Sesion 8

Identificaci
on de Sistemas
n por Subespacios
Sesi
on: Identificacio
Dr. Efran Alcorta Garca
7 de Mayo 2015
Identificaci
on de Sistemas
Sesion: Identificaci
on por subespacios
7 de Mayo 2015
Contenido
P. 1
Contenido
Introduccion
Formulaci
on del problema
Herramientas geometricas
Proyecci
on ortogonal
Proyecci
on oblcua
Estructura en subespacios de sistemas lineales
Obtenci
on de la secuencia de estados
Calculo de la matriz de observabilidad
Obtenci
on de la matrices del modelo
Algoritmos
Condiciones
Resumen
Identificacion de Sistemas
Sesion: Identificacion por subespacios
7 de Mayo 2015
Introduccion
P. 2
Introducci
on
Identificaci
on por Subespacios
Se origina en la teora de realizaci
on desarrollada en los
60s y 70s (Ho y Kalman, 1966)
Combina herramientas de teora de sistemas, algebra
lneal numerica y geometra (proyecciones)
No se requiere de procedimientos iterativos de
optimizaci
on, lo que implica que no hay poroblema con
mnimos locales, convergencia e inicializacion.
Provee modelos confiables de sistemas LTI multivariables
directamente de datos entrada-salida.
7 de Mayo 2015
Introduccion
P. 3
Introducci
on
No se requiere de una relizacion particular (forma
canonica) lo cual mejora el condicionamiento numerico.
Se requiere una capacidad computacional modesta en
comparaci
on con los metodos tradicionales de error de
predicci
on.
Los algoritmos asociados estan implementados de forma
eficiente en MATLAB.
La identificaci on por subespacios utiliza una idea
diferente a los metodos tradicionales de error de
predicci
on.
7 de Mayo 2015
Introduccion
P. 4
Introducci
on
7 de Mayo 2015
Formulaci
on del problema
P. 5
Formulaci
on del problema
Considerar un sistema lineal invariante en el tiempo y discreto:
xk+1 = Axk + Buk + wk
yk
= Cxk + Duk + vk
El problema de identificacion puede formularse como sigue:

+1
Dado el conjunto de datos {uk, yk}N
k =1
determinar el orden del sistema n y las
matrices A, B, C, D y K que mejor
ajusten los datos en algun sentido bien
definido.
7 de Mayo 2015
P. 6
Herramientas geom
etricas
Proyecci
on ortogonal
Definici
on La proyecci
on ortogonal del espacio rengl
on de la
matriz A en el espacio rengl
on de la matriz B es denotado por
A/B y definida como
A/B = AB B
donde () es la pseudo-inversa de la matriz B, tamien llamada
pseudo-inversa de Moore-Penrose.
A/B es la proyecci
on del espacio rengl
on de la matriz A en B ,
donde B es el complemento ortogonal del espacio rengl
on de B,
ademas se cumple A/B = A A/B
7 de Mayo 2015
P. 7
Proyecci
on oblcua
Definici
on La proyecci
on oblcua del espacio rengl
on de la
matriz A pj a lo largo del espacio rengl
on de la matriz
B qj sobre el espacio rengl
on de C rj definido por:
A/B C = A
"
CC T
BC T
CB T
BB T
#
C
pri. r col.
7 de Mayo 2015
P. 8
Herramientas geom
etricas
Los renglones de A pueden ser representadas como una
combinaci
on lineal de los renglones de las matrices B y C y
de las matrices ortogonales a B y C. Esto se puede escribir como:
A = LB B + LC C + LB ,C
B
C
donde LC C representa la proyecci

on oblcua del espacio rengl
on
de A a lo largo del espacio rengl
on de B sobre el espacio rengl
on
de C.
7 de Mayo 2015
P. 9
Herramientas geom
etricas
Las proyecciones ortogonales y oblicuas se pueden calcular de
manera elegante utilizando factorizaciones LQ. Por ejemplo la
proyecci
on ortogonal A/B puede calcularse de:

B
A
Lbb
0
Lab Laa

QTb
QTa
como
A/B
= AB B
= AB T (BB T )1 B
= (LabQTb + LaaQTa )QbLTbb(LbbQTb QbLTbb )1B
= LabLbb B = LabQTb
7 de Mayo 2015
P. 10

Considerar un sistema lineal discreto e invariante en el tiempo:
xk+1 = Axk + Buk + Kek
yk
= Cxk + Duk + ek
Primero se requiere cambiar la representaci

on anterior para
separar la representaci
on del efecto de la parte determinista y
la estocastica:
xk
= xdk + xsk
yk
= ykd + yks
7 de Mayo 2015
P. 11
Subsistema determinista
Este subsistema decribe la influencia de u(t) sobre la salida
determinista ykd
xdk+1 = Axdk + Buk
ykd = Cxdk + Duk
Asociados con el subsistema determinista se pueden definir:
La matriz de observabilidad extendida i

i =
C
CA
CA2
..
CAi1
7 de Mayo 2015
P. 12
Subsistema determinista
La matriz de controlabilidad extendida determinista e
invertida di
di =
i1
i2
AB
La matriz triangular inferior por bloques, determinista de

Toeplitz Hdi
d
Hi =
D
CB
CAB
CAi2 B
0
D
CB
CAi3B
0
0
D
CAi4 B
7 de Mayo 2015
0
0
0
P. 13
Subsistema estoc
astico
Este subsistema decribe la influencia de u(t) sobre la salida
estocastico yks
xsk+1 = Axsk + wk
yks
= Cxsk + vk
Asociados con el subsistema determinista se pueden definir:

La matriz triangular inferior por bloques, estoc
astica de
Toeplitz Hsi
0
0
0
0
C
0
0
0
s
C
0
0
Hi = CA

CAi2 CAi3 CAi4 0
7 de Mayo 2015
P. 14
Matrices Hankel por bloques y ecuaciones entrada-salida

Matriz Hankel por bloques de la entrada
u0
u1
u1
u2
U0|i1 =

ui1 ui
uj1
uj

ui+j2
Matriz Hankel por bloques de la salida
y0
y1
y1
y2
Y0|i1 =

yi1 yi
yj1
yj

yi+j2
donde j
7 de Mayo 2015
P. 15

Considerar la siguiente notacion:
Up = U0|i1, Uf = Ui|2i1,
Yp = Y0|i1,
Yf = Yi|2i1
donde ()p denota el pasado y donde ()f denota el futuro.

La matriz conteniendo las entradas pasadas Up y las salidas
pasadas Yp se agruparan en Wp:
Wp =
Yp
Up
7 de Mayo 2015
P. 16

Matriz Hankel por bloques para la salida Y ,
s
s
Yps = Y0|i1
Yfs = Yi|2i1
Matriz Hankel por bloques para el ruido en el proceso w,
Mp = M0|i1 Mf = Mi|2i1
Matriz Hankel por bloques para el ruido de medici
on v
Np = N0|i1 Nf = Ni|2i1
7 de Mayo 2015
P. 17

Secuencia de estado Xi se define como sigue:
Xi =
xi xi+1 xi+2
Xid =
xdi
xdi+1
xdi+2
Xis =
xsi
xsi+1
xsi+2
xi+j1
xdi+j1
xsi+j1
as como las secuencias pasadas y futuras de la parte determinista

y estocastica
Xp = X0 , Xf = Xi
Xfs = Xis
Xpd = X0d, Xfd = Xid

Xps = X0s,
7 de Mayo 2015
P. 18

El sistema discreto puede escribirse como sigue:
Yp = iXpd + HidUp + Yps,
Yf
= iXfd + HidUf + Yfs,
Yps = iXps + HisMp + Np,

Yfs = iXfs + HisMf + Nf ,
Xfd = AiXpd + di Up,
7 de Mayo 2015
P. 19
Ejemplo
El punto de partida es la representaci
on del sistema
mostrado la sesi
on anterior:
Yp = iXdp + HdiUp + Yps ,
Yf
= iXdf + HdiUf + Yfs,
Yps = iXsp + HsiMp + Np,

Yfs = iXsf + HsiMf + Nf ,
Xdf = AiXdp + diUp,
Las cuales pueden obtenerse al considerar las salidas
para cada tiempo desde yk hasta yk+i1 y colocarlas
de manera ordenada:
7 de Mayo 2015
P. 20
Ejemplo
yk = Cxk + Duk + vk
yk+1 = Cxk+1 + Duk+1 + vk+1
yk+1 = C (Axk + Buk + wk ) + Duk+1 + vk+1
yk+1 = CAxk + CBuk + Cwk + Duk+1 + vk+1
yk+2 = Cxk+2 + Duk+2 + vk+2
yk+2 = C (Axk+1 + Buk+1 + wk+1) + Duk+2 + vk+2
yk+2 = CA (Axk + Buk + wk ) + CBuk+1 + Cwk+1 + Duk+2 + vk+2
yk+2 = CA2xk + CABuk + CAwk + CBuk+1 + Cwk+1 + Duk+2 + vk+2
7 de Mayo 2015
P. 21
Ejemplo
donde resulta:
yk = Cxk + Duk + vk
yk+1 = CAxk + CBuk + Cwk + Duk+1 + vk+1
yk+2 = CA2xk + CABuk + CAwk + CBuk+1 + Cwk+1 + Duk+2 + vk+

Que puede ser re-acomodado como:
yk
D
0
0
uk
C
yk+1 = CA xk + CB
D
0 uk + 1 +
CAB CB D
y k +2
uk + 2
CA2
0
0 0
wk
vk
0 0 wk + 1 + v k + 1
+ C
CA C 0
wk + 2
v k +2
7 de Mayo 2015
P. 22
Ejemplo
Basados en esto se puede ahora analizar la Matriz Hankel por bloques
de la salida
y0 y1 y2
Yp = y 1 y 2 y 3
y2 y3 y4
Cx0 + Du0 + v0 Cx1 + Du1 + v1 Cx2 + Du2 + v2

= Cx1 + Du1 + v1 Cx2 + Du2 + v2 Cx3 + Du3 + v3
Cx2 + Du2 + v2 Cx3 + Du3 + v3 Cx4 + Du4 + v4
u0 u1 u2
D
0
0
C

D
0 u1 u2 u3
= CA x0 x1 x2 + CB
u2 u3 u4
CAB CB D
CA2
0
0 0
w0 w1 w2
v0 v1 v2
0 0 w1 w2 w3 + v 1 v 2 v 3
+ C
CA C 0
w2 w3 w4
v2 v3 v4
7 de Mayo 2015
P. 23
Introducci
on
El punto de partida es la representaci
on del sistema
mostrado la sesi
on anterior:
Yp = iXdp + HdiUp + Yps ,
Yf
Yps = iXsp + HsiMp + Np,

Yfs = iXsf + HsiMf + Nf ,
Xdf = AiXdp + diUp,
Las cuales pueden obtenerse al considerar las salidas
para cada tiempo desde yk hasta yk+i1 y colocarlas
de manera ordenada:
7 de Mayo 2015
Los dos pasos b

asicos en identificaci
on por subespacios
Pasos b
on por subespacios
El punto de partida es la ecuaci
on
Yf
La idea es recobrar el t
ermino iXdf de la ecuaci
on anterior.
Note que el rango de este t
ermino es n, el orden del sistema!
erminos i y Xdf pueden ser
Una vez obtenido iXdf, los t
obtenidos mediante una descomposici
on en valores singulares
(svd).
Yf /U
=
X
/U
+
Y
/U
i
f
f
f
f
f
7 de Mayo 2015
P. 24
Los dos pasos b

on por subespacios
C
alculo de secuencia de estados y de la matriz de
observabilidad
Bajo el supuesto de que las entradas no estan correlacionadas
con el ruido:
s
Yfs/U
= iXsf/U
f
f + Hi Mf /Uf + Nf /Uf
s
= iXsf/U
f + Hi M f + Nf
y con la substituci
on en la ecuaci
on para Yf /U
f resulta:
d
s
Yf /U
f =i Xf /Uf + i Xf /Uf + Hi Mf + Nf
d
s
s
Yf /U
f =i (Xf + Xf )/Uf + Hi Mf + Nf
7 de Mayo 2015
P. 25
Los dos pasos b

on por subespacios
C
observabilidad
El siguiente paso consiste en pre y post multiplicar por las
matrices de ponderaci
on W 1 y W 2 :
s
W1Yf /U
f W2 = W1i Xf /Uf W2 + W1 (Hi Mf + Nf )W2
Las matrices Uf , W1 y W2 no pueden ser asignadas de

manera arbitraria y deben de satisfacer las siguientes 3
condiciones:
1. rank(W1i) = rank(i)
2. rankXf = rank(Xf /U
f W2 )
3. Mf W2 = 0
Nf W 2 = 0
7 de Mayo 2015
P. 26
Los dos pasos b

on por subespacios
C
observabilidad
Las primeras dos condiciones se refieren a la preservaci
on del
rango de la matriz de observabilidad extendida mientras que
la tercera esta asociada con que W2 no este correlacionado
con el ruido wk y vk.
Con lo anterior se puede obtener que:
Oi = W1Yf /U
f W2
Oi = W1iXf /U
f W2
y con una descomposici
on en valores singulares

T
S1 0
V1
Oi= U1 U2
0 0
V2T
7 de Mayo 2015
P. 27
Los dos pasos b

on por subespacios
P. 28
C
observabilidad
Resulta que:
rankOi = n
1/2
W1i = U1 S1
1/2
T
Xf /U
f W 2 = S1 V 2
Con lo que el c
alculo de las matrices de inter
es se puede
realizar como:
1/2
i = W11U1S1 T
1/2 T
i = Xf /U
X
W
=S
2
f
1 V2
i
Con una selecci
on particular de W2 el estimado X
corresponde al estimado de los estados de un filtro de
Kalman.
7 de Mayo 2015
Los dos pasos b

on por subespacios
C
observabilidad
Comentarios:
Mediante la asignaci
on de W1 y de W2 se
pueden interpretar todos los algoritmos existentes de
identificaci
on por subespacios.
Dentro de los algoritmos existentes se encantran: N4SID,
MOESP, CVA, basic-4SID y el IV-4SID. Los detalles de
las diferencias se pueden revisar en el texto.
Otra diferencia en los algoritmos la marca la informaci
on
que utilizan para calcular las matrices del sistema: algunos
utilizan i (IV-4SID, basic-4SID, MOESP) y algunos la
i (N4SID, CVA)
secuancia de estados estimada X
7 de Mayo 2015
P. 29
C
alculo de las matrices del sistema
P. 30
C
Idea b
asica cuando se utiliza la secuencia estimada de estados Xf
Definici
on de excitaci
on persistente
La secuencia de entradas uk m es de excitaci
on
persistente deh orden 2i si i la matriz de covarianza de
1
es de rango completo por
U0|2i1UT
la entrada
0|2i1
j
renglones, el cual es 2mi.
7 de Mayo 2015
C
P. 31
C
Teorema
Bajo el supuesto de que se cumple con:
1. La entrada determinista uk no esta correlacionada con wk
ni con vk
2. La entrada uk es de excitaci
on persistente de orden 2i.
3. El n
umero de datos disponibles es grande j
4. El ruido de proceso wk y el ruido de medici
on vk no son
identicamente cero.
5. La matriz de ponderaci
on W2 esta dada por
W2 = (Wp/U
f ) Wp
entonces:
7 de Mayo 2015
C
P. 32
C
1. La proyecci
on ponderada Oi puede re-escribirse como una
proyecci
on oblicua de las salidas futuras Yf en las entradas
pasadas y salidas Wp a lo largo de las entradas futuras Uf
i
Oi= W1Yf /Uf Wp = W1iX
2. El orden del sistema es igual al n
umero de valores
singulares de Oi diferentes de cero.
i y la matriz de observabilidad
3. La secuencia de estados X
extendida i se pueden obtener como:
i = S1/2V1T,
X
1
1/2
i = W11U1S1
7 de Mayo 2015
C
P. 33
C
Modelo del sistema. Las matrices del sistema se pueden
obtener resolviendo un conjunto simple de ecuaciones sobre
determinadas en un sentido de mnimos cuadr
ados:

i+1
X
Yi|i
A B
C D

i
X
Ui|i

w
+
v
Modelo del ruido. Las matrices de covarianza del ruido Q, S

y R pueden ser estimadas del residuo:

Q S
ST R
1
=
j

w
v
T
T
w v
7 de Mayo 2015
C
P. 34
C
Idea b
asica cuando se utiliza la matriz de observabilidad extendida i
Determinaci
on de A y C:
Estas matrices pueden ser obtenidas directamente de la
matriz de observabilidad extendida:
i
i A =
i denota la matriz i sin el u
ltimo y el primer
donde i y
rengl
on respectivamente. Entonces:
i
A = i
C = i(1 : l, :)
7 de Mayo 2015
C
P. 35
C
Determinaci
on de B y D:
Estas matrices pueden ser obtenidas despues de obtener A y C. Se
presenta a continuaci
on un camino para hacer este c
alculo. De la
ecuaci
on entrada-salida se define:
Y
U
=
f
i
i Hi
f
y esta ecuaci
on puede ser re-escrita como:
D
0
0

CB
D
0
M1 Mi
L1 Li
=
..
..
. . . ..
CAi2B CAi3B D
La cual puede ser re-escrita como:

M1
L1 Li
D
.. = .. . . . .. Il 0
B
0 i
Mi
Li 0
7 de Mayo 2015
Siguiente sesi
on
P. 36
Siguiente sesi
on
Software para identificaci

on por subespacios
Extensiones
7 de Mayo 2015

Sesion 8

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Sesion 8

Uploaded by

Copyright:

Available Formats

Identificaci

El problema de identificacion puede formularse como sigue:

donde LC C representa la proyecci

Estructura en subespacios de sistemas lineales

Estructura en subespacios de sistemas lineales

Primero se requiere cambiar la representaci

Estructura en subespacios de sistemas lineales

Estructura en subespacios de sistemas lineales

La matriz triangular inferior por bloques, determinista de

Estructura en subespacios de sistemas lineales

Asociados con el subsistema determinista se pueden definir:

Estructura en subespacios de sistemas lineales

Matrices Hankel por bloques y ecuaciones entrada-salida

Matriz Hankel por bloques de la salida

Estructura en subespacios de sistemas lineales

Matrices Hankel por bloques y ecuaciones entrada-salida

donde ()p denota el pasado y donde ()f denota el futuro.

Estructura en subespacios de sistemas lineales

Matrices Hankel por bloques y ecuaciones entrada-salida

Matriz Hankel por bloques para el ruido en el proceso w,

Estructura en subespacios de sistemas lineales

Matrices Hankel por bloques y ecuaciones entrada-salida

as como las secuencias pasadas y futuras de la parte determinista

Xpd = X0d, Xfd = Xid

Estructura en subespacios de sistemas lineales

Matrices Hankel por bloques y ecuaciones entrada-salida

= iXfd + HidUf + Yfs,

Yps = iXps + HisMp + Np,

Estructura en subespacios de sistemas lineales

= iXdf + HdiUf + Yfs,

Yps = iXsp + HsiMp + Np,

Estructura en subespacios de sistemas lineales

Estructura en subespacios de sistemas lineales

yk+2 = CA2xk + CABuk + CAwk + CBuk+1 + Cwk+1 + Duk+2 + vk+

Estructura en subespacios de sistemas lineales

Cx0 + Du0 + v0 Cx1 + Du1 + v1 Cx2 + Du2 + v2

Estructura en subespacios de sistemas lineales

= iXdf + HdiUf + Yfs,

Yps = iXsp + HsiMp + Np,

Los dos pasos b

= iXdf + HdiUf + Yfs,

Los dos pasos b

Los dos pasos b

Las matrices Uf , W1 y W2 no pueden ser asignadas de

Los dos pasos b

Los dos pasos b

Los dos pasos b

Modelo del ruido. Las matrices de covarianza del ruido Q, S

Software para identificaci

You might also like