Professional Documents
Culture Documents
CAPITULO 7
Tcnicas de identificacin paramtrica
t y t y t
(7.1.1)
y' + ay3 =
u
3 u
y ' ay
yw
3 u
w ' aw
(7.1.1.1)
4
Z N y t , t
t = 1,...N
(7.1.1.2)
(7.1.1.3)
En general se busca una funcin g que sea parametrizable, es decir que tenga
un nmero finito de parmetros. A estos parmetros se les denomina con el
vector . A toda la familia de funciones candidatas se las denomina
estructura del modelo, y en general estas funciones se escriben como
g N t , , t . Esta funcin permite calcular el valor y(t):
y t g N t , , t
(7.1.1.4)
g N t , t g t ,N , t
(7.1.1.5)
5
(7.1.1.6)
a b1 b2
t y t 1
(7.1.1.7)
u t 1
u t 2
g t , , t ay t 1 b1u t 1 b2u t 2
g t , , t T t
El ejemplo anterior muestra la formulacin convencional de los sistemas de
identificacin, en que la estructura del modelo se corresponde con una
regresin lineal.
Sin embargo, en general, la estructura del modelo podra ser cualquiera, desde
regresiones no lineales (caso en que g es no lineal respecto a ), modelos tipo
tailor-made, a redes neuronales. Tambin podran incluirse modelos
dinmicos Fuzzy en el caso en que se reemplazara t y y(t) por valores
como el horno est muy caliente,el horno est tibio, el agua est
hirviendo, ..., etc.
a y t n
k 0
nb
k b ju t nb k
(7.2.1)
k 0
1
En terminos del operador de retardo q1 , definido como q u t u t 1 , se
escribe (7.2.1) como,
1 a q
1
(7.2.2)
1
donde G q tiene la forma2,
G q
b0 b1q 1 L bnb q nb
1 a1q 1 L ana q na
(7.2.3)
G q
b0 L bnb q nb
g 0 g 1 q 1 g 2 q 2 L
na
1 L ana q
(7.2.4)
Los coeficientes de (7.2.3) en general no son los mismos que (7.2.1). Comparar (7.2.3) con (7.21a), donde
muestra explicitamente el retardo puro de la entrada nd = na nb.
3
Un sistema es causal si la respuesta del sistema en un instante t depende slo de la entrada en ese instante y
anteriores. Es decir, un sistema es causal si la respuesta en un instante dado no depende de instantes futuros. A
estos sistemas tambin se les denomina no anticipativos, ya que su respuesta no anticipa valores futuros de la
entrada.
4
Cuando
G q 1
nb na
G q 1
es propia. Si
nb na entonces
es estrictamente propia.
Una funcion de transferencia como (7.2.3) es realizable si existe una realizacion en variables de estado [A,
B, C,D]. Si la funcion de transferencia se expresa como (7.2.3), (note el polinomio monico del denominador),
y es propia, entonces es realizable
6
Cuando el coeficiente de la mayor potencia de un polinomio es uno se dice que el polinomio es monico.
y t g k q lu t
(7.2.5)
k 0
g k
(7.2.6)
k 0
(7.2.1.1)
Hq
h k q
(7.2.1.2)
(7.2.1.3)
k 0
10
11
H 1 q 1
1
H q 1
(7.3.1.1)
(7.3.1.2)
H 1 q y t H 1 q G q u t H 1 q v t
H 1 q 1 1 y t H 1 q G q u t H 1 q v t
y t H 1 q 1 y t H 1 q G q 1 u t H 1 q v t
Se despeja y t
y t H 1 q G q u t 1 H 1 q y t H 1 q v t
(7.3.1.3)
12
v t H q 1 e t h k e t k
(7.3.1.4)
k 0
(7.3.2.1)
1
H q 1
h%
k q k
k 0
(7.3.2.2)
Un sistema S es invertible si existe otro sistema, que denominamos S1 o sistema inverso, de forma que al
combinarlo en serie con el primero y utilizar la respuesta del primero (S) como entrada del segundo (S1)
obtenemos la entrada inicial del sistema.
13
h% k
(7.3.2.3)
k 0
Por lo tanto,
e t h%
k v t k
(7.3.2.4)
k 0
Hq
C q 1
q
1
c0 c1q 1 L cnc q nc
1 d1q 1 L d nd q nd
(7.3.2.5)
Donde para que H q sea causal debe cumplirse que nc nd y donde los
polos, es decir las raices del polinomio del denominador, son estables.
1
q
1
1
1 d1q 1 L d nd q nd
H q 1 c0 c1q 1 L cnc q nc
(7.3.2.6)
Por lo tanto, para que el modelo inverso tenga una funcion de transferencia
causal y estable debe cumplirse que
14
1
3. Ademas, para mantener la realizabilidad de H q el coeficiente c0
1
debe ser igual a uno. Es decir, H q se debe expresar como el
cociente de dos polinomios monicos.
Por lo tanto, con respecto al modelo de ruido, para que sea invertible deben
cumplirse los siguientes requerimientos adicionales,
1
1. El modelo de ruido H q no introduce ningun retardo en su
respuesta. Es decir, es una funcion de transferencia propia
2. El modelo de ruido H q
de ceros estables.
H q 1 1+ h k q k
(7.3.2.7)
k 1
15
k 0
k 1
v t h k e t k h 0 e t h k e t k
(7.3.3.1)
v t t 1 h k e t k
(7.3.3.2)
k 1
h k q e t H q 1 e t
v t t 1
k 1
16
v t t 1 1 H 1 q 1 v t
(7.3.3.3)
(7.2.1.1)
1
si asumimos que G q es estrictamente propia (esto es, no tiene un termino
(7.3.3.4)
17
y t t 1 G q 1 u t 1 H 1 q 1 v t
G q 1 u t 1 H 1 q 1
y t G q 1 u t
Luego,
y t t 1 H 1 q 1 G q 1 u t 1 H 1 q 1 y t
(7.3.3.5)
(7.3.3.6)
18
y t y t t 1 e t
lo cual es un resultado directo de (7.3.3.5).
En general, sin embargo, (G(q), H(q)) no son conocidos. Podemos denotar
entonces el error de prediccion con un paso de anticipacion como:
t : y t y t t 1
(7.3.3.7)
Este error de prediccion solo puede ser calculado a posteriori, cuando est
disponible la medida de y(t). Sustituyendo en la ecuacion (7.3.3.5), el error de
prediccion (t) queda,
t H 1 q 1 y t G q 1 u t
(7.3.3.8)
19
(7.4.1.1)
g k q
k 0
Hq
1+ h k q
(7.4.1.2)
k 1
(7.4.1.3a)
E e2 t 2
(7.4.1.3b)
20
Es tambin muy comn asumir que e(t) tiene una distribucin Gaussiana, en
cuyo caso la pdf queda enteramente especificada por (7.4.1.3).
La especificacin (7.4.1.1) en trminos de un nmero finito de valores, o
coeficientes, se conoce como modelado paramtrico e involucra mtodos de
estimacin y prediccin conocidos como mtodos de identificacin
paramtrica.
Muy a menudo no es posible determinar a priori estos coeficientes partiendo
del conocimiento de las leyes fsicas que gobiernan el comportamiento del
sistema. Es por eso que la determinacin de todos o algunos de dichos valores
se debe dejar a los procedimientos de estimacin. Esto quiere decir que los
coeficientes en cuestin entran en el modelo como parmetros a ser
determinados. Llamaremos entonces al vector que contenga todos los
parmetros a estimar. O sea que ahora la descripcin del modelo ser la
siguiente:
y t , G q , u t H q , e t
f e x, , la fdp de e(t), ruido blanco
(7.4.1.4a)
(7.4.1.4b)
Vale destacar que este no es un modelo sino un set de modelos, aunque por lo
general vamos a hablar despreocupadamente del modelo (7.4.1.4) auque sea
una abuso de notacin desde un punto de vista formal.
Usando el predictor (7.3.3.5), vamos a poder predecir las muestras futuras
para (7.4.1.4), y para enfatizar la dependencia que mantiene el estimador con
el vector de parmetros , la notacin se hace de la siguiente manera:
y t , H 1 q 1 , G q 1 , u t 1 H 1 q 1 , y t
(7.4.1.5)
21
1
Modelos en que H q 1
(7.4.2.1)
1
1
1
donde: G q B q , nk representa el retardo puro del proceso y B q
es un polinomio de grado nb que tiene la forma:
B q 1 b0 b1q 1 L bnb q nb
(7.4.2.2)
22
y t
B q 1
F q 1
u t nk e t
en este caso: G q
B q 1
q
1
(7.4.2.3)
orden nf:
F q 1 1 f1q 1 L f nf q nf
1
Modelos en que H q 1
(7.4.2.4)
G q
B q 1
A q
1
(7.4.2.5)
23
H q 1
1
A q 1
1
El polinomio A q es el polinomio autoregresivo de orden na:
A q 1 1 a1q 1 L ana q na
(7.4.2.6)
(7.4.2.7)
1
1
Al igual que en c), G q y H q , tienen el mismo denominador:
G q
B q 1
A q
1
(7.4.2.8)
Hq
C q 1
A q
1
1
y C q es un polinomio monico parecido a (7.4.2.6) de orden nc.
e) Modelos ARARX.
A q 1 y t q nk B q 1 u t
1
e t
D q 1
(7.4.2.9)
24
A q
y t q
nk
B q
C q 1
u t D
q
1
e t
(7.4.2.10)
y t q
nk
B q 1
F q 1
u t
C q 1
D q 1
e t
(7.4.2.11)
1
1
Una propiedad particular de esta estructura es que G q y H q no tienen
parmetros comunes.
A q
y t q
nk
B q 1
F q 1
u t
C q 1
D q 1
e t
(7.4.2.12)
Esta estructura es conocida como PEM. Esta estructura es muy general, pero
es til para elaborar algoritmos ya que sus resultados cubren todos los casos
especiales.
25
26
a)
b)
Figura 7.4.2. Diagramas de bloques de las estructuras a) Estructura ARX, b)
Estructura OE de la tabla 7.4.1.
a)
b)
Figura 7.4.3. Diagramas de bloques de las estructuras a) Estructura ARMAX,
b) Estructura BJ de la tabla 7.4.1.
27
Ejemplo 7.5.1
Supngase el sistema de la figura 7.5.1.
y t
y t
B q 1
F q 1
u t nk e t
b1q 2 b2q 3
u t e t
1 f1q 1 f 2 q 2 f3q 3
y por tanto nb = 2, nf = 3 y nk = 2.
Sin embargo, es importante tener en cuenta que en la mayora de los casos el
diseador no dispone de esta informacin sobre el sistema real, por lo que ser
necesario ensayar con varios tipos de estructuras y nmero de parmetros
hasta dar con el modelo que mejor se ajusta a los datos de entrada-salida
registrados.
28
t y t y t
(7.5.1.1)
t y t y t
D q 1
C q 1
A q
y t q
nk
B q 1
u
t
F q 1
(7.5.1.2)
29
(7.5.2.1)
30
(7.5.2.2)
T t y t 1 L y t na u t u t 1 L u t nb 1
a1 L
T
ana
b1 L
bnb
(7.5.2.3)
1 N 2
t
N t 1
(7.5.2.4)
donde,
t y t T t
(7.5.2.5)
es el error de prediccion.
De la ecuacin (7.5.2.2) se deducen un conjunto de ecuaciones lineales que
pueden ser escritas en forma matricial segn:
31
(7.5.2.6)
N Y
(7.5.2.7)
con N 1
2 L
1 N 2
1
t NT N
N t 1
N
(7.5.2.8).
VN , Z N
1
1
T
Y Y
N
N
1 T
Y Y 2Y T T T
(7.5.2.9)
32
VN , Z N
1 T
Y Y 2Y T T T 0
(7.5.2.10)
N arg min VN , Z N
(7.5.2.11)
1
N T T Y
(7.5.2.12)
1 T
N
N
1 T
Y
N
(7.5.2.13)
1 N
N t T t
N t 1
1 N
t
N t 1
y t
(7.5.2.14)
33
(7.5.2.15)
(7.5.2.16)
3. un estimador de 2 es:
34
2V N
N d
(7.5.2.17)
(7.5.2.18)
Criterio de Akaike
Una variante del mtodo LS, conocido como Criterio de Akaike consiste en
minimizar otra funcin de prdidas distinta a la anterior, que puede obtenerse
a partir de sta del siguiente modo:
d
VNAIC 1 2 VN
N
(7.5.2.19)
36
37
z t y t z t T t z t v t
(7.5.3.1)
que se debe caracterizar por ser independiente del ruido v(t), pero dependiente
de la entrada y la salida del sistema. Esta propiedad permite plantear el
siguiente sistema de ecuaciones lineales:
z t t z t y t T t
(7.5.3.2)
(7.5.3.3)
N t 1
sea triangular
(7.5.3.4)
1 N
z t v t 0
N t 1
En otras palabras, es necesario que la variable instrumento sea fuertemente
dependiente del vector regresin, t , pero sea independiente del ruido.
38
x t na
u t 1 L
u t nb
(7.5.3.5)
donde L es un filtro lineal y x(t) se genera a partir del sistema lineal:
N q 1 x t M q 1 u t
(7.5.3.6)
1
El problema consiste en determinar el filtro, L, y el modelo lineal, N q y
varianza calculables.
7.6 COMANDOS RELEVANTES DE MATLAB
Se incluyen a continuacin las principales funciones relacionadas con la
identificacin paramtrica proporcionadas por el Toolbox de Identificacin en
Matlab.
Tipos de modelos paramtricos
El Toolbox de Identificacin contempla una gran variedad de modelos
paramtricos para sistemas lineales. Todos ellos se ajustan a la estructura
general de la ecuacion (7.4.2.12).
Escoger una estructura significa escoger los rdenes de todos los polinomios
que intervienen. En muchas ocasiones esta eleccin lleva a simplificaciones
tpicas de la estructura general PEM de (7.4.2.12).
Ejemplo 7.6.1
Supngase un sistema dinmico cuyo comportamiento puede aproximarse por
la siguiente ecuacin en diferencias:
y(t) 1.5y(t 1) + 0.7y(t 2) = 2.5u(t 2) + 0.9u(t 3)
La ecuacin anterior corresponde a un modelo ARX en el que:
A(q1) = 1- 1.5q1 + 0.7q2
B(q1) = 0 + 0q1 + 2.5q2 + 0.9q3
40
present(th)
43
FUENTES
Van den Hof Paul M.J., Bombois Xavier, System Identication for
Control. Lecture Notes DISC Course. Delft Center for Systems and
Control. Delft University of Technology. March, 2004
Escobet Teresa, Morcego Bernardo, Identificacin de sistemas. Notas de
clase. Departament d'Enginyeria de Sistemes, Automtica i Informtica
Industrial. Escola Universitria Politcnica de Manresa. 2003
Kunusch Cristian, Identificacin de Sistemas de Dinamicos. Catedra de
Control y Servomecanismos. Universidad Nacional de La Plata,
Facultad de Ingenieria, Dpto. de Electrotecnia. 2003
Lpez Guilln, M Elena, Identificacin de Sistemas. Aplicacin al
modelado de un motor de continua. Universidad de Alcal de Henares,
Departamento de Electrnica. Enero, 2002.
Rengifo Carlos Felipe, Identificacion de Sistemas. Notas de Clase.
Departamento de Electronica, Control e Instrumentacion. Universidad
del Cauca. Marzo 2005.
44