1.

Manual de Identificacin

1. Manual de Identificacin ____________________________________ 1

1.1. Introduccin ___________________________________________________________________________________________________ 3
1.2. Modelado Fsico _______________________________________________________________________________________________ 4
1.3. Experimentos __________________________________________________________________________________________________ 5
1.3.1. Ensayos Preliminares _____________________________________________________________________________________________________ 6
1.3.2. Ensayos Principales _____________________________________________________________________________________________________ 10

1.4. Anlisis de los Datos __________________________________________________________________________________________ 13

1.4.1. Excitacin _____________________________________________________________________________________________________________ 14
1.4.2. Filtrado _______________________________________________________________________________________________________________ 16

1.5. Seleccin de la Estructura del Modelo _________________________________________________________________________ 18

1.6. Estimacin del Modelo ________________________________________________________________________________________ 21
1.6.1.
1.6.2.
1.6.3.
1.6.4.
1.6.5.

Estimacin de Modelos Lineales ___________________________________________________________________________________________

Anlisis Espectral a partir de la Funcin de Covarianza ______________________________________________________________________
Anlisis Espectral a partir de la Transformada de Fourier Discreta ____________________________________________________________
Modelos Paramtricos ___________________________________________________________________________________________________
Reduccin del Modelo ___________________________________________________________________________________________________

21
25
27
29
31

1.7. Validacin ____________________________________________________________________________________________________ 34

1.7.1.
1.7.2.
1.7.3.
1.7.4.
1.7.5.

Criterio de Validacin del Modelo _________________________________________________________________________________________

Ubicacin de Polos y Ceros _______________________________________________________________________________________________
Diagramas de Bode _____________________________________________________________________________________________________
Anlisis de Residuos _____________________________________________________________________________________________________
Simulacin y Validacin Cruzada _________________________________________________________________________________________

35
37
39
40
42

1.8. Bibliografa _____________________________________________________________________________________________________ 45

1.1.

Introduccin

Definir el propsito de la Identificacin

- Control
- Simulacin
- Prediccin
- Deteccin de fallas
El propsito del modelo influye en la eleccin del mtodo de
identificacin y de los experimentos a realizar.
Si el modelo ser utilizado para disear un controlador, es importante que tenga buena precisin en los alrededores de la frecuencia de cruce.

1.2.

Modelado Fsico

En muchos casos se puede obtener un modelo a partir de las Leyes Fsicas.

Pero, en general queda en funcin de parmetros desconocidos.
Si algunos parmetros se conocen y otros no, conviene no estimar los
parmetros conocidos (no siempre es posible).
Generalmente, la estructura del modelo se obtiene a partir de las Leyes
Fsicas.
o Orden del sistema
o Presencia de integradores
o Frecuencia de resonancia
Si no se conoce nada acerca del proceso, se utiliza la identificacin de
caja negra
Si se conoce algo, se utiliza la identificacin de caja gris
4

1.3.

Experimentos

Se deben realizar en dos etapas:

Etapa 1:
o Ensayos preliminares. Impulso, escaln
o Para obtener un conocimiento primario
o Visualizar ganancia esttica, principales constantes de tiempo, presencia de retardos o integradores
o Verificar si es dependiente del tiempo y si existen perturbaciones
o Todo esto contribuye al diseo de los ensayos principales
Etapa 2:
o Ensayos principales
o Nos entregarn los datos para utilizar con las rutinas de identificacin
5

1.3.1. Ensayos Preliminares

- Invariancia en el tiempo
- Muchos mtodos de identificacin asumen que el proceso es invariante en
el tiempo
- Hacer ensayos a diferentes tiempos
- A veces un proceso parece variar en el tiempo
o Se puede deber a dinmicas muy lentas en donde se ve el sistema en
distintos puntos en el tiempo
o Si se quieren identificar dinmicas rpidas
Probar con ensayos ms largos en el tiempo o
eliminar las tendencias o valores estacionarios (trends).
- Si efectivamente es variante en el tiempo
utilizar rutinas recursivas
6

- Linealidad
- Muchos de los algoritmos de identificacin obtienen modelos lineales
- Se debe analizar la linealidad
o Ensayar el proceso para diferentes amplitudes de la entrada
o Para una onda cuadrada a la entrada, respuesta debera ser simtrica
o Obtener el espectro de coherencia
- La mayora de los sistemas son no-lineales
- Es posible obtener un modelo lineal con variaciones pequeas de entrada
- En este caso, cuidado con el tamao del ruido o las perturbaciones

- Hay no linealidades que se eliminan sumando alguna seal. Por ejemplo:

o Mover un motor en una nica direccin.
o Agregar una vibracin de relativamente alta frecuencia para eliminar
el rozamiento.
o Cambiar el estado estacionario
- Por el contrario, para eliminar la friccin, conviene tener entradas de
mayor amplitud

- Anlisis de Transitorios
- La respuesta al escaln o impulso dan informacin de
o Ganancia esttica
o Principales constantes de tiempo
o Retardos (no siempre)
o Comportamientos de no mnima fase
- Puede ser un escaln en la entrada o en una perturbacin
- Respuesta en Frecuencia
- Nos informa acerca de:
o Ganancia esttica
o Polos y ceros
o Retardos
9

1.3.2. Ensayos Principales

- De aqu van a salir los datos para utilizar en las rutinas de identificacin
- La identificacin entrega un buen resultado en aquellas frecuencias en
donde la entrada tiene mayor energa. (la entrada tiene buena excitacin
a esas frecuencias)
- Es conveniente definir a qu frecuencias se desea tener menor error
- Una secuencia binaria pseudo aleatoria (PBRS) es en general una buena
eleccin. Se define con:
o Perodo de muestreo (T)
o Cantidad de muestras para el corrimiento de la secuencia (M)
o Cantidad de datos recogidos (N)
o Amplitud de la seal (A)

10

o Recetas
1/(TxM) = ancho de banda del sistema
Para evitar aliasing: M= 2 10
Tener entre 5 y 10 muestras durante el perodo de crecimiento
La duracin del experimento debera ser entre 5-10 veces la mayor constante de tiempo a estimar.

11

- Dividir los datos en tres:

o Datos con transitorios
o Datos para identificacin y
o Datos para validacin
- Amplitud de la entrada
o La mayor posible para minimizar el efecto de fricciones y ruido
o Evitar alejarse demasiado del punto sobre el que se linealiza
o En general, el punto de equilibrio no coincide con u=0

12

1.4.

Anlisis de los Datos

Tendremos columnas de u e y
Conviene dividirlo en dos conjuntos
o Identificacin y
o Validacin

Hacer un grfico y verificar (en ambos conjuntos):

- Muestras falsas. Sacarlas directamente
- Aliasing: hay que modificar el experimento
- Tendencias: eliminarlos
o Constante:
o Lineal:
13

1.4.1. Excitacin
Debe proveer suficiente energa en las frecuencias de inters
Estudiar el espectro tanto de la entrada como de la salida
Deben estar presentes las frecuencias de inters
Estudiar las condiciones de excitabilidad de la entrada
Se puede filtrar u e y para concentrarse en el rango til de frecuencias
Si la seal de entrada no tiene las componentes adecuadas, hay que repetir
el experimento con otra entrada.

14

15

1.4.2. Filtrado
En general, es bueno filtrar con un pasa
bajos o un pasa banda, los valores de u e y
Se concentra el anlisis en un rango de
frecuencias
El ruido tiene presencia en altas frecuencias
Filtro Butterworth:

Con

16

Este asegura que no hay distorsin de fase

Cuidado que el filtro afecta el modelo del
ruido
En el grfico, si queremos H n en base a y f
Obtendremos H n H f

17

1.5.

Seleccin de la Estructura del Modelo

La estructura del modelo indica la cantidad y la funcin de los parmetros

a identificar
Modelo simple

yk Kuk
Complejidad del modelo vs precisin
Modelo ms general

A q 1 a1q 1 ana q na
A q yk

B q
C q
uk d
ek
F q
Dq

B q b1 b2 q 1 bnb q nb 1
C q 1 c1q 1 cnc q nc
D q 1 d1q 1 d nd q nd
F q 1 f1q 1 f n f q

nf

Raramente se usa la estructura general

18

Casos Particulares
Modelo AR

A q yk ek
Solo tiene entrada de ruido
Modelo ARX
A q yk B q uk d ek

Modelo ARMAX

A q yk B q uk d C q ek
Modelo de Error de Entrada Salida (OE)

yk

Bq
uk d ek
F q

19

Modelo Box- Jenkins

yk

Bq
F q

uk d

C q
Dq

ek

La eleccin depende del ruido

No necesariamente un modelo con ms parmetros o ms grados de libertad es un mejor modelo

20

1.6.

Estimacin del Modelo

Identificacin del Sistema: procedimiento para encontrar un modelo a partir de los datos.
Estimacin del Modelo: procedimiento para ajustar un modelo de una determinada estructura.
1.6.1. Estimacin de Modelos Lineales
En esta clase de modelos comprendemos al anlisis de
- Covarianza y
- Espectro
No se requiere fijar una estructura del modelo (orden de los polinomios, retardo, etc)

21

- Anlisis de Correlacin
Dos comandos bsicos: cra y covf

22

La funcin de covarianza se estima,

N
1
C yu y k u k
N k 1

1 N

Cuu u k u k
N k 1
1 N

C yy y k y k
N k 1
La estimacin de la respuesta impulsional se extrae de la relacin

C yu k h l C uu k l
l 0

Suponiendo que la entrada es ruido blanco,

1
h k 2 C yu k
u

23

Si la entrada no es ruido blanco, se puede utilizar un filtro blanqueador H w

de modo que u f H wu sea lo suficientemente blanco.
El comando cra utiliza estos filtros para calcular la respuesta impulsional:

La respuesta al escaln se puede obtener con:

24

1.6.2. Anlisis Espectral a partir de la Funcin de Covarianza

La Transformada Discreta de Fourier Filtrada de las covarianzas da una
estimacin de los espectros.
Por ejemplo

S yu j

C W
yu

e j

Donde WM es una funcin ventana que corrige los sesgos de la estimacin.

La estimacin depende mucho de esta ventana.
La funcin spa estima la funcin de transferencia (en forma de diagrama
de Bode) y el espectro del ruido:

j
S
H e yu
S j
j

uu

25

Snn j S yy j

S yu j

Suu j

Una secuencia tpica de comandos sera

26

1.6.3. Anlisis Espectral a partir de la Transformada de Fourier

Discreta
El comando etfe calcula la funcin de transferencia como cociente de las
DTFs de la salida y entrada.

H e jk

Y e jk

U e jk

En Matlab

Igual que spa, utiliza una ventana.

Vara mucho con la eleccin de la ventana
No es fcil encontrar la mejor ventana.

27

Otra forma de calcularlo es

28

1.6.4. Modelos Paramtricos

Se supone que se seleccion una estructura de modelo
Falta definir el orden y estimar los parmetros de los polinomios
Todas las funciones de Matlab tienen la forma,

Por ejemplo

La informacin se presenta,

Para Modelos ARX hay dos mtodos:

29

- Mnimos cuadrados y
- Variables instrumentales
Las otras estructuras de modelos usan mtodos de prediccin del error

30

1.6.5. Reduccin del Modelo

Esto es una alternativa a la estimacin convencional.
Primero se estima un modelo ARX de orden elevado y luego se reduce el
modelo
Un modelo de mayor orden extrae ms informacin de los datos
En la reduccin, nos quedamos con la parte ms importante
Una va es hacer
- una realizacin en espacios de estado balanceada.
- El gramiano de esta realizacin marca los estados de importancia
- Luego, se toman solo los estados significativos
Secuencia tpica de comandos:

31

resultando

Los ltimos 7 estados se pueden eliminar con los sgtes comandos:

32

33

1.7.

Validacin

Hay diferentes caminos

- Polos-ceros
- Diagramas de Bode
- Anlisis de residuos
- Simulacin
- Validacin cruzada
Es conveniente utilizarlos a todos

34

1.7.1. Criterio de Validacin del Modelo

Se puede analizar algn ndice con diferentes modelos
El comando present da dos ndices:
- Funcin de costo y
- FPE: Akaikes Final Prediction Error
Otra forma ms sofisticada es utilizar los comandos arxstruc e ivstruc junto a selstruc
Ejemplo

Cada columna de NN contiene el orden de un modelo ARX

35

El comando arxstruc estima los parmetros y el costo de cada modelo

definido en NN basado en los datos zi y validado con los datos zv
selstruc grafica el costo en funcin de la cantidad de parmetros
El comando ivstruc se utiliza del mismo modo

36

1.7.2. Ubicacin de Polos y Ceros

Una idea bsica de la ubicacin de los polos y ceros se obtiene de los experimentos preliminares y de los modelos no paramtricos
Es bueno verificar que los polos y ceros del modelo paramtrico es coherente con lo previo.
Es bueno detenerse en el anlisis del modelo del ruido.
Si este tiene frecuencias predominantes, deberan aparecer polos resonantes
a esas frecuencias
Una visualizacin de los polos y cero, puede mostrar que el orden del modelo es muy grande
O que hay polos muy cercanos a ceros, con lo que se puede pensar en una
reduccin del modelo

37

38

1.7.3. Diagramas de Bode

Algo similar se puede verificar a partir de los diagramas de Bode
- Polos y ceros dominantes
- ganancia esttica
Igualmente con el diagrama de Nyquist
El espectro del ruido se puede obtener agregando un segundo argumento de
salida en th2ff

39

1.7.4. Anlisis de Residuos

Los modelos paramtricos analizados tienen la forma
yk H u q uk H e q ek

Donde las funciones de transferencias son racionales

Los residuos se computan como

k H e1 q yk H u q uk
Si los residuos se computan con los datos utilizados para la identificacin,
deberan ser, en teora, ruido blanco e independiente de la entrada.
Si no, se puede deber a un inadecuado
- orden de los polinomios
- estructura
- cantidad de datos
Los residuos se pueden analizar de distintas maneras:
40

- autocorrelacin de residuos
- correlacin cruzada entre residuos y entrada y
Se pueden visualizar con

Los residuos se deben analizar con los datos para identificacin y con los
datos para validacin.
Los residuos con datos para validacin, en teora, deberan ser tambin
ruido blanco.
Manejarlos con cuidado

41

Hay mtodos que hacen foco en la relacin entrada salida (por ejemplo VI),
es decir en H u q .
En estos casos es probable que los residuos no sean ruido blanco
No es necesario utilizar los modelos reducidos para este anlisis

1.7.5. Simulacin y Validacin Cruzada

Es til para ver cmo el modelo reproduce la salida frente a una entrada
real.
Ejemplo

42

Ms interesante es utilizar zv para ver si efectivamente el modelo reproduce

las dinmicas principales

Se puede verificar el modelo completo utilizando los residuos como ruido

Estos anlisis son, probablemente los ms importante, porque verifican el

objetivo para el que fue calculado el modelo

43

44

1.8.

Bibliografa

Johansson, R. (1993): System Modeling and Identification. Prentice-Hall, Englewood Cliffs, New Jersey.

45