Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Validacion PDF
Validacion PDF
Proceso
u tiempo
ym
tiempo Modelo
tiempo
+ adecuacin y facilidad de uso en la
aplicacin
Como obtener modelos?
Modelo
Modelos
Objetivos,
precisin,.. del Modelado
modelo
Experimentacin
Parametrizacin
c h h
F F
Mezcla perfecta Flujo pistn
d Vc h Ah V
= qc i Fc c( t ) = c i ( t ) = c i ( t ) = ci (t )
dt v Av F
Ejemplo: Depsito
q Conservacin de masa
Acumulacin=
flujo entrada q - flujo salida F
h
dm
= q F
dt
F m = Ah F=k h
dh
Parmetros A = qk h V = Ah
dt
m masa en el depsito
Ecuacin
A seccin del depsito Ecuacin diferencial
algebraica
densidad, k constante no-lineal
Modelos en variables de estado
d x(t)
= f ( x ( t ), u ( t ), p, t )
dt
y( t ) = g ( x , u ( t ), t )
u y Respuestas
Variables x observables
manipuladas y
perturbaciones
x Estados
p parmetros
Modelado
AT
t Producto
y
pa y
u
Modelo
pb
La respuesta del
modelo ante las
p
mismas entradas
depende del valor
de los parmetros
Parametrizacin (calibracin)
Si hay N valores experimentales de
u la salida se puede definir una
funcin de error como:
1 N 1 N
J = e( t ) = [y( t ) y m (u , p, t )]
2 2
N t =1 N t =1
y(p)
u y
Modelo
p
t
Tambin pueden usarse otras
expresiones para J
Parametrizacin (calibracin)
1 N 1 N
min J = min e( t ) = min [y( t ) y m (u , p, t )]
2 2
p p N t =1 p N t =1
v
u y
Proceso
e(t)
Optimizacin
Modelo
ym(p)
p
1 N
min 1 [y1 ( t ) y m1 (p, t )] + 2 [y 2 ( t ) y m 2 (p, t )] + 3 [y 2 ( t ) y m 3 (p, t )]
2 2 2
p N t =1
t =1
y mi ( t ) J
Sij ( t ) =
p j p j
Sensibilidad de la salida i del Sensibilidad del ndice J respecto
modelo respecto al parmetro j al parmetro j en relacin a un
en relacin a un experimento experimento dado.
dado. Es funcin del tiempo
Resume el efecto durante todo
el tiempo del experimento
Sensibilidades
J N
y m
= 2 [y( t ) y m (p, u , t )]
p t =1 p
x d x f x f Integrando esta ecuacin junto a
= = + las del modelo, es posible obtener
p dt p x p p
la evolucin de x/p y por tanto
y m g x g las sensibilidades
= +
p x p p
Clculo de las sensibilidades
Mediante cociente de incrementos, realizando
simulaciones del modelo
y i ( t ) y i (p + p, t ) y i (p, t )
Sij ( t ) =
p j p
u2
TT
u1 Tr Reactante
Ti T
Reactor
Refrigerante
AT
Producto
Si hay varias entradas, los cambios en las mismas deben de
estar incorrelacionados para que el algoritmo de optimizacin
pueda distinguir los efectos de cada entrada en las salidas
Experimentos
Si se aplican seales proporcionales a las entradas, u1=u2,
simultaneamente, 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 )
u2
TT
u1 Tr Reactante
Ti T
Reactor
Refrigerante
AT
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
Diseo de experimentos
Cabe preguntarse cual es el experimento que mejor facilita la
estimacin de los parmetros de un modelo
Contexto
N
J = [y( t ) y m (p, u , t )]' Q[y( t ) y m (p, u , t )]
t =1
Multivariable
'
E{J(p + p)} p' m Q m p + tr(CQ)
N N
* y ( t ) y ( t )
t =1 p p t =1
N y m ( t ) ' y m ( t )
Q
t =1 p p
Parametrizacin por optimizacin
N
min J = [y( t ) y m (p, u , t )]
2
p t =1
L( y m (1) = y(1),..., y m ( N) = y( N) | p) =
N
1 1 y( t ) y m ( y, p)
N 2
= exp
2( t ) 2 ( t )
t =1 t =1
Tomando neperianos, maximizar esta funcin equivale a
N
1 2 varianza del
min ( ) 2
y ( t ) y ( t , p ) error de medida
2 m
p
t =1 ( t )
WLS
N
1
J (p) = min ( ) 2
y ( t ) y ( t , p )
2 m
p
t =1 ( t )
p t =1
( t ) = f ( x ( t ), u ( t ))
x y m (t) = g(x(t), u(t))
ppp
Optimizador
p J
1
1
k+1= k+dk
Mtodos iterativos
2 d direccin de bsqueda
longitud del paso
Restricciones en p
Resolucin por Discretizacin
N
min J = [y( t ) y m ( p, u , t ) ]
2
p, x j=1
y m ( t ) y m ( t )
'
N t =1 N t =1
v
y
u
Proceso
e(t)
Modelo
y
m
m
Identificacin global
1 N
J = [( y( t ) M ()u ( t )] f () = J = cte.
2
N t =1
2 Isodistancia:
Lugar geomtrico de los
puntos del espacio
paramtrico con igual
valor de J
Exp 2
1 1
Informan sobre la calidad de Nivel de calidad no
los parmetros, y el rediseo de compatible con los
experimentos experimentos
Clculo de Isodistancias
Ejemplo con un modelo
x sencillo de primer orden
d F: distribucin F con d
J = J (p )(1 +
*
F , d , N d ) y N-d grados de
Nd libertad y nivel
ABC
2A D
Parmetros a estimar:
Volumen 10 l
Masa de refrigerante 5 Kg
Resolucin con simulacin
N
min J = [y( t ) y m (p, u , t )]
2
p j=1
p J
u t
h Causalidad
computacional
F
Causalidad fsica q h F
Qu pasa si?
Qu debo hacer para? La causalidad fija el uso
del modelo
Computabilidad
q1 q2
h1 h2
F1
F2
dh dh Leyes +
A1 1 = q 1 F1 A 2 2 = q 2 + F1 F2
dt dt restricciones
F1 = k 1 h 1 h 2 h 1 < h 2 ? F2 = k 2 h 2
F1 = k 1 sgn( h 1 h 2 ) h 1 h 2 0 h i h max qi 0
Validacin
Respuestas cualitativas del modelo
Comprobacin con datos
experimentales
Test estadsticos
Anlisis de sensibilidad
Capacidad de prediccin del modelo
Distorsin de parmetros
Respuestas cualitativas
Respuestas cualitativas del modelo a entradas tipo
u y
Model
Discusin y evaluacin
de respuestas tipo del
modelo con expertos en
el proceso
Respuestas cualitativas
Respuestas cualitativas del modelo a entradas tipo
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
Comprobacin con datos
experimentales
v
Comparacin de las
y
u
respuestas del modelo y Proceso
datos experimentales
distintos a los usados en Modelo(p)
la parametrizacin ym
y
1 N
( ) 2
y ( t ) y m ( t ) modelo
N t =1
experimental
condiciones iniciales t
perturbaciones
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
decidir sobre cual es mas adecuado
ym
y
1 N
( ) 2
y ( t ) y m ( t ) modelo
N t =1
experimental
t
Indices de error
Muchos ndices ponderan la Akaike Information
suma de los errores y el nmero Criterion AIC
de parmetros d en el modelo
2d N
(1 + ) ( y( t ) y m ( t )) 2
Final Prediction Error FPE N t =1
1 1+ d N N N
) ( y( t ) y m ( t )) 2 2
(
N 1 d N t =1 ( y ( t ) y m ( t ))
N log t =1 + 2d
Estima de la varianza del error de N
prediccin con los datos nuevos
Indices de error
Bayesian Information Rissamens Minimal
Criterion BIC Description lenght
2
N
2d
(1 + log N) ( y( t ) y m ( t )) 2
N
( y( t ) y m ( t )) N t =1
N log t =1 + d log( N)
N Penaliza mas la complejidad del
modelo
Es consistente: La probabilidad de
seleccionar un modelo erroneo tiende
a cero con N
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 2 N
2
( y( t ) y m ( t )) ( y ( t ) y ( t )) /(d j d i )
t =1 m
mod i t =1 mod j
N 2
( y( t ) y m ( t )) /( N d j )
t =1 mod j
Debe compararse con la distribucin F(dj-di, N-dj) con el nivel de
confianza
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.
Test estadisticos
v
u y
Proceso
e
Modelo
ym
e e
t t
Rue(k) Re(k)
2
k k
v11 v12
V = v 21 v 22
p j=1
n v ( w)
{
var G (e jwt }
, )
N u ( w)
Capacidad de prediccin
y( t + j)
y(t+j)
u(t+j)
t
p El valor de la distorsin da
una medida de la credibilidad
del modelo
t
min y m ( t , p* + p( t )) = y( t ) t = 1,..., n
p
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
y
p
modelo
experimental
t t
Mtodos de solucin (1)
1 Calcular xp a partir de
y( t ) = g ( x p , u ( t ), t )
2 Calcular dxp /dt a partir de xp
d x p (t)
= f ( x p ( t ), u ( t ), p* + p( t ), t )
dt
Imprecisin en el clculo de la derivada
Mtodos de solucin (2)
Aproximacin lineal sobre la respuesta base p*
d x p (t)
= f ( x p ( t ), u ( t ), p* + p( t ), t )
dt
y p ( t ) = g ( x p , u ( t ), t ) = y( t )
d x p (t) f f
= f ( x ( t ), u ( t ), p* , t ) + (x p x) + p
dt x p x , p*
p x ,p*
g
y p ( t ) = g ( x , u ( t ), t ) + (x p x)
x p x , p*
Linealizacin sobre una
trayectoria
x ( t )
x
x base
tiempo
p p( t )
t
Mtodos de solucin (2)
d x p (t) d x(t)
= f ( x p ( t ), u ( t ), p* + p( t ), t ) = f ( x ( t ), u ( t ), p , t )
dt dt
y( t ) = g ( x p , u ( t ), t )
ym ( t ) = g ( x , u ( t ), t )
d dx p dx
= xp x = =
dt dt dt
f f
f ( x ( t ), u ( t ), p , t ) +
*
(x p x) + p f ( x ( t ), u ( t ), p* , t )
x p x , p*
p x ,p*
d f f
= + p
dt x p x , p*
p x ,p*
Metodos de solucin (2)
y p ( t ) y m ( t ) = g ( x p , u ( t ), t ) g ( x , u ( t ), t ) =
g
= g ( x , u ( t ), t ) + ( x p x ) g ( x , u ( t ), t )
x p x , p*
g
y p ( t ) y m ( t ) = y( t ) y m ( t ) =
x p x , p*
Metodos de solucin (2)
e* p yp-ym
+
- R
= xp x
Si p es correcto:
d f f
= + p y p ( t ) y m ( t ) = y ( t ) y m ( t ) = e*
dt x p x , p*
p x ,p*
g Resolucin como un
yp (t) ym (t) =
x p problema de control
x , p*
Mtodos de solucin (3)
Puede plantearse tambin como un problema de
optimizacin
N
min ( x p ( t ) x ( t )) 2 + p 2 + ( y( t ) y p ( t ))
p
t =1
Multiplicador de
d x p (t) Lagrange
= f ( x p ( t ), u ( t ), p* + p( t ), t )
dt
Problema de optimizacin dinmica
Se calculan las menores distorsiones de parmetros y estados compatibles
con la restriccin de igualdad de las salidas del modelo distorsionado y del
proceso
Distorsin de parmetros
Los valores de p(t), que suelen tener significado
fsico, pueden compararse con tolerancias esperadas
de variacin
Tambin puede compararse con un indicador funcin
de V(p)
V