Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Identificación Paramétrica
Identificación Paramétrica
Resumen
El avance alcanzado por los sistemas computacionales,
tanto en Hardware
Abstracl
The advance reaclled by computers systems, liIeeHardware as-well as Software, tlley have permitted development of very afficient Process control
systems. Algoritllms to microcomputers and embedded microicontrolers,
devoted to tl12control of processes, llave /et back to tl12traditional controllers.
The appearance 01 new algebraic controllers and control algorithms have
Introduccin
Especialista en Computadores
y Sistemas Digitales
de la Universidad del Valle. Profesor del Departa~
mento de Ingeniera Elctrica de la Universidad del
Norte.
10
& Desarrollo.
Licenciado
en Matemticas
y Fisica de la CUCO
Ingeniera
Universidad
Sistemas dinmicos
En trminos generales, un sistema es un
objeto en el cual variables de diferente
tipo interactan yproducenseales observables. Las seales observables que nos
interesan son llamadas salidas. El sistema es afectado por estmulos externos;
algunos de los cuales son manipulables
por el observador, las entradas y por
otras, las perturbaciones. Estas perturbaciones pueden ser de dos tipos: las medibles directamente y aquellas de las
cuales slo pueden observarse sus efectos en la salida. Para el modelado de
sistemas no es muy importante la distincin entre perturbaciones y entradas.
La nocin de sistema es, obviamente, muy amplia, por cuanto este concepto representa un papel muy importante
en la ciencia moderna. Muchos problemas de diferente ldole son solucionados con estructuras orientadas a sistemas.
& Desarrollo.
Universidad
otras palabras, los modelos se construyen a partir de datos observados, y pueden ser de diverso tipo:
-
Mentales
Grficos
Matemticos ( analticos )
De Software
11
- Validacin
La construccin de modelos a partir
de datos implica tres elementos bsicos:
- Los datos
- Un conjunto de modelos candidatos
Una regla por medio de la cual los
modelos candidatos puedan ser
parametrizados y evaluados usando los datos.
Planificacin experimental
sealesdeentradaysalida.u esla(s)entrada(s)
Realizar experimentos en procesos industriales puede resultar costoso, adems de dificil. Es, por lo tanto, deseable
disponer de mtodos experimentales
que no requieran de seales de entrada
especiales. Los datos de entrada-salida
son recogidos mediante un experimento de Identificacin especialmente diseado, donde el usuario determina las
seales quese deben medir, lo mismo
que cundo medidas y el tipo de seales de entrada que se utilizar.
y
u
Fig.l. Representacin
salida(s).
Procedimientos bsicos para la identificacin de sistemas
Los procedimientos para construir modelos e identificar sistemas involucran
tcnicas que deben tener en cuenta los
siguientes aspectos:
Planificacin experimental
Seleccin de la estructura del modelo
- Estimacin de parmetros
12
ra!. Pueden entonces manejarse las estructuras del modelo como modelos de
cajas negras. Como ejemplo de modelo en ecuacin de diferencias tenemos que
A(q)y(k) = B(q)u(k) + C(q)e(k)
en donde u es la entrada, y la salida, y e
una perturbacin de tipo ruido blanco.
Estimacin de parmetros
Resolver el problema de la estimacin
de parmetros requiere, como se dijo
anteriormente, de:
Datos de entrada - salida del proceso
- Una clase de modelos
- Un criterio
Una vez escogido un modelo debe probarse para determinar su comportamiento y qu tan bien se ajusta al
sistema, o sea, qu tan vlido es para
nuestros propsitos. La determinacin
de este modelo implica llegar al modelo
particular que mejor describe al sistema
de acuerdo con el criterio de escogencia
determinado.
ciones.
Ingeniera
& Desarrollo.
Universidad
13
Conocimiento
previo
Diseo experimental
Datos
Las ideas anteriores nos llevan a concluir que las tcnicas sobre sistemas y
seales digitales y los computadores
permiten disponer de Algoritmos de
Identificacin con caractersticas tales
Escogencia
del Modelo
corno:
No: Revisar
Si:
Usar
Ingenierfa
& Desarrollo.
Universidad
Identificacin paramtrica
Identificacin en lnea
&: Desarrollo.
Universidad
15
k,,=
(1)
Otro hecho sabido es que si conocemos la dinmica de un sistema LTI causal, y conocemos adems la entrada,
podemos entonces calcular la correspondiente salida. No obstante, en la
prctica siempre habr seales fuera de
nuestro control que afectarn al sistema. Con nuestra estructura lineal podemos suponer que tales efectos pueden
reunirse y sumarse a la salida del sistema, tal como se muestra:
.(1) ~~
y(t)
Lk
g(k)q-k , 1::;;
k::;;=
O ::;; k::;;=
v(t) = H(q)e(t)
y la descripcin del sistema lineal
con perturbacin aditiva se convierte
en:
Ingeniera
& Desarrollo.
Universidad
Funciones frecuencia/es
el espectro resultante
es:
[ ei"'t G( ei'" ) ]
Para evaluar la influencia de las perturbaciones podemos generar (por medio del cOI),lputador) una secuencia de
nmeros e (t), t = 1,2,...N; que puedan
ser considerados aleatorios y como la
realizacin de un proceso estocstico de
ruido blanco con varianza 1...Entonces
la perturbacin es calculable como:
Funciones espectra/es
v(t)=H(q)e(t)=Ikh(k)e(t-k),
Ingeniera
& Desarrollo.
Universidad
O$k$=
(2)
17
Lk
Ih(k)I<=;O$k$=
y'(111-1)=H'\q)G(q)U(I)
+ [1-
H-\q)
J y(I)
o
H(q)y'(1 I 1-1)= G(q)u(l)
+ [H(q)
-1 ] y(l)
con
+ H'
\q)y(l)
A partir de H(q) podemos determinar H'(q) = H-1(q). Esto no resulta evidente, aunque con las restricciones impuestas puede probarse que el filtro
H(q) se comporta de manera similar a
suponiendo
l/H(z)
evaluable en
I z I ~ 1.
(3)
con
Prediccin de y un paso adelante
Si consideramos y(s) y u(s) conocidas
para s $ t-1, podriamos entonces conocer v(s) para s $ t-1
Y
H(q) = 1+ Lkh(k)q,k;
1$ k $=
18
oo.
A()
q = 1 + aq - +
oo.
+ anaq-na
As que
G(q,a) = B(q)/ A(q) ; H(q,a) = 1/ A(q)
= H-l(q,a)G(q,a)u(t)+
[1- H"l(q,a)]
y(t)
& Desarrollo.
Universidad
Probablemente la relacin entradasalida ms simple se obtiene describindola por una ecuacin de diferencias lineal de la forma:
Ingeniera
U/A
Con
C()q ~ 1 + cq -1 + ... + cnA -nc
; H(q,a)
~ C(q)/ A(q)
Esta es la propiedad importante aludida previamente; el predictor esel producto escalar entre un vector de datos
conocido j y el vector de parmetros
desconocidos q. Tal modelo es conocido en estadstica como una regresin
lineal, y al vector j(t) se le llama vector
de regresin.
En el caso de que algunos coeficientes de los polinomios A y Bsean conocidos, obtenemos una regresin lineal de
la forma
y'(t la) ~ jT(t)a + l1(t)
Donde l1(t)es un trmino conocido:
La desventaja de este modelo simple
es la prdida de una adecuada libertad
para describir las propiedades del trmino perturbacin. Para aumentar la
flexibilidad describimos la ecuacin
error como un promedio mvil de ruido blanco. Esto nos lleva al modelo
20
Ingeniera
& Desarrollo.
Universidad
"
e-
--.
T
[b1 b2".bnb f f2 ." fnl ]
Off
--,.-~y
]u(l) + [C(q)lD(q)
]e(l)
Off
Ingeniera
& Desarrollo.
Universidad
21
22
Ingeniera
& Desarrollo.
Universidad