Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Departamento: ELECTRNICA
NDICE
1. Introduccin..................................................................................................................... 1
1.1. Concepto de sistema................................................................................................. 1
1.2. Modelo de un sistema............................................................................................... 1
1.3. Tipos de modelos. .................................................................................................... 2
1.4. Mtodos de obtencin de modelos............................................................................ 3
2. Identificacin de sistemas. ............................................................................................... 4
2.1. El proceso de identificacin...................................................................................... 4
2.2. Mtodos de identificacin. ....................................................................................... 6
3. Tcnicas de identificacin no paramtrica...................................................................... 6
3.1. Conceptos previos. ................................................................................................... 7
3.2. Identificacin no paramtrica en el dominio del tiempo............................................ 7
3.3. Identificacin no paramtrica en el dominio de la frecuencia...................................10
4. Tcnicas de identificacin paramtrica..........................................................................10
4.1. Tipos de modelos paramtricos. ..............................................................................11
4.2. Mtodos para el ajuste de parmetros. .....................................................................13
4.2.1. Errores de prediccin o residuos de un modelo. .............................................14
4.2.2. Regresin lineal.............................................................................................14
4.2.3. Mtodo de mnimos cuadrados (LSE). ...........................................................14
4.2.4. Mtodo de variables instrumentales. ..............................................................16
5. Consideraciones prcticas sobre identificacin. ............................................................17
5.1. De la obtencin de los datos. ...................................................................................17
5.2. Del pretratamiento de los datos. ..............................................................................19
5.3. De la conversin de modelos no paramtricos a paramtricos..................................22
5.4. De la validacin del modelo. ...................................................................................25
6. Identificacin recursiva. .................................................................................................32
7. Aplicacin prctica: Identificacin y modelado de una planta con motores CC..........33
7.1. Planteamiento del problema. ...................................................................................33
7.2. Registro de los datos de entrada-salida. ...................................................................36
7.3. Tratamiento previo de los datos...............................................................................37
7.4. Identificacin no paramtrica mediante la respuesta transitoria................................38
7.5. Identificacin paramtrica. ......................................................................................40
7.6. Validacin del modelo ............................................................................................41
APNDICE: Identificacin de sistemas con MATLAB ....................................................42
BIBLIOGRAFA ................................................................................................................60
1. Introduccin
El diseo de un controlador continuo o discreto, ya sea mediante tcnicas clsicas o en
variables de estado, requiere de un modelo de la planta a controlar que caracterice su
comportamiento dinmico. Este modelo permite al diseador realizar y validar mediante
simulacin el ajuste de los parmetros del controlador que permiten obtener una respuesta que
satisfaga las especificaciones de diseo. En este tema se estudian diferentes alternativas para
obtener el modelo de un sistema como paso previo al diseo de un controlador.
1.1. Concepto de sistema
Un sistema es toda realidad en la que interactan variables de diferentes tipos para producir
seales observables. Las seales observables que son de inters para el observador se
denominan salidas del sistema, mientras que las seales que pueden ser manipuladas
libremente por dicho observador son las entradas del mismo. El resto de seales que influyen
en la evolucin de las salidas pero no pueden ser manipuladas por el observador se denominan
perturbaciones.
Perturbacin
e(t)
Salida
Entrada
u(t)
Sistema dinmico
y(t)
Figura 1. Sistema dinmico con entrada u(t), perturbacin e(t) y salida y(t).
Todo modelo matemtico o paramtrico, por tanto, consta de una o varias ecuaciones que
relaciona/n la/s entrada/s y salida/s (en los modelos dinmicos la variable t -tiempo- juega
tambin un papel primordial).
Ejemplo 1.
Un ejemplo de modelo matemtico de un sistema dinmico con dos entradas u1 y u2 y una
salida y puede ser el siguiente:
du ( t)
y( t ) = 5 1 + 3 u 1 ( t ) 2 u 2 ( t )
dt
donde hay que distinguir:
y( t ) = k 1
du 1 ( t )
+ k 2 u1 (t ) + k 3 u 2 (t )
dt
Los modelos obtenidos mediante tcnicas de identificacin tienen, sin embargo, las siguientes
desventajas:
1. Su rango de validez suele ser limitado (slo son aplicables a un determinado punto de
trabajo, un determinado tipo de entrada o un proceso concreto).
2. En muchos casos es difcil dar significado fsico al modelo obtenido, puesto que los
parmetros identificados no tienen relacin directa con ninguna magnitud fsica. Estos
parmetros se utilizan slo para dar una descripcin aceptable del comportamiento
conjunto del sistema.
En la prctica, lo ideal es recurrir a una mezcla de ambos mtodos de modelado para obtener
el modelo final. El uso de datos reales para identificar los parmetros del modelo provee a
ste de una gran exactitud, pero el proceso de identificacin se ve tanto ms facilitado cuanto
mayor sea el conocimiento sobre las leyes fsicas que rigen el proceso.
2. Identificacin de sistemas
Se entiende por identificacin de sistemas a la obtencin de forma experimental de un modelo
que reproduzca con suficiente exactitud, para los fines deseados, las caractersticas dinmicas
del proceso objeto de estudio.
2.1. El proceso de identificacin
En trminos generales, el proceso de identificacin comprende los siguientes pasos:
1. Obtencin de datos de entrada - salida. Para ello se debe excitar el sistema mediante la
aplicacin de una seal de entrada y registrar la evolucin de sus entradas y salidas durante
un intervalo de tiempo.
2. Tratamiento previo de los datos registrados. Los datos registrados estn generalmente
acompaados de ruidos indeseados u otro tipo de imperfecciones que puede ser necesario
corregir antes de iniciar la identificacin del modelo. Se trata, por tanto, de preparar los
datos para facilitar y mejorar el proceso de identificacin.
3. Eleccin de la estructura del modelo. Si el modelo que se desea obtener es un modelo
paramtrico, el primer paso es determinar la estructura deseada para dicho modelo. Este
punto se facilita en gran medida si se tiene un cierto conocimiento sobre las leyes fsicas
que rigen el proceso.
Experimento
de registro
de datos
Tratamiento
de los datos
Eleccin
de la estructura
del modelo
Eleccin
del criterio de ajuste
de parmetros
Datos
u(t)
Sistema dinmico
y(t)
Suponiendo que el sistema es lineal, la relacin entre la salida del sistema y(t), su entrada u(t)
y el ruido e(t) puede expresarse del siguiente modo:
y( t ) = G ( q 1 ) u( t ) + e( t )
(ec.1)
G ( q 1 ) u ( t ) = g ( k ) u ( t k )
(ec.2)
k =1
y por tanto:
G ( q ) = g( k ) q k
1
(ec.3)
k =1
La secuencia g(k) se conoce como respuesta al impulso del sistema, y coincide con la salida
del mismo cuando a la entrada se aplica un impulso unitario. Por otro lado, la funcin G(z) es
la funcin de transferencia del sistema. Evaluando esta ltima a lo largo del crculo unidad
(z=ej) se obtiene la llamada respuesta en frecuencia del sistema, G(ej).
La respuesta al impulso es un modelo no paramtrico que se define en el dominio del tiempo,
mientras que la respuesta en frecuencia es una descripcin no paramtrica en el dominio de la
frecuencia.
3.2. Identificacin no paramtrica en el dominio del tiempo
Mediante esta tcnica de identificacin se pretende obtener la respuesta al impulso del
sistema, o bien la respuesta al escaln del mismo (pudiendo obtenerse esta ltima mediante
una integracin de la primera). Para ello, debe registrarse la evolucin temporal de la salida
del sistema tras la aplicacin de una seal impulso o escaln. Obviamente, la imposibilidad de
conseguir este tipo de seales en la prctica lleva a utilizar un mtodo indirecto para obtener
la respuesta impulsiva, conocido como anlisis de la correlacin.
Si se escoge como entrada al sistema u(t) un ruido blanco, cuya funcin de covarianza es:
si = 0
R u ( ) = E [ u( t + ) u( t ) ] =
0 si 0
(ec.4)
entonces la correlacin cruzada entre la entrada y la salida puede ponerse del siguiente modo:
R yu ( ) = E[ y( t + ) u( t )] = g( )
(ec.5)
y por tanto la respuesta al impuso puede obtenerse a partir de las N muestras registradas de la
entrada y la salida del sistema del siguiente modo:
g( ) =
1 N
y( t + ) u( t )
N t =1
(ec.6)
Ejemplo 2.
e(t)
u(t)
0.5 z 2 0.3 z 3
1 + 0.2 z 1 + 016
. z 2 + 0.24 z 3
y(t)
En primer lugar se realizar una simulacin del mismo en Matlab incluyendo la presencia
de un ruido aleatorio para obtener un conjunto de datos de entrada-salida que sirvan de
punto de partida para la identificacin (revsense las funciones del Toolbox de
Identificacin en el apndice).
>> numd=[0.5 -0.3];
%numerador de la funcin de transferencia en z
>> dend=[1 0.2 0.16 0.24]; %denominador de la funcin de transferencia en z
10
15
Nmero de muestra
20
R u ( ) = E[ u ( t + ) u ( t ) ] = 1 N u ( t + ) u ( t )
t =1
N
R yu ( ) = E[ y( t + ) u( t )] = 1 N y( t + ) u( t )
t =1
(ec.7)
yu () =
( ) e j
(ec.8)
yu
( ) e
se demuestra que puede obtenerse la respuesta en frecuencia del sistema mediante la siguiente
expresin:
yu ()
G( e j ) =
(ec.9)
u ()
Las principales ventajas de este mtodo son el no requerir un procesamiento complejo de los
datos, ni ningn tipo de conocimiento previo sobre la planta, a excepcin de que sta sea
lineal. Adems, permite concentrar los datos obtenidos en torno al margen de frecuencias de
inters. El principal inconveniente es que el modelo resultante no puede usarse directamente
para simulacin.
10
(ec.10)
donde w(t) es el trmino que modela la salida debida a las perturbaciones, (t) la salida
debida a la entrada, y s(t) la salida medible del sistema. Cada uno de estos trminos puede
desarrollarse de la siguiente forma:
(ec.11)
( t ) = G (q 1 , ) u( t )
w ( t ) = H (q 1 , ) e( t )
1
s( t ) = A(q , ) y( t )
(ec.12)
(ec.13)
donde q-1 es el operador retardo, representa un vector de parmetros, u(t) y e(t) son la
entrada al sistema y el ruido de entrada al mismo respectivamente e y(t) es la salida de inters
del sistema (que puede no coincidir con la salida medible). Tanto G(q-1,) como H(q-1,) son
cocientes de polinomios del tipo:
B(q 1 ) b 1 q nk + b 2 q nk 1 + + b nb q nk nb+1
G (q , ) =
=
F(q 1 )
1 + f1 q 1 + + f nf q nf
C(q 1 ) 1 + c 1 q 1 + + c nc q nc
H (q 1 , ) =
=
D(q 1 ) 1 + d 1 q 1 + + d nd q nd
1
A (q 1 , ) = 1 + a 1 q 1 +...+ a na q na
(ec.14)
(ec.15)
B(q 1 )
C ( q 1 )
u
(
t
)
+
e( t )
F(q 1 )
D ( q 1 )
(ec.16)
11
Para elegir la estructura de este tipo de modelos hay que determinar el orden de cada uno de
los polinomios anteriores, es decir na, nb, nc, nd, nf y el retardo entre la entrada y la salida nk.
Una vez elegidos estos valores, slo queda determinar el vector de coeficientes (ai, bi, ci, di
y fi ) que hacen que el modelo se ajuste a los datos de entrada - salida del sistema real.
En muchos casos, alguno de los polinomios anteriores no se incluye en la descripcin del
modelo, dando lugar a los siguientes casos particulares, entre otros:
Tipo de modelo
Condicin
Estructura resultante
Modelo ARX
A(q ) y( t ) = B(q -1 ) u( t ) + e( t )
C(q-1)=D(q-1)=A(q-1)=1
B(q -1 )
y( t ) =
u( t ) + e( t )
F(q -1 )
Modelo ARMAX
F(q-1)=D(q-1)=1
A(q -1 ) y( t ) = B(q -1 ) u( t ) + C( q -1 ) e( t )
A(q-1)=1
-1
-1
-1
-1
y( t ) =
B(q -1 )
C(q -1 )
u
(
t
)
+
e( t )
F(q -1 )
D(q -1 )
En la figura 5 se muestra el diagrama de bloques equivalente para cada uno de los modelos
anteriores.
e
1
A
a) Estructura ARX
B
F
b) Estructura OE
e
C
D
1
A
c) Estructura ARMAX
B
F
d) Estructura BJ
12
Ejemplo 3
Para el sistema del ejemplo 2, y dado que el ruido se suma directamente a la salida, el tipo
de estructura ms apropiada para identificacin debe ser del tipo Output Error (OE).
Dentro de este tipo, el nmero de parmetros ptimo de los polinomios B y F son los que
coinciden con la estructura real del sistema, es decir:
b 1 q 2 + b 2 q 3
B( q 1 )
y( t ) =
u( t ) + e( t ) =
u( t ) + e( t )
1 + f 1 z 1 + f 2 z 2 + f 3 z 3
F( q 1 )
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.
13
(ec.17)
(ec.18)
donde T(t) es un vector columna formado por las salidas y entradas anteriores (conocido
como vector de regresin), y es el vector de parmetros del modelo.
El modelo ARX es un claro ejemplo de estructura con regresin lineal, definiendo:
= [ a1
a na
a2
( t ) = [ y( t 1) y( t na)
T
b1
b nb ]
u( t nk ) u( t nk nb + 1)]
(ec.19)
1 N 1
2
[ y( t ) T ( t ) ]
N t =1 2
14
(ec.21)
Existe un valor de que minimiza la funcin anterior y que constituye la estimacin del
modelo por mnimos cuadrados:
1 N
LSE = sol T ( t ) [ y( t ) T ( t ) ] = 0
N t =1
(ec.22)
Para este vector de parmetros, la funcin de error VN toma su valor mnimo, siendo ste la
funcin de prdidas del modelo estimado.
Una variante del mtodo anterior, 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:
VAIC () = VN () (1 + 2 d N)
(ec.23)
siendo d el nmero de parmetros del modelo y N el nmero de muestras de los datos de
entrada-salida utilizados para su identificacin.
Ejemplo 4
Utilice el mtodo de mnimos cuadrados para estimar los parmetros del modelo OE
escogido en el ejemplo 3, utilizando para ello los datos de entrada-salida generados en el
ejemplo 2. Estime tambin un modelo ARX del mismo orden que el anterior, y compare
los parmetros de los modelos obtenidos con los del sistema real.
0
0
0.4988 -0.2973
0.0023 0.0034
F=
1.0000 0.1995 0.1529 0.2421
0 0.0070 0.0063 0.0058
Por tanto, el modelo OE obtenido es el siguiente:
15
0.4988 q 2 0.2973 q 3
y( t ) =
u( t )
1 + 01995
.
q 1 + 0.1529 q 2 + 0.2421 q 3
Y( z)
0.4988 z 2 0.2973 z 3
=
U( z) 1 + 01995
.
z 1 + 01529
.
z 2 + 0.2421 z 3
siendo sus parmetros prcticamente idnticos a los del sistema real. Entre la informacin
del modelo se encuentran tanto la funcin de prdidas por el mtodo de mnimos
cuadrados simple (0.967) como con el criterio de Akaike (0.9767).
A continuacin se realiza la estimacin del modelo ARX:
0.4963 q 2 0.3054 q 3
u( t )
y( t ) =
1 + 01766
.
q 1 + 01398
.
q 2 + 0.2204 q 3
Y( z)
0.4963 z 2 0.3054 z 3
=
U( z) 1 + 01766
.
z 1 + 01398
.
z 2 + 0.2204 z 3
En este caso los parmetros se desvan ms que en el anterior puesto que se supone el
ruido aadido en otro punto del sistema (ver figura 5). Puede observarse que las funciones
de prdidas son superiores que en el caso anterior.
IV = sol ( t )[ y( t ) T ( t ) ] = 0
N t =1
16
(ec.24)
donde los elementos del vector (t) son las llamadas variables instrumentales, que resultan de
aplicar algn tipo de filtro lineal al vector de regresin lineal T(t). Este mtodo es en realidad
una generalizacin del mtodo de mnimos cuadrados, que proporciona mejores resultados en
aquellos casos en que existe algn tipo de correlacin entre el ruido y la salida del sistema.
17
slo se obtendr la respuesta del sistema para la frecuencia de dicha seal. Por el contrario,
las seales escalonadas (con cambios bruscos) son muy utilizadas, puesto que contienen un
espectro suficientemente amplio de frecuencias.
Para sistemas lineales, basta con utilizar dos niveles de entrada, preferiblemente barriendo
todo el rango de variacin permitido. En este tipo de sistemas se suelen utilizar seales
binarias de duracin aleatoria (conocidas como seales binarias aleatorias o
pseudoaleatorias), como la mostrada en la figura 6.a). Sin embargo, para sistemas no
lineales es necesario trabajar con ms de dos niveles de entrada, como se muestra en la
figura 6.b).
a)
b)
Figura 6. a) Entrada binaria aleatoria para sistemas lineales.
b) Entrada escalonada aleatoria para sistemas no lineales
18
Una regla comnmente usada consiste en escoger una frecuencia de muestreo alrededor de
diez veces el ancho de banda del sistema. Esto corresponde aproximadamente a muestrear en
torno a cinco u ocho valores del tiempo de subida de la respuesta al escaln del sistema.
5.1.4. Eleccin del nmero de muestras a tomar
En principio, cuanta ms informacin se tenga sobre el sistema, ms exacto ser el proceso de
identificacin. En la prctica, el nmero de muestras a recoger durante el experimento de
identificacin viene limitado por la capacidad del dispositivo de memoria utilizado. Por tanto,
es importante llegar a un buen compromiso en la eleccin del periodo de muestreo y el
nmero de muestras a tomar.
5.2. Del pretratamiento de los datos
Los datos registrados pueden tener deficiencias que implican efectos devastadores en el resto
del proceso de identificacin, como son las siguientes:
Presencia de perturbaciones de alta frecuencia, por encima de las frecuencias de inters en
la respuesta del sistema.
Datos claramente errneos, producidos por fallos en el hardware o software utilizados en el
experimento de recogida de muestras.
Desviaciones, desplazamientos o perturbaciones de baja frecuencia.
A continuacin, se ver la forma de tratar cada una de estas deficiencias para conseguir unos
datos adecuados para el proceso de identificacin.
5.2.1. Eliminacin de perturbaciones de alta frecuencia
Estas perturbaciones se producen por fuentes de ruido ajenas al sistema y pueden ser evitadas
mediante una correcta eleccin del perodo de muestreo. Si, tras el experimento, se observa
que el perodo de muestreo escogido era innecesariamente pequeo (captndose por tanto
estas perturbaciones indeseadas), se puede recurrir al diezmado de los datos, para evitar
repetir el experimento con un perodo de muestreo mayor.
5.2.2. Eliminacin de datos errneos
Estos datos suelen presentarse de forma aislada, pero pueden tener un efecto muy negativo en
el proceso de identificacin. Por tanto, es fundamental eliminarlos antes de iniciar el proceso.
Esto se realiza generalmente manualmente, eliminando dicho dato y aproximando su nuevo
19
(ec.25)
Se trata de una ecuacin en diferencias que establece una relacin lineal entre la secuencia de
salida y(t), la secuencia de entrada u(t) y una fuente de ruido e(t), siendo q-1 el operador
retardo. Este modelo, en principio, debera caracterizar tanto la dinmica del sistema
(variaciones en torno a un punto de trabajo), como su respuesta en rgimen permanente, es
decir, cuando u(t) e y(t) se estabilizan en un valor que llamaremos u0 e y0 respectivamente.
Para este ltimo caso, la ecuacin anterior equivale a:
A (1) y 0 = B(1) u 0
(ec.26)
modelar el comportamiento del sistema en torno a dicho punto de operacin. Por tanto, el
modelo slo debe satisfacer las condiciones dinmicas del sistema, no debiendo cumplir la
relacin (ec.26). Una vez determinado el punto de trabajo deseado, (y0 , u0) , se realiza el
siguiente tratamiento sobre los datos de entrada - salida:
20
y( t ) = y m ( t ) y 0
u( t ) = u m ( t ) u 0
(ec.27)
Los nuevos datos de entrada - salida y(t) y u(t) representan las desviaciones de los datos
originales en torno al punto de equilibrio, y satisfacen simultneamente las ecuaciones
(ec.25) y (ec.26). En el caso de la ecuacin (ec.26), ambos miembros de la igualdad se
hacen cero, al ser (0,0) el nuevo punto de equilibrio de los datos.
En el caso de que la planta vaya a trabajar en torno a puntos de trabajo desconocidos, se
puede realizar una aproximacin al mtodo anterior considerando los valores medios de las
entradas y salidas como un posible punto de equilibrio del sistema. Es decir:
y0 =
1 N
1 N
y m ( t) ; u 0 = u m (t )
N t =1
N t =1
(ec.28)
Si una entrada que vara en torno a u0 produce una salida que vara en torno a y0, entonces
el punto (u0 , y0) es un buen candidato a ser un punto de equilibrio del sistema, o estar
cercano a l.
Como ya se ha comentado, el modelo obtenido por cualquiera de los dos mtodos
anteriores caracteriza correctamente la dinmica del sistema, tanto para los pares de datos
(y(t),u(t)) como para los pares (ym(t),um(t)), que slo difieren en sus niveles continuos. Sin
embargo, dicho modelo slo satisface el comportamiento esttico para los pares (y(t),u(t)),
obtenidos a partir de la operacin (ec.27) (puesto que ambos miembros de la ecuacin 3.26
se hacen 0). Lgicamente, podra darse el caso de que la ecuacin (ec.26) tambin se
cumpliera de forma fortuita con los datos (ym(t),um(t)), de forma que el modelo
caracterizara completamente al sistema. Si ste no es el caso, y se desea un modelo que
describa completamente al sistema (no slo su dinmica), al modelo A(q-1) B(q-1) obtenido
por los mtodos anteriores, se le debe aadir una constante que realice la correccin
oportuna de los niveles de continua:
A (q 1 ) y m ( t ) = B(q 1 ) u m ( t ) + + e( t )
(ec.29)
( t )
1 q 1
(ec.30)
21
A ( q 1 )
1
w(t )
1 u m ( t ) +
1
B(q )
(1 q ) A (q 1 )
(ec.31)
donde w(t)=(t)+e(t).
El desplazamiento , por tanto, puede ser descrito cambiando el modelo de ruido de 1/A(q1
) a 1/((1-q-1).A(q-1)). Esto es equivalente a realizar un prefiltrado de los datos a travs de
un filtro L(q-1)=1-q-1, es decir, a realizar una diferenciacin de los datos:
y Fm ( t ) = L(q 1 ) y m ( t ) = y m ( t ) y m ( t 1)
u Fm ( t ) = L(q 1 ) u m ( t ) = u m ( t ) u m ( t 1)
(ec.32)
Es importante notar que el modelo (ec.31) es un caso especial del (ec.25) si los rdenes de
A(q-1) y B(q-1) en este ltimo se incrementan en uno. Esto supone que un modelo de orden
superior del tipo (ec.25) puede converger con los datos (ym(t),um(t)), como ya se coment
al presentar la problemtica de los niveles de continua.
5.3. De la conversin de modelos no paramtricos a paramtricos
Los modelos no paramtricos se basan siempre en la obtencin de la respuesta transitoria o en
frecuencia del sistema que, si bien pueden utilizarse directamente para el diseo de
controladores, no sucede lo mismo para simulacin. Si se desea simular dichos modelos, es
necesario obtener una aproximacin paramtrica de los mismos. A modo de ejemplo, se
expondrn a continuacin varias aproximaciones paramtricas de modelos no paramtricos
obtenidos mediante el anlisis de la respuesta transitoria.
La seal ms simple que puede utilizarse para el anlisis del transitorio es, sin duda, la
funcin escaln. La respuesta de un sistema simple a la seal escaln puede aproximarse
generalmente mediante uno de los tres siguientes modelos paramtricos en el dominio
continuo:
1. Modelo de primer orden con retardo:
G (s) =
A
e L s
s+1
22
(ec.33)
(ec.34)
2n
A
2 s
n + 1
e L s
(ec.35)
( t L)
(ec.36)
23
Amplitud
AU
0.632AU
L
tiempo (s)
L+
AU
0.632AU
0.284AU
L
Tiempo(s)
L+/3
L+
24
Los parmetros del modelo pueden calcularse en este caso usando la construccin grfica
mostrada en la figura 8 y siguiendo el procedimiento:
1. Se toman dos puntos de la curva que corresponden al 63.2% y al 28.4% del valor
estacionario final y se determinan t0,284 y t0,632.
2. Se plantean las ecuaciones:
t 0,284 = L + 3
t 0,632 = L +
3. Se calculan los parmetros L y .
5.4. De la validacin del modelo
En todo proceso de identificacin es conveniente probar varias estructuras y diferentes
rdenes dentro de cada estructura hasta dar con el modelo que mejor se ajuste a los datos
obtenidos experimentalmente de la planta real. En definitiva, se trata de determinar cundo un
determinado modelo es lo suficientemente exacto para la aplicacin requerida, proceso que se
conoce habitualmente como validacin del modelo.
En general, la mayora de los mtodos de validacin tratan de determinar si la respuesta del
modelo se ajusta con suficiente exactitud a los datos de entrada-salida obtenidos mediante
experimentacin. A continuacin se exponen algunos criterios tpicos a la hora de descartar o
elegir unos modelos respecto a otros.
a) Validacin en base a la aplicacin del modelo
Puesto que en la prctica es imposible determinar si un modelo responde exactamente al
comportamiento de un sistema real, suele ser suficiente comprobar que el modelo es capaz de
resolver el problema para el cual ha sido hallado (simulacin, prediccin, diseo de un
controlador, etc.). As, por ejemplo, si el controlador que ha sido ajustado por medio del
modelo da buen resultado sobre el sistema real, se puede asegurar que el modelo era vlido
para esta aplicacin.
b) Comprobacin de parmetros fsicos
Para una determinada estructura que haya sido parametrizada en funcin de magnitudes
fsicas, un mtodo importante de validacin consiste en comparar el valor estimado de dichos
parmetros y el que sera de esperar mediante el conocimiento previo que se tiene de la planta.
25
Ejemplo 5
Compare la respuesta en frecuencia obtenida mediante identificacin no paramtrica
directa del sistema de los ejemplos anteriores con la obtenida indirectamente a travs del
modelo paramtrico del ejemplo 4 (modelo OE).
>> g=spa(datos); %Identificacin no paramtrica en el dominio de la frecuencia
>> g1=th2ff(th_oe); %Obtencin de la respuesta en frecuencia a partir del modelo OE
>> ffplot([g g1]); % Representacin grfica de ambas
10
10
10
Amplitud
-1
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
frecuencia (Hz)
Fase
100
0
-100
-200
-300
-400
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
frecuencia (Hz)
26
0.5
Ejemplo 6
Realice la estimacin por el mtodo de mnimos cuadrados de un modelo OE con un
parmetro ms en los polinomios B y F que los que tiene el sistema real, y realice una
representacin de los ceros y polos del modelo obtenido.
>> th_oe1=oe(datos,[3 4 2]); %Estimacin de los parmetros del modelo
>> zp=th2zp(th_grande);
%Obtencin de ceros y polos del modelo resultante
>> zpplot(zp);
%Representacin del diagrama de ceros y polos
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
-1
-0.5
0.5
27
Ejemplo 7
Analice las desviaciones estndar del modelo obtenido en ejemplo anterior, y compruebe
que a partir de ellas tambin se deduce la posibilidad de reducir el orden del modelo.
>> present(th_op1)
This matrix was created by the command OE on 4/30 1999 at 12:41
Loss fcn: 1.01 Akaike`s FPE: 1.024 Sampling interval 1
The polynomial coefficients and their standard deviations are
B=
0
0
0
0
F=
1.0000 0.4930 0.2204 0.2906 0.0786
0 0.4778 0.0908 0.0754 0.1135
Puede comprobarse que el ltimo parmetro de cada polinomio tiene una desviacin
superior al propio parmetro, lo que informa sobre la posibilidad de eliminar dicho
parmetro.
f) Simulacin
Un procedimiento muy habitual que puede ser considerado como otra tcnica de validacin de
modelos consiste en simular el modelo con un conjunto de entradas distintas a las utilizadas
para identificacin, y comparar la respuesta del modelo con la obtenida del sistema real.
28
Ejemplo 8
Valide mediante simulacin el modelo OE de orden [2 3 2]. Para ello, aplique la misma
entrada al sistema real y al modelo, y compare las respuestas obtenidas. Se propone como
ejercicio ensayar diferentes estructuras y rdenes, y contrastar los resultados.
>> u_valid=idinput(500,'PRBS',[0 0.2],[0 100]);
>> y_valid=dlsim(numd,dend,u_valid);
>> datos_valid=[y_valid u_valid];
>> compare(datos_valid,th_oe);
g) Anlisis de residuos
Se conocen como residuos de un sistema a los errores de prediccin obtenidos segn la
expresin:
( t ) = ( t , ) = y( t ) y e ( t , )
(ec.37)
siendo el vector de parmetros del modelo, y(t) la respuesta real del sistema e ye(t) la
respuesta estimada por el modelo para la misma entrada.
Idealmente, estos residuos deben ser independientes de la entrada. Si no sucede as, significa
que hay componentes en (t) que proceden de la entrada u(t), lo cual a su vez significa que el
modelo no es capaz de describir completamente la dinmica del sistema.
Para realizar el estudio anterior, suele comprobarse la correlacin entre el error de prediccin
y la entrada al sistema, segn la expresin:
R u =
1 N
( t + ) u( t )
N t =1
(ec.38)
El modelo ser tanto ms exacto cuanto ms se acerquen a cero los trminos de la correlacin
anterior. Puede demostrarse que si (t) y u(t) son realmente independientes, la expresin
anterior (para valores grandes de N) es una distribucin normal, con media cero y varianza
1
(ec.39)
Pr = R( k ) R u ( k )
N
donde R y Ru son las covarianzas de (t) y u(t) respectivamente.
29
han determinado utilizando los mismos datos de entrada, entonces Ru()=0 para
=nk,...,nk+nb-1.
Si Ru() es considerablemente distinto de cero para un valor 0, esto indica que el trmino
u(t-0) debera ser incluido en el modelo. ste es un buen mtodo para ajustar el orden ms
apropiado de la estructura del modelo.
Obviamente, el anlisis de los residuos ser un mtodo de validacin ms eficaz si el conjunto
de datos utilizados para realizar la correlacin es distinto que el usado para la identificacin
del modelo.
Ejemplo 9
Realice una representacin de los residuos y la correlacin cruzada entre la entrada y los
residuos para determinar la validez del modelo OE de orden [2 3 2] obtenido
anteriormente:
>> resid(datos_valid,th_oe);
Puesto que la correlacin no se sale del margen de validez, se deduce que la dinmica del
sistema queda suficientemente caracterizada con el modelo escogido.
30
0.5
0
0
10
15
20
25
lag
Cross corr. function between input 1 and residuals from output
1
0.1
0.05
0
-0.05
-0.1
-25
-20
-15
-10
-5
0
lag
10
15
20
25
Sin embargo, si se estima un modelo de orden inferior (por ejemplo, con un parmetro
menos en el polinomio F), el anlisis de residuos sera el mostrado en la figura 12.
>> th_red=oe(datos,[2 2 2]);
>> resid(datos_valid,th_red);
El pico que aparece en =3 informa de la necesidad de introducir un parmetro ms al
modelo, concretamente con retardo q-3, que es el que se ha eliminado respecto al sistema
real.
Correlation function of residuals. Output #
1
0.5
-0.5
0
10
15
20
25
lag
Cross corr. function between input 1 and residuals from output
1
0.2
0
-0.2
-0.4
-0.6
-25
-20
-15
-10
-5
0
lag
10
15
20
25
31
6. Identificacin recursiva
En determinadas ocasiones puede ser necesario estimar los parmetros de un modelo a la vez
que se reciben los datos de entrada-salida del mismo, como sucede en los sistemas de control
adaptativo. Esto permite actualizar los parmetros del modelo en el caso de que se produzcan
variaciones en la planta. Este tipo de algoritmos se conocen como mtodos de identificacin
recursiva.
Un algoritmo de identificacin recursiva tpico es el siguiente:
( t ) = ( t 1) + K ( t ) ( y( t ) y e ( t ))
(ec.40)
donde (t) es el vector de parmetros estimado en el instante t, y(t) la salida real del sistema
en dicho instante de tiempo, ye(t) la salida estimada con los parmetros actuales, y (t-1) el
vector de parmetros del modelo en el instante de tiempo anterior. De esta forma, K(t)
determina el modo en que el error de prediccin y(t)-ye(t) afecta en la actualizacin on-line de
los parmetros del modelo. Generalmente K(t) se elige del siguiente modo:
K ( t ) = Q ( t ) ( t )
(ec.41)
t)
o (
w( t )
(ec.42)
(ec.43)
Suponiendo que el modelo puede escribirse como una regresin lineal, uno de los mtodos
ms sencillos de escoger la matriz Q(t) est basado en el filtro de Kalman, dando lugar al
siguiente algoritmo:
( t ) = ( t 1) + K( t ) ( y( t ) y e ( t ))
y e ( t ) = T ( t ) ( t 1)
K( t ) = Q( t ) ( t )
32
(ec.44)
Q( t ) =
P( t 1)
R 2 + ( t ) P( t 1) ( t )
T
P( t 1) ( t ) T ( t ) P( t 1)
P( t ) = P( t 1) + R 1
R 2 + T ( t ) P( t 1) ( t )
donde R2 es la varianza del error de prediccin del modelo.
33
DISPOSITIVO DIGITAL
INTERFAZ HARDWARE
Vcod
Wref
Vm
ACTUADOR
ELECTRNICO
CONTROLADOR
MOTOR
ENCODER
Wcod
TACMETRO
DIGITAL
Wm
Desde este punto de vista, la planta sobre la que acta el controlador digital est formada por
el conjunto Actuador+Motor+Tacmetro, cuyo modelado es necesario abordar como etapa
previa al diseo del controlador.
La funcin de transferencia terica que modela cada uno de los bloques que componen la
planta es la siguiente:
1. Actuador electrnico. La relacin entre la tensin que llega al motor Vm, y el cdigo
digital Vcod debe ser lineal, de forma que el actuador electrnico se puede modelar como
una ganancia de valor:
Vm mx
V
Vm (s)
Kact =
=
= nN
Vcod(s ) Vcod mx 2 1
siendo VN la tensin que llega al motor cuando Vcod toma su valor mximo (2n-1 siendo n
el nmero de bits de Vcod).
2. Motor de continua. El comportamiento bastante lineal de estos motores facilita la
caracterizacin de los mismos. En vaco, sin la accin de carga externa, la velocidad
angular de salida Wm en funcin de la tensin continua Vm aplicada puede simplificarse
mediante la relacin:
1
KE
Wm(s)
Am
M (s) =
=
e Lms =
e Lms
R a Jm
Vm(s)
m s + 1
s +1
KM KE
siendo KE la constante de fuerza contraelectromotriz, KM la constante de par, Ra la
resistencia de armadura, Jm la inercia del rotor y Lm el retardo. Estos parmetros pueden
englobarse en una ganancia esttica Am (rpm/V), en una constante de tiempo
electromecnica m (s) y en un retardo Lm (s).
34
Wm N Ts
60
en la que aparecen como parmetros la ganancia esttica total A, la constante de tiempo total
y el retardo total entre la entrada y la salida L.
INTERFAZ HARDWARE
Vcod
DISPOSITIVO
DIGITAL
ACTUADOR ELECTRNICO
Vm
V
Kact = n N
2 1
MOTOR
Am sLm
e
ms +1
TACMETRO DIGITAL
Wcod
Ktac =
N Ts
60
Wm
Conocida la estructura terica del modelo de la planta, es necesario obtener el valor de sus
parmetros. Para ello puede recurrirse a los datos proporcionados por el fabricante, con la
limitacin de que dichos datos se refieren al modelo del motor, pudiendo estar sujetos a
importantes tolerancias. La alternativa consiste en realizar una identificacin experimental
basada en el registro de datos de entrada-salida y la posterior aplicacin de las tcnicas de
identificacin de sistemas vistas en este captulo.
35
Solicitar periodo de
muestreo Ts
Solicitar forma de la seal de
entrada:
n de tramos (n)
valor de cada tramo (Vcod)
n de muestras de cada tramo (x)
Almacenar las (nx) muestras en un
array vcod[]
Inicializacin:
parar el motor
inicializar el hardware
i=0
BUCLE PRINCIPAL
Eviar vcod[i]
Leer wcod[i]
Dejar pasar Ts
Incrementar i
SI
i<(nx)
NO
Tratamiento de datos si es
necesario
(ej: conversin de posicin a
velocidad, etc.)
Finalizacin:
parar el motor
guardar vcod[] y wcod[] en ficheros
36
100
200
300
400
500
600
700
800
500
600
700
800
Wcod
200
150
100
50
0
100
200
300
400
Figura 16. Ejemplo de registro de datos de entrada-salida de una planta basada en motor CC.
37
1. Recupere en Matlab los datos recogidos en la fase anterior mediante el uso de las funciones
fopen(), fread() y fclose().
2. Realice la representacin grfica de los datos utilizando para ello la funcin del Toolbox de
Identificacin idplot().
3. Decida si es necesario realizar un tratamiento de los datos. En caso de que sea necesario, el
Toolbox de Identificacin proporciona, entre otras, las siguientes funciones para la
manipulacin de datos: dtrend() y idfilt().
7.4. Identificacin no paramtrica mediante la respuesta transitoria
El anlisis de la respuesta transitoria registrada permite obtener de forma grfica la ganancia
esttica, constante de tiempo y retardo de la planta a identificar.
Ejemplo 10.
Del anlisis del primer escaln de la figura 16 pueden extraerse las siguientes
conclusiones:
1. El retardo puede obtenerse realizando un listado de los primeros datos contenidos en
los vectores Vcod y Wcod:
>> [Vcod(1:5) Wcod(1:5)]
150
150
150
150
0
0
1
4
Puesto que las dos primeras muestras son nulas, puede asegurarse que TsL<2Ts.
2. La ganancia esttica se obtiene de la relacin entre el valor final de Wcod y Vcod, tal
y como se muestra en la siguiente figura:
A=
38
Wcod ss
45
=
Vcod ss 150
150
Vcod
100
50
45
450,63
Wcod
0
0
18
50
100
150
n de muestra
= (18 2) Ts
39
40
41
42
Ejemplo A.1.
El Toolbox de Identificacin proporciona un fichero (dryer2) con datos de entrada-salida
correspondientes a un secador de mano. A continuacin se muestran los comandos y
funciones necesarios para introducir dichos datos en el Workspace, seleccionar la mitad
de ellos para identificar y la otra mitad para validar, y realizar una representacin grfica
de los datos seleccionados para identificar.
>> load dryer2
>> who
Your variables are:
u2
y2
>> tam=length(u2); %tamao de los vectores de datos u2 e y2 (deben ser iguales)
>> datos_ident=[y2(1:tam/2) u2(1:tam/2)];%seleccin de primera mitad para identificar
>> datos_val=[y2(tam/2+1: tam) u2(tam/2+1: tam)]; % y segunda mitad para validar
>> idplot(datos_ident); % representacin grfica de los datos reservados para identificar
OUTPUT #1
7
6
5
4
3
100
200
300
400
500
400
500
INPUT #1
7
6
5
4
0
100
200
300
43
dtrend
idfilt
idinput
Idresamp
Ejemplo A.2
Compruebe el funcionamiento de la funcin dtrend aplicndola a los datos del ejemplo
anterior, y realizando una nueva representacin de los mismos. Tngase en cuenta que,
despus de utilizar dtrend, se mantiene la informacin de la dinmica del sistema, pero no
de su comportamiento esttico.
>> datos_ident=dtrend(datos_ident);
>> idplot(datos_ident);
OUTPUT #1
2
1
0
-1
-2
100
200
300
400
500
400
500
INPUT #1
1
0
-1
0
100
200
300
44
covf
cra
etfe
spa
bodeplot
ffplot
nyqplot
zpplot
Identificacin no paramtrica
Estimacin de la funcin de covarianza de una matriz de datos.
Anlisis de correlacin para obtencin de la respuesta al impulso.
Estimacin de funcin de transferencia emprica y periodograma.
Anlisis espectral.
Presentacin de resultados
Diagrama de Bode de una funcin de transferencia o espectro.
Representacin de funciones frecuenciales.
Diagrama de Nyquist de una funcin de transferencia.
Representacin de ceros y polos.
Ejemplo A.3
Obtenga la respuesta en frecuencia del secador de mano de los ejemplos anteriores, y
represente sus diagramas de Bode y de Nyquist.
>> g=spa(datos_ident);
>> bodeplot(g);
>> nyqplot(g);
10
10
10
-1
-2
10
-2
10
-1
-1
10
frequency (rad/sec)
PHASE PLOT, input # 1 output # 1
10
ph -200
ase
-400
-600
-2
10
10
10
frequency (rad/sec)
10
45
150
30
0.2
180
210
330
240
300
270
donde u(t), y(t) y e(t) son la entrada, salida y ruido del sistema respectivamente, y A, B, C, D
y F son polinomios funcin del operador desplazamiento (q-1).
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
anterior (conocida como PEM), entre las que hay que destacar:
ARX: A (q 1 ) y( t ) = B(q 1 ) u( t ) + e( t )
ARMAX: A (q 1 ) y( t ) = B(q 1 ) u( t ) + C(q 1 ) e( t )
46
Ejemplo A.4
Supngase un sistema dinmico cuyo comportamiento puede aproximarse por la siguiente
ecuacin en diferencias:
y ( t ) 15
. y( 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 (q 1 ) = 1 15
. q 1 + 0.7q 2
B(q 1 ) = 0 + 0q 1 + 2.5q 2 + 0.9q 3
ths = na nb nc nd nf
nk
47
Todas las funciones devuelven los parmetros del modelo en formato codificado. Para
presentar dichos parmetros en pantalla puede utilizarse la funcin:
>> present(th)
que muestra por cada polinomio del modelo un vector que contiene los coeficientes del
mismo comenzando por el trmino independiente a la izquierda, y continuando con las
potencias crecientes del operador retardo q-1.
La siguiente tabla muestra las distintas funciones de identificacin paramtrica disponibles en
el Toolbox de Identificacin:
ar
armax
arx
bj
oe
pem
ivar
ivx
iv4
present
Identificacin paramtrica
Estimacin de un modelo AR usando mnimos cuadrados recursivos.
Estimacin de un modelo ARMAX usando mnimos cuadrados recursivos.
Estimacin de un modelo ARX usando mnimos cuadrados recursivos.
Estimacin de un modelo Box-Jenkins usando mnimos cuadrados recursivos.
Estimacin de un modelo Output Error usando mnimos cuadrados recursivos.
Estimacin de un modelo lineal genrico usando mnimos cuadrados recursivos.
Estimacin de un modelo AR usando variables instrumentales.
Estimacin de un modelo ARX usando variables instrumentales.
Estimacin de un modelo ARX usando variables instrumentales de 4 etapas.
Presentacin de resultados
Presentacin de modelos paramtricos en formato theta.
Ejemplo A.5
Para el ejemplo del secador de mano, obtenga un modelo que se ajuste a la siguiente
estructura:
y( t ) + a 1 y( t T) + a 2 y( t 2 T) = b 1 u( t 3T) + b 2 u( t 4T)
La ecuacin anterior corresponde a un modelo ARX con dos coeficientes para el
polinomio A, dos para el polinomio B y tres retardos entre la entrada y la salida. La
funcin arx permite obtener los coeficientes del modelo por el mtodo de mnimos
cuadrados recursivos, para que ste se ajuste a los datos de entrada salida contenidos en la
matriz datos_ident:
48
A=
1.0000 -1.2765 0.3967 /*Coeficientes del polinomio A*/
0 0.0159 0.0146
/*Desviaciones de los coeficientes del polinomio A*/
Por tanto, los polinomios A(q-1) y B(q-1) resultantes de la identificacin son los
siguientes:
A (q 1 ) = 1 12765
.
q 1 + 0.3967q 2
B(q 1 ) = 0.0652q 3 + 0.0452q 4
y el modelo paramtrico (ecuacin en diferencias) del sistema discreto con periodo de
muestreo igual al utilizado para el registro de datos es el siguiente:
arxstruc
ivstruc
selstruc
struc
49
Ejemplo A.6
Para el ejemplo del secador de mano, obtenga la estructura que mejor ajusta el
comportamiento del sistema a un modelo ARX
La funcin struc devuelve una matriz con todas las estructuras resultantes de combinar
los rdenes na, nb y nk pasados como parmetros de entrada. La funcin arxstruc, a la
cual se le pasan la matriz de datos de identificacin, la de datos de validacin y la de
estructuras generada anteriormente, devuelve las funciones de prdidas de todas las
estructuras. Por ltimo, la funcin selstruc selecciona de todas las estructuras aqulla que
presenta una menor funcin de prdidas.
>> nn=struc([1:10],[1:10],[1:10]);
>> v=arxstruc(datos_ident,datos_val,nn);
>> nn=selstruc(v)
nn = 10 5 2
Por tanto, la estructura ARX ptima para los datos del secador de mano es aqulla que
tiene diez coeficientes para A(q-1), 5 para B(q-1) y dos retardos entre la entrada y la salida.
idmodred
thc2thd
thd2thc
th2arx
th2ff
th2par
th2poly
th2ss
th2tf
th2zp
sett
50
Ejemplo A.7
Convierta el modelo del secador de mano obtenido en el ejemplo A.5 a funcin de
transferencia en el dominio continuo.
Puesto que la conversin del dominio discreto al continuo depende del periodo de
muestreo utilizado, el primer paso es incluir en el formato theta del modelo obtenido en el
ejemplo A.5 la informacin del periodo de muestreo (supngase de 1 ms). A
continuacin, mediante las funciones thd2thc y th2tf se transforma el modelo del
dominio discreto al continuo primero, y despus del formato theta al de funcin de
transferencia (compuesto por numerador y denominador). Por ltimo, la funcin de
transferencia puede presentarse en pantalla mediante la funcin printsys.
>> th=sett(th,0.001);
>> present(th)
This matrix was created by the command ARX on 9/22 1998 at 10:37
Loss fcn: 0.001687 Akaike`s FPE: 0.001714 Sampling interval 0.001
The polynomial coefficients and their standard deviations are
B=
0
0
0
0
0
0
0.0652
0.0016
0.0452
0.0025
A=
1.0000 -1.2765 0.3967
0 0.0159 0.0146
>>thc=thd2thc(th);
>>[numc,denc]=th2tf(thc);
>> printsys(numc,denc,'s')
num/den =
2.481 s + 1.718e+005
----------------------------------s^2 + 924.5 s + 1.87e+005
51
Compare
Idsim
Pe
Predict
Resid
Validacin de modelos
Comparacin de la salida simulada con la salida real del sistema.
Simulacin de un modelo.
Clculo de errores de prediccin de un modelo.
Prediccin de salidas futuras de un modelo.
Clculo de los residuos de un modelo.
Tabla A.6. Funciones para validacin de modelos.
Ejemplo A.8
Compare la respuesta real del sistema con la salida de simulacin del modelo usando para
ello los datos de entrada-salida reservados para validacin del modelo. Calcule tambin
los residuos del modelo.
>> compare(datos_valid,th);
Output # 1 Fit:
0.0856
1.5
1
0.5
0
-0.5
-1
-1.5
-2
0
100
200
300
400
Yellow: Model output, Magenta: Measured
output
Figura A.5. Comparacin de las salidas real y simulada.
>> resid(datos_valid,th);
52
500
0.5
-0.5
0
0.2
10
15
20
lag
Cross corr. function between input 1 and residuals from
output 1
25
0.1
-0.1
-30
-20
-10
0
lag
10
20
30
Rarmax
Rarx
Rbj
Roe
Rpem
rplr
Identificacin Recursiva
Estimacin recursiva de modelos ARMAX.
Estimacin recursiva de modelos ARX.
Estimacin recursiva de modelos Box Jenkins (BJ)
Estimacin recursiva de modelos Output Error (OE - filtros IIR)
Estimacin recursiva de modelos genricos mediante errores de prediccin.
Estimacin recursiva de modelos genricos mediante regresin pseudo-lineal.
Tabla A.7. Funciones para identificacin recursiva.
53
donde datos contiene los datos de entrada - salida, nn especifica la estructura del modelo y los
parmetros adm y adg hacen referencia al mtodo de adaptacin y sus parmetros tpicos
respectivamente (dependen de la funcin utilizada).
54
Como se observa en la figura, la ventana dispone de dos zonas con varios recuadros cada una:
El tablero de datos est situado en la zona izquierda de la pantalla, y permite incluir en
cada uno de los recuadros un conjunto distinto de datos de entrada-salida, representados
por un icono.
El tablero de modelos est en la zona derecha de la pantalla, y puede contener en cada uno
de sus recuadros diferentes modelos obtenidos a partir de la identificacin realizada con
datos del tablero de datos. Cada modelo quedar representado tambin por un icono
distinto.
Los datos del tablero de datos pueden provenir de las siguientes fuentes:
1. De otras sesiones anteriores con el GUI.
2. Del Workspace de Matlab.
3. Del tratamiento de otro conjunto de datos contenido en el tablero de datos.
55
Para representar en pantalla un conjunto de datos del tablero de datos, en primer lugar hay que
hacer click con el ratn sobre su icono, quedando ste resaltado mediante una lnea ms
gruesa. Pueden seleccionarse varios conjuntos de datos simutneamente. Para desactivar un
conjunto de datos, se vuelve a hacer click con el ratn sobre su icono. A continuacin se
selecciona en el men de Data Views el tipo de representacin que se desea: representacin
temporal de las seales (Time plot) o del espectro de las mismas (Data espectra).
Con los modelos se procede de igual manera, seleccionando con el ratn aqullos que se
quieren representar, y escogiendo el tipo de representacin entre salida del modelo (Model
output), residuos del modelo (Model resids), respuesta transitoria (Transient resp),
respuesta frecuencial (Frecuency resp), ceros y polos (Zeros and poles) y espectro del
ruido (Noise spectrum).
e) Variables del Workspace
Los conjuntos de datos o los modelos creados mediante el interfaz grfico generalmente no
estn visibles desde el Workspace. Sin embargo, esta informacin puede ser exportada en
cualquier momento al Workspace sin ms que arrastrar con el ratn el icono de los datos o el
modelo correspondiente. El nombre de la matriz con la informacin del modelo o de los datos
coincidir con el del icono dentro del interfaz grfico.
C.9.2. Flujo de trabajo
El trabajo con el GUI suele realizarse en los siguientes pasos:
Se introducen de los datos de entrada-salida en el tablero de datos.
Se examinan dichos datos mediante su representacin temporal o espectral del men data
views.
Se realiza el preprocesamiento de los datos, como eliminacin de niveles de continua,
filtrado, o divisin del conjunto de datos en dos partes: una para identificar y que se
colocar en el recuadro de working data y otra para validar en el recuadro de validation
data. Todas las opciones de preprocesamiento se encuentran en el men desplegable
Preprocess.
A continuacin se realiza la estimacin de uno o varios modelos, mediante el men
desplegable de Estimate. Los modelos obtenidos se incluirn automticamente en el
tablero de modelos.
Por ltimo se procede a analizar las propiedades de los modelos obtenidos mediante
diversas representaciones de los mismos, escogidas en el men de Model Views.
56
57
2. Genere mediante la funcin rand un vector de entradas aleatorias u, otro de ruido aleatorio
e, y simule la respuesta del sistema en dichas condiciones utilizando para ello la funcin
idsim. Realice una representacin de los datos de entrada-salida obtenidos, que se
utilizarn en adelante para obtener varios modelos y comparar sus caractersticas.
3. Obtenga para los datos de entrada-salida anteriores un modelo ARX (por el mtodo de
mnimos cuadrados) con dos polos, un cero y un retardo entre la entrada y la salida.
4. Obtenga otro modelo por el mtodo de variables instrumentales, tambin con dos polos, un
cero y un retardo entre la entrada y la salida.
5. Obtenga las funciones de transferencia de los dos modelos obtenidos en los apartados 3 y
4. Represente sobre una misma grfica los diagramas de Bode correspondientes a dichas
funciones de transferencia.
6. Calcule y represente los residuos del modelo obtenido por el mtodo de variables
instrumentales.
7. Obtenga ahora un modelo ARMAX y otro BJ ambos de segundo orden (dos coeficientes
para todos los polinomios que intervienen) con un retardo entre la entrada y la salida.
Obtenga las funciones de transferencia para ambos modelos y compare los diagramas de
Bode con el obtenido por el mtodo de variables instrumentales.
8. Represente grficamente los residuos de los modelos ARMAX y BJ.
9. Simule los modelos ARMAX y BJ utilizando para ello el vector de entrada u obtenido en
el apartado 1. Dibuje sobre la misma grfica la salida real y las salidas de la simulacin de
ambos modelos.
10.Represente los polos y ceros de los modelos ARMAX y BJ.
A.10.3. Para la realizacin de este ejercicio se utilizarn tambin los datos del fichero
dryer2 proporcionado por Matlab. Se parte de dichos datos divididos en dos mitades: la
primera para identificar y la segunda para validar. A ambos conjuntos de datos se les ha
eliminado la componente continua.
Se pretende trabajar con diferentes modelos, todos ellos con la siguiente estructura:
y(t) + a1y(t-1) + ... + anay(t-na) = b1u(t-nk) + ... + bnbu(t-nb-nk+1)
1. Se desea obtener el retardo nk. Para ello, se escogern estructuras con na=nb=2, y se
ensayarn todos los modelos con retardos comprendidos entre 1 y 10. Obtenga las
funciones de prdidas para todos los modelos anteriores, y escoja la estructura ptima
(utilice las funciones arxstruc y selstruc).
58
2. A continuacin se buscar el orden del sistema ptimo, ensayando los 25 modelos posibles
de combinar rdenes de A y B comprendidos entre 1 y 5. Utilice como retardo el obtenido
en el apartado anterior.
3. Como norma general, los modelos obtenidos son tanto ms exactos cuanto mayor sea su
orden. Sin embargo, debe buscarse el modelo ms reducido que satisface la dinmica del
sistema. Realice una representacin de los ceros y polos del modelo seleccionado en el
apartado anterior y decida, en funcin de la proximidad de los mismos (tendencia a
cancelarse) si se puede reducir el orden del sistema. En caso afirmativo, realice la
simulacin del modelo ptimo y del reducido y analice las diferencias.
NOTA: resulvanse todos los ejercicios desde la lnea de comandos de Matlab primero y a
continuacin.
59
BIBLIOGRAFA
L. Ljung. System Identification. Theory for the user. Prentice Hall. 1987.
M.K. Masten. Modern Control Systems. Study Guide. IEEE/EAB Self-Study Course.
1995.
L Ljung. The System Identification Toolbox: The Manual. The MathWorks Inc. 1986.
60