
5-4
Identificacin de sistemas
0.6
0.8
0.5
0.7
0.4
0.6
0.3
0.2
0.5
0.1
0.4
0.3
-0.1
0.2
-0.2
0.1
-0.3
-0.4
0
10
15
Tiempo (segundos)
(a)
20
25
0
0
10
15
Tiempo (segundos)
20
25
(b)
5-5
Ejemplo 5.1:
En la Figura 5.2 se muestra la respuesta de un sistema medida experimentalmente a un impulso y a
un escaln. Del anlisis de las mismas se puede deducir que no parece existir retardo entre la
entrada y la salida. Se observa que la respuesta es subamortiguada, por lo que podra probarse a
modelar el sistema con un modelo de segundo orden.
Adems se observa que la ganancia en el estacionario tiende a 0.5. Tambin podran estimarse otros
parmetros del sistema como el tiempo de subida o el tiempo de asentamiento.
y (t ) g k u(t k ) v(t )
(5.11)
k 0
Sea {u(t)} una seal que es una realizacin de un proceso estocstico con valor medio
cero y funcin de covarianza Ru():
Ru ( ) E[u(t )u(t )]
(5.12)
Supngase que {u(t)} y {v(t)} no estn correlacionadas, lo que implica que el sistema
est en lazo abierto. La funcin de covarianza cruzada entre la entrada u y la salida y se
determina de la siguiente forma:
R yu ( ) E[ y (t )u(t )]
(5.13)
k 0
k 0
Ru ( )
0
5-6
si 0
si 0
(5.14)
Identificacin de sistemas
R yu ( ) g
(5.15)
1 N
R yuN ( ) y(t )u(t )
N t 1
(5.16)
1
g N R yuN ( )
(5.17)
u F (t ) L( q )u(t )
(5.18)
A( q )u(t ) e(t )
Ntese que L(q)=A(q). Este polinomio se estima usando el mtodo de los mnimos
cuadrados (se explica en el Tema 6).
Si se filtra la seal de entrada a travs de L(q), entonces tambin hay que filtrar la
secuencia de salida y
y F (t ) L( q )y (t )
(5.19)
5-7
1 N
R yNF uF ( ) y F (t )u F (t )
N t 1
(5.20)
1 N 2
N u F (t )
N t 1
(5.21)
R yNF uF ( )
g
(5.22)
Dados unos datos de entrada u(k) y salida y(k), k=1,...,N, cuyos valores medios han sido
eliminados:
1
y( k ) y(k )
N
1
u ( k ) u( k )
N
y(t );
t 1
u(t );
t 1
y F ( k ) L( q )y (t );
u F ( k ) L( q )u (t );
1 N
R yNF uF ( ) y F (t )u F (t )
N t 1
3. Calcular la estima de la varianza de la entrada.
1 N 2
u F (t )
N t 1
g N
R yNF uF ( )
5-8
Identificacin de sistemas
0.8
0.7
1.5
0.6
0.5
0.4
0.3
0.5
0.2
0.1
0.5
0
10
lags
(a)
15
20
0.1
0
10
15
20
25
lags
(b)
5-9
Las propiedades bsicas del anlisis de correlacin se pueden resumir en los siguientes
puntos:
El resultado del anlisis de correlacin son modelos no paramtricos que no se
pueden utilizar para simulacin directamente.
Al igual que suceda con el anlisis del transitorio permite estimar de forma rpida las
constantes de tiempo, los retardos o las ganancias estacionarias del sistema.
Para su realizacin no es necesario disponer de datos de entrada- salida del sistema
obtenidos con una entrada con un alto grado de excitacin (PRBS, multiseno,...). De
hecho se pueden utilizar incluso seales con una razn seal-ruido pequea siempre
y cuando se disponga de un nmero de puntos N suficientemente grande.
El anlisis de correlacin, como se describe aqu, presupone que la entrada no est
correlacionada con las perturbaciones. Esto significa que este anlisis no funcionar
correctamente cuando los datos son tomados de un sistema en lazo cerrado, es
decir, con realimentacin de su salida.
Permite detectar la existencia de realimentaciones en los datos (ver seccin 6.6.2).
5-10
Identificacin de sistemas
u(t ) u0 cos(t )
(5.23)
y (t ) y 0 cos(t )
(5.24)
y 0 G (i ) u0
(5.25)
arg G (i )
(5.26)
donde
5-11
M agnitud (dB )
10
-10
-20
-1
10
10
10
200
Fas e (deg)
100
0
-100
-200
-300
-1
10
10
Frecuencia de enc uentro we (rad/s)
10
Figura 5.4. Estima de la funcin de transferencia de un cierto sistema usando anlisis de frecuencia
5-12
Identificacin de sistemas
estimar G(j). Debe recordarse (ver seccin 4.2.3) que muchos sistemas,
especialmente los usados en la industria de procesos, no pueden ser usados
libremente para la realizacin de cualquier tipo de experimentos.
Y ( ) G (i )U ( )
(5.27)
G (i )
Y ( )
U ( )
(5.28)
YS ( ) y (t )e it dt
0
U S ( ) u (t )e it dt
(5.29)
Y ( )
G N ( j ) N
U N ( )
(5.30)
u(t ) u0 cos(*t )
(5.31)
5-13
U S ( )
u0S
2
k 1, 2,...
(5.32)
G S ( j* )
y
(
t
)cos(
t
)
dt
j
y (t )sen(* t )dt
u0 S 0
0
(5.33)
YN ( )
1 N
y ( kT )e ikT ,
N k 1
1 N
u(kT )e ikT
N k 1
U N ( )
(5.34)
donde T es el periodo de muestreo y S=NT. Ntese que estas expresiones pueden ser
calculadas eficientemente en =r2/N, r=0,...,N-1, usando la transformada rpida de Fourier
o FFT (Fast Fourier Fransform). N se ajusta para que sea una potencia de 2.
Se puede demostrar [Ljung y Glad, 1994] que una cota para el error existente en la
ETFE respecto a la G(i) real viene dada por la siguiente expresin:
2cu c g
| V ( ) |
S
| G S ( j ) G ( j ) |
| U S ( ) | | U S ( ) |
(5.35)
u(t ) cu
g ( ) d c
Para una seal con energa infinita la transformada de Fourier tpicamente tiene la
siguiente magnitud
| U S ( ) | S const
5-14
Identificacin de sistemas
| U S (0 ) | S const
Analizando la expresin (5.35) se concluye que si la entrada contiene sinusoides puras
(y la seal de perturbacin no) la funcin de transferencia puede ser estimada a travs de la
ETFE con una precisin arbitraria en las frecuencias de las sinusoides, cuando el intervalo
de tiempo tiende a infinito.
Para entradas que no contienen sinusoides puras, la ETFE tiene un error para S
grandes que es igual a la razn VS()/US() entre el ruido y la seal para la frecuencia en
cuestin.
Adems el hecho de que en la prctica se usan seales en tiempo discreto en vez de
seales en tiempo continuo introduce discrepancias adicionales entre la ETFE y la funcin
de transferencia real adems del error que indica la expresin (5.35). Para periodos de
muestreo T pequeos en comparacin con la dinmica del sistema, estas discrepancias
adicionales suelen ser pequeas.
El anlisis de Fourier tiene las siguientes propiedades bsicas:
Es fcil y eficiente de usar (especialmente si se utiliza la FFT).
La ETFE es una estima bastante buena de la funcin de frecuencia G(j) si se
usan sinusoides puras como entradas. En caso contrario, la ETFE flucta
bastante, con lo que nicamente proporciona una aproximacin bastante grosera
de la funcin real.
El comando etfe de la toolbox SIT de Matlab permite calcular la ETFE a partir de los
datos de entrada-salida de un sistema.
Ejemplo 5.4
En la Figura 5.5 se muestra el diagrama de Bode (en lnea punteada) de la funcin de transferencia
G(i) real de un cierto sistema y la ETFE (en lnea continua) construida a partir de datos de entradasalida del sistema. Se observa como la ETFE supone una estima bastante razonable de la funcin de
transferencia G(i) hasta aproximadamente =0.8 rad/s. Por encima de este valor oscila bastante y
no es una estima fiable.
5-15
From u1 to y1
Amplitude
10
10
10
10
10
10
Phase (degrees)
0
500
1000
1500
2
10
10
10
10
Frequency (rad/s)
Figura 5.5. Funcin de transferencia real (lnea punteada) de un cierto sistema y ETFE (lnea
continua)
1
2 k
N
| U N ( ) |2 ,
, k 1, 2,..., N
u ( )
N
N
(5.36)
donde
N
U N ( ) u( k ) e ik
(5.37)
k 1
A la estima
N ( ) de la funcin de densidad espectral de una seal se le denomina
periodograma.
5-16
Identificacin de sistemas
2.5
1.2
1.5
Power
Power
0.8
0.6
0.4
0.5
0.2
0
0
10
20
Frequency (rad/s)
30
0
0
40
10
20
Frequency (rad/s)
30
40
(b)
(a)
Figura 5.6. Representacin grfica del periodograma de las series temporales de (a) entrada y (b)
salida.
La secuencia de comandos de Matlab utilizada para obtener estas figuras es la siguiente (la escala
lineal de las figuras se ha configurado en las propiedades de las figuras generadas) :
load dryer2
Ts=0.08; %Periodo de muestreo
datos0 = iddata(y2,u2,Ts);
%Eliminacin de valores medios
datos1=detrend(datos0);
%Seleccionar los primeros 500 puntos para estimar.
d_est=datos1(1:500);
%Estimar el periodograma de la entrada y la salida
u=get(d_est,'InputData');
perio_u = etfe(u,[],[],0.08);
5-17
y=get(d_est,'OutputData');
perio_y = etfe(y,[],[],0.08);
figure(1)
bode(perio_u)
figure(2)
bode(perio_y)
Estas representaciones permiten visualizar las componentes de frecuencia existentes en la entrada y
la salida. Por lo que adems de identificar los armnicos dominantes de la seales se puede saber si
existen perturbaciones de baja frecuencia o de alta frecuencia y en consecuencia si es necesario
filtrar las seales. Tambin de estas representaciones es posible deducir el comportamiento del
sistema, es decir, si es pasa baja, pasa alta o pasa banda y si atena o amplifica la entrada.
Para este ejemplo de la representacin grfica del espectro de potencia estimado de las series
temporales de entrada y salida, se puede deducir que el sistema posee un comportamiento pasa baja
y que atena la entrada. Adems como no aparecen en la salida componentes a frecuencias distintas
de las excitadas por la entrada eso indica tambin que no existen perturbaciones ni de baja ni de alta
frecuencia.
5-18
Identificacin de sistemas
1 R
N ( ) M ( )
R k 1
(5.38)
N ( )
W
(
N ( ) d
M
(5.39)
5-19
( )d 1
(5.40)
M
WM ( )
0
1
2M
1
si | |
2M
si | |
(5.41)
1
R uN ( )
N
u(t )u(t )
t 1
N ( )
( ) R uN ( )e i
Cuadro 5.2: Pasos para construir la estima de Blackman-Tukey del espectro de potencia de una seal
5-20
Identificacin de sistemas
N ( )
( ) R uN ( )e i
(5.42)
wM ( ) WM ( )ei d
(5.43)
1
R uN ( )
N
u(t )u(t )
(5.44)
t 1
A la estima del espectro de potencia dada por la ecuacin (5.42) se le conoce como
estima de Blackman-Tukey. En el Cuadro 5.2 se resume el procedimiento para poder
obtener la estima de Blackman-Tukey.
En las expresiones anteriores se supone que wM() ha sido elegida para ser cero si
||>M. Esto implica que existen requerimientos especiales a la hora de escoger la ventana
WM() (una ventana rectangular no sera vlida). Adems en (5.44) se ha supuesto que
u(t)=0 cuando t se encuentra fuera del intervalo [1,N].
5.6.3.2 Eleccin de la funcin de ventana
5-21
1
1 cos
wM ( ) 2
M
(5.45)
1
1
DM ( ) DM ( ) DM ( )
2
4
M
M
(5.46)
WM ( )
donde
sin ( M )
2
DM ( )
sin( / 2)
La anchura efectiva de la ventana frecuencial A(M) (ver Figura 5.7) que da la resolucin
de frecuencia puede ser calculada a travs de la siguiente expresin:
A( M ) M 2 WM ( )d
1/ 2
(5.47)
A( M )
2 M
(5.48)
M 2
(5.49)
5-22
M
( u ( )) 2
N
(5.50)
Identificacin de sistemas
20
0.9
0.8
15
0.7
0.6
10
0.5
0.4
0.3
0.2
0.1
0
20
15
10
0
Tiempo
10
15
20
5
2
1.5
1
0.5
0
0.5
1
Frecuencia (radianes/unidad de tiempo
(a)
1.5
(b)
Figura 5.7. Ventana de Hamming en el dominio temporal (a) y en el dominio frecuencial para M=20
(lnea continua) y M=5 (lnea discontinua).
5-23
1
R yuN ( )
N
y(t )u(t )
(5.51)
t 1
yuN ( )
( ) R yuN ( )e i
(5.52)
(5.53)
y ( ) G ( e i ) u ( ) v ( )
(5.54)
yu ( ) G ( e i ) u ( )
(5.55)
A partir de las estimas de los espectros (5.42) y (5.52) es posible obtener una estima de
la funcin de frecuencia G(ejT) del sistema:
Nyu ( )
G N (e jT ) N
u ( )
(5.56)
Adems tambin es posible obtener una estima del espectro de la perturbacin v():
5-24
Identificacin de sistemas
1
R uN ( )
N
u(t )u(t )
t 1
1
R yuN ( )
N
y(t )u(t )
t 1
1
R vN ( )
N
v(t )v(t )
t 1
4. Calcular la estima del espectro de u e y, as como la estima del espectro cruzado entre
y e u:
uN ( )
N ( )
y
Nyu ( )
( ) RuN ( )e j
( ) R yN ( )e i
N
( ) R yu
( )e i
Nyu ( )
iT
G N (e ) N
u ( )
2
Nyu ( )
N
N
v ( ) y ( ) N
u ( )
Cuadro 5.3. Obtencin de una estima de la funcin de frecuencia y del espectro de la perturbacin
mediante anlisis espectral.
5-25
2
Nyu ( )
N
N
v ( ) y ( ) N
u ( )
(5.57)
5-26
Identificacin de sistemas
asemejarse al espectro de un ruido blanco. La parte final del espectro es oscilante y generalmente
est asociada a errores en la estima por lo que no se considera.
0
10
10
10
10
Phase (degrees)
10
10
10
10
0
200
Power
Amplitude
10
10
10
10
400
600 1
10
10
10
Frequency (rad/s)
10
10
10
10
10
Frequency (rad/s)
10
(b)
(a)
Figura 5.8. Representacin de la estima mediante anlisis espectral con M=30 de: a) La funcin de la
frecuencia. b) Espectro del ruido.
Ntese que si M=N entonces la estima que se obtiene del espectro de una seal y del
espectro cruzado de dos seales es precisamente el periodograma
N ( ) | U ( ) |2
u
N
N ( ) Y ( )U ( )
u
N
N
Usando estas estimas de los espectros se obtiene la siguiente estima de la funcin de
frecuencia:
Y ( )
G N (i ) N
U N ( )
que es precisamente la ETFE.
5-27
El anlisis espectral es un mtodo muy comn para obtener estimas del espectro
de seales, del espectro cruzado entre seales y de la funcin de frecuencia
obtener
una
buena
representacin
grfica
de
las
propiedades
BIBLIOGRAFA
[Jenkins and Watts, 1968]
[Ljung, 1999]
[Ljung, 2010]
[Rivera, 2007]
5-28
TEMA 6
IDENTIFICACIN DE MODELOS
PARAMTRICOS DISCRETOS
6.1 INTRODUCCIN
En el tema anterior se estudi la identificacin de modelos no paramtricos. Aunque
estos modelos proporcionan informacin relevante del sistema, al ser tablas o grficas no
pueden usarse para simular, controlar o predecir el comportamiento de un sistema. Para
poder lograr estos objetivos se hace necesario disponer de un modelo matemtico del
sistema, el cual queda definido mediante un conjunto de parmetros.
De hecho el objetivo final de la metodologa de identificacin de sistemas es estimar un
modelo paramtrico que describa lo mejor posible al sistema de acuerdo con el uso final al
que se vaya a destinar el modelo, ya sea simulacin, control o prediccin del sistema.
Este tema est dedicado a explicar la estimacin de modelos paramtricos en tiempo
discreto. Se deja para el prximo tema la explicacin del caso de tiempo continuo. En primer
lugar se define la clase de modelos que se van a considerar, que tpicamente son modelos
basados en la minimizacin del error de prediccin o ms abreviadamente denominados
modelos PEM (Prediction error model). En segundo lugar se explica cmo se estiman los
parmetros de un modelo PEM. A continuacin se explican las principales propiedades del
modelo estimado: el error de sesgo y el error de varianza. Posteriormente se realizan
algunas consideraciones sobre la eleccin del tipo y la estructura del modelo. Finalmente se
explican las tcnicas que se utilizan para validar el modelo estimado y se incluyen algunas
directrices para obtener el modelo PEM ms apropiado.
6-1
y (t ) G0 ( q )u(t ) v(t )
(6.1)
H0(q)
v(t)
u(t)
G0(q)
y(t)
v(t ) H 0 ( q )a (t )
(6.2)
y (t ) G0 ( q )u(t ) H 0 ( q )a (t )
(6.3)
Se desea identificar un modelo lineal que se aproxime lo mejor posible al sistema real.
La ecuacin del modelo a identificar se puede escribir de la siguiente forma:
6-2
Identificacin de sistemas
y (t ) G ( q )u(t ) H ( q )e(t )
(6.4)
e(t ) y (t ) y (t | t 1)
(6.5)
e(t ) H 1 ( q )[ y (t ) G ( q )u(t )]
(6.6)
y (t | t 1) H 1 ( q )G ( q )u(t ) (1 H 1 ( q ))y (t )
(6.7)
(6.8)
y (t )
B( q )
C(q)
u(t nk )
e(t )
A( q )F ( q )
A( q )D ( q )
(6.9)
6-3
G(q)
B( q )
q nk
A( q )F ( q )
H (q)
C(q)
A( q )D( q )
(6.10)
A( q )y (t )
B( q )
C(q)
u(t nk )
e(t )
F (q)
D( q )
(6.11)
En las expresiones anteriores A(q), B(q), C(q), D(q) y F(q) son polinomios:
(6.12)
D ( q) 1 d1q 1 ... d nd q nd
F ( q) 1 f1q 1 ... f nf q nf
La estructura de un modelo PEM queda definida por los valores de los ordenes de sus
polinomios, es decir (na,nb,nc,nd,nf) y del retardo nk.
A( q ) y (t ) B( q )u(t nk ) e(t )
(6.13)
con
A( q ) 1 a1 q 1 ... a na q na
B( q ) b1 b2 q 1 ... bnb q nb 1
6-4
(6.14)
Identificacin de sistemas
H ( q)
1
A( q)
y (t ) B( q )u(t nk ) e(t )
(6.15)
B( q ) b1 b2 q 1 ... bnb q nb 1
(6.16)
con
6-5
A( q ) y (t ) B( q )u(t nk ) C ( q )e(t )
(6.17)
con
A( q ) 1 a1 q 1 ... a na q na
B( q ) b1 b2 q 1 ... bnb q nb 1
1
C ( q ) 1 c1 q ... c nc q
(6.18)
nc
6-6
Identificacin de sistemas
y (t )
B( q )
u(t nk ) e(t )
F (q)
(6.19)
con
B( q ) b1 b2 q 1 ... bnb q nb 1
F ( q ) 1 f 1 q 1 ... f nf q nf
(6.20)
El nombre OE (Output-Error) deriva del hecho de que la fuente del ruido del
modelo e(t) coincide con la perturbacin v(t), luego ser la diferencia (error) entre
la salida actual y la salida libre de ruido. El problema de estimacin de los
coeficientes de los polinomios B(q) y F(q) requiere resolver un problema de
regresin no lineal.
La estructura de un modelo OE queda definida por (nb,nf,nk). Normalmente se
escogen valores bajos de nb y nf.
De acuerdo con (6.10) cuando se obtiene un modelo OE no se estima un modelo
autocorrelacionado del ruido ya que H ( z ) 1 .
Modelo BJ (Box-Jenkins). Se define mediante la siguiente ecuacin en diferencias
y (t )
B( q )
C (q)
u(t nk )
e(t )
F (q)
D( q )
(6.21)
con
B( q ) b1 b2 q 1 ... bnb q nb 1
C ( q ) 1 c1 q 1 ... c nc q nc
D( q ) 1 d 1 q 1 ... d nd q nd
(6.22)
F ( q ) 1 f 1 q 1 ... f nf q nf
El problema de estimacin de los coeficientes de los polinomios B(q), C(q), D(q) y
F(q) requiere resolver un problema de regresin no lineal. La estructura de un
modelo BJ queda definida por (nb,nc,nd,nf,nk). Normalmente se escogen valores
bajos de nb, nc, nd y nf.
6-7
G (z )
H (z )
Polinomios unidad
ARX
B( z ) nk
z
A( z )
1
A( z )
ARMAX
D=1, F=1
B( z ) nk
z
A( z )
C( z)
A( z )
FIR
B( z )z nk
Box-Jenkins
A=1
B( z ) nk
z
F ( z)
C( z)
D( z )
Output Error
B( z ) nk
z
F ( z)
6-8
(6.23)
Identificacin de sistemas
y (t | ) T (t | )
(6.24)
donde
(6.25)
(6.26)
d na nb nf nc nd
Ntese que cuanto mayor sea el valor de d, mayor ser la complejidad del modelo.
Por su parte al vector columna (t | ) se le denomina vector de regresin ya que
contiene los valores pasados de las salidas y las entradas medidas del sistema. Adems
contiene los valores anteriores de las variables auxiliares w, v y e que dependen tanto de los
parmetros del modelo como de los datos (de ah proviene el trmino de pseudolineal):
w(t | )
B( q )
u(t )
F (q)
(6.27)
D( q )
v(t | )
C(q)
(6.28)
(6.29)
6-9
VN ( )
1
N
(t | )
t 1
1
N
[ y
(t | )]2
(6.30)
t 1
N arg min VN
(6.31)
Ntese que la funcin de coste es la suma de los cuadrados de los errores. Por ello a la
estima N se le denomina estima de mnimos cuadrados. Este procedimiento de estimacin
fue propuesto por Gauss en el siglo XVIII. Se trata en consecuencia de un problema de
optimizacin que puede ser resuelto usando algn mtodo de bsqueda.
Aunque no van a ser tratados en estos apuntes, conviene saber que aparte de los
mtodos de mnimos cuadrados existen otros mtodos para estimar los parmetros del
modelo basndose en el error de prediccin como el mtodo de la variable instrumental y el
mtodo de mxima verosimilitud. Asimismo existen otros mtodos de estimacin con una
filosofa diferente como los mtodos basados en subespacios.
VN ( )
1
N
y (t ) 2
t 1
1
N
2 T (t ) y(t )
t 1
1
N
(t ) T (t )
(6.32)
t 1
O equivalentemente como
VN ( )
Donde
6-10
1
N
y (t )
t 1
2 T f N T R N
(6.33)
Identificacin de sistemas
fN
1
N
RN
1
N
(t ) y (t )
(6.34)
t 1
(t )
(t )
(6.35)
t 1
VN ( )
1
N
y (t )
t 1
f NT R N1 f N ( R N1 f N )T R N ( R N1 f N )
(6.36)
N R N1 f N
(6.37)
1
N R N1 f N
N
(t ) (t )
t 1
1
N
(t ) y (t )
(6.38)
t 1
En la prctica para evitar problemas numricos que pueden encontrarse al invertir una
matriz la estima N se calcula resolviendo el sistema de ecuaciones lineales dado por la
ecuacin:
RN N f N
(6.39)
Ejemplo 6.1:
Considrese un modelo ARX:
A( q ) y (t ) B( q )u(t nk ) e(t )
6-11
y (t | t 1) T (t )
Donde el vector de regresin y el vector de parmetros tienen la siguiente expresin:
VN ( )
1
N
(t | )
t 1
1
N
[ y
(t | )]2
(6.40)
t 1
El objetivo es encontrar aquel vector de parmetros N que minimice la funcin de coste. Puesto que
se trata de una regresin lineal la estima de mnimos cuadrados se puede obtener de forma directa
resolviendo el siguiente sistema de ecuaciones
RN N f N
donde
fN
1
N
(t ) y (t )
t 1
RN
1
N
(t )
(t )
t 1
Ntese que los elementos del vector fN y de la matriz RN para un modelo ARX son sumas de la forma:
1
N
y(t j )u(t k )
t 1
1
N
y (t j ) y (t k )
t 1
1
N
u(t j )u(t k )
t 1
Luego la estima N es construida usando las estimas de las funciones de covarianza de la entrada y
la salida.
Por ejemplo supngase el siguiente modelo ARX
6-12
(e5)
Identificacin de sistemas
En este caso:
y (t 1)
a
,
b
u(t 1)
(t )
y
1 N
N y (t )y (t 1)
1 N
t 1
f N (t ) y (t )
N
1
N t 1
y (t )u(t 1)
N
t 1
1 N 2
1 N
y
(
t
1
)
y (t 1)u(t 1)
1
N t 1
N t 1
R N (t ) T (t )
N
1 N 2
N t 1
1
y (t 1)u(t 1)
u (t 1)
N
t 1
t 1
Luego el sistema de ecuaciones a resolver para encontrar la estima de mnimos cuadrados es
1 N 2
1 N
1 N
y
t
y
t
u
t
(
1
)
(
1
)
(
1
)
y (t )y (t 1)
a
N t 1
N t 1
N t 1
N
N
1
b 1 N
2
1
y (t 1)u(t 1)
u (t 1)
y (t )u(t 1)
N
N
t 1
t 1
t 1
Resolviendo se obtiene
N
N
N
N
u 2 (t 1) y (t )y (t 1) y (t 1)u(t 1) y (t )u(t 1)
t 1
t 1
t 1
a t 1
2
N
N
N
y 2 (t 1) u 2 (t 1) y (t 1)u(t 1)
t 1
t 1
t 1
N
N
N
N
y (t 1)u(t 1) y (t )y (t 1) y 2 (t 1) y (t )u(t 1)
t 1
t 1
t 1
b t 1
2
n
N
N
y 2 (t 1) u 2 (t 1) y (t 1)u(t 1)
t 1
t 1
t 1
6-13
( i 1) ( i ) f ( i )
(6.41)
g( x) 0
Para ello va buscando valores para x de forma iterativa:
x ( i 1) x ( i ) [g ( x ( i ) )]1 g ( x ( i ) )
(6.42)
dVN ( )
0
d
(6.43)
( i 1) ( i ) ( i ) [VN ( ( i ) )]1 VN ( ( i ) )
6-14
(6.44)
Identificacin de sistemas
Ntese que puesto que es un vector columna de dimensin d x1. El gradiente (primera
derivada) VN () de la funcin de coste VN es tambin un vector columna de la misma
dimensin. Por su parte VN () el Hessiano (segunda derivada) de VN es una matriz
cuadrada de dimensin d x d. La longitud del paso (i) es determinada para que
VN ( ( i 1) ) VN ( ( i ) ) .
La toolbox SIT de Matlab contiene funciones (arx, armax, oe , bj, pem, ...) que
permiten estimar los parmetros de un modelo PEM. Por ejemplo la funcin arx permite
estimar los parmetros de un modelo ARX, mientras que la funcin armax estima un modelo
ARMAX. En ambos casos es necesario obviamente especificar la estructura del modelo a
estimar, es decir, los valores [na,nb,nk] en el caso de un modelo ARX y los valores
[na,nb,nc,nk] en el caso de un modelo ARMAX.
Ejemplo 6.2:
Se van a considerar como datos de entrada/salida los suministrados a modo de ejemplo en el fichero
dryer2.mat de la toolbox SIT de Matlab, donde el periodo de muestreo era T=0.08 s. Una vez
eliminados los valores medios se van a utilizar los primeros 500 datos para estimar un modelo ARX
con na=1, nb=1 y nk=2.
La secuencia de comandos necesarios para estimar dicho modelo ARX y mostrar informacin sobre
el mismo es la siguiente:
load dryer2
Ts=0.08; %Periodo de muestreo
datos0 = iddata(y2,u2,Ts);
%Eliminacin de valores medios
datos1=detrend(datos0);
%Seleccionar los primeros 500 puntos para estimar
d_est=datos1(1:500);
%Estimar el modelo ARX (1,1,2)
arx112=arx(d_est,[1,1,2]);
%Presentar la infomracin del modelo
present(arx112)
En pantalla aparece lo siguiente:
Discrete-time IDPOLY model: A(q)y(t) = B(q)u(t) + e(t)
A(q) = 1 - 0.9444 (+-0.009375) q^-1
B(q) = 0.06944 (+-0.005256) q^-2
6-15
6-16
Identificacin de sistemas
condiciones
(incluso
aunque
los
intervalos
de
medida
sean
VN ( )
1
N
(t | )
t 1
Supuesto que el nmero N de datos medidos tiende a infinito, el error de varianza ser
despreciable y el nico error que tendr la estima ser el asociado al error de sesgo.
Si el ruido que afecta al sistema puede ser descrito como un proceso estocstico
estacionario, entonces el error de prediccin e(t|) para cada valor de es un proceso
estacionario. La varianza del error de prediccin es:
E[e 2 (t | )] V ( )
(6.45)
1
N
e
t 1
(t | )
E[ e 2 (t | )] V ( )
N
(6.46)
6-17
N arg minVN ( )
* arg minV ( )
N
(6.47)
(6.48)
(6.49)
El error de prediccin es
e(t ) y (t ) y (t | t 1) H 1 ( q )[ y (t ) G ( q )u(t )]
H 1 ( q )[G0 ( q )u(t ) v(t ) G ( q )u(t )]
H 1 ( q )G0 ( q )u(t ) H 1 ( q )v(t ) H 1 ( q )G ( q )u(t )
(6.50)
u ( )
v ( )
e | G0 (e j ) G ( e j ) |2
j
2
| H (e ) | | H ( e j ) |2
(6.51)
E[ e 2 (t | )]
6-18
1
e ( | )d
2
(6.52)
Identificacin de sistemas
u ( )
d
| H (e j ) |2
(6.53)
u ( )
| H ( e j ) |2
(6.54)
En el caso de que los datos de la entrada y la salida hayan tenido que ser prefiltrados,
usando un prefiltro L(z), es decir,
u F (t ) L( z )u(t )
y F (t ) L( z )y (t )
u ( )
| L( e j ) |2
| H (e j ) |2
Ntese que seleccionando adecuadamente el prefiltro L, el espectro de potencia de la
entrada u y el modelo de la perturbacin H ( e j ) es posible controlar los rangos de
frecuencia donde el ajuste entre el modelo y el sistema puede ser mejor. Este resultado
ilustra el hecho de como el error de sesgo depende de las condiciones del experimento, en
este caso el espectro de la entrada.
Expresando el espectro del error de prediccin filtrado de la siguiente forma
eF ( )
| L |2
[| G0 G |2 u 2Re((G0 G )H 0* ( ei ) ua ) | H 0 ( ei ) |2 a2 ]
2
|H |
(6.55)
6-19
1
lim
N N
1
e (t ) lim
N 2
t 1
N
2
F
G ( z ) G0 ( z )
eF
( )d a2
(6.56)
H ( z) H 0 ( z)
6-20
Identificacin de sistemas
G ( e j , 0 ) G ( e j )
entonces de (6.53) * 0 independientemente de u () y H ( e j ) si u () es diferente de
cero para un nmero suficiente de frecuencias.
Otro resultado general que tambin se deduce directamente de (6.47) es el siguiente.
Supuesto que en el caso general, que existe un valor 0 tal que el error de prediccin
e(t , 0 ) y (t ) y (t | 0 ) a (t )
(6.57)
(6.58)
N
0
N
(6.59)
y (t | 0 ) y (t | ) 0
(6.60)
6-21
PN E[(N 0 )(N 0 )T ] R 1
N
donde R es la matriz de covarianza de las estimas cuando N.
Ejemplo 6.3:
Considrese un sistema descrito por la siguiente ecuacin
y (t | ) ay (t 1) bu(t 1)
En este caso el vector de regresin y el vector de parmetros son:
a
y (t 1)
,
b
u(t 1)
(t )
Adems la matriz de covarianza es
1 N 2
1 N
y
(
t
1
)
y (t 1)u(t 1)
1
N t 1
N t 1
R N (t ) T (t )
N
1 N 2
N t 1
1
y (t 1)u(t 1)
u (t 1)
N
N t 1
t 1
Supuesto que
6-22
(6.61)
Identificacin de sistemas
1 N 2
1 N
x (t 1) x 2 (t )
N t 1
N t 1
y que N entonces la matriz de covarianza toma la siguiente forma:
E[ y 2 (t )]
E[ y (t )u(t )] R y (0) R yu (0)
R
E[ e(i ) 2 ]
E[u(i ) 2 ]
Adems como el valor el valor pasado de la salida y es independiente del valor actual de e o de u, se
cumple:
E[ y (t 1)u (t )] 0
E[ y (t 1)e(t )] 0
Elevando al cuadrado los dos miembros de la expresin del sistema y tomando el valor esperado E[
], se obtiene la siguiente ecuacin
R yu (0) E[ y (t )u(t )] 0
Ya que u(t) es independiente de y(t-1), u(t-1) y e(t).
Multiplicando la ecuacin del sistema por y(t-1) y tomando el valor esperado se obtiene
6-23
Por lo tanto
R y (0)
0.19
R 0.19
0
Var( a N )
1 0.19
1
Var (bN )
N
Se observa como la varianza de la entrada influye en la precisin de la estima. Ntese adems que
si N el error de varianza se hace nulo.
A partir de (6.61) es posible estimar la varianza del modelo estimado para la planta
G (e j ) d
u ( ) ua ( )
Cov
(
)
v
( )
j
au
H ( e ) N
(6.62)
6-24
Identificacin de sistemas
d v ( )
N u ( )
(6.63)
d v ( ) d
| H ( e i ) |2
N
N
(6.64)
Cov G ( e j )
Cov H ( e j )
6-25
(a)
(b)
Figura 6.2. [Berenguel, 2004] Evolucin tpica del error de sesgo (a) y del error de varianza (b) en
funcin del nmero de parmetros de un modelo que define la complejidad de un modelo
complejidad
Complejidad
ptima
ptima
modelo
varianza
sesgo
Figura 6.3. [Berenguel, 2004] Seleccin de la complejidad de un modelo como un compromiso entre
el error de sesgo y el error de varianza
6-26
Identificacin de sistemas
complejidad
ptima
error con datos
para validacin
error con datos
para estimacin
Figura 6.4. [Berenguel, 2004] Error de un modelo en funcin del nmero de parmetros del modelo
calculado con los datos usados para estimar y con los datos usados para validar
En general, los errores de sesgo y varianza no son conocidos, de modo que se suelen
estimar varios modelos de diferente complejidad y se comparan los errores evaluados sobre
el conjunto de datos usados para validar.
6-27
Un modelo ARX con los rdenes adecuados es capaz de proporcionar una estima
consistente. Esto rdenes pueden ser altos, por lo que quizs sea necesario reducir el
modelo obtenido
En el caso de no obtener buenos resultados con modelos ARX se debe pasar a utilizar
modelos ARMAX que presentan una mayor flexibilidad para tratar las perturbaciones,
gracias al polinomio C(q) que poseen que genera un modelo de ruido correlacionado.
El uso de los modelos OE se recomienda cuando las propiedades de las seales de
perturbacin no necesitan ser modeladas, es decir, H=1. Permiten obtener una descripcin
correcta de la funcin de transferencia determinista G sin importar la forma de las
perturbaciones.
Slo cuando no se obtiene buenos resultados con modelos ARX, ARMAX y OE se
puede probar a usar modelos BJ, que permiten obtener funciones de transferencia
independientes para la parte determinista y la estocstica del modelo. Los modelos BJ son
difciles de estimar ya requieren de muchas iteraciones (computacionalmente costoso) y de
una mayor toma de decisiones por parte del diseador.
Los modelos ARX y ARMAX tienen dinmicas comunes (mismos polos) para el ruido
a(t) y la entrada u(t). Esto resulta adecuado cuando la perturbacin dominante entra antes
en el proceso, por ejemplo en la entrada. Por otra parte, un modelo BJ es preferible cuando
las perturbaciones modeladas entran despus en el proceso, por ejemplo, como ruido
medido en la salida.
6-28
Identificacin de sistemas
i 1
(6.65)
1
FPE min
d,
1
1
N 2 (i, )
d N
i 1
N
2d N 2
AIC min 1
(i, )
d,
N i1
(6.66)
(6.67)
2d
MDL min 1
log( N ) 2 (i, )
d,
N
i1
(6.68)
6-29
Ejemplo 6.4
Se van a considerar como datos de entrada/salida los suministrados a modo de ejemplo en el fichero
dryer2.mat de la toolbox SIT de Matlab. Se van a usar los 500 primeros datos para estimar y los
500 restantes para validar. Se desea obtener el modelo ARX que mejor se ajusta, es decir, minimiza
la funcin de coste (6.30) dentro del rango de estructuras na=1,,10, nb=1,,10 y nk=1,,10.
La secuencia de comandos de Matlab necesaria para obtener el mejor modelo es la siguiente:
load dryer2
Ts=0.08;
datos0 = iddata(y2,u2,Ts);
datos1=detrend(datos0);
d_est=datos1(1:500);
d_val=datos1(501:1000);
NN=struc(1:10,1:10,1:10);
V=arxstruc(d_est,d_val,NN);
NNmin=selstruc(V,0)
arxsel=arx(d_est,NNmin);
present(arxsel)
Luego el modelo ARX que minimiza la funcin de coste es aquel con una estructura
(na,nb,nk)=(6,9,2)
6-30
Identificacin de sistemas
Ejemplo 6.5
Se van a considerar como datos de entrada/salida los suministrados a modo de ejemplo en el fichero
dryer2.mat de la toolbox SIT de Matlab. Se van a usar los 500 primeros datos para estimar y
tambin para validar. Considerando el conjunto de modelos ARX con estructuras na=1,,10,
nb=1,,10 y nk=1,,10, se pide : a) Obtener el modelo ARX que minimiza la funcin de coste (6.30).
b) Obtener el modelo ARX segn el criterio de informacin AIC.
a) La secuencia de comandos de Matlab necesaria para obtener el mejor modelo es la siguiente:
load dryer2
Ts=0.08;
datos0 = iddata(y2,u2,Ts);
datos1=detrend(datos0);
d_est=datos1(1:500);
NN=struc(1:10,1:10,1:10);
V=arxstruc(d_est,d_est,NN);
NNmin=selstruc(V,0)
arxsel=arx(d_est,NNmin);
10
Luego el modelo ARX que minimiza la funcin de coste es aquel con una estructura
(na,nb,nk)=(10,10,2). Se observa que al usar el mismo conjunto de datos para estimar y para validar
la estructura seleccionada es aquella que presenta el mayor nmero de parmetros (na=10 y nb=10).
Puede comprobarse que si se aumentase el espacio de estructuras a otras de mayor orden, siempre
el modelo ARX que minimizara la funcin de coste sera aquella con mayor nmero de parmetros.
Es decir, existe el problema de la sobreestimacin.
b) Los comandos necesarios para obtener el mejor modelo ARX segn el criterio de informacin AIC
es (supuesto que se han escrito ya los del apartado anterior):
NNmin=selstruc(V,aic)
arxselb=arx(d_est,NNmin);
En la pantalla se mostrara lo siguiente:
NNmin =
6
10
6-31
Luego el modelo ARX que minimiza la funcin de coste es aquel con una estructura
(na,nb,nk)=(6,10,2). Ntese lo prximo que est este modelo al obtenido como mejor modelo en el
Ejemplo 6.4.
6-32
Identificacin de sistemas
Ejemplo 6.6
En la Figura 6.5 se representan la respuesta temporal del modelo ARX (6,9,2) estimado en el Ejemplo
6.4 y la salida medida experimentalmente. Esta figura se puede obtener con el comando de Matlab
compare(d_val,arxsel);
Se observa que la salida del modelo coincide bastante bien con la salida medida experimentalmente.
Adems describe el 89.78% de la varianza de la salida.
Measured Output and Simulated Model Output
1.5
Measured Output
arxsel Fit: 89.78%
1
0.5
0
0.5
1
1.5
2
40
45
50
55
60
65
70
75
80
Figura 6.5. Representacin de la respuesta temporal del modelo ARX (6,9,2) estimado en el Ejemplo
6.4 (lnea punteada) y de la salida medida experimentalmente (lnea continua)
Amplitude
10
10
10
10
10
10
10
10
Phase (degrees)
0
arx692
Gspa
200
400
600 1
10
10
10
10
Frequency (rad/s)
Figura 6.6. Representacin de la respuesta en frecuencia del modelo ARX (3,4,3) estimado en el
Ejemplo 6.4 (lnea punteada) y de la funcin de la frecuencia del sistema estimada usando anlisis
espectral (lnea continua)
6-33
En la Figura 6.6 se representan la respuesta en frecuencia del modelo ARX (6,9,2) estimado en el
Ejemplo 6.4 y la funcin de la frecuencia del sistema estimada mediante anlisis espectral. Esta
Figura se puede obtener con los siguientes comandos de Matlab.
[Gspa,phiVspa]=spa(d_est);
bode(arxsel,Gspa)
legend('arx692','Gspa')
Se observa que la respuesta en frecuencia del modelo ARX (6,9,2) es bastante parecida a la funcin
de frecuencia estimada para el sistema, aunque discrepa ligeramente en cuanto al valor de la
ganancia a baja frecuencia y en su comportamiento de alta frecuencia.
e(t ) y (t ) y (t | N )
(6.69)
El estudio del error de prediccin (que se denominan residuos si el modelo del ruido es
igual a la unidad) que produce el modelo estimado puede aportar la siguiente informacin
sobre el modelo:
6-34
Identificacin de sistemas
1
R eu ( )
N
e(t )u(t )
| | M
t 1
Pr
1
N
R (k )R ( k )
3 Pr
que definen el intervalo de confianza del 99.7%.
Si algn valor de R eu ( ) sale fuera del intervalo de confianza entonces eso indica que
e(t+) y u(t) probablemente son dependientes para dicho valor de .
Si >0 entonces el modelo puede que est incompleto, es decir, pueden existir
dinmicas no modeladas. Por ejemplo si se ha utilizado un modelo ARX y R eu ( ) es
significativamente distinto de cero en =0, esto indica que el trmino u(t-0) debera ser
incluido en el modelo. Lo cual sirve de gua para seleccionar una mejor estructura ARX, en
concreto para elegir los rdenes nk y nb. Si no se consigue mejorar habr que plantearse
otros tipos de modelos como un ARMAX.
Si hay correlacin para valores negativos de , es decir e(t) influye en valores de la
entrada u(s) con s>t, entonces ello indica la existencia de realimentacin de la salida en la
entrada, no que el modelo est incompleto.
La funcin de autocorrelacin de los residuos se define de la siguiente forma:
1
R e ( )
N
e(t )e(t )
| | M
t 1
6-35
6-36
Identificacin de sistemas
10
15
20
lag
Cross corr. function between input u1 and residuals from output y1
25
0.2
0.1
0
0.1
0.2
25
20
15
10
0
lag
10
15
20
25
Figura 6.7. Anlisis de los residuos del modelo ARX (6,9,2) estimado en el Ejemplo 6.4
6-37
Se observa que los intervalos de confianza de dos polos intersecta con los intervalos de confianza de
dos ceros, esto indica que se pueden estar cancelando dos polos con dos ceros. Por tanto se puede
probar a reducir el modelo ARX (6,9,2) a un modelo ARX (4,7,2). Para quedarse con el modelo
reducido habra que validarlo y ver si no es mucho peor que el modelo original.
1
0.8
0.6
0.4
Img
0.2
0
0.2
0.4
0.6
0.8
1
1
0.5
0
Real
0.5
6-38
Identificacin de sistemas
BIBLIOGRAFA
[Ljung y Glad, 1994]
[Ljung, 1999]
[Ljung, 2010]
[Rivera, 2007]
6-39
TEMA 7
IDENTIFICACIN
DE
MODELOS
PARAMTRICOS CONTINUOS
7.1 INTRODUCCIN
Las propiedades de un modelo paramtrico en tiempo discreto dependen del periodo de
muestreo T que se haya utilizado para muestrear los datos de la entrada y la salida del
sistema utilizados para estimar el modelo. Si cambia el periodo de muestreo tambin
cambiarn los polos y ceros del modelo estimado y en consecuencia las caractersticas de la
respuesta del mismo. Un modelo en tiempo continuo es ms general y no sufre de este
problema. Por ello resulta ms til, siempre que sea posible, disponer de un modelo
continuo del sistema que de uno discreto.
En este tema se describen las principales tcnicas utilizadas, dentro del marco de la
identificacin de sistemas, para obtener un modelo continuo de un sistema: obtencin a
partir de la transformacin del modelo discreto identificado, estimacin a partir de datos
muestreados de las series temporales de la entrada y la salida, y estimacin a partir de los
datos en el dominio de la frecuencia.
7-1
G zoh ( s )
1 e Ts
s
(7.1)
1 e Ts
G( s)
G ( s ) (1 z 1 )Z
G ( z ) Z [G zoh ( s )G ( s )] Z
s
s
(7.2)
G( s)
G( z )
Z 1
1
s
1 z
(7.3)
expresin a partir de la cual sera posible obtener la funcin G(s) exacta siempre y cuando
no existan polos sobre el eje real negativo, sino slo se puede obtener una aproximacin a
la misma.
7-2
Identificacin de sistemas
Ejemplo 7.1:
Supngase que utilizando los datos de entrada-salida de una cierto sistema muestreado con un
periodo de muestreo T=0.1 s se ha identificado el siguiente modelo discreto para la planta:
G( z )
0.6321
z 0.3679
Se desea obtener la funcin G(s) equivalente. Si se utiliza un ZOH de acuerdo con (7.2) se tiene la
siguiente relacin entre G(z) y G(s):
G( s)
1
0.6321z 1
G( z )
1
Z 1
Z
1 z 1 (1 0.3679 z 1 )
1
s
1 z
En este caso sencillo usando por ejemplo una tabla de equivalencias entre transformadas z y s se
puede encontrar que la transformada de Laplace de
H ( z)
(1 e aT ) z 1
(1 z 1 )(1 e aT z 1 )
es
H (s)
a
s(s a )
G( s)
10
s
s( s 10)
Con lo que finalmente se obtiene que la funcin G(s) equivalente es:
G( s)
10
( s 10)
Otra forma de pasar una funcin de transferencia discreta G(z) a continua G(s) es usar
alguna transformacin matemtica. La variable z de un modelo discreto se relaciona con la
variable s de un modelo continuo mediante la siguiente expresin:
7-3
z e sT
(7.4)
z e sT 1 sT
(7.5)
1
1 sT
(7.6)
z e sT
px(t )
x(t )
dt
T
T
(7.7)
s'
z 1
T
(7.8)
px(t )
Con lo que
7-4
x(t )
dt
T
qT
(7.9)
Identificacin de sistemas
s'
z 1
zT
(7.10)
z e sT
1 sT / 2 1 s' T / 2
1 sT / 2 1 s' T / 2
(7.11)
2
T
v tan
T
2
(7.12)
1 T
s'
2
z
T
1 tan 1 s'
2
1 tan
(7.13)
7-5
La toolbox Control de Matlab dispone de la funcin d2c para pasar a una funcin de
transferencia discreta a continuo usando entre otros mtodos, un ZOH y la aproximacin de
Tustin.
Ejemplo 7.2:
Supngase que utilizando los datos de entrada-salida de una cierto sistema muestreado con un
periodo de muestreo T=0.1 s se ha identificado el siguiente modelo para la planta:
G( z )
0.6321
z 0.3679
10
s 10
G( s)
G( s)
0.4621s 9.242
s 9.242
En la Figura 7.2 se puede observar el error que posee la G(s) obtenida con la aproximacin de Tustin
con respecto a la G(s) obtenida con un ZOH.
Bode Diagrams
From: U(1)
0
-10
-15
-20
-25
0
-50
To: Y(1)
-5
-100
-150
-200
0
10
10
10
Frequency (rad/sec)
Figura 7.2: G(s) usando un ZOH (lnea continua) y usando la aproximacin de Tustin (lnea
discontinua).
7-6
Identificacin de sistemas
G( s)
K
e sTd
1 sT p1
(7.14)
G( s)
K
1 sT p1
(7.15)
G( s)
K
e sTd
s(1 sT p1 )
(7.16)
G( s)
K (1 sTz )
e sTd
s(1 sT p1 )(1 sT p 2 )
(7.17)
7-7
G( s)
K (1 sTz )
e sTd
2
1 2 sTr ( sTr )
(7.18)
Pueden encontrarse en la literatura varios artculos y libros que discuten como estimar
modelos continuos de los tipos comentados a partir de datos de entrada-salida
muestreados, por ejemplo [Astrm y Hgglund, 1995], [Rake, 1980] y [Ziegler et al., 1943].
La mayora de los mtodos clsicos son de tipo grfico o semigrfico, como por ejemplo:
encontrar la tangente ms inclinada a la respuesta a un escaln y calcular la interseccin
con el eje de tiempo, calcular el rea que encierra la curva de respuesta, etc.
En el marco de la identificacin de sistemas estndar, la estimacin de modelos de
procesos del tipo (7.14) a (7.18) no difiere de la estimacin de cualquier modelo lineal
parametrizado discreto. Cualquiera de los modelos (7.14) a (7.18) pueden ser escritos en la
forma:
G ( s , )
(7.19)
donde es el vector que contiene a los parmetros (K, Td, Tp1,...) del modelo.
Para estimar los parmetros usualmente se dispone de un conjunto de N datos
muestreados de la entrada u(t) y la salida y(t) t=1,...,N.
Supngase que el periodo de muestreo es constante e igual a T, el modelo (7.19) es
muestreado tambin con este periodo de muestreo obtenindose el siguiente modelo de
tiempo discreto
GT ( q, )
(7.20)
y (t | ) GT ( q, )u(t ),
t 1,..., N
(7.21)
t 1
7-8
(7.22)
Identificacin de sistemas
(7.23)
d
dt
(7.24)
Simplemente hay que determinando el predictor muestreado adecuado del modelo (7.23) y
minimizar el error de la salida predicha por el mismo. Ntese que si se los datos de entrada
y salida son filtrados con un filtro de blanqueo L entonces H ( p, ) =1.
Las propiedades asintticas del modelo estimado son bien conocidas. Supngase que
la funcin de transferencia discreta de la planta del sistema es GT ( e i ) . Entonces para H=1,
se puede demostrar que
(7.25)
7-9
hay que usar el comando pem. Con estos comandos tambin es posible incluir condiciones
iniciales, modelos de ruido aditivo, fijar el valor de algn parmetro, y establecer cotas
superiores inferiores y superiores para los valores de los parmetros. La estimacin de
modelos continuos simples tambin se puede realizar desde el GUI de la SIT, en concreto
seleccionado la entrada Process Model dentro del men Estimate.
Ejemplo 7.3:
Se van a considerar como datos de entrada/salida los suministrados a modo de ejemplo en el fichero
dryer2.mat de la toolbox SITB 6.0 de Matlab 7.0, donde el periodo de muestreo era T=0.08 s. Una
vez eliminados los valores medios se van a utilizar los primeros 300 datos para estimar un modelo
continuo del tipo
P( s )
K
e sTd
1 sT p1
K = 0.9789
Tp1 = 0.3789
Td = 0.22071
7-10
Identificacin de sistemas
U ( ) u( h )exp( j2 (k 1) * ( h 1) / N ) 1 k N
(7.26)
h 1
Y ( ) y ( h )exp( j2 (k 1) * ( h 1) / N ) 1 k N
(7.27)
h 1
G( s)
(7.28)
La estructura de este modelo queda definida por los rdenes del numerador y del
denominador [nb,nf].
Ejemplo 7.4:
Se van a considerar como datos de entrada/salida los suministrados a modo de ejemplo en el fichero
dryer2.mat de la toolbox SITB 6.0 de Matlab 7.0, donde el periodo de muestreo era T=0.08 s. Una
vez eliminados los valores medios se van a utilizar los primeros 300 datos para estimar un modelo
OE continuo con estructura [2, 4], es decir
G( s)
b1 s b2
s f1 s f 2 s 2 f1 s f 4
4
7-11
u(t ) u0 cos(t )
(7.29)
y(t ) y0 cos(t )
donde
7-12
(7.30)
Identificacin de sistemas
y0 G (i ) u0
(7.31)
arg G (i )
(7.32)
0.1
0.14384
0.20691
0.29764
0.42813
0.61585
0.88587
1.2743
1.833
2.6367
3.7927
5.4556
7.8476
11.288
16.238
23.357
33.598
48.329
69.519
100
9.901
9.7973
9.5894
9.1862
8.451
7.2502
5.603
3.8113
2.2937
1.2576
0.65
0.32506
0.15978
0.077865
0.037784
0.018296
0.0088508
0.0042795
0.0020687
0.0009999
Fase (grados)
-11.421
-16.371
-23.381
-33.15
-46.355
-63.254
-83.073
-103.75
-122.77
-138.46
-150.46
-159.23
-165.48
-169.88
-172.95
-175.1
-176.59
-177.63
-178.35
-178.85
Tabla 7.1: Datos de magnitud y fase obtenidos usando anlisis de frecuencia sobre un cierto sistema
Ejemplo 7.5:
Supngase que usando anlisis de frecuencia sobre un cierto sistema se han obtenido los puntos de
magnitud y fase que se muestran en la Tabla 7.1. Se desea estimar un modelo OE continuo con
estructura [1, 2], es decir
G( s)
b1
s f 1 s f 2
2
7-13
La secuencia de comandos necesarios para realizar estas acciones usando la toolbox SIT 6.0 de
Matlab 7.0 es la siguiente:
[w,M_ua,F_g]; % Variables que contienen los datos de frecuencia, magnitud
% y fase, respectivamente.
F_rad=F_g*pi/180; %Paso de la fase a radianes.
X=M_ua.*(cos(F_rad)+j*sin(F_rad)); % Paso de magnitud a fase a nmero
%complejo
sys=frd(X,w); % Creacin de una estructura que contenga los datos.
mp=oe(sys,[1 2]) % Estima del modelo OE continuo con estructura [1 2]
En pantalla aparece lo siguiente
Continuous-time IDPOLY model: y(t) = [B(s)/F(s)]u(t) + e(t)
B(s) = 10
F(s) = s^2 + 2 s + 1
Estimated using OE from data set sys
Loss function 7.49973e-031 and FPE 7.96364e-031
Magnitud(dB)
10
0
10
20
30
1
10
10
10
10
Fase(grados)
0
50
100
150
200
1
10
10
10
10
Frecuencia(rad/s)
Figura 7.3: G(s) estimada (lnea continua) y puntos experimentales (o) obtenidos mediante anlisis
de frecuencia
En la Figura 7.3 se representan en un diagrama de Bode los datos experimentales y la funcin G(s)
estimada. Se observa que el ajuste es muy bueno.
7-14
Identificacin de sistemas
BIBLIOGRAFA
[Ljung y Glad, 1994]
[Ljung, 2010]
[Ogata, 1996]
7-15
TEMA 8
IDENTIFICACIN EN LAZO CERRADO
8.1 INTRODUCCIN
Muchos sistemas y procesos trabajan habitualmente en lazo cerrado (ver Figura 8.5), es
decir, usando un controlador realimentado con los valores de las salidas, en funcin de las
cuales y segn una determinada ley de control genera los valores de las entradas.
Algunos sistemas son inestables en lazo abierto por lo que no es posible realizar ningn
experimento de identificacin sobre ellos. Razones de seguridad o de tipo econmico son el
principal argumento para operar con el sistema en lazo cerrado.
La realizacin de la identificacin en lazo cerrado presenta varias ventajas:
8-1
8-2
Identificacin de sistemas
En resumen la informacin sobre el sistema que contienen los datos que se obtienen en
lazo cerrado es menor que si se obtienen en lazo abierto. Sera posible aumentar la cantidad
de informacin de los datos medidos en lazo cerrado pero a costa de empeorar el
comportamiento del control (su sintona) del sistema en lazo cerrado. En definitiva cuando
se realiza identificacin en lazo cerrado se debe llegar a un compromiso entre el
comportamiento del control y el grado de informacin que contienen los datos.
Adems otros problemas que presenta la identificacin en lazo cerrado son los
siguientes:
Ejemplo 8.1:
Considrese el siguiente sistema real
y (t ) a 0 y (t 1) b0 u(t 1) e(t )
(1)
Supngase que el sistema opera en lazo cerrado usando el siguiente regulador proporcional
u(t ) f y (t )
(2)
Supngase que a partir de datos obtenidos de este sistema se desea estimar los parmetros del
siguiente modelo ARX:
y (t | ) ay (t 1) bu(t 1) ( b f a )y (t 1)
Todos las estimas ( a , b ) de los parmetros del modelo tal que b f a sea un cierto nmero dado
producirn por lo tanto idnticas predicciones con la realimentacin existente. En consecuencia
8-3
u(t ) f ( y (t ) r (t ))
(3)
y (t | ) ( b f a )y (t 1) b f r (t 1)
Si r no es igual a cero, entonces el predictor distinguir entre los diferentes valores de a y b.
Figura 8.1. [Ljung y Glad, 1994] Series temporales de la entrada y la salida del sistema realimentado
El sistema real (1) controlado por (3) fue simulado con los valores a=-0.9, b=0.5 y f=1. {e(t)} fue
simulado con una distribucin de ruido blanco con varianza 0.1. La seal de referencia utilizada r(t)
fue alternando valores entre 0 y 1 de acuerdo a la Figura 8.2. En la Figura 8.1 se muestran las series
temporales de la entrada y la salida del sistema realimentado.
Se estimaron para el modelo ARX los parmetros a y b usando 300 datos obtenindose los
siguientes resultados:
8-4
Identificacin de sistemas
Por otra parte usando anlisis espectral de acuerdo al algoritmo SPA se obtuvo una estima de la
funcin de transferencia del sistema. Se observa en la Figura 8.3 que dicha estima es bastante mala.
Estos es debido a que la entrada u(t) est correlacionada con el ruido e(t) debido a la existencia de la
realimentacin. Recurdese que el anlisis espectral requera que la entrada u(t) y el ruido no
estuviesen correlacionados para poder aplicarse.
Figura 8.2. [Ljung y Glad, 1994] Seal de referencia r(t) para el sistema realimentado.
Figura 8.3. [Ljung y Glad, 1994] Diagrama de Bode de la funcin de transferencia obtenida mediante
anlisis espectral (lnea discontinua), la funcin de transferencia del sistema real (lnea continua)
8-5
Ejemplo 8.2:
Supngase un cierto sistema en lazo cerrado con la estructura que se muestra en la Figura 8.5.
Supngase que con la idea de identificar la planta en el punto de consigna se inyecta la seal r2 de
tipo PRBS que se muestra en lnea discontinua en la Figura 8.4. Como consecuencia de operar en
lazo cerrado el controlador considera dicha entrada como una perturbacin y trata de rechazarla; por
ello la seal u que realmente recibe la planta a su entrada es la que se muestra en lnea continua en
la Figura 8.4. Se observa como el controlador ha distorsionado la entrada.
Figura 8.4. [Rivera, 2007] Seal de entrada PRBS original que se inyecta al sistema (lnea
discontinua) y seal que realmente recibe la planta a su entrada (lnea continua) como consecuencia
de operar en lazo cerrado
Por otra parte, debe tenerse en cuenta que dados unos datos de entrada-salida
podemos encontrar un modelo que se ajuste bastante bien a los mismos sin embargo eso
no garantiza que dicho modelo sea un buen modelo de la planta, depender de la
informacin sobre la planta que contenga dichos datos.
En lazo abierto si se disea adecuadamente la seal de entrada los datos de entrada y
salida contendrn suficiente informacin de tal forma que identificar un modelo que se ajuste
adecuadamente a los datos garantiza (si el error de varianza es pequeo y la estructura del
modelo es suficientemente grande para recoger todas las dinmicas de la planta) que se
est obteniendo un buen modelo de la planta.
En lazo cerrado si se inyecta la misma seal de entrada que la que habamos diseado
para el lazo abierto, la accin del controlador se come parte del grado de excitacin de la
seal y en consecuencia los datos de entrada y salida pierden informacin sobre la planta.
Por lo tanto, en lazo cerrado identificar un modelo que se ajuste bien a los datos de
entrada-salida disponibles no garantiza (si el error de varianza es pequeo y la estructura
8-6
Identificacin de sistemas
del modelo es suficientemente grande para recoger todas las dinmicas de la planta) que se
est obteniendo un buen modelo de la planta, depender del grado de informacin sobre la
planta que contenga los datos. Dicho grado de informacin depende de la distorsin que
haya introducido el controlador a la seal de entrada inyectada. Cuanto ms rpida sea la
velocidad de respuesta del controlador mayor ser la distorsin de la seal de entrada y
menos informacin contendrn los datos de entrada-salida.
8.3 IDENTIFICACIN
EN
LAZO
CERRADO
MEDIANTE
APROXIMACIN DIRECTA
8.3.1 Consideraciones generales
Considrese el sistema en lazo cerrado de la Figura 8.5 donde C es el controlador, G0
es la planta, r es una seal de referencia o punto de consigna, ud es una seal de excitacin
externa, u es la entrada de la planta, y es la salida del sistema y v una perturbacin
aleatoria.
(8.1)
donde {a(t)} es ruido blanco con varianza a2 . En lazo cerrado la entrada de la planta es:
u(t ) ud (t ) C ( q)( r (t ) y (t ))
(8.2)
y (t ) T0 ( q) r (t ) S0 ( q)v (t )
(8.3)
8-7
S0 ( q )
1
1 G0 ( q)C ( q)
(8.4)
T0 ( q) 1 S0 ( q)
G0 ( q)C ( q)
1 G0 ( q)C ( q)
(8.5)
(8.6)
y (t | ) H 1 ( q, )G ( q, )u(t ) (1 H 1 ( q, ))y (t )
(8.7)
(t , ) y (t ) y (t | ) H 1 ( q, )( y (t ) G ( q, )u(t ))
(8.8)
N arg minVN ( )
donde
8-8
(8.9)
Identificacin de sistemas
VN ( )
1
N
( t , )
(8.10)
F (t , ) L( q, ) (t , )
(8.11)
t 1
2
F
Siendo L algn prefiltro estable que se puede utilizar para realzar ciertos rangos de
frecuencia. Con lo que el error de prediccin prefiltrado es:
F (t , ) L( q, )H 1 ( q, )( y (t ) G ( q, )u(t ))
(8.12)
El efecto del prefiltro L puede ser incluido dentro del modelo del ruido y es posible
suponer que L(q,)=1 sin prdida de generalidad.
eF ( )
| L |2
[| G0 G |2 u 2Re((G0 G )H 0* ( ei ) ua ) | H 0 ( ei ) |2 a2 ]
2
|H |
(8.13)
G ( q) G0 ( q)
H ( q) H 0 ( q)
Para ello se tienen que cumplir las siguientes condiciones:
8-9
eF ( )
| L |2
| G0 G |2 | G01T0 |2 r | S0 |2 ud |1 GC |2 | S0 |2 v ]
2
|H |
(8.14)
1
C
8-10
Identificacin de sistemas
Figura 8.6. [Rivera, 2007] Representacin temporal y espectro de frecuencia de una cierta seal
PRBS
8-11
Supongamos que inyectamos est seal en la entrada de la planta, es decir, en el punto ud. En la
parte superior de la Figura 8.7 se muestra la amplitud de la funcin de sensibilidad S0 del sistema con
un controlador que ha sido sintonizado para presentar tres velocidades de respuesta distintas. Se
observa que cuanto ms rpido es el controlador ms atenuar el contenido en baja frecuencia de la
seal ud(t) y en consecuencia la seal u(t) que realmente recibe la planta en su entrada se diferencia
ms de la seal inyectada ud(t) como se puede apreciar en la Figura 8.8.
Figura 8.7. [Rivera, 2007] Amplitud de la funcin de sensibilidad S0 (figura superior) y de la funcin
G01T0 (figura inferior) para un controlador que ha sido sintonizado para presentar tres velocidades de
respuesta distintas: alta (color rojo), media (color verde) y baja (color azul)
Figura 8.8. [Rivera, 2007] Seal de entrada u(t) medida al inyectar la seal PRBS de la Figura 8.6 en
ud para un controlador que ha sido sintonizado para presentar tres velocidades de respuesta distintas:
alta (color rojo), media (color verde) y baja (color azul)
8-12
Identificacin de sistemas
Supongamos ahora que inyectamos la seal PRBS en el punto de consigna, es decir, como seal de
referencia r(t). En la parte inferior de la Figura 8.7 se muestra la amplitud de la funcin
G01T0 del
sistema para un controlador que ha sido sintonizado para presentar tres velocidades de respuesta
distintas. Se observa que si el controlador es muy rpido entonces amplifica el contenido de alta
frecuencia de la seal. Por el contrario si es muy lento lo amortigua. En ambos casos se observa (ver
Figura 8.9) que la seal u(t) que realmente recibe la planta en su entrada se diferencia ms de la
seal PRBS inyectada en el punto de consigna. Solo cuando la velocidad del controlador es
intermedia se consigue que la seal u(t) se asemeje ms a la seal PRBS inyectada.
Figura 8.9. [Rivera, 2007] Seal de entrada u(t) medida al inyectar la seal PRBS de la Figura 8.6
como seal de referencia r(t) en el punto de consigna para un controlador que ha sido sintonizado
para presentar tres velocidades de respuesta distintas: alta (color rojo), media (color verde) y baja
(color azul)
De acuerdo con lo anterior en lazo cerrado para que los datos de entrada-salida
contengan la mayor informacin se recomienda, siempre que sea posible, introducir la seal
de excitacin en el punto de consigna (seal de referencia r) con el controlador sintonizado
de tal forma que su velocidad de respuesta sea intermedia, ni muy alta ni muy baja. Si no
queda ms remedio que introducir la seal de excitacin en la entrada de la planta ud,
entonces el controlador debe estar sintonizado para que su velocidad de respuesta sea
lenta.
8-13
G ( e j ) d
u ( ) ua ( )
Cov
(
)
v
( )
j
a2
au
H (e ) N
(8.15)
Cov[G ( e j )]
d
a2
v ( ) 2
2
N
a u ( ) ua ( )
(8.16)
Para el caso de considerar en lazo cerrado las entradas externas (ext) r y ud, las cuales
se suponen que no estn correlacionadas con la perturbacin v, se obtiene la siguiente
expresin:
Cov[G (e j )]
( )
d v ( )
d
1 2 v
ext
2
N u ( ) N | G0 T0 | r | S0 | ud
(8.17)
v ( )
. Sin embargo en lazo cerrado la
uext ( )
y G0 uext ( ) | S0 |2 v
2
8-14
(8.18)
Identificacin de sistemas
y G0 u ( ) v
2
(8.19)
Se observa que cabe la posibilidad de generar datos en lazo cerrado que reduzcan la
varianza de la seal de salida sin incrementar la varianza de G. Para conseguirlo se
necesitar usar en lazo cerrado una seal de entrada externa con una magnitud mayor que
la que se necesitara si se operara en lazo abierto.
8.4 CONCLUSIONES
Las principales conclusiones que se pueden extraer sobre la identificacin en lazo
cerrado son:
El principal problema que produce la existencia de realimentacin es que la
informacin que contienen los datos de entrada-salida es menor que en el caso de
operar en lazo abierto.
La existencia de realimentacin tambin introduce correlacin entre las medidas y
afecta al contenido en frecuencia de la seal de entrada, lo que influye en el error de
sesgo y en el error de varianza de la estima.
Para identificar en lazo cerrado se requiere usar una seal de excitacin externa que
se recomienda inyectar en el punto de consigna (r(t)) sintonizando el controlador de
tal forma que su velocidad de respuesta sea intermedia.
Los mtodos de identificacin en lazo cerrado basados en la aproximacin directa
proporcionan en la prctica mejores resultados que los mtodos basados en la
aproximacin indirecta.
Si se usa la aproximacin directa los mtodos basados en el error de prediccin con
un modelo del ruido que pueda describir las propiedades del ruido que afecta al
sistema real pueden proporcionar estimas consistentes de una precisin arbitraria.
Varios mtodos que dan estimas consistentes cuando se aplican a datos obtenidos
en lazo abierto pueden fallar en lazo cerrado si se utiliza la aproximacin directa.
Entre estos mtodos se encuentran los mtodos no paramtricos, el mtodo de la
variable instrumental, los mtodos basados en subespacios y el uso de modelos OE
con un modelo incorrecto del ruido.
8-15
BIBLIOGRAFA
[Forssell and Ljung, 1997]
[Ljung, 1999]
[Ljung, 2010]
[Rivera, 2007]
8-16
TEMA 9
IDENTIFICACIN RELEVANTE PARA EL
CONTROL
9.1 INTRODUCCIN
Los controladores o reguladores son diseados generalmente basndose en un modelo
paramtrico y cuantitativo del sistema dinmico o planta que va a ser controlada. Cuando se
identifican modelos de la planta con este fin se debe poner especial cuidado en que el
modelo identificado sea particularmente preciso en aquellos aspectos que son ms
relevantes para el control.
Por un lado, para disear controladores de complejidad manejable suele ser
recomendable que el modelo de la planta sea de un determinado orden limitado. Este
requisito obliga a identificar modelos de rdenes reducidos que sean relevantes para el
control. Para la identificacin de tales modelos, los experimentos en lazo cerrado tienen
ventajas particulares. Adicionalmente, la interrelacin entre la identificacin y el control a ha
conducido a una amplia variedad de mtodos iterativos en los cuales, la identificacin
relevante para el control se entrelaza con el diseo y anlisis del control, con el objetivo de
conseguir una mejora gradual en el comportamiento del controlador.
Este tema est dedicado a describir los aspectos bsicos de la identificacin relevante
para control. En primer lugar se analiza la relacin existente entre el modelo identificado y el
diseo del controlador. En segundo lugar se describe la identificacin de modelos
aproximados relevantes para control. A continuacin se propone un esquema iterativo de
identificacin y control. Finalmente se describe la realizacin del proceso de prefiltrado de
datos con el objetivo de que el modelo se ajuste a los datos experimentales en aquellas
frecuencias que resultan ms relevantes para el control.
9-1
representa
exactamente
al
proceso
bajo
consideracin,
incluyendo
las
perturbaciones que actan sobre el proceso, entonces este modelo ser el ptimo para
todos los posibles usos que se hagan del modelo, incluido el diseo de controladores
basados en modelos. Este principio de equivalencia segura que requiere que se construya
un modelo exacto y despus usarlo para diseo de control, es difcil de justificar cuando el
modelo tiene que ser identificado a partir de datos medidos, ya que en este caso el modelo
contendr incertidumbres debidas a las perturbaciones actuando sobre los sensores, tiempo
de observacin finito, excitacin limitada de las seales de entrada, el tipo de modelo
considerado, etc. Recurdese que el modelo contiene un error de sesgo y un error de
varianza.
9-2
Identificacin de sistemas
En la prctica suele ser imposible caracterizar todos los fenmenos que describen el
comportamiento dinmico del proceso. Por lo tanto, los modelos sern necesariamente
aproximados. Adems, muchos mtodos de diseo de control proporcionan controladores
cuyos rdenes estn esencialmente determinados por el orden del modelo del proceso
considerado. De esta forma, un modelo del proceso de alto orden conducir a un controlador
de orden alto, lo cual puede no resultar factible desde el punto de vista de su
implementacin. Por lo tanto, para el diseo del control se necesitan modelos aproximados
del proceso de orden bajo.
Por
otra
parte,
muchos
procesos
industriales
complejos
son
controlados
satisfactoriamente por controladores de orden bajo como por ejemplo los PID. Esto sugiere
que los modelos del proceso de orden bajo son suficientes cuando sirven como base para el
diseo del control. Para identificar modelos de rdenes bajos que sean relevantes para el
diseo del control, es necesario seleccionar adecuadamente tanto los experimentos a
realizar como el mtodo de identificacin a utilizar.
Los modelos que describen con precisin la respuesta en lazo abierto del proceso no
son necesariamente buenos para el control. Asimismo los modelos que parecen ser malos
desde el punto de vista de la respuesta en frecuencia en lazo abierto pueden ser buenos
como base para el diseo del control. Esto es as ya que errores que pueden parecer
pequeos en lazo abierto pueden conducir a grandes errores en el comportamiento en lazo
cerrado. Por otra parte errores que pueden parecer grandes en lazo abierto pueden no
siempre conducir a un mal comportamiento en lazo cerrado. En consecuencia son los
requerimientos del control los que dictan la precisin que se requiere para el modelo que se
identifique, no al revs.
Ejemplo 9.1:
En la Figura 9.1 se muestra (en negro) la respuesta en frecuencia de un proceso dinmico, junto con
dos posibles modelos del proceso modelo 1(rojo) y modelo 2 (azul). El modelo 2 (azul) es muy exacto
en el rango de frecuencias bajas (<0.2 rad/s) pero se desva en el rango de altas frecuencias. Por
su parte el modelo 1 (rojo) es bastante malo en el rango de frecuencias 0.2 rad/s 1 rad/s. La
pobre calidad del modelo 1 se pone tambin de manifiesto en la Figura 9.2a donde se muestra la
respuesta a un escaln del proceso real y de los dos modelos propuestos.
Cuando se evalan las propiedades del proceso y los modelos en una configuracin en lazo cerrado
con un determinado control que consigue un ancho de banda en lazo cerrado de 0.7 rad/s se
observa (ver Figura 9.2b) que la respuesta a un escaln en lazo cerrado del modelo 1 es muy
parecida a la del proceso real, mientras que la del modelo 2 se desva bastante.
9-3
En general se puede afirmar que en el diseo de un control basado en un modelo, el modelo del
proceso que se utilice debera ser particularmente exacto cerca del ancho de banda del sistema en
lazo cerrado. No obstante, la exactitud requerida a otras frecuencias no puede ser especificada de
antemano.
Figura 9.1. [Van Den Hof and Callafon, 2003] Respuesta en frecuencia del proceso real (color negro),
del modelo 1 (rojo) y del modelo 2 (azul)
(a)
(b)
Figura 9.2. [Van Den Hof and Callafon, 2003] Respuesta a un escaln en lazo abierto (a) y en lazo
cerrado (b) del proceso real (color negro), del modelo 1 (rojo) y del modelo 2 (azul)
9-4
Identificacin de sistemas
y (t ) G0 ( q )u(t ) v(t )
v(t ) H 0 ( q )e(t )
(9.1)
donde G0 y H0 representa dos sistemas lineales invariantes en el tiempo, u(t) e y(t) son la
entrada y la salida del proceso, {e(t)} es una secuencia de ruido blanco y q denota el
operador desplazamiento q-1u(t)=u(t-1). La representacin H0 es utilizada para caracterizar la
distribucin de potencia espectral del ruido aditivo v.
Figura 9.3. [Van Den Hof and Callafon, 2003] Sistema real a identificar
F (t , ) L( q )H ( q, ) 1 [ y (t ) G ( q, )u(t )]
(9.2)
que es utilizado como base para estimar el vector de parmetros, empleando un criterio de
identificacin (mnimos cuadrados) el cual es construido con los datos de la entrada u(t) y de
la salida y(t) t=1,...,N del proceso obtenidos experimentalmente. El prefiltro L(q) es una
variable de diseo adicional que debe ser elegida por el usuario (ver seccin 9.5).
Bajo condiciones suaves la estima converge (para N tendiendo a infinito) a una estima
lmite, la cual para estructuras del modelo con un modelo de ruido fijo, es decir, H(q,)=H(q),
y para u y v no correlacionadas, se puede demostrar que viene dada por la siguiente
expresin:
9-5
* arg min
1
2
i
2
i
i
2 u ( )| L( e ) |
G
e
G
e
|
(
)
(
,
)
|
0
| H (e i ) |2
(9.3)
Figura 9.4. [Van Den Hof and Callafon, 2003] Lazo cerrado obtenido (superior) y lazo cerrado de
diseo (inferior).
9-6
Identificacin de sistemas
S 0 [1 G0 CG ]1
(9.4)
S [1 G CG ]1
(9.5)
Mientras que el error entre la salida real y la salida del modelo (ambos en lazo cerrado)
es:
y y
G0 CG
1 G0 CG
G CG
(G0 G )CG S 0 S (G0 G )W
1 G C
(9.6)
donde
W CG S 0 S
(9.7)
La expresin anterior pone de manifiesto que desde una perspectiva en lazo cerrado, el
desajuste relevante entre el modelo y el proceso no debera ser considerado en una forma
aditiva simple, sino que el error aditivo debera ser pesado con una funcin de peso W.
Como consecuencia directa de lo anterior, el modelo del proceso G debera ser preciso en
la regin de frecuencia donde la funcin de peso W es grande.
Un ejemplo tpico es cuando el controlador diseado CG contiene una accin integral, lo
que implica que a bajas frecuencias | CG (e i ) | 1 . En este caso la funcin de peso verifica
la siguiente relacin
| W |
1
1
CG G0 G
(9.8)
9-7
1
arg min
2
*
1
C ( e i )
|
(
)
(
,
)
|
G
e
G
e
d
0
i
i
i
1 C (e )G0 (e ) 1 C (e )G (e i , )
i
(9.9)
Si se compara este criterio de identificacin con el criterio dado por la ecuacin (9.3)
usado en los mtodos de identificacin basados en la minimizacin del error de prediccin,
es posible hacerlos equivalentes si se considera la siguiente configuracin de identificacin:
C ( e i )
u ( )
1 C (e i )G 0 (e i )
L(q )
1
1 C (q )G (q, )
H (q ) 1
(9.10)
(9.11)
(9.12)
9-8
Identificacin de sistemas
S 0 G0 G ( )
2
H ( )
H 0 S0
H ( ) S ( )
2
(9.13)
9-9
y (t ) T (q )r (t ) W (q )e(t )
(9.14)
a partir de las medidas de r(t) e y(t). Se obtienen por tanto los modelos T (q ) y W (q ) .
C ( q )G ( q )
T ( q )
1 C (q )G ( q )
W (q )
H (q)
1 C (q )G (q )
(9.15)
(9.16)
u (t ) M (q )r (t ) N (q )e(t )
(9.17)
a partir de las medidas de u(t) y r(t). Se obtienen por tanto los modelos M y N . A
continuacin se construye la siguiente entrada para la planta libre de ruido:
u r (t ) M (q )r (t )
(9.18)
y (t ) G0 (q )u r (t ) H 0 (q )S 0 (q )e(t )
(9.19)
9-10
Identificacin de sistemas
1
arg min
2
*
| G
(e ) G (e , ) |
2
C (e i )S 0 (e i )S (e i , ) r ( )
| W* | 2
(9.20)
el cual se ajusta perfectamente al criterio requerido formulado en (9.9) (en el caso del
mtodo de las dos etapas la expresin de este criterio varia ligeramente). Esto implica que
en el caso con una eleccin aproximada de r y W* el criterio, que es requerido desde el
punto de vista de relevancia para el control, puede ser realizado exactamente mediante la
aplicacin de un mtodo de identificacin en lazo cerrado basado en la aproximacin
indirecta. En el caso particular de seales de excitacin peridicas, la identificacin
separada de G0 y H0 puede ser conseguida mediante la estimacin de modelos del ruido no
paramtricos.
Las consideraciones realizadas hasta ahora han sido sobre las propiedades asintticas
de las estimas. Esto se refiere a las propiedades de sesgo asintticas de los modelos
identificados. Para analizar la varianza asinttica de las funciones de transferencia
estimadas, es conocido que cuando el orden n (nmero de parmetros) del modelo y el
nmero de datos N tienden a infinito se obtiene:
1
G (e i ) n
u ( ) eu ( )
v ( )
cov
i
0
ue ( )
H (e ) N
(9.21)
Que conduce a
(9.22)
(9.23)
n v
n v ue
cov G r r 1 r
N u N u u
n
n e
cov H v ur v 1 ur
N 0 u N 0 u
9-11
9-12
Identificacin de sistemas
Figura 9.5. [Van Den Hof and Callafon, 2003] Esquema iterativo de identificacin en lazo cerrado y
diseo del control.
Este esquema iterativo es ilustrado en la Figura 9.5. Otro motivo para aplicar un
esquema iterativo es el hecho de que cuando se disea un sistema de control, las
limitaciones de comportamiento no son conocidas de antemano. Por lo tanto, el esquema
iterativo
propuesto
puede
tambin
ser
considerado
para
permitir
mejorar
las
J (G0 , C G )
V
1 C G G0
(9.24)
9-13
que tiene como objetivo a un sistema de control que satisfaga la especificacin: |S0(ei)| <
|V(ei)|-1, elecciones alternativas para J incluyen un criterio LQ/LQG, control con referencia a
una modelo, optimizacin robusta y esquemas de control H.
En esta notacin se presupone que el controlador C puede ser tambin una funcin del
modelo del ruido H . La meta del sistema de control es conseguir un valor mnimo de
J (G , C G ) J (G0 , C G ) J (G , C G ) J (G , C G ) J (G0 , C G ) J (G , C G )
(9.25)
J (G0 , CG )
J (G , CG )
, el comportamiento conseguido.
, el comportamiento diseado.
J (G0 , CG ) J (G , CG )
Tomando como punto de partida que hay que obtener un comportamiento de diseo
que hay que satisfacer, dos requerimientos pueden ser formulados para conseguir un alto
comportamiento de la planta controlada:
1) Comportamiento nominal alto. Se consigue si J (G , C G ) es pequeo.
J (G0 , C G ) J (G , C G ) J (G , C G ) .
9-14
Identificacin de sistemas
(9.26)
G arg min
G
V (G0 G )C
(1 C G0 )(1 C G )
(9.27)
Ntese que para una norma-2 este criterio tiene la misma expresin que la expresin
del sesgo para los mtodos de identificacin en lazo cerrado dada por (9.9).
Mediante la minimizacin del trmino de degradacin del comportamiento, y hacindolo
mucho ms pequeo que el coste diseado J (G , C G ) , se sigue a partir de la desigualdad
triangular (9.25) que el comportamiento obtenido es forzado a estar cerca del
comportamiento diseado, es decir,
J (G , C G ) J (G0 , C G )
Esto es exactamente lo que el ingeniero que disea el control intenta conseguir: disear
un controlador basado en un modelo que (despus de ser implementado sobre el sistema
real) presente un coste del comportamiento que sea similar al comportamiento del modelo
controlado.
En general los esquemas iterativos tal y como han sido descritos no garantizan la
convergencia hacia un mejor modelo y un mejor controlador, aunque se pueden construir
esquemas robustos que s la garantizan.
El esquema iterativo propuesto podra asemejarse con el control adaptativo donde
recursivamente en cada paso de tiempo un modelo actualizado es identificado y un nuevo
controlador es diseado. Sin embargo en este esquema, no hay ninguna necesidad de
actualizar el modelo diseado y el controlador en cada paso de tiempo, sino nicamente
despus de la realizacin de experimentos separados. En consecuencia sera un control
adaptativo extremadamente lento.
9-15
(9.28)
mod elo
9-16
Identificacin de sistemas
(9.29)
v(t ) H 0 ( q )e(t )
donde v(t) es una secuencia de ruido estacionaria con potencia espectral v . Se desea
estimar un modelo para la planta de la siguiente forma:
(9.30)
y F (t ) L( q )y (t )
(9.31)
u F (t ) L( q )u(t )
Con lo que el error de prediccin filtrado toma la siguiente forma:
(9.32)
1
N
[e
t 1
(t )]2
(9.33)
1
lim V
N
2
| G (e
0
| L(e i ) |2
d
) G (e i ) |2 u ( ) v ( )
| H ( e i ) |2
(9.34)
9-17
d
r +
e
-
G0
eC
eC2 ( k )
k 0
1/ 2
(9.35)
Considrese el modelo estimado G ( z ) el cual ha sido obtenido a partir del ajuste sobre
los datos de entrada-salida del sistema verdadero G0(z). Se va suponer un controlador
realimentado C(z) diseado con G ( z ) :
u(t ) C ( q )e(t )
(9.36)
Identificacin de sistemas
S ( z ) [1 G ( z )C ( z )]1
(9.37)
T ( z ) 1 S ( z ) G ( z )C ( z )[1 G ( z )C ( z )]1
(9.38)
S( z)
(r d )
1 T ( z )em ( z )
(9.39)
em ( z ) (G0 ( z ) G ( z ))G 1 ( z )
(9.40)
eC ( z )
donde
| T (e j )em ( e j ) | 1
(9.41)
eC ( z ) S (1 T em (T em ) 2 ....)( r d )
(9.42)
eC ( z ) S (1 T em )( r d )
(9.43)
9-19
eC
eC
1
2
1
2
| S | | r d | d
2
1/ 2
| S | |1 T em | | r d | d
2
1
2
1/ 2
| S | | T em | | r d | d
2
(9.44)
1/ 2
(9.45)
La expresin anterior tiene dos trminos, uno est basado en las propiedades
nominales de la respuesta en lazo cerrado supuesto que G ( z ) G0 ( z ) , y el otro basado en
la reduccin del error multiplicativo em. El planteamiento del PEPRC se obtiene minimizando
la contribucin que surge del error de identificacin
min
G 2
| S (e ) | | T (e ) | | r d | | em (e ) | d
j
1/ 2
(9.46)
L( z ) H ( z )G 1 ( z )S ( z )T ( z )(r( z ) d ( z ))
(9.47)
9-20
Identificacin de sistemas
necesidad para obtener un buen modelo. Por otro lado, si se desea una respuesta
lenta, un modelo simple podra resultar adecuado.
El modelo estimado del ruido H ( z ) . El modelo del ruido acta como un peso en el
problema de estimacin lo cual podra producir un error de sesgo nocivo. Para
eliminarlo, el modelo del ruido es incluido en la definicin del prefiltro.
Ejemplo 9.2:
Considrese un modelo estimado de primer orden de tipo OE definido mediante la siguiente
expresin:
G ( z )
k
0.096
; H ( z ) 1
z z 0.904
(1)
Esta planta tiene una constante de tiempo de 10 minutos y es muestreada con un periodo T=1
minuto. Supuesto que la constante de tiempo deseada en lazo cerrado es de 5 minutos, representada
por la siguiente expresin de primer orden:
T ( z)
(1 )
0.1813
z
z 0.818
(2)
9-21
T ( z)
z
z 1
(3)
1
L( z )
k
z(z 0.904)
z( z )
1.89
2
( z 0.818) 2
(z )
(4)
Por otra parte, si la constante de tiempo deseada en lazo cerrado fuera de 10 minutos entonces la
expresin del prefiltro sera:
z
L( z ) 1.89
( z 0.904) 2
(5)
Obsrvese que tanto (4) como (5) son esencialmente filtros pasa-baja con un ancho de banda
definido por la velocidad de respuesta del sistema en lazo cerrado. Esto significa que el nfasis de la
estimacin est situado en preservar un buen ajuste en el rango de bajas frecuencias, las cuales son
las que tienen ms impacto en el problema de control, mientras que ignora el comportamiento de altafrecuencia el cual no tiene un efecto significativo en la respuesta en lazo cerrado. Puesto que el
prefiltro (4) demanda una velocidad de respuesta ms rpida que el prefiltro (5), su ancho de banda
es mayor.
Si el objetivo de control es cambiado de perturbaciones escaln a rechazar perturbaciones
estacionarias tales como una perturbacin de primer orden de constante de tiempo de 7 minutos:
d ( z)
0.133z
z
z z 0.867
(6)
z(z 0.904)(z 1)
(1 ) z ( z )( z 1)
L( z )
0.251
2
k
( z 0.818) 2 (z 0.867)
(z ) (z )
(7)
Este prefiltro es un filtro pasabanda o filtro notch. La atenuacin de las bajas frecuencias por el
prefiltro es por tanto esperada, como fsicamente por las perturbaciones estacionarias, la accin
integral en el sistema de control no es necesaria, por lo tanto se elimina la necesidad de un buen
ajuste del modelo a bajas frecuencias.
9-22
Identificacin de sistemas
T ( z ) z nk f ( z )
(9.48)
donde el orden de f(z) es dictado por el procedimiento del diseo del control y su ancho de
banda se elige para incluir las limitaciones al comportamiento en lazo cerrado que se puede
obtener creado mediante las restricciones de la velocidad de respuesta de las variables
controladas y manipuladas. Adems, se supone el conocimiento de la constante de tiempo
de la planta con el objetivo de usar la siguiente aproximacin para G :
z nk 1
G ( z )
z
(9.49)
donde =exp(-T/dom) y dom es la constante de tiempo dominante del sistema. Una estima de
la ganancia en estado estacionario no es necesaria ya que la ganancia simplemente
aparece como una constante en (9.47). Para modelos del tipo OE o FIR, se tiene que H 1 ,
lo cual conduce a la siguiente definicin del prefiltro:
L( z ) ( z )(1 z nk f ( z )) z 1 f ( z )(r ( z ) d ( z ))
(9.50)
Siendo f(z) un filtro pasa-baja usado para suministrar robustez y atenuar los
movimientos de la variable manipulada. Una eleccin bastante comn es considerar un filtro
de primer orden:
9-23
f ( z)
(1 )z
z
(9.51)
H ( z )
z
z
(9.52)
L( z ) (1 z nk f ( z )) f ( z )(r ( z ) d ( z ))
(9.53)
Ntese que en esta expresin se evita la necesidad de especificar dom lo cual sugiere
que la estimacin ARX prefiltrada debera ser ms fcil y ms fiable que los otros mtodos.
Se debe tener en cuanta que la estimacin de los parmetros autoregresivos del modelo
ARX requieren un compromiso entre ajustar G y ajustar H , y por lo tanto un modelo
adecuado quizs no sea obtenido si la magnitud del ruido, especificada por v , es
significante.
Ejemplo 9.3:
Considrese el siguiente modelo estimado para una planta
K
G ( z )
z
que ser controlada usando control predictivo va QDMC (Quadratic Dynamic Matrix Control). La
estructura resultante para T(z) es de segundo orden, con lo que se va a definir f(z) de la siguiente
forma:
f ( z)
(1 ) 2 z 2
( z )2
e 1.555T /
cl
9-24
Identificacin de sistemas
L( z )
(1 ) 2 z 2 (z )( z 2 )
( z )4
(1 ) 2 z 3 (z 2 )
L( z )
( z )4
En conclusin habiendo definido una estructura del modelo y la naturaleza del problema
de diseo del control, la eleccin del prefiltro queda reducida a simplemente especificar la
velocidad de respuesta en lazo cerrado (CL) y la constante de tiempo dominante en lazo
abierto (dom). Esta informacin puede ser fcilmente obtenida en la mayora de las
situaciones a las que se enfrentan los ingenieros de control de procesos.
9.6 CONCLUSIONES
Es posible disear una configuracin de identificacin de tal forma que los modelos
resultantes automticamente reflejen aquellos aspectos del proceso real que son ms
relevantes para el subsiguiente diseo del control basado en el modelo. Desde el punto de
vista del error de sesgo, los experimentos en lazo cerrado son ptimos; desde el punto de
vista del error de varianza depende de si la potencia de la entrada y de la salida estn
limitadas durante la realizacin de los experimentos y de si el controlador es diseado en
base tanto a la dinmica de la planta como a la dinmica del ruido.
La optimizacin del diseo del control y de la identificacin puede ser conseguida
mediante iteracin entre la estimacin del modelo y el diseo e implementacin del
controlador. Este procedimiento iterativo se basa en el principio de aprendizaje, donde los
experimentos subsiguientes posibilitan un mejor entendimiento de las dinmicas del proceso
ms relevantes y el diseo de controladores con un comportamiento que gradualmente se
va mejorando.
Por otra parte es posible disear un prefiltro que al ser aplicado sobre los datos
garantice el ajuste del modelo en aquellos rangos de frecuencia que son ms relevantes
para el control.
9-25
BIBLIOGRAFA
[Rivera et al., 1992]
[Rivera, 2007]
9-26
TEMA 10
IDENTIFICACIN
MULTIVARIABLES
DE
SISTEMAS
10.1 INTRODUCCIN
En los temas anteriores se han considerado principalmente sistemas con una entrada y
una salida, es decir, sistemas SISO (Single-Input Single-Output). Sin embargo, los procesos
reales suelen ser sistemas multivariables con mltiples entradas y mltiples salidas (ver
Figura 10.1), es decir, son sistemas MIMO (Multiple Input - Multiple Output).
La principal dificultad que presenta un sistema MIMO no viene dada por la existencia de
un nmero excesivo de variables (entradas y salidas) sino por el grado de interaccin
existente entre ellas, es decir, a como una determinada salida yj del sistema se ver
afectada por una o varias entradas uk. Una fuerte interaccin puede dificultar la identificacin
y control del sistema. El grado de interaccin existente entre las variables de un sistema
MIMO puede ser medido. Existen de hecho diferentes medidas de la interaccin, entre las
ms utilizadas se encuentran [Skogestad y Postlethwaite, 96]: la matriz de ganancias
relativas o RGA, los vectores singulares y el nmero de condicin. Ntese que el estudio de
la interaccin de las variables de un sistema MIMO resulta de gran utilidad para poder saber
si es posible simplificar el modelo MIMO usando en su lugar varios modelos SISO o varios
modelos MISO (Multiple Input - Single Output).
u1
u2
y1
y2
Proceso
um
yp
Figura 10.1. Proceso multivariable
10-1
y (t ) G ( q )u(t ) v(t )
v(t ) H ( q )e(t )
(10.1)
x( kT T ) Ax( kT ) Bu( kT ) K e( kT )
y ( kT ) Cx( kT ) Du( kT ) e( kT )
x(0) x 0
10-2
(10.2)
Identificacin de sistemas
G ( q ) C(qI nx A) 1 B D
H ( q ) C(qI nx A) 1 K I ny
(10.3)
g ( k ) | g ij |2
i, j
1/ 2
(10.4)
E [ s(t )s T (t )] Rs ( )
(10.5)
E [ s(t )w T (t )] Rsw ( )
(10.6)
y ( ) G (e i ) u ( )G T (e i ) H (e i )H T (e i )
(10.7)
10-3
10-4
Identificacin de sistemas
Figura 10.2. Ejemplo de seal PRBS multientrada diseada para un sistema con 3 canales
El diseo de una seal PRBS multientrada se reduce a disear una nica seal PRBS
que se va desplazando para generar las m-1 restantes (Ver Figura 10.2). Las siguientes
expresiones propuestas en [Rivera, 2007] se pueden usar como guas para ayudar a disear
una seal PRBS multientrada:
Tsw
(1 )
s
L
2.8 dom
(10.8)
H
2 s dom
Tsw
5 H
D dom
Tsw
(10.9)
N s( 2 ) m D
N s 2 n 1 max( N s(1) , N s( 2 ) )
(10.10)
(10.11)
(10.12)
10-5
L
H
En las expresiones anteriores dom
y dom
10-6
Identificacin de sistemas
De acuerdo con la seccin 4.3.7 entre los parmetros de diseo de una seal multiseno
se encuentran el nmero de componentes ns, la longitud de secuencia Ns y el periodo de
muestreo T. En el caso de un sistema multivariable de m entradas para disear la seal
multiseno en cremallera las variables de diseo de la seal deben cumplir las siguientes
especificaciones [Rivera, 2007]:
*
*
n s (1 )
T min * , *
1
ns
*
2m(1 )
N S max 2mn S ,
* T
(10.13)
(10.14)
(10.15)
L s
H
s dom
dom
(10.16)
L
H
, dom
, s y s tienen el mismo significado que en el caso de las
Los parmetros dom
10-7
Por otra parte es un parmetro definido por el usuario. Los valores de los parmetros
finalmente determinados (que se van a denotar con el superndice d) deberan satisfacer la
siguiente desigualdad:
N sd
( * * ) d d
d
N s N (1 ) n s
2 m
2m
(10.17)
(10.18)
A( z )y (t ) B( z )u(t ) e(t )
(1)
En el caso de un sistema MIMO con p salidas y n entradas, y(t) sera un vector de dimensin p x 1,
u(t) sera un vector de dimensin m x 1 y e(t) sera un vector de dimensin p x 1. En consecuencia
A(z) debe ser una matriz de dimensin p x p donde cada uno de sus elementos aij(z) ser un
polinomio de orden naij
a11 ( z )
a1 p ( z )
...
A( z ) :
aij ( z )
:
a p1 ( z )
a pp ( z )
...
aij ( z ) 1 aij1 z 1 ... aijnaij z naij
Por su parte B(z) es una matriz de dimensin p x m donde cada uno de sus elementos bij(z) ser un
polinomio de orden nbij.
10-8
Identificacin de sistemas
b11 ( z )
...
b1m ( z )
B( z ) :
bij ( z )
:
b p1 ( z )
...
a pm ( z )
bij ( z ) bij0 bij1 z 1 ... bijnbij z nbij
En consecuencia para especificar la estructura de un modelo ARX MIMO m x p se deben especificar
los rdenes de los elementos de la matriz A y de la matriz B:
na11
NA :
na p1
nb11
NB :
nb p1
...
naij
...
...
nbij
...
na1 p
:
na pp
(1)
nb1m
:
nb pm
(1)
Adems habra que especificar los retardos en las salidas con respecto a las entradas:
nk11
NK :
nk p1
...
nk ij
...
nk1m
:
nk pm
(1)
Multiplicando con A-1 por la izquierda de los dos miembros de (1) se obtiene:
y (t ) A 1 ( z ) B( z )u(t ) A 1 ( z )e(t )
(1)
Con lo que
G ( q, ) A 1 ( z ) B( z )
H ( q, ) A 1 ( z )
(1)
Ntese que si se tuviese un sistema MISO de m entradas y una salida entonces la matriz A(z)
constara de un nico elemento a(s), por lo que NA=na. Mientras que la matriz B sera un vector fila
de m elementos, al igual que las matrices de ordenes NB y NK.
10-9
y (t | ) H 1 ( q, )G ( q, )u(t ) ( I H 1 ( q, ))y (t )
(10.19)
e(t , ) y (t ) y (t | ) H 1 ( q, )[ y (t ) G ( q, )u(t )]
(10.20)
eF (t , ) L( q )e(t , )
(10.21)
VN ( )
1 N T
eF (t , )eF (t , )
N y 1
(10.22)
N arg minVN ( )
(10.23)
Tambin en el caso multivariable se suele usar dentro de la funcin de coste una matriz
de peso W de dimensin p x p para dar ms o menos importancia a minimizacin de los
errores de ciertas salidas en particular
VN ( )
1 N T
eF (t , )W 1 eF (t , )
N y 1
(10.24)
La toolbox SIT de Matlab a partir de su versin 6.0 (Matlab 7.0) soporta la estimacin de
modelos MIMO en variables de estado de la forma (10.2) a travs del comando pem. Ntese
que una vez estimadas las matrices A, B, K, C y D del modelo en variables de estado, es
posible a travs de la ecuacin (10.3) obtener las matrices de funciones de transferencia
G(q,) y H(q,). Con el comando pem no se pueden obtener directamente modelos ARX,
ARMAX, OE y BJ para sistemas MIMO, pero si para sistemas MISO.
10-10
Identificacin de sistemas
Tambin es posible obtener modelos ARX MIMO a travs del comando arx. Ntese
que hay que especificar las matrices de rdenes NA, NB y NK.
Ejemplo 10.2:
Se van a considerar como datos de entrada/salida los suministrados a modo de ejemplo en el fichero
SteamEng.mat de la toolbox SITB de Matlab 7.0. Se trata de los datos de un motor de vapor que es
un sistema MIMO con dos entradas (m=2) y con dos salidas (p=2). Las entradas son la presin del
vapor (normalmente aire comprimido) despus del control de la vlvula y el voltaje de magnetizacin
sobre el generador conectado al eje de salida. Las salidas son el voltaje generado y la velocidad
rotacional del generador (frecuencia del voltaje AC generado). El periodo de muestreo es T=50 ms.
En primer lugar se van a recoger las entradas y las salidas dentro de un objeto iddata de nombre
10-11
(a)
(b)
(c)
(d)
Figura 10.4. Representacin temporal de los datos de entrada-salida del motor de vapor: a) Entrada:
presin, salida: voltaje generado. b) Entrada: voltaje de magnetizacin, salida: voltaje generado. c)
Entrada: presin, salida: velocidad. d) Entrada: voltaje de magnetizacin, salida: velocidad.
10-12
Identificacin de sistemas
10-13
State-space model:
A =
x1
x2
x1
0.15043
0.15893
x2
0.084359
0.93787
x1
x2
Pressure
-0.00043924
-0.00082436
MagVolt
0.034544
-0.007428
GenVolt
Speed
x1
10.367
-0.6629
x2
-3.9245
-3.0046
GenVolt
Speed
Pressure
0
0
MagVolt
0
0
x1
x2
GenVolt
-0.008793
-0.098116
Speed
-0.038367
-0.31591
x1
x2
0
0
B =
C =
D =
K =
x(0) =
10-14
Identificacin de sistemas
To GenVolt
From Pressure
0.6
0.4
0.4
0.2
0.2
0.2
1
To Speed
From MagVolt
0.6
0.2
1
0.6
0.1
0.4
0.05
0.2
0.05
0.2
1
0.1
1
Figura 10.7. Comparacin de las respuestas a escalones del modelo (lnea continua) y las estimadas
(lnea discontinua)
Se observa en la Figura 10.7 que el modelo estimado no es bueno. Se va a mejorar el modelo
aumentando su orden, se va a considerar un modelo en variables de estado con nx=3.
mp3 = pem(steam(1:250),'nx',3)
Se obtiene el siguiente resultado en pantalla
State-space model:
A =
x1
x2
x3
x1
0.1327
0.0041715
-0.068659
x2
0.07799
0.97661
0.16754
x1
x2
x3
Pressure
5.9884e-005
0.0028277
-0.023543
MagVolt
0.03186
0.00068242
0.0040119
GenVolt
Speed
x1
12.079
-0.12299
x2
2.1582
3.5167
x3
-0.012023
-0.22004
0.7054
B =
C =
x3
0.092239
0.26285
10-15
D =
GenVolt
Speed
Pressure
0
0
MagVolt
0
0
x1
x2
x3
GenVolt
0.0055432
0.034068
0.1318
Speed
0.010936
0.17572
0.039441
x1
x2
x3
0
0
0
K =
x(0) =
10-16
Identificacin de sistemas
To GenVolt
From Pressure
From MagVolt
0.6
0.6
0.4
0.4
0.2
0.2
0.2
1
To Speed
0.6
0.2
1
0.02
0
0.4
0.02
0.2
0.04
0
0.06
0.2
1
0.08
1
Figura 10.8. Comparacin de las respuestas a escalones del modelo en variables de estado de orden
nx=3 (lnea continua) y las estimadas (lnea discontinua)
GenVolt
1
0
1
2
12
14
16
18
20
22
24
0.4
Measured Output
mp3 Fit: 47.62%
Speed
0.2
0
0.2
0.4
0.6
12
14
16
18
20
22
24
Figura 10.9. Comparacin de las respuestas del modelo (lnea continua) y las medidas
experimentalmente (lnea discontinua)
10-17
Amplitude
Amplitude
10
10
10
10
10
10
10
10
10
10
10
10
200
Phase (degrees)
Phase (degrees)
10
400
600
800
1000
1200
1
10
10
10
50
100
150
200
1
10
10
10
10
Frequency (rad/s)
(a)
(b)
10
Frequency (rad/s)
Amplitude
10
Amplitude
10
10
10
10
10
10
10
10
10
10
10
10
Phase (degrees)
Phase (degrees)
200
400
600
1
10
10
10
10
600
400
200
0
1
10
Frequency (rad/s)
10
10
10
Frequency (rad/s)
(c)
(d)
Figura 10.10. Respuesta en frecuencia del modelo (lnea continua) y respuesta estimada mediante
anlisis espectral (lnea discontinua): a) Entrada: presin, salida: voltaje generado. b) Entrada: voltaje
de magnetizacin, salida: voltaje generado. c) Entrada: presin, salida: velocidad. d) Entrada: voltaje
de magnetizacin, salida: velocidad.
10-18
Identificacin de sistemas
Ejemplo 10.3:
Considrese los datos del motor de vapor del ejemplo anterior, se desea estimar un modelo ARX
MIMO. Se van a considerar los siguientes rdenes para el modelo:
NA=[4 4; 4 4], NB=[4 4;4 4], NK=[1 1; 1 1]
El modelo se estima usando el siguiente comando:
arx441=arx(steam(1:250),'na',NA,'nb',NB,'nk',NK)
En la pantalla se muestra el siguiente resultado:
Multivariable ARX model
A0*y(t)+A1*y(t-T)+ ... + An*y(t-nT) =
B0*u(t)+B1*u(t-T)+ ... +Bm*u(t-mT) + e(t)
A0:
1
0
0
1
A1:
-0.19295
-0.26254
-0.6796
-0.65077
0.054257
0.066238
-0.15973
-0.22465
-0.037682
0.072165
0.17015
0.046203
A4:
-0.0026903
-0.011025
0.0048563
0.055283
A2:
A3:
10-19
B0:
0
0
0
0
B1:
0.0047785
0.0054493
0.38658
-0.0012769
0.014671
0.01617
-0.022031
-0.10054
0.021951
0.02188
0.015004
0.010344
0.0086785
0.011904
-0.010176
0.030536
B2:
B3:
B4:
BIBLIOGRAFA
[Ljung, 2010]
[Rivera, 2007]
10-20
TEMA 11
IDENTIFICACIN
LINEALES
DE
SISTEMAS
NO
11.1 INTRODUCCIN
La mayora de los sistemas y procesos industriales son sistemas no lineales, en
consecuencia modelar tales sistemas usando modelos lineales introduce un cierto grado de
aproximacin. Mientras que dicha aproximacin puede ser considerada aceptable en
muchas aplicaciones, en ciertos casos no producir los resultados deseados y habr que
plantearse la identificacin de un modelo no lineal, la cual resulta en general mucho ms
laboriosa que la identificacin de sistemas lineales sobre todo en las etapas de la seleccin
de la estructura adecuada y estimacin de los parmetros del modelo.
En este tema se realiza una pequea introduccin a la identificacin de sistemas no
lineales. En primer lugar se analiza cuando es necesario identificar un modelo no lineal. En
segundo lugar se describen varios test para detectar si el sistema bajo consideracin es no
lineal. En tercer lugar se describen los modelos no lineales ms comunes. Finalmente se
realizan varias consideraciones sobre el prefiltrado y el anlisis de los residuos cuando se
realiza identificacin de sistemas no lineales.
11-1
u2 u1
(11.1)
Siendo una constante mayor que uno, es decir, u2 es veces mayor que u1. Se
debe medir la seal de salida y2(t) y construir la siguiente razn:
11-2
Identificacin de sistemas
(t )
y 2 (t ) y 0
y1 (t ) y 0
(11.2)
y (t ) y (t ) E[ y (t )]
(11.3)
yy ( ) E[ y (t )( y (t )) 2 ]
2
(11.4)
11-3
Las seales de entrada de tipo binario pueden no resultar adecuadas para identificar
ciertos tipos de sistemas no lineales.
Ejemplo 11.1:
Supngase que un cierto sistema no lineal se puede describir por la siguiente ecuacin
y (t ) k u 2 (t )
Si la seal de entrada fuese una seal de tipo binario PRBS o RBS con amplitud comprendida entre
-1 y 1, la salida del sistema sera
y (t ) k
Es decir, debida a la presencia de una no linealidad cuadrtica, la salida es siempre una seal
constante, de la que no se puede extraer mucha informacin sobre el sistema.
Por otra parte si la entrada fuese la seal sinusoidal
u(t ) sen(0 t )
la salida sera
1 cos(20 t )
u(t ) k sen 2 (0 t ) k
2
Es decir, la seal de salida es de tipo sinusoidal con una frecuencia distinta (20) a la frecuencia (0)
de la seal de entrada.
11-4
Identificacin de sistemas
(11.5)
Donde:
f() es una funcin no lineal que acta sobre los datos de entrada u(t):
11-5
w(t ) f (u(t ))
(11.6)
G(q)
B( q )
F (q)
(11.7)
h() es una funcin no lineal que acta sobre la salida x(t) del bloque lineal para
generar la salida del sistema y(t)
y (t ) h( x(t ))
(11.8)
En el modelo w(t) y x(t) son variables internas que definen la entrada y la salida del
bloque lineal. Ambas son de la misma dimensin que la entrada u(t) y la salida y(t) del
sistema.
No lineal
u(t)
Lineal
w(t)
f( )
No lineal
x(t)
G(q)
y(t)
h( )
Tanto f como h son funciones estticas sin memoria, es decir, que el valor que generan
en un instante t depende nicamente del valor de sus entradas en dicho instante t. Por
ejemplo: w(t ) r0 r1 u(t ) r2 u 2 (t ) ... . Si h=1 entonces se dice que se tiene un modelo de
Hammerstein. Asimismo si g=1, se dice que se tiene un modelo de Weiner.
En el caso de un sistema MIMO de m entradas y p salidas habra que disear m
funciones f y p funciones h. Adems G(q) sera una matriz de funciones de transferencia.
Un modelo de Hammerstein-Wiener calcula la salida y en tres etapas:
1) Calculo de w(t)=f(u(t)).
2) Calculo de la salida del bloque lineal: x(t)=G(q) w(t)= (B(q)/F(q))w(t).
3) Calculo de la salida del modelo mediante la transformacin de la salida del bloque
lineal x(t) usando la funcin no lineal h: y(t)=h(x(t).
11-6
Identificacin de sistemas
N arg min y (t ) y (t ) 2
2
(11.9)
11-7
y(t ) f ( y (t 1), ,..., y (t n y ), u(t 1),..., u(t nu ), e(t 1),..., e(t ne )) e(t ) (11.10)
donde y(t) denota la salida, u(t) la entrada y {e(t)} es una secuencia de ruido blanco. Por su
parte f(.) es una funcin no lineal.
Expandiendo f(.) como un polinomio de grado L (donde L representa el grado de no
linealidad) se obtiene la siguiente representacin:
n
y(t ) i xi (t ) e(t )
(11.11)
i 1
donde
L
n ni
(11.12)
n0 1
(11.13)
i 0
con
ni ni 1 (n y nu ne i 1) / i
i 1,..., L
(11.14)
j 1
k 1
m 1
1 nuk nu
(11.15)
1 nem ne
11-8
Identificacin de sistemas
1 ,..., n
(11.16)
Una vez fijada la estructura la estimacin de los parmetros del modelo NARMAX puede
ser formulado y resuelto como un problema estndar de mnimos cuadrados (11.9).
Obviamente lo complicado es seleccionar la estructura correcta. Se puede comenzar fijando
una estructura sencilla e ir gradualmente incrementando nu, ny, ne y L hasta conseguir la
precisin deseada. No obstante esta forma de proceder suele conducir a modelos de
rdenes elevados sobreparametrizados y adems el procedimiento de estimacin estar mal
condicionado.
Podra pensarse por otro parte en ir estimando los parmetros para todas las posibles
estructuras y seleccionar la mejor de acuerdo con algn criterio de informacin como por
ejemplo el criterio de informacin de Akaike (AIC). Sin embargo este mtodo no resulta
vlido debido al gran nmero de estructuras a probar, incluso aunque el orden L de la
expansin polinomial sea pequeo.
Afortunadamente se han desarrollado diferentes algoritmos, como por ejemplo el
propuesto en [Thomson et al., 1996], para seleccionar la estructura de un modelo NARMAX
ms adecuada, es decir con la complejidad mnima para reproducir adecuadamente la
dinmica del sistema no lineal.
(11.17)
donde y(t) denota la salida, u(t) la entrada y {e(t)} es una secuencia de ruido blanco. Por su
parte f(.) es una funcin no lineal. Al igual que suceda con los modelos NARMAX la funcin
f() de un modelo NARX puede expandirse como un polinomio de grado L.
La toolbox SIT de Matlab a partir de su versin 7.0 (Matlab R2007a) soporta la estimacin
de modelos NARX mediante el uso del comando nlarx. Este comando considera la
estructura para un modelo NARX que se muestra en la Figura 11.2. Dicho modelo calcula la
salida y en dos etapas:
1) Calculo de los regresores a partir del valor actual de la entrada y de los valores
pasados de la entrada y la salida.
11-9
Funcin
no lineal
Funcin
lineal
F ( x ) LT ( x r ) d g (Q( x r ))
(11.18)
11-10
Identificacin de sistemas
y (t ) 0 v Mn (t )
(11.19)
n 1
donde
M
(11.20)
in 0
y ( k ) u(t ) u(t 1)
Modelo de Hammerstein:
y ( k ) u(t ) u(t 1) u 2 (t ) u 2 (t 1)
Modelo de Weiner:
11.6 CONSIDERACIONES
ADICIONALES
SOBRE
IDENTIFICACIN DE SISTEMAS NO LINEALES
LA
11.6.1 Prefiltrado
El prefiltrado de los datos de entrada-salida permite en la identificacin de sistemas
lineales establecer en que rangos de frecuencia se desea que el modelo se ajuste mejor a
los datos experimentales. El prefiltro ejerca dentro del criterio de identificacin expresado en
el dominio de la frecuencia el papel de funcin de peso configurable. Este comportamiento
del prefiltro no se obtiene sin embargo en el caso de los sistemas no lineales, donde el
prefiltrado de los datos puede introducir un error de sesgo no deseado.
Por otra parte en los sistemas no lineales no es equivalente el prefiltrado de los datos y
el prefiltrado del error de prediccin. Mientras que el prefiltrado de los datos puede introducir
error de sesgo, el prefiltrado del error puede tener efectos positivos sobre el ajuste de los
modelos de tipo serie de Volterra a los datos.
11-11
( u
( u
( ) E[(u 2 (t )) (t )] 0
) 2
(11.21)
( ) E[(u 2 (t )) 2 (t )] 0
(11.22)
( ) E[ (t ) u (t )] 0
(11.23)
u ( ) E[u(t ) u (t )] 0
(11.24)
( ) (t )
(11.25)
donde
x (t ) x(t ) E[ x(t )]
(11.26)
xy ( )
( x(k ) x )( y(k ) y )
k
N
(11.27)
( x(k ) x ) ( y(k ) y )
2
( )
N ( k ) ( k 1)(u( k ) u )
k
N
(11.28)
( k )
(u(k ) u )
Es decir, habr que estudiar la representacin grfica de cada una de las funciones de
correlacin anteriores y comprobar que se son cercanas a 0 (se encuentran dentro del
intervalo de confianza seleccionado).
11-12
Identificacin de sistemas
Se puede demostrar [Sriniwas et al., 1995] que los residuos no contienen trminos
lineales o no lineales no modelados con un nivel de confianza del 95% si el valor absoluto
de cada una de las anteriores funciones de correlacin es menor que 1.96 / N .
BIBLIOGRAFA
[Ljung, 2010]
[Nelles, 2001]
[Rivera, 2007]
11-13