Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Identificación Mediante El Método de Mínimos Cuadrados
Identificación Mediante El Método de Mínimos Cuadrados
v(t)
y(t)
u(t)
P
Figura 1
Al trmino e(k), que en lo sucesivo ser denominado ruido del modelo, se le atribuyen
generalmente las siguientes propiedades estadsticas, para k=1,2,3:
E e k 0 2
E e 2 k 2 3
E e k e k i 0, i 0 4
E e k y k i 0, E e k u k i 0 5
^
y ( k ) y ( k ) e( k ) 6
Donde:
n n
y ( k ) a j y ( k j ) b j u ( k j ) 7
j 1 j 0
z i y (k ) y (k i ) 9
A( z 1 ) a1 z 1 a 2 z 2 ... a n z n 10
B ( z 1 ) b0 b1 z 1 b2 z 2 ... bn z n 11
1 A( z ) y(k ) B( z
1 1
)u (k ) e( k ) 12
O tambin
B( z 1 ) 1
y (k ) 1
u (k ) e( k ) 12
1 A( z ) 1 A( z 1 )
Esta ltima forma del modelo ARX pone en evidencia un hecho de gran importancia
para la identificacin de los parmetros del modelo 1 o 12 y es que el ruido resultante
acta sobre la salida no satisface generalmente las condiciones de ruido blanco no
correlacionado supuestas en 4 y 5. En efecto, el trmino estocstico del modelo 12 es
un ruido filtrado a travs de la funcin de trasnferencia 1/(1-A(z-1)).
B ( z 1 )
y (k ) u (k ) v(k ) 13
1 A( z 1 )
Donde:
1
v(k ) e( k ) 14
1 A( z 1 )
Tambin:
n
v ( k ) a i v ( k i ) e( k ) 15
i 1
Resumiendo el anlisis anterior podemos afirmar que aun cuando al ruido del modelo
e(k) se le atribuyan las propiedades del ruido blanco no correlacionado, el ruido
resultante sobre la salida de la planta no cumple en general con esas condiciones.
Vamos a introducir otra forma del modelo ARX que ser de extrema utilidad cuando se
estudien los algoritmos recursitos de identificacin. La ecuacin 1 puede, en efecto,
escribirse de la siguiente forma ms compacta:
y ( k ) P T z ( k ) e( k ) 16
P T [b0 a1 b1 ,..., a n bn ] 17
z T ( k ) u ( k ) y (k 1) u ( k 1),..., y ( k n) u ( k n) 18
Y T (t ) P T Z T (t ) E t (t ) 19
Con
Y T (t ) y (1) y ( 2)... y (t ) 20
u (1) u ( 2) u (t )
y (0) y (1) y (t 1)
u (0) u (1) u (t 1)
Z (t ) 21
y (1 n) y ( 2 n) y (t n)
u (1 n) u ( 2 n) u (t n)
Tambin:
La extensin del modelo ARX al caso de sistemas multivariables, puede hacerse de una
forma inmediata como veremos a continuacin.
n n
y ( k ) A j y ( k j ) B j u (l j ) e(k ) 23
j 1 j 0
Donde:y(k)- vector de las salidas de dimensin
u(k)- vector de las entradas de dimensin
Aj, Bj- matrices x y x de los coeficientes de regresin
e(k) vector del ruido de dimensn
y ( k ) P T z ( k ) e( k ) 24
z T (k ) u T (k ) y T (k 1) u T (k 1),..., y T (k n) u T ( k n) 25
Es un vector de dimensin:
( v)n 26
P T [ B0 A1 B0 Bn An ] 27
Por ltimo, el modelo generalizado para t mediciones dado en 19, puede escribirse para
el caso multivariable en la misma forma:
Y T (t ) P T Z T (t ) E t (t ) 28
Ntese que Y(t) y E(t) son ahora matrices de dimensin tx y Z(t) es una matriz tx.
Antes de finalizar esta seccin, se deben hacer dos observaciones de suma importancia.
La primera se refiere al orden del modelo ARX considerado en 1. Por orden del modelo
entendemos al nmero entero n que aparece como lmite superior de las sumatorias en la
expresin 1. Por comodidad y en aras de la claridad de la exposicin se ha supuesto que
el lmite de ambas sumatorias es el mismo, dejando abierta la posibilidad de que
algunos coeficientes aj o bj sean ceros. El caso frecuente de sistemas con retrazo por
transporte queda incluido si se hacen iguales a cero algunos de los primeros coeficientes
bj, por ejemplo b0, b1, etc.
La segunda observacin se refiere a la inclusin de b0 en el modelo que proponemos, es
decir, la admisin implcita de que el valor de la variable de entrada u(k) influye sobre
la salida del mismo tiempo y(k).
tm tm tm
Figura 2