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 término e(k), que en lo sucesivo será denominado ruido del modelo, se le atribuyen
generalmente las siguientes propiedades estadísticas, 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 también
B ( z 1 ) 1
y (k ) 1
u (k ) e( k ) 12’
1 A( z ) 1 A( z 1 )
Esta última forma del modelo ARX pone en evidencia un hecho de gran importancia
para la identificación de los parámetros del modelo 1 o 12’ y es que el ruido resultante
actúa sobre la salida no satisface generalmente las condiciones de ruido blanco no
correlacionado supuestas en 4 y 5. En efecto, el término estocástico del modelo 12’ es
un ruido filtrado a través de la función 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 )
También:
n
v ( k ) a i v ( k i ) e( k ) 15
i 1
Resumiendo el análisis 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 será de extrema utilidad cuando se
estudien los algoritmos recursitos de identificación. La ecuación 1 puede, en efecto,
escribirse de la siguiente forma más 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)
También:
La extensión del modelo ARX al caso de sistemas multivariables, puede hacerse de una
forma inmediata como veremos a continuación.
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 dimensión υ
u(k)- vector de las entradas de dimensión μ
Aj, Bj- matrices υxυ y υxμ de los coeficientes de regresión
e(k) – vector del ruido de dimensón υ
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 dimensión:
( v)n 26
P T [ B0 A1 B0 Bn An ] 27
Por último, 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
Nótese que Y(t) y E(t) son ahora matrices de dimensión txυ y Z(t) es una matriz txρ.
Antes de finalizar esta sección, 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 número entero n que aparece como límite superior de las sumatorias en la
expresión 1. Por comodidad y en aras de la claridad de la exposición se ha supuesto que
el límite 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 observación se refiere a la inclusión de b0 en el modelo que proponemos, es
decir, la admisión implícita 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