Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Identificacin de Sistemas
Indice
Introduccin
Metodologa
Modelos
Mtodos de estimacin
Identificacin prctica (HIDEN)
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
Qu pasa si?
Diseo
Pruebas antes de la implementacin
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 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
13
Modelos Dinmicos
medida cuantitativa de los efectos de las entradas en las
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
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
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
Modelo de regresin
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 )
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
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
u( t ) = [u 1 ( t ),..., u m ( t )] y ( t ) = [ y1 ( t ),..., y n ( t )]
Caso Multivariable
u1
M11
u2
M12
y1
y2
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
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
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
y
y
t
d
= y/u
ds
u
t
Ke
s + 1
37
y( t ) = g i u ( t i) + v( t )
i =1
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
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
R yu ( j) = h i R u ( j i) + R vu ( j)
i =1
43
Mtodos de correlacin
m
R yu ( j) = h i R u ( j i) + R vu ( j)
i =1
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)
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
45
PRBS
m
R yu ( j) = h i R u (i j)
i =1
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
Modelo
vector de parmetros
vector de datos
y m ( t ) = ( t )
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 ]
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 )
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 )
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)
55
y
Proceso
e(t)
Modelo
y
m
m
56
LS formulacin matricial
1 N
2
V = [( y( t ) ( t )]
N t =1
Definiendo la
matriz y el vector:
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)
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
1
( y )' ( y ) = [ y' y ' ' y y' + ' ' ]
N
N
V()
1
=
2' y + 2' = 0
N
1
= [ ' ] ' y
[' ] = ( t )( t )'
t =1
Interpretacin geomtrica
' = [(1) (2) .... ( N )]
V=
1
(y )' (y )
N
(1)
(2)
= [1
=
...
( N)
... d ]
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(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}
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
t =1
y( t ) = h j0 u ( t j) + v( t )
j=1
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
y( t ) = h j0 u ( t j) + v( t )
Estimacin no sesgada
en lazo abierto: u y v no
correlacionados
j=1
0 = [h 10 , h 20 ,...., h m 0 ]
v
u
1
E{ } = 0 + E{[ ] v}
y
Process
v
u
controller
y
Process
68
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 )
0 = [a 10 ,...., a n 0 , b 10 ,...., b m0 ]
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
Si
e( t ) = y( t ) ( t )
v( t ) = y( t ) ( t )0
e(t) = v(t)
71
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
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
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
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
Experimentos
Si se quiere determinar bien la dinmica de un proceso, los
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
Experimentos, frecuencia
Los experimentos deben hacerse con seales que cubran
el rango de frecuencias de inters
%bomba (%)
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)
78
Experimentos
caudal jarabe IV (m3/h)
80
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
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
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
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
Datos identificacin
0
-10
-20
0
200
400
800
600
tiempo (segundos)
85
HIDEN
Herramienta grfica orientada a facilitar la identificacin
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)]
P ( t ) 1 = P ( t 1) 1 + ( t )( t )
Factor de olvido
N
V = N t [y( t ) ( t )]
t =1
P ( t ) = [P ( t 1)]
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
} {
1
1
1
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 )]
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
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 )
v
u
y
Proceso
e(t)
B/A
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
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 )
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 )
B 0 (q ) B(q )
2
2
+
(
)
(
)
t
E{V} =
E
u
t
E
v
{
}
{
}
1
1
A 0 (q ) A (q )
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
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
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
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 )
V = E ( ( t ) + a term independant of ( t ))
= E{( t )
}=
{
}
{
}
1 2
1 2
H (q )
H (q )
108
{
}
{
}
1 2
1 2
H (q )
H (q )
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
)
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
Caso Multivariable
u1
M11
u2
M12
y1
y2
Caso multivariable
Modelo de respuesta
impulsional:
n1
n2
j=1
j=1
n1
n2
j=1
j=1
y1 ( t ) = ( t )1
y 2 ( t ) = ( t ) 2
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
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
117
Modelos no lineales
Muchas de las tcnicas de modelos lineales pueden
118
Validacin
El conjunto de test positivos y negativos permiten
119
Validacin
Conjunto de pruebas de diferente naturaleza que
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
124
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
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
Test estadsticos
Inspeccin visual de los residuos
e
132
Test estadsticos
No correlacin entre la entrada y los residuos: Los errores
deben ser independientes de un experimento particular
Rue(k)
Re(k)
2
k
c11 c12
C p = c 21 c 22
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 ))
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
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
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
2
t =1
N
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
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
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)
V( t ) = 0 ( t )
Distancia paramtrica
Algoritmo de estimacin
( t ) = ( t 1) + ( t )
V( t ) = 0 ( t 1) ( t )
Evolucin de V(t)
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 )
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
( V( t ) V( t 1))
=0
minimo
y( t ) y m ( t ) ]
[
~
=
2
( t )
si se escoge
y( t ) y m ( t ) ] ( t )
[
( t ) = ( t 1) +
( t )
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
y y(t) = ( t )' 0 + v( t )
v( t ) ( t )
( t )' ( t )
= I
d ( t 1) +
2
2
( t )
( t )
Si el ruido v(t) y
(t) estn
incorrelacionados
Algoritmo NLMS
NLMS Normalize Least Mean Square
Mnima media cuadrada normalizada
y( t ) ( t )' ( t 1)]( t )
[
( t ) = ( t 1) +
+ ( t )