Identificacin de Sistemas

Prof. Cesar de Prada

Dpto. Ingeniera de Sistemas y Automtica
Universidad de Valladolid, Espaa
Tlf + 34 983 423164
prada@autom.uva.es

Identificacin de Sistemas

1 Fundamentos y metodologa de la identificacin.

2 Mtodos no paramtricos
3 Mtodos paramtricos
4 Validacin de modelos
5 Herramientas y prctica de la identificacin
6 Mtodos en lazo cerrado
7 Mtodos basados en subespacios
8 Modelizacin e identificacin de modelos no-lineales
9 Tcnicas de estimacin no-lineal de estados y
parmetros. Mtodos de horizonte deslizante
10 Herramientas de parametrizacin de modelos continuos
2

Indice
Introduccin
Metodologa
Modelos
Mtodos de estimacin
Identificacin prctica (HIDEN)

Como obtener modelos?

Mediante razonamientos,
usando leyes de fsicas,
qumicas, etc

Mediante experimentacin
y anlisis de datos
4

Modelos de conocimiento
Se obtienen mediante razonamientos y la
aplicacin de principios de conservacin de
masa, energia, momento, etc y otras leyes
particulares del dominio de aplicacin
Tienen validez general
Requieren conocimiento profundo del proceso
y de las leyes fisico-qumicas

Modelos de conocimiento
Ejemplo:

Conservacin de masa
h

Acumulacin=
entrada - salida

dh
A
= q k h
dt
A seccin del depsito
densidad, k constante

Modelos de conocimiento

Formados por conjuntos de ecuaciones diferenciales y

algebraicas
Utiles para muchos fines
-

Qu pasa si?
Diseo
Pruebas antes de la implementacin

Dificiles de manipular matemticamente

Se resuelven mediante simulacin
Suelen tener algn parmetro desconocido
7

Linealizacin y discretizacin
q

dh
A
= q k h
dt
h

d h
h y q son
a
= bh + cq
cambios de
dt
h y q sobre unos
valores de
h (kT ) = h (kT T ) + q (kT T )
equilibrio
8

Identificacin
El modelo se obtiene a partir de
datos experimentales de entradasalida del proceso
U
U
t

Proceso
t

Modelo
9

Modelos de caja negra

Se postula una relacin matemtica entre la
entrada y la salida que depende de unos
parmetros que deben ser estimados
mediante los datos experimentales, sin que
dicha relacin deba estar fundada
directamente en leyes fisico-qumicas u
otras.
q
h (kT ) = h (kT T ) + q (kT T ) +
h
10

Modelos grises
Son modelos de conocimiento en los que
una parte est modelada como un modelo de
caja negra, la cual representa ciertos
fenmenos complejos o difciles de modelar
de otra forma.
Todos los tipos de modelos requieren de una
etapa de estimacin de los valores de sus
parmetros en mayor o menor medida.
11

Metodologa de la identificacin
Objetivos, Proceso y diseo de experimentos
Toma de datos experimentales
Anlisis y tratamiento de datos
Seleccin del tipo de modelo
Estimacin de parmetros
Validacin del modelo
12

Objetivos

Teora de estimacin de parmetros

Importancia de los experimentos y

el tratamiento de datos

13

Modelos Dinmicos
medida cuantitativa de los efectos de las entradas en las

salidas a lo largo del tiempo

deben representar los aspectos esenciales del proceso
facilidad de manejo
en el proceso siempre hay presentes perturbaciones
p
u

t
14

Modelos discretos
u(kT)
Ordenador
y(kT)

A/D

Proceso

D/A

modelos discretos
la salida en t = kT depende de las entradas y salidas
en instantes de tiempo (k-j)T anteriores
15

Tipos de modelos
Modelos lineales:
Paramtricos (FT, SS,...)
No paramtricos (Resp. salto, Resp. Frec.)
No lineales:
Hammerstein
Redes Neuronales
Modelos basados en leyes fisico-qumicas
...
16

Modelos Lineales
la salida actual depende linealmente de las entradas y

salidas en instantes de tiempo anteriores

y( t ) = a1 y( t 1) .... a n y( t n ) + b1u ( t 1) + .... + b m u ( t m)

las variables u e y son perturbaciones sobre

un punto de operacin
y( t ) = Y Y

u( t ) = U U 0
17

Modelos lineales
las variables u e y son
cambios sobre un punto de
operacin U0 , Y0

u ( t ) = U( t ) U 0 ( t )
y( t ) = Y( t ) Y0 ( t )

U
U0
t

Y0

Proceso
t

El rango de validez est limitado a un entorno del punto de operacin

18

Cundo un proceso es lineal?

Y
Proceso

19

FUNCION DE
TRANSFERENCIA
Operador retardo unitario
q 1f(t) = f(t 1)
f ( t + 1) = qf ( t )

con t = kT

y( t ) = a1 y( t 1).... a n y( t n ) + b1 u( t 1)+....+ b m u( t m )
(1 + a1q 1 +....+ a n q n ) y( t ) = ( b1q 1 +....+ b m q m )u( t )

B(q 1 )
y( t ) =
u( t )
1
A (q )

A(q 1 ) = 1 + a 1q 1 +....+ a n q n
B(q 1 ) = b1q 1 +.........+ b m q m
modelo DARMA

20

Modelos
Independientes
ym solo depende de u
estables

p
u

Yp
Proceso

Modelo

Ym

De regresin
ym depende tambien de p
todo tipo

Yp
Proceso

Modelo

Ym

Modelo independiente/regresin
Modelo independiente

y m ( t ) = a1 y m ( t 1) .... a n y m ( t n ) + b1u ( t 1) + .... + b m u ( t m)

Modelo de regresin

y m ( t ) = a1 y p ( t 1) .... a n y p ( t n ) + b1u ( t 1) + .... + b m u ( t m)

22

Respuesta Impulsional
B(q 1 )
1
2
m
=
+
+
+
+ ...)u ( t ) =
y( t ) =
u
(
t
)
(
h
q
h
q
...
h
q
1
2
m
1
A (q )
= h1u ( t 1) + h 2 u ( t 2) + ... + h m u ( t m) + ...

y( t ) = h ju ( t j)

u(t)

y(t)

j=1

1
t
T
Entrada impulso
unitario

Proceso

hj
t

T
y(j) = hj
23

Respuesta impulsional

j=1

j=1

y( t ) = h j u ( t j) h j u ( t j) =h 1 u ( t 1) + h 2 u ( t 2) + ... + h m u ( t m)
y( t ) = (h 1q 1 + h 2 q 1 + ... + h n q 1 )u ( t ) = H(q 1 )u ( t )

No requiere conocer la estructura del modelo

Puede describir dinmicas no usuales
Prediccin simple y poco sensible a errores
Limitado a sistemas asintticamente estables
Contiene muchos parmetros
Sistemas con estructura poco definida: temp,
24

Respuesta salto
1

1 g
1

Proceso

g2

gj
t

g0=0
Impulso = diferencia de dos saltos
retrasados un periodo de muestreo T
h j = g j g j1

j=1

j=1

y( t ) = h j u ( t j) = (g j g j1 )u ( t j) =
= g1u ( t 1) g 0 u ( t 1) + g 2 u ( t 2) g1u ( t 2) + g 3 u ( t 3) g 2 u ( t 3) + ..... =
= g1 (u ( t 1) u ( t 2)) + g 2 (u ( t 2) u ( t 3)) + g 3 (u ( t 3) u ( t 4)) + .... =

= g1u ( t 1) + g 2 u ( t 2) + g 3 u ( t 3) + ..... = g j u ( t j)
j=1

25

Respuesta salto

y( t ) = g ju ( t j)

= 1 q 1

j=1

No requiere conocer la estructura del modelo

Puede describir dinmicas no usuales
Prediccin simple y poco sensible a errores
Limitado a sistemas asintticamente estables
Contiene muchos parmetros
Adecuado para sistemas de estructura poco definida

26

Respuesta salto
1 g
1

g2

gn
t

g0=0

Si el sistema es
asintticamente estable
los gj sern constantes a
partir de uno dado gn

y( t ) = g j u ( t j) = g 1 u ( t 1) + g 2 u ( t 2) + ... + g n u ( t n ) +
j=1

+ g n +1 [u ( t n 1) + u ( t n 2) + ...] =

= g 1 u ( t 1) + ... + g n +1 [u ( t n 1) u ( t n 2) + u ( t n 2) u ( t n 3) + ...] =
= g 1 u ( t 1) + ... + g n u ( t n ) + g n +1 [u ( t n 1)]

j=1

j=1

y( t ) = g j u ( t j) g j u ( t j) + g n +1 u ( t (n + 1))
27

Variables de estado
x(t + 1) = Ax(t) + Bu(t)
y(t) = Cx(t)
x(t) variable de estado del sistema
A, B y C matrices de ordenes adecuados
Se obtienen de forma natural por linealizacin de los
modelos dinmicos obtenidos mediante balances, etc
Describe bien la estructura interna del proceso
Extensin multivariable directa
Numero de parmetros no mnimo
Clculos mas complejos

Mtodos de
subespacios

28

Caso Multivariable
y1

u1

y2

Proceso
u2

y3

Las estructuras anteriores se pueden generalizar al caso MIMO

A(q 1 )y ( t ) = B(q 1 )u( t )

u( t ) = [u 1 ( t ),..., u m ( t )] y ( t ) = [ y1 ( t ),..., y n ( t )]

A(q 1 ) = I + A1q 1 + .... + A p q p

B(q 1 ) = B1q 1 + .... + B q q q

Modelo en fracciones matriciales: Ai matrices (n,n)

MFD matrix fraction description
29

Caso Multivariable
u1

M11

u2

M12

y1
y2

Si la Matriz A de la descripcion MFD es diagonal:

y1 = M11 u1+ M12 u2+...
30

Caso Multivariable
y1 ( t ) = M11u1 ( t ) + M12 u 2 ( t ) +...+ M1m u m ( t ) + n1 ( t )
y 2 ( t ) = M 21u1 ( t ) + M 22 u 2 ( t ) +...+ M 2 m u m ( t ) + n 2 ( t )
...
y n ( t ) = M n11u1 ( t ) + M n 2 u 2 ( t ) +...+ M nm u m ( t ) + n n ( t )

n
Y1

U1

Yn

Um

y1 ( t ) M11 M12 ... M1m u1 ( t ) n1 ( t )

y ( t ) M M ... M u ( t ) n ( t )
2m 2
+ 2
2 = 21 22
... ...
.... ...

M
...
(
)
(
)
(
)
y
t
M
M
u
t
n
t
n2
nm m
n
n n1

y = Mu + n
31

Matriz Dinmica
y1

y2

y3

y
t

u1

t
y

t
y

u2
t

respuesta salto entre cada par entrada/salida

32

Modelo de ruido
C(q 1 )
v( t ) =
( t )
1
A (q )

Proceso ARMA
(t) ruido blanco de media nula
Las caractersticas estadsticas de v(t) dependen de
la funcin de transferencia C/A
Alternativamente puede suponerse un ruido v(t)
sin estructura de modelo predefinida, y estimarlo
en funcin de las medidas experimentales.
33

Algoritmos No recursivos
Orientados a identificacin fuera de linea
U
U
t

Proceso

Y
t

Modelo
34

Algoritmos Recursivos
U
U
t

Proceso

Y
t

Algoritmo
Algoritmos orientados
a trabajo en linea

Modelo

( t ) = ( t 1) + K ( t )[y( t ) M ( t 1)u ( t )]
35

Algunos Mtodos de Estimacin

Respuestas a entradas especiales
Mtodos basados en correlaciones
Mtodos de estimacin espectral
Mtodos de minimizacin de error
Mtodos de variable instrumental
Mtodos de prediccin de error
Mtodos de mxima verosimilitud
Identificacin global
Minimizacin de la distancia paramtrica
Subespacios invariantes
36

Identificacin con un salto en u

tg de mxima pendiente
valor estacionario

y
y

t
d

= y/u

ds

u
t

Ke
s + 1
37

Ensayos de respuesta en salto

y( t ) = g i u ( t i) + v( t )
i =1

Se parte de un estado estacionario

Para eliminar el efecto de v(t) se toma la media de
varios ensayos
y

u
Proceso

Salto unidad
gi
38

Respuesta en frecuencia
Calculo de los diagramas de amplitud y fase excitando
al sistema con seales sinusoidales de distintas frecuencias

G(jw)

Modelo no paramtrico
Mtodos especiales con
correladores para eliminar
el efecto de ruidos

39

Funciones de correlacin
La autocovarianza de una serie de datos
estima la dependencia interna entre el valor
que toma en un instante t y el que toma en t+k

1 N
u (i)u (i k )
R u (k ) = E{u ( t )u ( t k )}

N 1 i=k
La covarianza cruzada entre dos series de datos
estima la dependencia entre el valor que toma
una en un instante t y el que toma la otra en t+k

1 N
y(i)u (i k )
R yu (k ) = E{y( t )u ( t k )}

N 1 i=k
R yu (k ) = R uy ( k )

40

Bandas de confianza
Ru(k)
k

Si los valores calculados

estn dentro de las
bandas de confianza se
supone que no son
significativamente
diferentes de cero

Las bandas de confianza se calculan a menudo

mediante la expresin:

2.009 1 R (k )
n 1
41

Ruido blanco
Seal aleatoria en la que sus valores en un instante t
son independientes del valor que han tomado en
instantes anteriores.
Ru(k)
1
Ru(k) = 0 k 0
k
Su espectro de
potencia es
constante

42

Mtodos de correlacin
U
U
Proceso

t
m

Y
t

y( t ) = h i u ( t i) + v( t )

y( t )u ( t j) = h i u ( t i)u ( t j) + v( t )u ( t j)

i =1

i =1

E{y( t )u ( t j)} = E h i u ( t i)u ( t j) + E{v( t )u ( t j)}

i =1

E{y( t )u ( t j)} = h i E{u ( t i)u ( t j)} + E{v( t )u ( t j)}

i =1

R yu ( j) = h i R u ( j i) + R vu ( j)
i =1

Sistemas estables en lazo abierto

43

Mtodos de correlacin
m

R yu ( j) = h i R u ( j i) + R vu ( j)
i =1

En lazo abierto, v y u estn incorrelacionadas y

Rvu(j)=0, pero si v(t) es un proceso ARMA:
v( t ) = d1 v( t 1) ... d r v( t r ) + ( t ) + c1( t 1) + ... + c s ( t s)
1 N j
R vu ( j) v( t )u ( t j) =
N t =1
1 N j
= [ d1 v( t 1) ... d r v( t r ) + ( t ) + c1( t 1) + ... + c s ( t s)]u ( t j)
N t =1
En lazo cerrado u(t-j) puede depender a traves de y(t-j-k) de v(t-j-i)

E{v( t )u ( t j)} 0

R yu ( j) = h i R u ( j i)
i =1

44

Mtodos de correlacin

i =1

i =1

R yu ( j) = h i R u ( j i) h i R u (i j)

Dando
valores
0.m-1,
a j:

R u ( 2)
R yu (0) R u (1)
R (1) R (0)
R u (1)
yu
u

=
...

...
...
R (m 1)
...
yu
R u ( 2 m)

Para que exista

solucin

R u ( 2)
R u (1)
R ( 0)
R u (1)
u

...
...

R ( 2 m)
...
u

... R u (m) h 1
... R u (m 1) h 2

...
...
...
...
R u (1) h m

... R u (m)
... R u (m 1)

...
...

...
R u (1)

debe estar
bien
condicionada

Condicin de excitacin persistente. Depende del experimento

45

PRBS
m

R yu ( j) = h i R u (i j)
i =1

Si la entrada es un ruido blanco: Ru(k) = 0 k 0

R yu ( j) = h j R u (0)

Una ruido blanco es dificil de implementar, por lo que,

amenudo, se usan en su lugar otras seales con
caractersticas similares a las de ruido blanco:
PRBS
DRBS
46

Espectro de potencia
Las condiciones tericas de existencia de la
Transformada de Fourier de una seal no se
cumplen en el caso de procesos estocsticos

f (t )dt <

f(t)
t

Se define entonces el
espectro de potencia
sobre R(t)

u () =

j t
R
(
t
)
e
dt
u

yu () =

j t
R
(
t
)
e
dt
yu

47

Espectro de potencia

1
2
u ( ) =
E U ( )
2

El espectro de potencia de
una seal es proporcional al
valor esperado del cuadrado
de la amplitud de la
componente de la seal
asociada a esa frecuencia, o
sea a su potencia.

48

Estimacin de espectros
Dominio de la frecuencia
Modelo no paramtrico: se estiman los valores de G(j)
para distintos valores de la frecuencia
G
( e j T ) =
G

yu ()
uu ()

49

Minimizacin de error
Criterio de estimacin:Dado un conjunto de datos
experimentales u(t), y(t), buscar los parmetros que
minimizan la funcin de coste V :
1
V=
N

1
e( t ) =

N
t =1
2

[ ( y ( t ) y m ( t , ) ]

t =1

v
u

y
Proceso
e(t)

Modelo
y

m
m

50

Mtodo de Mnimos cuadrados

Least Squares (LS)

Modelo

vector de parmetros
vector de datos

y m ( t ) = ( t )

Criterio de estimacin:Dado un conjunto de datos

experimentales u(t), y(t), minimizar respecto a los
parmetros :
N
N
1 N
1
1
2
2
2
V = e( t ) = [ ( y ( t ) y m ( t ) ] = [ ( y ( t ) ( t ) ]
N t =1
N t =1
N t =1

51

Respuesta impulso
y m ( t ) = h 1u ( t 1) + h 2 u ( t 2) + .... + h m u ( t m)
y m ( t ) = ( t )
( t ) = [u ( t 1), u ( t 2),...., u ( t m)]
= [h 1 , h 2 ...., h m ]

La salida del modelo depende de valores pasados de

las entradas del proceso
52

Respuesta salto
y m ( t ) = g 1 u ( t 1) + g 2 u ( t 2) + .... + g m u ( t m) + g m +1 u ( t m 1)
y m ( t ) = ( t )

( t ) = [u ( t 1), u ( t 2),...., u ( t m), u ( t m 1)]

= [g1 , g 2 ,....., g m , g m +1 ]

La salida del modelo depende de valores pasados de

las entradas del proceso
53

Modelo de regresin
y m ( t ) = a 1 y( t 1) a 2 y( t 2) .... a n y( t n)
+ b 1 u( t 1) +....+ b m u( t m)
y m ( t ) = ( t )

( t ) = [ y( t 1),...., y( t n), u( t 1),.... u( t m)]

= [a 1 ,...., a n , b 1 ,...., b m ]

La salida del modelo depende de valores pasados de

las entradas y salidas del proceso
54

Funcin de transferencia
B(q 1 )
u( t )
y m (t) =
1
A (q )
y m ( t ) = a1y m ( t 1) a 2 y m ( t 2) .... a n y m ( t n) +
+ b1u( t 1) +....+ b m u( t m)

Una funcin de transferencia no puede

ponerse como funcin lineal de
y m ( t ) = ( t )

Al ser las ym(t - i) funcin de los parmetros

55

Mtodo de Mnimos cuadrados

y m ( t ) = ( t )
Least Squares (LS)
Criterio de estimacin:Dado un conjunto de datos
experimentales u(t), y(t), minimizar respecto a los
parmetros :
1 N
1 N
1 N
2
2
2
V = e( t ) = [ ( y ( t ) y m ( t ) ] = [ ( y ( t ) ( t ) ]
N t =1
N t =1
N t =1
v
u

y
Proceso
e(t)

Modelo
y

m
m

56

LS formulacin matricial
1 N
2
V = [( y( t ) ( t )]
N t =1

' = [(1) (2) .... ( N )]

Definiendo la
matriz y el vector:

y ' = [y(1), y(2),...., y( N )]

y(1) (1)'
y(1) (1)'
y(2) (2)'
y(2) (2)'

y =
...
... ...

y( N) ( N)'
y( N) ( N)'

V=

1
(y )' (y )
N
57

Ejemplo
y( t ) = h 1u ( t 1) + h 2 u ( t 2) + h 3 u ( t 3)

Modelo resp. impulso

con 3 parametros hi y
N=5 (se usan N+3-1
datos experimentales)

y = [y(1), y(2), y(3), y(4), y(5)]

= [h 1 h 2 h 3 ]

( t )' = [u ( t 1), u ( t 2), u ( t 3)]

' = [(1) (2) (3) (3) (5)] =

u (1) u (2) u (3) u (4)

u ( 0)
= u (1) u (0) u (1) u (2) u (3)

u (2) u (1) u (0) u (1) u (2)

y(1) u (0) u (1) u (2)
y(2) u (1) u (0) u (1) h

1
y = y(3) u (2) u (1)
u ( 0) h 2

y(4) u (3) u (2)

u (1) h 3

y(5) u (4) u (3) u (2)
58

Mnimos cuadrados
1 N
2
min V = min [( y( t ) ( t )]

N
t =1
V=

' = [(1) (2) .... ( N )]

y ' = [y(1), y(2),...., y( N )]

1
1
( y )' ( y ) = [ y' y ' ' y y' + ' ' ]
N
N

V()

1
=
2' y + 2' = 0
N

1
= [ ' ] ' y

[' ] = ( t )( t )'
t =1

Debe ser invertible

59

Interpretacin geomtrica
' = [(1) (2) .... ( N )]

y ' = [y(1), y(2),...., y( N )]

V=

1
(y )' (y )
N

(1)
(2)
= [1
=
...
( N)

... d ]

Considerando las d columnas i de como vectores de

dimensin N, el problema de encontrar para minimizar V
se puede ver como el de encontrar una combinacin lineal
de los vectores i , o sea, un vector del hiperplano definido
por ellos, que est lo mas prximo posible al vector y. Esto
corresponde a la proyeccin ortogonal de y sobre el
hiperplano. d = nmero de parmetros a estimar
60

Ejemplo
y( t ) = h 1u ( t 1) + h 2 u ( t 2) + h 3 u ( t 3)
y(1) u (0) u (1) u (2)
y(2) u (1) u (0) u (1) h
1

y = y(3) u (2) u (1)
u ( 0) h 2 =

y(4) u (3) u (2)

u (1) h 3

y(5) u (4) u (3) u (2)
Modelo resp. impulso
con 3 parametros hi y
y(1)
u ( 0)
u (1)
u (2)
y ( 2)
u (1)
u ( 0)
u (1)
N=5 (se usan N+3-1

datos experimentales)
= y(3) h 1 u (2) h 2 u (1) h 3 u (0)
y ( 4)
u (3)
u ( 2)
u (1)
d

y = y i i
y(5)
u (4)
u (3)
u (2)
i =1

61

Interpretacin geomtrica
e = y y
e i e i = 0
y = y + e

y
e
2

y
1

El vector de errores e
es perpendicular a
cualquier vector i ,
y por tanto, a las
estimas y

y = i i

i =1

62

Residuos
Errores entre los datos experimentales y los valores
estimados con el modelo

e(1)
e ( 2)

e=

e ( N )

e( t ) = y( t ) y( t ) = y( t ) ( t )
e = y y
e y
y = y + e
y = y + e
2

y
e
2

1 N
1 N
1 N
2
2
2

=
+
e
(
t
)
y
(
t
)
y
(
t
)

N t =1
N t =1
N t =1

Coeficiente de correlacin
mltiple: mide la proporcin de
la varianza de los datos que es
explicada por el modelo
R 2y =

y
(
t
)

y( t )

= 1

2
t
)
e
(

y( t )

63

Propiedades
Sesgo
Consistencia
Eficiencia
Los resultados estimados de
dependen de los experimentos
y son, por tanto variables
estocsticas

64

Propiedades (1)
Suponiendo que el proceso puede ser representado
de forma exacta por y(t)=(t)0 +v(t)
1
= [ ' ] ' y
1
= [ ' ] [ 0 + v ]

= + [ ] 1 v
0
1

E{} = 0 + E{[ ] v}

Si E{[ ]1 v} = 0 la estima es no sesgada

E{ } = 0
65

Propiedades (2)
Cuando el trmino
E{[ ]

E{[ ] v}
1

es nulo?

1
1 N
v} = ( t )( t ) ( t ) v( t )
N t =1
N t =1

La inversa ser no nula,

1 N
luego el trmino
(t )v(t ) R v (0) 0
N

t =1

Para que la estima de no sea sesgada los datos (t) no

deben estar correlacionados con los ruidos v(t)
66

Caso Respuesta Impulso

m

y( t ) = h j0 u ( t j) + v( t )
j=1

( t ) = [u ( t 1), u ( t 2),...., u ( t m)]

0 = [h 10 , h 20 ,...., h m 0 ]

Estimacin no
sesgada
si u y v no estn
correlacionados

E{} = 0 + E{[ ] v}

u (1)
u ( 2)
u ( 0)
u (1)
u ( 0)
u (1)

v =

u (1 m) u (2 m) u (3 m)

v(1)
u ( N 1)
R uv (1) R vu (1)

v ( 2)
R uv (2) R vu (2)
u ( N 2)

=
v(3)

R ( m)

R
(
m
)

u ( N m)
vu

v( N ) uv
67

Caso Respuesta Impulso

m

y( t ) = h j0 u ( t j) + v( t )

Estimacin no sesgada
en lazo abierto: u y v no
correlacionados

j=1

( t ) = [u ( t 1), u ( t 2),...., u ( t m)]

0 = [h 10 , h 20 ,...., h m 0 ]

v
u

1
E{ } = 0 + E{[ ] v}

Estimacin puede ser sesgada

en lazo cerrado: v y u estn
correlacionadas
a traves
de la y de realimentacin

y
Process

v
u
controller

y
Process

68

Caso modelo de regresin

Representacin
exacta del proceso

B 0 (q 1 )
y( t ) =
u( t ) + v( t )
1
A 0 (q )

A 0 (q 1 ) y( t ) = B 0 (q 1 ) u( t ) + A 0 (q 1 ) v( t )

( t ) = [ y( t 1),...., y( t n), u( t 1),.... u( t m)]

0 = [a 10 ,...., a n 0 , b 10 ,...., b m0 ]

y(t) = (t)0 +A0(q-1)v(t)

1
E{ } = 0 + E{[ ] A 0 v}

En general los valores de y 0v estarn correlacionados

pues la salida depende de v, y la estimacin ser sesgada
69

Caso modelo de regresin

( t ) = [ y( t 1),...., y( t n), u( t 1),.... u( t m)]

0 = [a 10 ,...., a n 0 , b 10 ,...., b m0 ]
y(1)
y( 2)
y ( 0)
y( 1)
y ( 0)
y(1)

y(1 n ) y( 2 n ) y(3 n )

v =
u ( 0)
u(1)
u ( 2)

u ( 0)
u(1)
u( 1)

u(1 m) u( 2 m) u(3 m)

y( N 1)
R yv ( 1)
R ( 2 )
y( N 2)
yv

A 0 v (1)

A 0 v ( 2)

y( N n )
R
(
n
)
yv

A 0 v (3)
u( N 1)
R uv ( 1)

u ( N 2)
R
(
2
)

A 0 v ( N ) uv

u( N m)
R uv ( m)
70

Varianza de las estimaciones

Las estimaciones dependen de los datos
experimentales y presentan una variabilidad
1
E{ } = 0 + E{[ ] v}
1
1
cov{ } = E{( 0 )( 0 )} = [ ] R v [ ]

La varianza de las estimaciones depende del

ruido y de los datos experimentales
residuos:

Si

e( t ) = y( t ) ( t )
v( t ) = y( t ) ( t )0
e(t) = v(t)
71

Interpretacin en frecuencia (1)

1

V = y( t ) h i u( t i)
N t =1

i =1
N

Modelo respuesta
impulso

k
i
V = h k 0 q u( t ) + v( t ) h i q u( t ) =
N t =1 k =1

i =1
N

1
k
i
h
q
h
q
u
t
v
t

+
(
)
(
)
k0

N t =1 k =1
i =1

Datos tomados en lazo abierto: u y v estn incorrelacionados

1
1 N

k
i
2
V = h k 0 q h i q u( t ) + [ v( t ) ]

N t =1
N t =1 k =1
i =1
N

72

Dominio de la frecuencia (2)

1
1 N

2
i
k
V = h k 0 q h i q u( t ) + [ v( t ) ]

N t =1
N t =1 k =1
i =1
N

/T

NT

1
2
0 x( t ) dt = 2 / T x ( )d

Igualdad de Parserval
/T

/T

1
1

jkT
jiT
V=
hie
v ( )d
u ( )d +
h k0e

2 / T k =1
2 /T
i =1
n

Los errores estn pesados en cada frecuencia por el espectro

de potencia de los datos de entrada. El modelo, a las frecuencias
que no se exciten presentar mayor error que aquellas donde
u() sea significativo
73

Dominio de la frecuencia (3)

Caso modelo de
regresin
/T

B 0 (q 1 )
y( t ) =
u( t ) + v( t )
1
A 0 (q )
jT

B0 (e
) B(e
)
1
jT 2
(
) u ( )d +
e
A
V=

jT
jT

2 / T A 0 (e
)
) A (e
jT

/T

1
jT 2
(
) v ( )d
+
A
e

2 /T

Los errores estn pesados en cada frecuencia no solo por

u() , sino tambien por A(). Como normalmente A sera
pasa alta, se tienden a favorecer los ajustes de alta frecuencia
74

Experimentos
Si se quiere determinar bien la dinmica de un proceso, los

datos deben tener informacin sobre dicha dinmica

Por tanto deben realizarse experimentos que correspondan a
respuestas del sistema en distintas situaciones de
funcionamiento
Los registros histricos de variables reguladas, pueden no ser
vlidos al no tener informacin dinmica suficiente o estar
correlacionada con el ruido.
Ensayos previos, tales como un salto a la entrada,
pueden ayudar a determinar tiempos de asentamiento,
amplitud adecuada de las seales, duracin del
experimento,.... (pre-test)
75

Experimentos, muestreo
El periodo de muestreo debe fijarse en funcin del uso y la
dinmica del proceso considerado. Para control, en funcin
del tiempo de asentamiento deseado en lazo cerrado. La
toma de datos suele ser mas frecuente que su uso posterior.
La duracin del experimento debe cubrir tanto datos para
identificacin como datos para validacin (1000 )

76

Experimentos, amplitud
u

y
N

S/N > 3

Dado que se estn identificando modelos lineales, el

cambio en las variables manipuladas debe ser lo mas
pequeo posible para no alejarse de la zona de
operacin, pero tambin, si hay ruido, hay que mantener
una adecuada relacin seal/ruido, tpicamente >3
77

Experimentos, frecuencia
Los experimentos deben hacerse con seales que cubran
el rango de frecuencias de inters
%bomba (%)

Seales tpicas que

cubren las frecuencias
de inters

80
70
60
50
40
0

100

200

300

400

500

600

700

800

900

1000

700

800

900

1000

Nivel (%)
60

40

20

100

200

300

400

500
600
tiempo (segundos)

Los experimentos deben disearse cuidadosamente fuera

de lnea y ejecutar lo planificado para evitar
realimentaciones a travs del ejecutor del experimento

78

Experimentos
caudal jarabe IV (m3/h)

80

Procesos tipo mecnico, electrnico,..

Cualquier ensayo en un tiempo corto
Procesos tipo qumico, biolgico,...
Pueden hacerse durante mas tiempo pero sin
perturbar demasiado

60
40
20
0
5

10
15
20
25
30
caudal condensados t (m3/h)

35

10

30

35

10

15

20

25

30

35

10

15

20

25

30

35

30
20

Planificacin cuidadosa off-line y ejecucin de

lo planificado.
Experimentos para identificacin y para

validacin
El mtodo de identificacin puede imponer el

tipo de experimento

10
0
15
20
25
presin escape (bar)

2
1
0
500
400
300
200
100

79

Filtrado paralelo
v
u
G

Filtro
F
uf

y
+

Filtro
F
y = Gu + v
yf
y f = Fy = FGu + Fv = GFu + Fv
y f = Gu f + Fv

Se conserva la dinmica
entre variables filtradas
80

Ejemplo: Dos depsitos

interconectados

81

Datos experimentales
Poca
excitacin a
bajas
frecuencias

82

Datos experimentales
Datos validacin:
respuesta modelo
/proceso error en
ganancia

Datos identificacin
con excesiva amplitud
30-70% :no linealidad
83

Datos experimentales
Bomba (Unidades)
70
60
50
40
30
0

200

400

600

800

Altura (Unidades)

1000
datos de la sesin - modelo en ModeloImpulsionalLargo01.mat

30

Errores en esa
zona de
validacin

Bomba (Unidades)
20

20

10

10

0
-10

200

400

600
tiempo (segundos)

800

1000

-20
100

200

300

400

500

600

700

800

900

1000

1100

800

900

1000

1100

Altura (Unidades) real [-] y modelo [- -]

10

Datos de validacin
con un tramo en
que el nivel esta
saturado a cero

0
-10
-20
100

200

300

400

500
600
tiempo (segundos)

700

84

Cubriendo el rango de
frecuencias de inters
%bomba (%)
80
70
60

Datos validacin
+respuesta modelo

50
40
0

100

200

300

400

500

600

700

800

900

1000

Nivel (%)

%bomba (%)

60

10
0

40

-10

20
-20

100

200

300

400

600
500
tiempo (segundos)

700

800

900

1000

200

400

600

800

1000

1200

1000

1200

Nivel (%) real [-] y modelo [- -]

20
10

Datos identificacin

0
-10
-20
0

200

400

800
600
tiempo (segundos)

85

HIDEN
Herramienta grfica orientada a facilitar la identificacin

de modelos dinmicos lineales multivariables.

Toolbox de Matlab
Datos
experimentales

HIDEN

Modelo
Dinmico

Implementa una
metodologa de
identificacin y ayuda
al usuario a seguirla
86

RLS
Recursive Least Squares
RLS Mnimos cuadrados recursivos
1
1
( t ) = [ ( t )' ( t )] ( t )' y ( t ) P ( t ) = [ ( t ) ( t )]
Inconvenientes: Memoria, tiempo de clculo, fuera de
linea, Forma recursiva de procesar los datos

( t ) = P ( t ) ( t )y ( t )
( t 1) = P ( t 1) ( t 1)y ( t 1)
( t ) ( t 1) = P ( t ) ( t )y ( t ) P ( t 1) ( t 1)y ( t 1)

Operando:
87

RLS
( t ) = ( t 1) + K ( t )( t )[y( t ) ( t ) ( t 1)]

K ( t ) = P( t 1)[1 + ( t )P( t 1)( t )]

P( t ) = P( t 1) K ( t )( t )( t )P ( t 1)
La matriz P(t) controla la velocidad de correccin
Tpicamente es decreciente:
1

P ( t ) 1 = P ( t 1) 1 + ( t )( t )

Tras un cierto tiempo no hay correccin significativa

Poco adecuado para identificacin en tiempo real
88

Factor de olvido
N

V = N t [y( t ) ( t )]
t =1

es el factor de olvido 0.95 .0.999

( t ) = ( t 1) + K ( t )( t )[y( t ) ( t ) ( t 1)]
K ( t ) = P ( t 1)[ + ( t )P ( t 1)( t )]
P ( t ) = [P ( t 1) K ( t )( t )( t )P ( t 1)]
1

Problemas de explosin con baja excitacin

P ( t )( t ) 0

P ( t ) = [P ( t 1)]

Modificaciones para evitar la explosin: mtodos de

traza de P constante, factor de olvido variables, etc.

89

Variables Instrumentales IV
La estimacin LS es
sesgada si el ruido v est
correlacionado con
El mtodo IV usa la
frmula de estimacin:

1
= [ ' ] ' y

E{ } = 0 + E{[ ] v}
1

1
= [W ' ] W ' y

Con W escogida incorrelacionada con v, y W invertible

} {

1
1
1

E{} = E [W ' ] W ' y = E [W ' ] W ' (0 + v) = 0 + E [W ' ] W ' v = 0

La estimacin IV es no sesgada para N

Consistente
90

Variables Instrumentales IV
= [W ' ]1 W ' y
Existen varias formar de escoger el vector w de
variables instrumentales
' = [(1), (2),...., ( N)]
W ' = [z(1), z(2),...., z( N)]
B(q 1 )
z( t ) =
u(t)
o
A(q 1 )

z( t ) = [u ( t 1),...., u ( t 1),...u (t 2 N )]

Puede ser necesario iterar para obtener mejores z(t)

Hay muchas elecciones equivalentes: TW con T
invertible .

91

Modelo de regresin
y m ( t ) = a 1 y( t 1) a 2 y( t 2) .... a n y( t n)
+ b 1 u( t 1) +....+ b m u( t m)

e( t ) = y ( t ) y m ( t ) =
= y( t ) + a 1 y( t 1) + a 2 y( t 2) +....+ a n y( t n)
b 1 u( t 1) .... b m u( t m)
= A (q 1 ) y( t ) B(q 1 ) u( t )
v

Funcin de costo

1 N
V = A (q 1 ) y( t ) B(q 1 ) u( t )
N t =1

Process

2
B

e(t)

92

Mtodo del Error de la salida

Modelo

B(q 1 )
y m (t) =
u( t )
1
A (q )

1 N
1 N
2
2
V = e( t ) = [ y ( t ) y m ( t ) ] =
N t =1
N t =1
1

1
B(q )
= y( t )
u( t )
1
N t =1
A (q )

Output Error (OE)

Modelo
independiente

v
u

y
Proceso
e(t)

B/A

No-lineal en los parmetros.

Ha de resolverse por minimizacin
numrica

93

Minimizacin de funciones
2
dk

V()

1
k+1= k+dk
Mtodos iterativos

d direccin de bsqueda
longitud del paso
94

Minimizacin de funciones
k+1= k+dk

2
gk

Mtodo del gradiente

mas pronunciado
dk = gk =

V
k

k = min V( k + g k ( k ))

Mtodo de Newton-Raphson
Mtodo simplex

k+1= k+kgk(k)

95

Algoritmo de Gauss-Newton
Fundamento:
1 N
V = e( t ) 2
1 Partir de una estima inicial k
N t =1
2 Linealizar el error e sobre k
3 Aplicar LS al error linealizado para mejorar la estima k
4 Iterar hasta que V no mejore
e( t , )

e( t , ) e( t , k ) +
( k ) =
= k

= e( t , k ) + k ( t )( k ) = [e( t , k ) k ( t ) k ] + k ( t )

e( t , )
=
= k

k (q 1 )
k (q 1 )
B

1
1
B
=

u
(
t
1
),...,
u
(
t
n
),
u
(
t
1
),...,
u
(
t
m
)

k (q 1 ) 2
k (q 1 ) 2
k (q 1 )
k (q 1 )
A
A
A
A

k ( t ) =

96

Algoritmo de Gauss-Newton
e( t , ) [e( t , k ) k ( t ) k ] + k ( t )
En LS: e(t) = y(t) - (y)

[e(t,

) k ( t ) k ]
k ( t )

juega el papel de y(t)

juega el papel de (t)

1
= [ ' ] ' y = ( t )( t )
t =1

LS:

k +1 = k ( t )k ( t )
t =1

GaussNewton:

1 N

t =1

= k k ( t )k ( t )
t =1

1 N

(t )y(t )
t =1

( t )[e( t , k ) k ( t ) k ] =

1 N

t =1

( t )e( t , k )
97

Error de la salida
N
1 N
1
2
V = e( t ) 2 = [ y ( t ) y m ( t ) ] =
N t =1
N t =1
1

B(q )
1
= y( t )
u( t )
1
N t =1
A (q )

La forma de los
contornos depende
de los datos
experimentales, y por
tanto la calidad de la
identificacin

98

Propiedades OE (1)
B 0 (q 1 )
Representacin y( t ) =
u( t ) + v( t )
1
A 0 (q )
exacta
N
1 N
1
2
V = e( t ) 2 = [ y ( t ) y m ( t ) ]
N t =1
N t =1

B0 (q )

B(q )
1
V =
u( t ) + v( t )
u( t ) =
1
1
N t =1 A 0 ( q )
A (q )

B 0 (q ) B(q )

1
u( t ) + v( t )
=

1
1
N t =1 A 0 (q ) A (q )

99

Propiedades OE (2)
B 0 (q ) B(q )

u( t ) + v( t )
V =
1
1
N t =1 A 0 (q ) A (q )

Si los datos se toman en lazo abierto de modo que u y v

esten incorrelacionados, y si N tiende a infinito:
1

B 0 (q ) B(q )
2
2
+

(
)
(
)
t
E{V} =
E
u
t
E
v

{
}
{
}
1
1
A 0 (q ) A (q )
1

El mnimo alcanza el verdadero valor de los parmetros

y la estimacin es consistente B (q ) B(q ) 0
1

A 0 ( q 1 )

A ( q 1 )

y =ax2+b
100

Dominio frecuencial
1

B 0 (q ) B(q )
2
2
+

(
)
(
)
t
E
v
t
E
u
E{V} =
}
{
}
{
1
1
A 0 (q ) A (q )
1

Utilizando el Teorema de Parserval:

/T

jT

B0 (e
) B(e
1
)
V=
u ( )d

jT
jT

2 / T A 0 (e
) A (e
)
jT

/T

1
+
v ( )d

2 /T

La estimacin se mejora en el rango de frecuencias

donde el espectro de potencia de u es grande
101

Mtodos del Error de Prediccin

Prediction Error Methods (PEM)
Se modelan explicitamente las perturbaciones
B(q 1 )
C(q 1 )
y m (t) =
u( t ) +
( t )
Modelo Box-Jenkins
1
1
A (q )
D( q )
Modelo CARMA
ARMAX
G y H funciones de
transferencia,
H estable, mnica y
de fase mnima

C(q 1 )
B(q 1 )
( t )
u( t ) +
y m (t) =
1
1
A (q )
A (q )
y m ( t ) = G (q 1 ) u( t ) + H (q 1 ) ( t )

Sobre el valor de ym
solo pueden hacerse predicciones
102

Mtodos del Error de Prediccin

Prediction Error Methods (PEM)
Criterio: Minimizar la suma de los cuadrados de los
errores de prediccin, respecto a los parmetros
1 N
1 N
2
2
min V = min e( t ) = min [ y( t ) y ( t )]
N
N

t =1
t =1
y ( t ) Prediccin de la salida del modelo con los
parmetros
v
u

y
Proceso
e(t)
Predictor
de B / A

ym

103

PEM: Predicciones
y m ( t ) = G (q 1 ) u( t ) + H (q 1 ) ( t )

y m ( t ) = G (q 1 ) u( t ) + H (q 1 ) 1 ( t ) + ( t )

1
1
t

G
q
y
(
)
(
) u( t )
( t ) =
1
H (q )
1
1
1
1
y m ( t ) = G ( q ) u( t ) + H ( q ) 1
y
t
G
q
(
)
(
) u( t ) + ( t ) =

1
H (q )

G (q 1 )
1
1
y( t ) G ( q ) u( t ) +
u( t ) + ( t ) =
= G (q ) u( t ) + 1
1
1
H (q )
H (q )
1

G (q 1 )
1
u( t ) + 1
y( t ) + ( t )
=
1
1
H (q )
H (q )
104

PEM
y m ( t ) = G (q 1 ) u( t ) + H (q 1 ) ( t )

Modelo lineal

1
G (q 1 )
y ( t ) =
u( t ) + 1
y( t )
1
1
H (q )
H (q )

Prediccin ptima

G (q 1 )
1
e( t ) = y( t ) y ( t ) = y( t )
u( t ) 1
y( t ) =
1
1
H (q )
H (q )

1
1
=

y
(
t
)
G
(
q
) u( t )
1
H (q )

1
1
V =
y( t ) G ( q ) u( t )
1

N t =1 H ( q )
N

Debe resolverse
por minimizacin
numrica
105

PEM: Propiedades
Representacin exacta

y( t ) = G 0 (q 1 ) u( t ) + H 0 (q 1 ) ( t )

1
1
y( t ) G ( q ) u( t )
V =
1

N t =1 H ( q )

Si N

2
1

1
1
1
V = E
G 0 ( q ) u( t ) + H 0 ( q ) ( t ) G ( q ) u( t ) =
1

H (q )
2
1
G 0 (q 1 ) G (q 1 )

H 0 (q )
( t )
= E
u( t ) +
1
1

H (q )
H (q )

106

PEM: Propiedades
2
1
G 0 (q 1 ) G (q 1 )

H 0 (q )
V = E
u( t ) +
( t )
1
1

H (q )
H (q )

Al ser H mnico, y G tener al menos un retardo:

V = E ( ( t ) + a term independant of ( t ))
= E{( t )

}=

} + E{( term independant of ( t )) } E{( t ) } =

2

La varianza del ruido es una cota inferior que se alcanza si:

1
H
q
(
)
1
1
0
G 0 (q ) G (q ) 0 and
1
1
H (q )
Por tanto, el ptimo global proporciona una estimacin no sesgada,
incluso con datos tomados en lazo cerrado. Estimacin consistente
107

PEM: dominio de la frecuencia

Si N
2
1
G 0 (q 1 ) G (q 1 )

H 0 (q )
V = E
u( t ) +
( t )
1
1

H (q )
H (q )

En lazo abierto u y el ruido estn incorrelacionados, luego:

1 2
H
q
(G 0 (q 1 ) G (q 1 )) 2
(
)
2
2
0
V=
E
u
t
E
t
+
(
)
(
)

{
}
{
}
1 2
1 2
H (q )
H (q )

108

PEM: dominio de la frecuencia

1 2
(G 0 (q 1 ) G (q 1 )) 2
(
)
H
q
2
2
0
(
)
(
)
V=
E
u
t
+
E
t

{
}
{
}
1 2
1 2
H (q )
H (q )

Aplicando el teorema de Parserval:

/T

jT

B0 (e
) B(e
1
) u ( )
d +
V=

jT
jT
jT

2 / T A 0 (e
) A (e
) H (e
)
jT

/T

H 0 (e jT )
1
v ( )d
+
jT

2 / T H (e
)

La estimacin es mejor en aquel rango de frecuencias

en el que 1/H y la seal de excitacin son grandes
109

Residuos
Representacin exacta

y( t ) = G 0 (q 1 ) u( t ) + H 0 (q 1 ) ( t )

1
1

y
t
G
q
)
(
) u( t )
( t ) =
(
0
1
H 0 (q )

ruido blanco

1
1
y( t ) y ( t ) = e( t ) =
y
t
G
q
(
)
(
) u( t )

1
H (q )

Si

H H0

G G0

e( t ) ( t )

Residuos

Test: Los residuos

deben tener
caractersticas de
ruido blanco
110

Caso Multivariable

u1

M11

u2

M12

y1
y2

y1 = M11 u1+ M12 u2+...

Se hace una identificacin para cada salida y todas
las entradas m sistemas MISO
111

Caso multivariable
Modelo de respuesta
impulsional:

n1

n2

j=1

j=1

n1

n2

j=1

j=1

y1 ( t ) = h11 ju1 ( t j) + h12 ju 2 ( t j)

y 2 ( t ) = h 21 ju1 ( t j) + h 22 ju 2 ( t j)

Puede formularse en la forma estandar:

y1 ( t ) = ( t )1

y 2 ( t ) = ( t ) 2

( t ) = (u1 ( t 1),....u1 ( t n1 ), u 2 ( t 1),....u 2 ( t n 2 ))

i = [h i11 ,...., h i1n1 , h i 21 ,...., h i 2 n 2 ]

Se resuelve un problema de identificacin para cada salida

112

Caso Multivariable
B11 (q 1 )
B12 (q 1 )
y1 ( t ) =
u1 ( t ) +
u 2 (t)
1
1
A1 (q )
A1 ( q )

Modelo de regresin:

B21 (q 1 )
B22 (q 1 )
y2 (t) =
u1 ( t ) +
u 2 (t)
1
1
A 2 (q )
A 2 (q )

y i ( t ) = i ( t )i
( t ) = [ y i ( t 1),...., y i ( t n ), u1 ( t 1),....u1 ( t m1 ), u 2 ( t 1),....u 2 ( t m 2 ),...]
= [a i1 ,...., a in , b i11 ,...., b i1m1 , b i 21 ,...., b i 2 m 2 ,...]
1

Bij (q )
1
V = yi (t )
u j ( t )
1
N t =1
j=1 A i (q )

113

Experimentos

u2
TT

Ti

u1

Tr

Reactante
T
Reactor

Refrigerante
AT

Producto

Si hay varias entradas, los cambios en las mismas deben de

estar incorrelacionados para que el algoritmo de identificacin
pueda distinguir los efectos de cada entrada en las salidas
114

Experimentos
Por ejemplo, si se aplican seales proporcionales u1=u2 a las
entradas simultneamente, hay muchas combinaciones de los
modelos M1 y M2 que se ajustan a las mismas parejas de
entradas y salidas
y ( t ) = M 1u 1 ( t ) + M 2 u 2 ( t ) = ( M 1 + M 2 ) u 2 ( t )

115

Experimentos

u2
TT

Ti

u1

Tr

Reactante
T
Reactor

Refrigerante
Producto
Excitar solo una entrada manteniendo las otras constantes y
luego hacer lo mismo con las otras, no es una buena poltica:
alarga el tiempo del experimento y no proporciona datos en
condiciones realistas de funcionamiento
AT

116

Dos depsitos acoplados

117

Modelos no lineales
Muchas de las tcnicas de modelos lineales pueden

aplicarse directamente a modelos no-lineales, pero

lineales en los parmetros que se desea estimar, p.e.
y(t) = eu(t-1) + sen(2u(t-2))
Ya que pueden formularse en el formato:
y(t) = (t) = (eu(t-1), sen(2u(t-2)) (, )
El caso general requiere usar tcnicas directas de
optimizacin de una funcin de costo.

118

Validacin
El conjunto de test positivos y negativos permiten

establecer el rango de validez del modelo

Distintas situaciones implican distintas tcnicas:
El proceso existe y se trata de construir un modelo que
reproduzca la realidad
El proceso no existe an y se trata de construir un modelo
para predecir su comportamiento y optimizarlo cara al
diseo

119

Validacin
Conjunto de pruebas de diferente naturaleza que

ayudan a validar el modelo

La validacin ha de hacerse a todos los niveles de
construccin del modelo:

Hiptesis
Formulacin
Codificacin
Resolucin numrica (verificacin)
Aplicacin
120

Validacin
Respuestas cualitativas del modelo
Comprobacin con datos experimentales
Test estadsticos
Anlisis de sensibilidad
Capacidad de prediccin del modelo
Distorsin de parmetros

121

Respuestas cualitativas
Respuestas cualitativas del modelo a entradas tipo

y
Model

Discusin y evaluacin de
respuestas tipo del modelo
con expertos en el proceso
122

Respuestas cualitativas
Respuestas cualitativas del modelo a entradas tipo

123

Respuestas cualitativas
Test de Turing: Se puede discriminar una

respuesta del modelo y de la realidad si se

presentan en el mismo formato?
Trazas de la evolucin de variables tipo flujo,
etc. a travs de los distintos componentes

124

Comprobacin con datos

experimentales
Comparacin de las
respuestas del modelo y
datos experimentales
distintos a los usados en
la parametrizacin

v
u

y
Proceso

Modelo(p)
ym

1 N
2
(
)
y
(
t
)

y
(
t
)

m
N t =1
condiciones
iniciales

modelo
experimental
t

perturbaciones
125

Indices de error
Medida numrica de las discrepancias entre la respuesta del
modelo y los datos experimentales
Pueden usarse para comparar varios modelos de un proceso y
y
decidir sobre cual es mas adecuado
m

1 N
2
)
(
y
(
t
)
y
(
t
)

m
N t =1

modelo
experimental
t

126

Indices de error
Muchos ndices ponderan la
suma de los errores y el nmero
de parmetros d en el modelo
Final Prediction Error FPE
1 1+ d N N
) ( y( t ) y m ( t )) 2
(
N 1 d N t =1
Estima de la varianza del error de
prediccin con los datos nuevos

Akaike Information
Criterion AIC
2d N
(1 + ) ( y( t ) y m ( t )) 2
N t =1

N
2
(
)
y
(
t
))
y
(
t

m
+ 2d
N log t =1

127

Indices de error

Bayesian Information
Criterion BIC
N
2
( y( t ) y m ( t ))
+ d log( N)
N log t =1

Rissamens Minimal
Description lenght
N
2d
(1 + log N ) ( y( t ) y m ( t )) 2
N
t =1
Penaliza mas la complejidad del
modelo

Es consistente: La probabilidad de
seleccionar un modelo erroneo tiende
a cero con N
128

Indices de error
Test F para ver si el modelo j (con mas parmetros) es
significativamente mejor que el modelo i, con un nivel
de confianza
N
N

2
2
( y( t ) y m ( t ))
/(d j d i )

(
y
(
t
)
y
(
t
))

t =1

=
t
1
mod
j
mod
i

N
2
/( N d j )
( y( t ) y m ( t ))
t =1
mod j

Debe compararse con la distribucin F(dj-di, N-dj) con el nivel

de confianza
129

Errores
Los errores de la estimacin provienen de:
Errores de medida de los datos. Idealmente se suelen
suponer independientes, de media cero y varianza
constante. Para caracterizarlos pueden usarse datos de las
salidas con entradas constantes.
Errores del modelo o la estima de parmetros. Si el modelo
fuera perfecto, los residuos deberan tener las mismas
caractersticas estadsticas que los errores de medida.

130

Test estadisticos
v
u

Proceso
e
Modelo
ym

Si el modelo es correcto los residuos no deben presentar una

estructura sistemtica, sino ser el resultado de las
perturbaciones aleatorias que actuan sobre el proceso
Residuos e(t) = y(t) - ym(t)
131

Test estadsticos
Inspeccin visual de los residuos
e

n de cambios de signo de los residuos (ncs)

Se ajustan a un modelo AR?
N
ncs
Puede compararse con una distribucin
2
Test:
N(0,1) para ver si hay un sesgo en los
N/2

132

Test estadsticos
No correlacin entre la entrada y los residuos: Los errores
deben ser independientes de un experimento particular
Rue(k)

Re(k)

Blancura de los residuos

2
k

Lazo abierto, lazo cerrado

133

Varianza de los parmetros

Las regiones de confianza de los parmetros dan una

medida de la calidad de la calibracin y, por tanto, de la
bondad el modelo.

c11 c12
C p = c 21 c 22

Los trminos cruzados de la matriz de covarianza dan

una idea de la independencia de los parmetros, pues
deben estar incorrelacionados
134

Sensibilidad
Cuanto varia J ante un cambio unidad en p ?
N

min J = [y( t ) y m ( p, u , t )]
p

j=1

x ( t ) = f ( x ( t ), u ( t ))

y m (t) = g(x(t), u(t))

ppp
Puede obtenerse a partir del problema dual de
optimizacin en ciertos casos
135

Validacin
Capacidad de prediccin del modelo
Distorsiones de los parmetros
Coherencia de las distintas representaciones
Varianza de las estimaciones
var{G (e

jwt

d v (w )

, )
N u (w )
136

Capacidad de prediccin

y( t + j)

y(t+j)

u(t+j)
t

En ciertos casos, se utilizan frmulas de prediccin de

controladores predictivos tales como el DMC, GPC, etc.
137

Distorsin de parmetros
Butterfield 1986
Supongamos que ahora los parmetros p pueden variar a lo
largo del tiempo,
Como habra que modificar el valor de los parmetros
del modelo para que sus respuestas coincidieran
exactamente con las del proceso?
El valor de la distorsin da
una medida de la credibilidad
del modelo

p
t

min y m ( t , p* + p( t )) = y( t )
p

t = 1,..., n
138

Distorsin de parmetros
d x p (t)

= f ( x p ( t ), u ( t ), p* + p( t ), t )

dt
y p ( t ) = y( t ) = g ( x p , u ( t ), t )

Problema de ndice

p
modelo
experimental

139

Otros criterios de identificacin

Patrones de respuesta a entradas especiales
Respuesta en frecuencia
Funciones de correlacin y espectros
Minimizacin de una funcin de error
Minimizacin de errores de prediccin
Mxima verosimilitud
Identificacin global
Minimizacin de distancia paramtrica
Identificacin de subespacios
140

Mxima verosimilitud (ML)

La respuesta del modelo ym(t) a los datos

experimentales de entrada u(.) depende del valor de

los parmetros del modelo
Sea p(y(t)|t-1,) la probabilidad de que ym(t) = y(t)
con el modelo de parmetros y datos hasta el
instante t-1
Criterio: elegir los parmetros que maximizan la
probabilidad de obtener los datos y(1), y(2),..., y(N)
medidos
141

Mxima verosimilitud
p(y(t)|t-1,) probabilidad de que ym(t) = y(t)
con el modelo de parmetros y datos hasta t-1
La probabilidad de obtener los valores y(1),y(2),...,y(N) es:
N

p ( y(t ) t 1, )
t

t =1

Si la distribucin es gaussiana:
( y( t ) y m ( t t 1, )) 2
exp
2

N
N
2

p
(
y
(
t
)

1
,

)
=

t
2
t =1
t =1
142

Mxima verosimilitud
( y( t ) y m ( t t 1, )) 2
exp
2

N
N
2

p t ( y( t ) t 1, ) =

2
t =1
t =1

Normalmente en lugar de maximizar esta funcin

se minimiza su logaritmo cambiado de signo
( y( t ) y m ( t t 1, )) 2
min[ log L(y , )] = min
+ N log 2
2

2
t =1
N

El problema se expresa como una minimizacin numrica

de suma de errores de prediccin y(t) - ym(t | t-1, )
143

Identificacin Global
Criterio de minimizacin del error :Dado un conjunto de
datos experimentales u(t), y(t), buscar los parmetros
que minimizan la funcin de coste V :
1
V=
N

1
2
e( t ) =

N
t =1

[( y( t ) y
t =1

( t , ) ]

v
u

y
Proceso
e(t)

Modelo
y

m
m

144

Identificacin global
1 N
2
V = [( y( t ) M() u( t )]
N t =1

f () = V = cte .

Isodistancia:
Lugar geomtrico de los
puntos del espacio
paramtrico con igual
valor de V
1

Todos los modelos sobre una isodistancia tienen la misma

validez respecto al criterio de suma de cuadrados de errores
145

Identificacin global
Pratique de lidentification
Jacques Richalet
Edit. Hermes
Matching the uncertainty of the model given by
global identification techniques to the robustness
of a model based predictive controller
M. Sanzo, J. Richalet, C. de Prada
Advances in Model Based Predictive Control
Oxford University Press, 1994

146

Identificacin global
Isodistancia experimento 2
2
Modelos que explican
ambos experimentos
Isodistancia experimento 1
1
Las isodistancias dependen de los datos experimentales y
del nivel de exactitud V elegido
147

Isodistancias
Exp 1
2

Exp 2
1
Informan sobre la calidad de
los parmetros, y el rediseo de
experimentos

1
Nivel de calidad no
compatible con los
experimentos
148

Clculo de Isodistancias
Ejemplo con un modelo
sencillo de primer orden

Para cada valor de a

se resuelve una ecuacin
de segundo grado para
obtener el correspondiente
valor de K

x
a
1

Kq
1
u( t )
V = ( y ( t )
1
N t =1
1 + aq

149

Minimizacin de la distancia
paramtrica
2

Criterio
0
x

min

p2
1
0 Valor verdadero de los parmetros
150

Minimizacin de la distancia
paramtrica
y( t ) = ( t )' 0 + v( t )
y m ( t ) = ( t )' ( t 1)

Descripcin del proceso

Modelo

V( t ) = 0 ( t )

Distancia paramtrica

Algoritmo de estimacin

( t ) = ( t 1) + ( t )
V( t ) = 0 ( t 1) ( t )

Evolucin de V(t)

Como escoger para hacer que V(t) sea decreciente?

Minimizacin de la distancia
paramtrica
V( t ) = 0 ( t 1) ( t ) = 0 ( t 1) + ( t ) 2( t )' [0 ( t 1)]
2

V( t ) = V( t 1) + ( t ) 2( t )' [0 ( t 1)]
2

y( t ) = ( t )' 0 + v( t )
y m ( t ) = ( t )' ( t 1)

y( t ) y m ( t ) = ( t )' [0 ( t 1)] + v( t )

( t ) = ( t )

Para eliminar el trmino

desconocido 0-:

V( t ) V( t 1) = 2 ( t ) + 2( t )' [0 ( t 1)] =
2

= 2 ( t ) + 2[y( t ) y m ( t ) v( t )]
2

Qu valor de hace
V(t)-V(t-1) negativo?

152

Caso sin ruido

Si v(t)=0
V( t ) V( t 1) = 2 ( t ) + 2[ y( t ) y m ( t )]
2

( V( t ) V( t 1))
=0

minimo

y( t ) y m ( t ) ]
[
~
=
2
( t )

V( t ) V( t 1) es negativo para 0 < < 2 ~

si se escoge
y( t ) y m ( t ) ] ( t )
[
( t ) = ( t 1) +
( t )

con 0 < < 2

2
(
)
(
)
y
t
y
t

[
]
m
V( t ) = V( t 1) + ( 2 2 )

( t )

V(t) es decreciente
153

Algoritmo NLMS
y( t ) ( t )' ( t 1)] ( t )
[
( t ) = ( t 1) +
( t )

si d(t) = ( t ) 0

con 0 < < 2

y y(t) = ( t )' 0 + v( t )

( t )' 0 + v( t ) ( t )' ( t 1)] ( t )

[
d ( t ) = d ( t 1) +
=
( t )

v( t ) ( t )
( t )' ( t )
= I
d ( t 1) +
2
2
( t )
( t )

Si el ruido v(t) y
(t) estn
incorrelacionados

E{ d ( t ) } = 1 E{ d ( t 1) } para 0 < < 2 y la distancia decrece

154

Algoritmo NLMS
NLMS Normalize Least Mean Square
Mnima media cuadrada normalizada

y( t ) ( t )' ( t 1)]( t )
[
( t ) = ( t 1) +
+ ( t )

con 0 < < 2

Con ruido, el posible sesgo no depende de

La varianza de la estimacin decrece con
La mejor velocidad de convergencia se obtiene con
proximo a 1
Compromiso velocidad / precisin
es una constante para evitar que cuando (t)
155