Está en la página 1de 21

1

Métodos de identificación

1 Métodos de identificación Objetivo específico Especificar y describir matemáticamente los principales métodos

Objetivo específico

Especificar y describir matemáticamente los principales métodos paramétricos y no paramétricos de identificación de sistemas, los cuales permiten determinar el mejor modelo experimental a partir de un conjunto de datos y describir matemáticamente los principales métodos paramétricos y no paramétricos de identificación de sistemas, los

© Carlos Mario Vélez S.

Universidad EAFIT

2

Métodos de identificación

2 Métodos de identificación Temas 1. Métodos no paramétricos : Método de respuesta transitoria, Método de
2 Métodos de identificación Temas 1. Métodos no paramétricos : Método de respuesta transitoria, Método de
2 Métodos de identificación Temas 1. Métodos no paramétricos : Método de respuesta transitoria, Método de
2 Métodos de identificación Temas 1. Métodos no paramétricos : Método de respuesta transitoria, Método de

Temas

1. Métodos no paramétricos: Método de respuesta

transitoria, Método de respuesta frecuencial, Análisis de correlación, Análisis espectral

frecuencial, Análisis de correlación, Análisis espectral 2. Método de mínimos cuadrados 3. Método de error de

2. Método de mínimos cuadrados

3. Método de error de predicción

4. Método de variable instrumental

5. Método de máxima verosimilitud

6. Identificación en lazo cerrado

© Carlos Mario Vélez S.

Universidad EAFIT

3

Métodos no paramétricos

3 Métodos no paramétricos Características : No se asume una estructura de modelo específica Se obtienen
3 Métodos no paramétricos Características : No se asume una estructura de modelo específica Se obtienen
3 Métodos no paramétricos Características : No se asume una estructura de modelo específica Se obtienen
3 Métodos no paramétricos Características : No se asume una estructura de modelo específica Se obtienen

Características:

No se asume una estructura de modelo específica Se obtienen de curvas o tablas. No paramétrico no significa que no hayan parámetros, sino que los parámetros no se encuentran en un vector que se pueda calcular directamente. No consideran las perturbaciones. Son métodos off-line. Principales métodos: método de respuesta transitoria, No consideran las perturbaciones. Son métodos off-line. método de respuesta frecuencial, análisis de correlación, método de respuesta frecuencial, análisis de correlación, análisis espectral

© Carlos Mario Vélez S.

Universidad EAFIT

4

Métodos no paramétricos

4 Métodos no paramétricos Método de respuesta tran sitoria. Características El modelo se aproxima a uno
4 Métodos no paramétricos Método de respuesta tran sitoria. Características El modelo se aproxima a uno
4 Métodos no paramétricos Método de respuesta tran sitoria. Características El modelo se aproxima a uno
4 Métodos no paramétricos Método de respuesta tran sitoria. Características El modelo se aproxima a uno

Método de respuesta transitoria. Características El modelo se aproxima a uno de primer orden o a uno de segundo orden subamortiguado Generalmente es el primer método a aplicar, debido a que nos da una primera idea del comportamiento del proceso Es fácil de utilizar y comprender Da una idea inicial de la dinámica del sistema (sobretodo del retardo) del proceso Es fácil de utilizar y comprender Da una idea inicial de la dinámica del La entrada es un escalón

© Carlos Mario Vélez S.

Universidad EAFIT

5 Métodos no paramétricos Método de respuesta transitoria. Modelo general de primer orden − τ
5
Métodos no paramétricos
Método de respuesta transitoria. Modelo
general de primer orden
τ
s
ke
G
(
s
)
=
Ty
+= y
ku ( t
τ
)
p
Ts + 1
t −
τ
Respuesta
a un escalón:
y
=
Ak
(1
e
T
)
u ( t
-
τ
)
T - constante de tiempo del sistema
k - ganancia del sistema
τ - retardo puro del sistema
A - amplitud de la entrada escalón del sistema
©
Carlos Mario Vélez S.
Universidad EAFIT
6

Métodos no paramétricos

Métodos no paramétricos Método de respuesta transitoria. Modelo general de primer orden © Carlos Mario Vélez
Métodos no paramétricos Método de respuesta transitoria. Modelo general de primer orden © Carlos Mario Vélez
Métodos no paramétricos Método de respuesta transitoria. Modelo general de primer orden © Carlos Mario Vélez
Métodos no paramétricos Método de respuesta transitoria. Modelo general de primer orden © Carlos Mario Vélez

Método de respuesta transitoria. Modelo general de primer orden

paramétricos Método de respuesta transitoria. Modelo general de primer orden © Carlos Mario Vélez S. Universidad

© Carlos Mario Vélez S.

Universidad EAFIT

 

Métodos no paramétricos

 

7

Método

de

respuesta

transitoria.

 

Modelo

 

general de primer orden Cálculo del modelo de primer orden – método I

 

k

=

y

T

+=

t

 

=

0.632

Ak

T

+=

t

=

0.282

Ak

 

u

τ

1

(

y

   

)

3

τ

 

2

(

y

)

 

Cálculo del modelo de primer orden – método II

 
  ⎛ ln ⎜ 1 − ⎝ y ⎞ t τ ⎟=− + Ak T
 

ln 1

y ⎞ t τ ⎟=− + Ak T T ⎠
y
t
τ
⎟=− +
Ak
T
T

ó

 

b

 

x

=

at

+

Por regresión con mínimos cuadrados se calculan a y b

 
 

T

=−

1

=−

b

k

=

y

 

a

,

τ

,

au

 
 

©

Carlos Mario Vélez S.

 

Universidad EAFIT

 
 

8

Métodos no paramétricos Método de respuesta transitoria. Modelo general de segundo orden 2 − τ
Métodos no paramétricos
Método de respuesta transitoria. Modelo
general de segundo orden
2
− τ
s
k
ω
e
o
2
2
G
() s
=
y
+
2
ζω
y
+= y
ω
k
ω
ut (
τ
)
p
2
2
oo
o
s
+
2
ζω ω
s
+
o
o
1
-
ζω τ
(- t
)
Respuesta a un escalón :
y =
Ak
1-
e
o
sen(
ω τϕ
(
t
-
)
+
)
u ( t
-
τ
)
1
2
1 −
ζ
⎣ ⎢
2
ωω
=− 1
ζ
ϕ
=
arccos
ζ
1
o
k - ganancia del sistema
τ - retardo puro del sistema
ω o - frecuencia natural (no amortiguada) del sistema
ω 1 - frecuencia amortiguada del sistema
ζ - coeficiente de amortiguamiento (0 < ζ < 1 )
A - amplitud de la entrada escalón del sistema
© Carlos Mario Vélez S.
Universidad EAFIT
9 Métodos no paramétricos Método de respuesta transitoria. Modelo general de segundo orden ∆ y
9
Métodos no paramétricos
Método de respuesta transitoria. Modelo
general de segundo orden
y
k
= ∆ u
1
ζ
=
2
π
1 +
2
ln
(
M
/
Ak
)
p
π
ω
=
o
2
t
1 −
ζ
p
©
Carlos Mario Vélez S.
Universidad EAFIT
10

Métodos no paramétricos

Métodos no paramétricos Método de respuesta transitoria. Modelo general de segundo orden - Ejemplo t y(t)
Métodos no paramétricos Método de respuesta transitoria. Modelo general de segundo orden - Ejemplo t y(t)
Métodos no paramétricos Método de respuesta transitoria. Modelo general de segundo orden - Ejemplo t y(t)
Métodos no paramétricos Método de respuesta transitoria. Modelo general de segundo orden - Ejemplo t y(t)

Método de respuesta transitoria. Modelo general de segundo orden - Ejemplo

transitoria. Modelo general de segundo orden - Ejemplo t y(t) 0 0 0.5000 0 1.0000 0

t

y(t)

0

0

0.5000

0

1.0000

0

1.5000

0.0027

2.0000

0.1085

2.5000

0.1723

3.0000

0.1972

3.5000

0.2065

4.0000

0.2099

4.5000

0.2112

5.0000

0.2117

5.5000

0.2118

6.0000

0.2119

En cierto experimento se aplicó un escalón unitario y se recogieron datos de la salida, como se muestra a continuación

0.25 0.2 0.15 0.1 0.05 0 0 1 2 3 4 5 6
0.25
0.2
0.15
0.1
0.05
0
0
1
2
3
4
5
6

Time (second)

© Carlos Mario Vélez S.

Universidad EAFIT

11

Métodos no paramétricos

11 Métodos no paramétricos Método de respuesta tran sitoria. Modelo general de segundo orden – Ejemplo

Método de respuesta transitoria. Modelo general de segundo orden – Ejemplo (cont.) El sistema se asemeja a uno de primer orden (en realidad es de segundo orden) con retardo (1.5 seg aproximadamente) Aplicaremos el método sobre el subconjunto de datos entre 2 y 5 seg El valor final es aproximadamente igual a Ak = 0.212 k = 0.212, T = 0.5201 , τ = 1.6179, r = -0.9998 de datos entre 2 y 5 seg El valor final es aproximadamente igual a Ak =

© Carlos Mario Vélez S.

Universidad EAFIT

12

Métodos no paramétricos

12 Métodos no paramétricos Método de respuesta frecuencial Este método se basa en el análisis de
12 Métodos no paramétricos Método de respuesta frecuencial Este método se basa en el análisis de
12 Métodos no paramétricos Método de respuesta frecuencial Este método se basa en el análisis de
12 Métodos no paramétricos Método de respuesta frecuencial Este método se basa en el análisis de

Método de respuesta frecuencial Este método se basa en el análisis de los diagramas de Bode. Los diagramas para la amplitud y la fase pueden obtenerse experimentalmente para cierto número de frecuencias, utilizando entradas sinusoidales. La respuesta frecuencial de sistema es:

sinusoidales. La respuesta frecuenc ial de sistema es: y = A sen( ω t + ϕ

y = A sen(ωt + ϕ )

para

uB=

sen ωt

A

ϕ

Re

2

G

(

i

ωω

)

+

Im

2

(

G

i

)

Im

G

(

i

ω )

 
 

Re

G

(

i

ω )

 

== BG ( i )

ω B
ω
B

=

arg

G

(

i

ω

)

=

arctg

© Carlos Mario Vélez S.

Universidad EAFIT

13 Métodos no paramétricos Método de respuesta frecuencial Bode Diagrams From: U(1) 0 -10 -20
13
Métodos no paramétricos
Método de respuesta frecuencial
Bode Diagrams
From: U(1)
0
-10
-20
Ejemplo
de
-30
diagrama
-40
de Bode
500
0
-500
-1000
10 -1
10 0
10 1
Frequency (rad/sec)
©
Carlos Mario Vélez S.
Universidad EAFIT
14
Phase (deg); Magnitude (dB)
To: Y(1)
Métodos no paramétricos Método de respuesta frecuencial Calculando las asíntotas, pendientes, frecuencias de codo
Métodos no paramétricos
Método de respuesta frecuencial
Calculando las asíntotas, pendientes, frecuencias de
codo y otras características se puede determinar la
contribución de constantes y factores como:
± m
±
m
2
2
21
−− s
τ
s
,(
Ts
+1) ,
( ++2
s
ζω ω
)
,
e
ω o
oo
Cálculo por el método perfeccionado:
2
2
yN
()
+
yN
()
y
(
N
)
ˆ
c
s
c
G
(
i
ω
)
=
y
ϕω
ˆ
(
)
=
arctg
N
N
B
/2
yN (
)
s
donde,
N
N
1
1
y
(
N
)
=
yt ( )cos
ω
t
y
y
(
N
)
=
yt ( )sen
ω
t
y
c
s
N
N
t
=
1
t
=
1
© Carlos Mario Vélez S.
Universidad EAFIT

15

Métodos no paramétricos

15 Métodos no paramétricos Método de respuesta frecuencial. Características Se puede obtener una buena
15 Métodos no paramétricos Método de respuesta frecuencial. Características Se puede obtener una buena
15 Métodos no paramétricos Método de respuesta frecuencial. Características Se puede obtener una buena
15 Métodos no paramétricos Método de respuesta frecuencial. Características Se puede obtener una buena

Método de respuesta frecuencial. Características Se puede obtener una buena aproximación de G(s) a pesar del ruido Se puede comprobar si el sistema tiene ceros o polos inestables (sistema de fase no mínima). El diagrama de Bode puede obtenerse fácilmente en el rango de interés Desventaja: muchos sistemas no admiten señales sinusoidales en su operación normal (sistemas exotérmicos) o tienen constantes de tiempo muy grandes (largos períodos de experimentación) muchos sistemas no admiten señales sinusoidales en su oper Para reducir la influencia de ruidos se Para reducir la influencia de ruidos se debe tomar un número grande de muestras

© Carlos Mario Vélez S.

Universidad EAFIT

16

Métodos no paramétricos

16 Métodos no paramétricos Análisis de correlación La entrada u ( t ) en este método
16 Métodos no paramétricos Análisis de correlación La entrada u ( t ) en este método
16 Métodos no paramétricos Análisis de correlación La entrada u ( t ) en este método
16 Métodos no paramétricos Análisis de correlación La entrada u ( t ) en este método

Análisis de correlación La entrada u(t) en este método es normalmente una PRBS No se obtiene una función de transferencia directa, sino un valor numérico (respuesta impulsional) en cada instante de muestreo No debe existir ninguna correlación entre la señal de entrada y el ruido para obtener los resultados esperados (res puesta impulsional) en cada instante de muestreo Si el ruido no es blanco se deben Si el ruido no es blanco se deben filtrar los datos de entrada y salida por medio de un filtro de “blancura” No da resultados muy exactos, aunque sí con cierta correlación con los resultados reales

© Carlos Mario Vélez S.

Universidad EAFIT

17 Métodos no paramétricos Análisis de correlación Estructura del modelo ∞ yt () = ∑
17
Métodos no paramétricos
Análisis de correlación
Estructura del modelo
yt
()
=
hkut
(
)
(
−+
k
)
et
()
k
= 0
{h(k)} - secuencia de ponderación (respuesta impulsional)
Cálculo del modelo (secuencia de ponderación)
2
R
(
τ
)
Ey t u t
()
(
−=
τ
)
h k
(
)
Eu t
(
k
)
u t
(
−+
τ
)
Ey t
()()
e t
=
λτ
h
(
)
yu
k
= 0
2
Se asume que
:
Ey t
( )
e t
( )
=
0
y
Eu t
(
k
)
u t
(
−=
τ λδ
)
(
k
τ
)
N
1
ytut −
()
(
τ
)
N
ˆ
t =+ 1
τ
h
(
τ
)
=
,
τ
=
0,1,
Nh 1 , ˆ
(
ττ
)
=≥
0
si
N
N
1
2
u
( t )
N
t
= 1
©
Carlos Mario Vélez S.
Universidad EAFIT
18

Métodos no paramétricos

Métodos no paramétricos Análisis espectral Método muy versátil, ya que no existe ninguna restricción para la
Métodos no paramétricos Análisis espectral Método muy versátil, ya que no existe ninguna restricción para la
Métodos no paramétricos Análisis espectral Método muy versátil, ya que no existe ninguna restricción para la
Métodos no paramétricos Análisis espectral Método muy versátil, ya que no existe ninguna restricción para la

Análisis espectral Método muy versátil, ya que no existe ninguna restricción para la señal de entrada, excepto que no debe tener ninguna correlación con la perturbación El modelo matemático se obtiene en términos de la función de transferencia continua o a partir del diagrama de Bode correspondiente El método espectral es semejante al método frecuencial, sólo que no se requiere una entrada sinusoidal, lo que amplía el conjunto de sistemas a los cuales se puede aplicar un análisis frecuencial continua o a partir del diagrama de Bode correspondiente Se reduce considerablemente el tiempo de experimentación Se reduce considerablemente el tiempo de experimentación Áreas de aplicación: análisis del habla, estudio de vibraciones mecánicas, geofísica, control automático

© Carlos Mario Vélez S.

Universidad EAFIT

19 Métodos no paramétricos Análisis espectral Modelo matemático: ∞ yt () = ∑ hkut (
19
Métodos no paramétricos
Análisis espectral
Modelo matemático:
yt
()
=
hkut
(
)
(
−+
k
)
et
()
k
= 0
La transformada discreta de Fourier de h(k) es la
función de transferencia sinusoidal del sistema
N
− i
ω
kT
y
(
kT e
)
Y
(
ω
)
ˆ
i
ω
N
k
= 1
2
π
k
G e
(
) =
ω
=
,
k
=
1,2,
,
N
= N
N
U
(
ω
)
N
− i
ω
kT
u
(
kT e
)
k
= 1
Para los cálculos,
Y
(ω) y
U
(ω)
se pueden
N
N
reescribir como una suma de senos y cosenos
©
Carlos Mario Vélez S.
Universidad EAFIT
20

Métodos no paramétricos

Métodos no paramétricos Análisis espectral La aproximación da pobres resultados ya que las T. de Fourier
Métodos no paramétricos Análisis espectral La aproximación da pobres resultados ya que las T. de Fourier
Métodos no paramétricos Análisis espectral La aproximación da pobres resultados ya que las T. de Fourier
Métodos no paramétricos Análisis espectral La aproximación da pobres resultados ya que las T. de Fourier
Métodos no paramétricos Análisis espectral La aproximación da pobres resultados ya que las T. de Fourier

Análisis espectral La aproximación da pobres resultados ya que las T. de Fourier respectivas no son consistentes Los problemas se pueden solucionar si los valores para grandes instantes k son ponderados con funciones de peso debidamente seleccionadas (funciones llamadas ventanas de retraso o "lag windows") Con la introducción de una ventana de retraso se obtiene la siguiente expresión:

ˆ

(

G e

i

ω )

N

N max l

(

,0)

l

=− N k

=− 1

min ( l ,0)

y

((

k

+ l T

)

)

u kT

(

)

w lT

(

)

e

i

lT

ω

 

N

max l

(

,0)

u

((

k

+ l T

)

)

u kT

(

)

w lT

(

)

e

i

lT

ω

= N

l =− N k

=− 1

min ( l ,0)

© Carlos Mario Vélez S.

Universidad EAFIT

21

Métodos no paramétricos

21 Métodos no paramétricos Análisis espectral Las ventanas rectangular y de Hamming tienen las siguientes formas:
21 Métodos no paramétricos Análisis espectral Las ventanas rectangular y de Hamming tienen las siguientes formas:
21 Métodos no paramétricos Análisis espectral Las ventanas rectangular y de Hamming tienen las siguientes formas:
21 Métodos no paramétricos Análisis espectral Las ventanas rectangular y de Hamming tienen las siguientes formas:

Análisis espectral Las ventanas rectangular y de Hamming tienen las siguientes formas:

w (

τ

) =

1


0

πτ ⎞ , τ ≤ M ⎪ ⎧ 1 ⎛ ⎜ 1 + cos ⎟
πτ
,
τ
≤ M
⎧ 1 ⎛ ⎜
1
+
cos
τ ≤ M
w (
τ
) =
⎨ 2 ⎝
M
τ
> M
0
τ > M

La selección de M no es un asunto trivial. Si se selecciona un La selección de M M muy grande el periodograma no será muy suave (tendrá mucho ruido). M muy grande el periodograma no será muy suave (tendrá mucho ruido). De otro lado, un M pequeño puede eliminar partes esenciales del espectro

© Carlos Mario Vélez S.

Universidad EAFIT

22

Método de mínimos cuadrados

22 Método de mínimos cuadrados Generalidades Puede aplicarse a una gran variedad de sistemas con excelentes
22 Método de mínimos cuadrados Generalidades Puede aplicarse a una gran variedad de sistemas con excelentes
22 Método de mínimos cuadrados Generalidades Puede aplicarse a una gran variedad de sistemas con excelentes
22 Método de mínimos cuadrados Generalidades Puede aplicarse a una gran variedad de sistemas con excelentes

Generalidades Puede aplicarse a una gran variedad de sistemas con excelentes resultados Existen versiones tanto recursivas como no recursivas Es el método base para otros métodos paramétricos off-line y on-line Puede ser extendido a sistemas MIMO Es válido si el modelo de la perturbación es del tipo ARX MIMO Es válido si el modelo de la perturbación es del tipo Para un buena estimación Para un buena estimación (insesgada y consistente) se debe utilizar una señal pe de orden igual o mayor al orden del sistema

© Carlos Mario Vélez S.

Universidad EAFIT

23 Método de mínimos cuadrados Modelo matemático (ARX) − 1 −− d 1 A (
23
Método de mínimos cuadrados
Modelo matemático (ARX)
− 1
−− d
1
A
( q
)
yt
()
=
Bq
(
)
q
ut
()
+
et
()
Forma regresiva:
y t
( )
=−a y t −
(
1)
− a
y t − na
(
)
+ b u t − d −
(
1)
+
+ b
u t − d − nb
(
)
+ e t
( )
1
na
1
nb
ˆ
yt ()
=
ϕ
T () t
θ
+
et ()
donde,
T
θ
ˆ [
=
a
ab
b
]
1
na
1
nb
T
ϕ ( )
t
=− −
[
y ( t
1)
y ( t
na
)
u ( t
d
1)
u ( t
d
nb
)
]
Vector de regresión
© Carlos Mario Vélez S.
Universidad EAFIT

24

Método de mínimos cuadrados

24 Método de mínimos cuadrados El principio de mínimos cuadrados, según Gauss: Los parámetros desconocidos de
24 Método de mínimos cuadrados El principio de mínimos cuadrados, según Gauss: Los parámetros desconocidos de
24 Método de mínimos cuadrados El principio de mínimos cuadrados, según Gauss: Los parámetros desconocidos de
24 Método de mínimos cuadrados El principio de mínimos cuadrados, según Gauss: Los parámetros desconocidos de

El principio de mínimos cuadrados, según Gauss:

Los parámetros desconocidos de un modelo se deben elegir de modo que: "la suma de los cuadrados de las diferencias entre los valores observados realmente y los estimados, multiplicada por números que midan el grado de precisión, sea un mínimo" de las diferencias entre los valores observados realmente y los estimados, multiplicada por números que midan

© Carlos Mario Vélez S.

Universidad EAFIT

25 Método de mínimos cuadrados Problema de mínimos cuadrados El problema de mínimos cuadrados se
25
Método de mínimos cuadrados
Problema de mínimos cuadrados
El problema de mínimos cuadrados se plantea de la
siguiente forma:
T
ˆ
Dado el modelo :
yt ( )
=
ϕ
( t )
θ
+
et ( )
ˆ
Calcular :
θ
2
N
1
1
ˆ
T
ˆ
T
Según criterio :
V
(
θ
,
N
)
=
yt ( )
−=
ϕθ
( )
t
ee ˆ ˆ
⎡ ⎣
⎤ ⎦
2
2
t
= 1
T
ϕ
(1)
y
(1)
e ˆ(1)
T
ˆ
ϕ
(2)
y
(2)
Y =Φθ+ e
e ˆ
Φ
Y
= ⎢
N
×
(
na
+
nb
)
= ⎢
= ⎢
e
ˆ(
N )
⎥ ⎦
T
ϕ
(
N
)
y
(
N
)
⎥ ⎦
©
Carlos Mario Vélez S.
Universidad EAFIT
26
Método de mínimos cuadrados Solución del problema de mínimos cuadrados Teorema. La función V tiene
Método de mínimos cuadrados
Solución del problema de mínimos cuadrados
Teorema. La función V tiene un único mínimo en
ˆ
θ
dado
ˆ
T
1
T
T
por
θ
=ΦΦ ( ) Φ
Y
si la matriz
ΦΦ
es definida positiva.
El correspondiente valor mínimo de la función de coste
es:
1
− 1
ˆ
T
TT
T
min
V (
θ
)
=
V
(
θ
)
=
YY
− Y ΦΦΦ Φ
(
)
Y
θ
2
⎢ ⎣
⎦ ⎥
Otra forma:
1
N
N
⎤⎡
ˆ TT − 1
T
θ = Φ Φ Φ
(
)
Y
=
ϕϕt
()
() t
ϕ t
()
yt ()
Y
⎥⎢ ⎦⎣
⎥ ⎦
t =
1
t
=
1
Φ † - pseudoinversa
© Carlos Mario Vélez S.
Universidad EAFIT
 

Método de mínimos cuadrados

 

27

Ejemplo Se obtuvieron datos de un proceso (N = 7, T = 0.5 seg), los cuales se muestran en la tabla

 

Modelo propuesto (se supuso

que el sistema es de primer orden sin retardo):

 
 

t (seg )

u(t)

y(t)

 

y ˆ t

( )

=−

(

ay t

T

1)

+

bu t

(

1)

0

1

0

ˆ

0.5

1

3.11

 
yt ˆ() = ϕ t () θ   1.0 1 3.80  

yt ˆ() =

ϕ

t

()

θ

 

1.0

1

3.80

 

ϕ

t

( )

=

⎡− yt

(

1)

 

ˆ

θ

=

⎡⎤ a

⎢⎥

⎣⎦ b

 

1.5

1

3.96

 

⎢ ⎣

(

ut

1)

,

2.0

1

3.99

 
 

2.5

1

4.00

 
 

3.0

1

4.00

 
 

©

Carlos Mario Vélez S.

Universidad EAFIT

 
 

28

Método de mínimos cuadrados Ejemplo (cont.) ⎡ ⎢ 0 1 ⎤ ⎡⎤ 3.11 ⎥ T
Método de mínimos cuadrados
Ejemplo (cont.)
0
1
⎡⎤ 3.11
T ⎡−
y
(0)
u
(0)
3.11
1
⎢⎥ ⎢⎥ 3.80
ϕ (1)
y (1)
− y
(1)
u
(1)
⎢−
3.80
1
⎢⎥ 3.96
Φ=
=
=
,
Y =
=
3.96
1
⎢⎥ ⎢⎥ 3.99
T (6)
y (6)
⎣ ⎢ ϕ
⎥ ⎦
⎣ ⎢
⎥ ⎦
− y
(5)
u
(5)
⎢−
3.99
1
⎢⎥ 4.00
⎢⎥
⎢− ⎣ ⎢
4.00
1
4.00
⎥ ⎥ ⎦
⎢⎥
⎣⎦
Resultado:
⎡⎤
a
⎡−
0.2228 ⎤
T
1
T
=ΦΦ Φ =
(
)
Y
yt( ) − 0.22 yt( −=1)
3.11ut( − 1)
⎢⎥
b
3.1096 ⎥ ⎦
⎣⎦
⎢ ⎣
© Carlos Mario Vélez S.
Universidad EAFIT
29 Método de mínimos cuadrados Propiedades estadísticas: Si se asume que eˆ(t) es un ruido
29
Método de mínimos cuadrados
Propiedades estadísticas:
Si se asume que
eˆ(t)
es un ruido blanco de media cero
y varianza
λ 2 , entonces:
1.
ˆ
θ
es una estimación insesgada de
θ
o
ˆ
2. La matriz de covarianza de
θ
es:
1
ˆ
2
T
cov(
θ λ
) =
(
ΦΦ
)
2
3. Una estimación insesgada de
λ
es:
ˆ
2()
V
θ
2
λ
=
N
(
na
+
nb
)
©
Carlos Mario Vélez S.
Universidad EAFIT
30
Método de mínimos cuadrados Ejemplo - Propiedades estadísticas Las propiedades anteriores pueden utilizarse para
Método de mínimos cuadrados
Ejemplo - Propiedades estadísticas
Las propiedades anteriores pueden utilizarse para
estimar la desviación estándar de los parámetros
Para el ejemplo anterior se tiene:
na = nb = 1
N = 6
V = 6.7 x 10 -6
0.0539
0.1694
ˆ
− 5
cov(
θ )
= 10
0.1694
0.6442
⎣ ⎢
⎥ ⎦
La raíz cuadrada de los elementos sobre la diagonal
es igual a la desviación estándar
a =−±
0.2228
0.0007
ε =
a 0.31%
© Carlos Mario Vélez S.
Universidad EAFIT

b

3.110

0.003

ε

b

=

0.096%

 

Método de error de predicción (PEM)

31

Generalidades Sea la siguiente estructura de modelo:

()

yt

=

()

Ee t

e

(

Gq

)

T

(

s

1

)

()

H

ut

+

(

θδ

)

t

,

s

(

q

1

)

()

et

 

G (0)

=

0

 

(se tiene como mínimo un retardo)

 

Error de predicción (debe ser pequeño):

  ε ( ) t = yt () − yt ˆ()  
 

ε()t = yt() ytˆ()

 

Predictor lineal general:

1

 

1

 

yt ˆ() =

L

(0)

1

L

1

(

=

L

2

q

)

(0)

()

yt

0

=

+

L

2

(

q

)

()

ut

 

©

Carlos Mario Vélez S.

 

Universidad EAFIT

 
 

32

Método de error de predicción

Método de error de predicción Generalidades El predictor puede seleccionarse de diversas maneras. Existe un predictor
Método de error de predicción Generalidades El predictor puede seleccionarse de diversas maneras. Existe un predictor
Método de error de predicción Generalidades El predictor puede seleccionarse de diversas maneras. Existe un predictor
Método de error de predicción Generalidades El predictor puede seleccionarse de diversas maneras. Existe un predictor
Método de error de predicción Generalidades El predictor puede seleccionarse de diversas maneras. Existe un predictor

Generalidades El predictor puede seleccionarse de diversas maneras. Existe un predictor óptimo para cada estructura del modelo Una vez seleccionado el modelo y su predictor se calculan los errores de predicción. El mejor vector de parámetros es aquel que hace que los errores de predicción sean los más pequeños. La medida del tamaño de los errores de predicción es una función escalar llamada criterio de minimización (función de coste):

 

1

N

N

 

V

N

θ

(

)

=

lt

(

,

,

θε

( t )

)

ˆ

θ

=

arg min

θ

V

N

θ

(

)

 

t

= 1

©

Carlos Mario Vélez S.

Universidad EAFIT

 
33 Método de error de predicción Generalidades La minimización de la función de coste V
33
Método de error de predicción
Generalidades
La minimización de la función de coste V puede
hacerse analíticamente si el error de predicción
depende linealmente de los parámetros. Caso:
mínimos cuadrados
En la mayoría de los casos la función de coste se
minimiza utilizando métodos numéricos como el
algoritmo de Newton-Raphson
1
T
ˆˆ
(
kk
+
1)
(
)
θ
=
θα V θ
′′
(
ˆ
(
k
)
)
(
ˆ
(
k
)
V θ
)
kN
N
Otro algoritmo: Gauss - Newton
©
Carlos Mario Vélez S.
Universidad EAFIT
34

Método de error de predicción

Método de error de predicción Ilustración del PEM © Carlos Mario Vélez S. Universidad EAFIT
Método de error de predicción Ilustración del PEM © Carlos Mario Vélez S. Universidad EAFIT
Método de error de predicción Ilustración del PEM © Carlos Mario Vélez S. Universidad EAFIT
Método de error de predicción Ilustración del PEM © Carlos Mario Vélez S. Universidad EAFIT

Ilustración del PEM

Método de error de predicción Ilustración del PEM © Carlos Mario Vélez S. Universidad EAFIT

© Carlos Mario Vélez S.

Universidad EAFIT

35 Método de error de predicción PEM para un modelo lineal general Sea el siguiente
35
Método de error de predicción
PEM para un modelo lineal general
Sea el siguiente modelo lineal:
1
1
yt
()
=
Gq
(
)
ut
()
+
H
(
q
)()
et
T
Ee t e
()
()
s
(
θ δ
)
t s
,
Realizando ciertas sustituciones se llega a:
1
1
yt
()
=
Gq
(
)
ut
()
+⎡ ⎣
H
(
q
)
−+⎤
I
et
()
et
()
−− 11
1
et
()
=
H
(
q
)
yt
()
Gq
(
)
ut
() ⎤
−−
11
−− 11
− 1
1
1
yt
ˆ() =+⎡ −
IH
(
q
)
yt
()
H
(
qG
)(
q
)
ut ()
=
L
(
q
)
yt ()
+
L
(
q
)
ut ()
1
2
− 11 −
1
ε
() t
==
et ()
H
(
q
)
⎡ ⎣ yt ()
− Gq (
)
ut () ⎤
−− 1
11 −−
1
1
H
(
q
),
H
(
qG )
(
q
)
- son asintóticamente estables
©
Carlos Mario Vélez S.
Universidad EAFIT
36 Método de error de predicción Método LS como un método PEM − 1 −
36
Método de error de predicción
Método LS como un método PEM
1
1
yt ˆ() =−⎡
1
Aq (
)
yt ()
+ Bq (
)
ut ()
⎦ ⎤
1
1
−−
11
L
(
q
)
=− 1
Aq (
)
L
(
q
)
=
Bq (
)
1
2
N
1
V
(
θθ
)
=
l
(
t
,
, et ˆ( )
)(
l
t
,
θ
, ˆˆ( )
et
)
=
e
2 ( t )
N
N
t = 1
© Carlos Mario Vélez S.
Universidad EAFIT
 

Método de error de predicción

37

PEM para un modelo ARMAX

 

y

y

y ˆ t

( )

t

( )

t

( )

bu t

ay t

+

=−

[

=−

ay t

(

ay t

(

1)

−=

(

−+

1)

( )

e t

+

(

ce t

(

1)

ce t

(

bu t

1)

+

1)

+

(

bu t

(

1)

+

1)

+

ce t

(

1)

1)

]

+

( )

e t

En este predictor se requiere conocer e(t) Aplicando la fórmula de la diapositiva 35:

 
  yt ˆ() = ( c − ) a q − 1 +   bq
 

yt ˆ() =

(

c

)

a q

1

+

 

bq

1

()

ut

 

1

+

cq

1

()

yt

1

+

cq

1

Implementación: en forma recursiva

 

©

Carlos Mario Vélez S.

 

Universidad EAFIT

 
 

38

Método de variable instrumental Generalidades El método permite obtener el modelo de la planta: T
Método de variable instrumental
Generalidades
El método permite obtener el modelo de la planta:
T
yt =ϕ t θ+ε t
()
()
()
Sea el siguiente modelo del sistema verdadero:
T
yt =ϕ t θ +ν t
()
()
()
o
El método de mínimos cuadrados da:
1
N
N
⎤⎡
ˆ ⎡
θ ϕϕt
()
T () t
ϕ t
()
yt ()
= ⎢ ⎣
⎥⎢ ⎦⎣
⎥ ⎦
t =
1
t
=
1
© Carlos Mario Vélez S.
Universidad EAFIT
 

Método de variable instrumental

39

Generalidades De las expresiones anteriores se obtiene:

 
 

ˆ

θθ

o

=

⎣ ⎢

1

N

t

T () t

1

⎤⎡

1

N

=

1

t

tt

N

t

=

1

()

ϕϕ

⎦⎣ ⎥⎢

N

()

ϕν

()

⎦ ⎥

 

Cuando

N →∞

 

ˆ

1

θθ − =⎡ Et ⎣ () ϕϕ T () t ⎤ ⎦ [ () Et

θθ

=⎡ Et

()

ϕϕ

T

() t

[

()

Et

ϕν

() t

]

Para una estimación consistente se debe cumplir:

 
 

Etϕ()ν()t

= 0

 

©

Carlos Mario Vélez S.

 

Universidad EAFIT

 
 

40

Método de variable instrumental

Método de variable instrumental Deducción del método Sea Z(t) un vector (para el caso SISO) cuyos
Método de variable instrumental Deducción del método Sea Z(t) un vector (para el caso SISO) cuyos
Método de variable instrumental Deducción del método Sea Z(t) un vector (para el caso SISO) cuyos
Método de variable instrumental Deducción del método Sea Z(t) un vector (para el caso SISO) cuyos

Deducción del método Sea Z(t) un vector (para el caso SISO) cuyos elementos no están correlacionados con la perturbación:

N

Zt ()

ε

() t

=

1

N

N

Zt ()

⎣ ⎡

yt ()

T

ϕθ

()

t

⎦ ⎤=

t =

1

t

=

1

1

N

0

La estimación IV es (despejando de la anterior expresión):

La estimación IV es (despejando de la anterior expresión): θ ˆ ⎡ = N 1 ⎤⎡

θ ˆ

=

N

1

⎤⎡

N

 

⎣ ⎢

t =

1

Z

()

t ϕ

T () t

⎦⎣ ⎥⎢

t

=

1

Zt yt

()

()

⎥ ⎦

Los instrumentos Z(t) se pueden escoger de varias maneras

© Carlos Mario Vélez S.

Universidad EAFIT

41 Método de variable instrumental Deducción del método Selección de los instrumentos Z(t), independientes de
41
Método de variable instrumental
Deducción del método
Selección de los instrumentos Z(t), independientes de
la perturbación:
T
1)
Z
( )
t
=− −
[
η
(
t
1)
η
(
t
na
)
u t
(
1)
u t
(
nb
)
]
1
1
Cq
(
) η
()
t
=
Dq
(
)
ut
()
Por ejemplo,
C
=
AD
,
=
B
1
−− nb
1
2)
Cq
(
)
=
1,
Dq
(
)
=−
q
T
Z
( t )
=
[
u ( t
1)
u ( t
−− na
nb
)
]
© Carlos Mario Vélez S.
Universidad EAFIT