Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Identificación de Sistemas
L. Moreno y S. Garrido
Enero 2019
Table of contents
1 Introducción
3 Métodos paramétricos
Introducción
Un problema que se plantea al diseñar un sistema de control para un
cierto sistema es como obtener un modelo del sistema dinámico que
describa adecuadamente su comportamiento.
La obtención de un modelo matemático puede enfocarse de dos
formas distintas: utilizando métodos teóricos o bien utilizando
métodos experimentales.
La primera utiliza el conocimiento disponible de las leyes de la Física,
Química, Economía u otras ciencias para formular un conjunto de
ecuaciones que permitan describir la respuesta del sistema que se
desea controlar, como: motores eléctricos, circuitos, elementos
mecánicos, hidraúlicos, reacciones químicas, etc. Este enfoque se
denomina por lo general modelado de sistemas.
Existen sistemas que por su complejidad, mal conocimiento o
dificultad para su estudio no permiten construir un modelo
matemático del sistema. En este caso es necesario acudir a la
experimentación sobre el propio sistema, con el fin de extraer a partir
de los datos experimentales un modelo matemático del mismo. Este
método se suele denominar identificación de sistemas.
L. Moreno y S. Garrido Curso de Ing. de Control III
Introducción
Métodos de estimación no-paramétricos
Métodos paramétricos
Introducción
La identificación estudia cómo obtener los modelos matemáticos de
aquellos sistemas dinámicos que nos resultan de interés a partir de la
información obtenida de la observación de los mismos?. La
construcción de un modelo a partir de unos datos observados
experimentalmente requiere tres cosas:
1 Los datos. El sistema es sometido a unos experimentos concebidos
para realizar la identificación, donde se miden una serie de datos de
entrada y de salida en el sistema.
2 Un conjunto de modelos. Los modelos se obtienen especificando
entre los diferentes tipos de estructuras de modelos, cuál de ellos
vamos a utilizar para ajustar los datos. Existen dos situaciones: no se
dispone de relaciones físicas que expresen un cierto conocimiento del
sistema, en cuyo caso se utiliza algún modelo estándar directamente
y se pretende determinar el modelo más adecuado y los parámetros
del mismo (caja negra) y otra en la que se tiene un cierto
conocimiento a priori, normalmente el modelo, y sólo se desea
estimar los parámetros (caja gris).
3 Un criterio para determinar cual de los modelos que se evalúa es el
mejor de acuerdo con los datos disponibles.
L. Moreno y S. Garrido Curso de Ing. de Control III
Introducción
Métodos de estimación no-paramétricos
Métodos paramétricos
Modelos no-paramétricos
Respuesta impulsional
Respuesta frecuencial
Y (jω)
G (jω) =
U(jω)
Modelos paramétricos
= G (q)u(k)
donde
∞
G (q) = g (k)q −k
k=1
v (k) = H(q)e(k)
con
∞
H(q) = h(k)q −k
k=1
Modelo ARX
Es el modelo más simple, se obtiene como
y(k) + a1 y(k − 1) + . . . + ana y(k − na ) =
b1 u(k − 1) + . . . + bnb u(k − nb ) + e(k)
donde e(k), es un ruido blanco, y entra como un error directo en la
ecuación en diferencias (se denomina también de error en ecuación).
Denominamos θ al vector de parámetros ajustables del modelo:
θ = [a1 , . . . , ana , b1 , . . . , bnb ]T
Denominando:
A(q) = 1 + a1 q −1 + . . . + ana q −na (2)
B(q) = b1 q −1 + . . . + bnb q −nb (3)
tenemos que
B(q) 1
G (q) = ; H(q) = (4)
A(q) A(q)
L. Moreno y S. Garrido Curso de Ing. de Control III
Introducción
Métodos de estimación no-paramétricos
Métodos paramétricos
Modelo ARMAX
y (k) + a1 y (k − 1) + . . . + ana y (k − na ) =
b1 u(k − 1) + . . . + bnb u(k − nb ) +
e(k) + c1 e(k − 1) + . . . + cnc e(k − nc ) (5)
con
C (q) = 1 + c1 q −1 + . . . + cnc q −nc
Modelo ARMAX
donde
B(q)
G (q) = (7)
A(q)
C (q)
H(q) = (8)
A(q)
Modelo OE (Output-Error)
En los modelos anteriores todas las descripciones de G y de H tenían
al polinomio A en el denominador. Desde un punto de vista físico, es
más natural parametrizar estas funciones independientemente.
Si consideramos que la perturbación es un ruido blanco, y un modelo
de estructura
ω(k) + f1 ω(k − 1) + . . . + fnf ω(k − nf ) =
b1 u(k − 1) + . . . + bnb u(k − nb ) (9)
y (k) = ω(k) + e(k) (10)
con
F (q) = 1 + f1 q −1 + . . . + fnf q −nf
el modelo quedará como
B(q)
y(k) = u(k) + e(k) (11)
F(q)
y el vector de parámetros a determinar es el siguiente:
θ = [b1 , . . . , bnb , f1 , . . . , fnf ]T
L. Moreno y S. Garrido Curso de Ing. de Control III
Introducción
Métodos de estimación no-paramétricos
Métodos paramétricos
Modelo Box-Jenkins
B(q) C(q)
y(k) = u(k) + e(k) (12)
F(q) D(q)
Y (z)
G (z) = X (z)
U(z)
= C [zII − G ]−1H + D (15)
Ejemplo 1
1 − q −1
y (k) = u(k)
1 + 0,25q −2
Ejemplo 1
1.2
1
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0 0.2
0.2
0
0.4
0.2
0.6
0.4
0.8
0.6
1
0.8
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
ν(k) − ν(k − 1)
(k) =
α
L. Moreno y S. Garrido Curso de Ing. de Control III
Introducción
Métodos de estimación no-paramétricos
Métodos paramétricos
Ejemplo 2
Si suponemos un sistema de la forma
1 − 0, 1q −1
y (k) = u(k)
1 + 0, 25q −2
y se le excita con una entrada de tipo escalón unitario,
{1, 1, 1, 1, . . .}, la respuesta del sistema es
{y (k)} = {0, 1,00, 0,90, 0,65, 0,675, 0,7375, 0,7312, 0,7156 . . .}
y la respuesta impulsional del sistema se obtiene haciendo
y (k) − y (k − 1)
ĝ (k) =
1
es decir la secuencia de salida es
{g (k)} = {1,0 − 0,1 − 0,25 0,025 0,0625 − 0,0063 . . .}
que es el modelo no-paramétrico del sistema. Se puede observar que
el sistema tiene una respuesta impulsional finita.
L. Moreno y S. Garrido Curso de Ing. de Control III
Introducción
Métodos de estimación no-paramétricos
Métodos paramétricos
Ejemplo 2
Respuesta a un escalón unitario.
1.2
0.8
0.6
0.4
0.2
0
0 2 4 6 8 10 12 14 16 18 20
y de aquí
Ryu (τ )
g (τ ) = (20)
α
y la respuesta impulsional a partir de la correlación cruzada es
R̂yu (τ )
ĝ (τ ) = (21)
α
L. Moreno y S. Garrido Curso de Ing. de Control III
Introducción
Métodos de estimación no-paramétricos
Métodos paramétricos
M
R̂yu (τ ) = ĝ (k)R̂uu (k − τ ) (24)
k=1
Ejemplo 3
1
0 100 200 300 400 500 600 700 800 900 1000
Ejemplo 3
cont
2
0 100 200 300 400 500 600 700 800 900 1000
Ejemplo 3
cont
1.2
0.8
0.6
0.4
0.2
0.2
0 10 20 30 40 50 60 70 80 90 100
0
Fase (deg); Magnitud (dB)
20
15
10
5
To: Y(1)
10
15
20
1 0
10 10
L. Moreno y S. Garrido Curso de Ing. de Control III
Introducción
Métodos de estimación no-paramétricos
Métodos paramétricos
Ŝyu (ω)
Ĝ (e −jω ) = (31)
Ŝuu (ω)
L. Moreno y S. Garrido Curso de Ing. de Control III
Introducción
Métodos de estimación no-paramétricos
Métodos paramétricos
YN (ω)
Ĝ (e −jω ) = . (40)
UN (ω)
Ejemplo 4
Para el mismo sistema que en el caso anterior,
1−0,1q −1
y (k) = 1+0,25q −2 u(k),
0.2
0.2
0.4
0 50 100 150 200 250 300 350 400 450 500
u(t)
0.3
0.2
0.1
0.1
0.2
0.3
Módulo
0
10
1
10
2 1 0 1
10 10 10 10
frecuencia (rad/sec)
20
15
10
5
Fase
10
15
2 1 0 1
10 10 10 10
frecuencia (rad/sec)
PRBS
x(t)
+a
t
-a
Rxx
a2
0 T -a2 /T
= periodo básico
E [(y − g (ϕ))2 ]
Regresión lineal
g (ϕ) = θ1 ϕ1 + θ2 ϕ2 + . . . + θd ϕd
g (ϕ) = ϕ T θ
donde θ = [θ1 . . . θd ]T
Y = Φθ
donde T
y (1) ϕ (1)
y (2) T
ϕ (2)
Y = . ,Φ = .
.. ..
y (N) ϕ T (N)
L. Moreno y S. Garrido Curso de Ing. de Control III
Introducción
Métodos de estimación no-paramétricos
Métodos paramétricos
ΦT Φθθ = ΦT Y (46)
1 T
V (θ̂θ ) = Y Y − Y T Φ(ΦT Φ)−1 ΦT Y ]
[Y
2
El estimador de mínimos cuadrados obtenido en 47 puede escribirse
como
N
−1 N
1 T 1
θ̂(k) = ϕ (k)ϕ(k) ϕ(k)y (k) . (48)
N N
k=1 k=1
Ejemplo 5.
Supongamos que se tiene un cierto sistema que se pretende
identificar. A dicho sistema se le introduce en la entrada un escalón
unitario u(0) = 1, u(1) = 1, u(2) = 1, u(3) = 1, . . . y se observa que
la salida del sistema toma los siguientes valores en los 4 primeros
periodos de muestreo:
y (0) = 0, y (1) = 0,65, y (2) = 0,85, y (3) = 0,92, . . ..
Vamos a analizar tres posibles modelos para este sistema:
Ejemplo 5. (Cont.)
Modelo 1:
Para este modelo el vector de regresores y el de parámetros son:
φ(k) = u(k − 1)
θ = b1
utilizando por simplicidad los tres primeros valores de la salida para
la estimación, obtenemos lo siguiente
θ̂θ = (ΦT Φ)−1 ΦT Y
−1
0 0
= 0 1 1 1 0 1 1 0,65
1 0,85
0,65 + 0,85
= = 0,75
2
y el modelo que obtendremos será y (k) = 0,75u(k − 1).
Este modelo estimado da para la secuencia de entradas anteriores las
salidas y (0) = 0, y (1) = 0, y (2) = 0,75, y (3) = 0,75, . . ..
Por lo tanto la secuencia de errores que se cometen es
(0) = 0, (1) = 0,65, (2) = 0,10, (3) = 0,17, . . ..
L. Moreno y S. Garrido Curso de Ing. de Control III
Introducción
Métodos de estimación no-paramétricos
Métodos paramétricos
Ejemplo 5. (Cont.)
Modelo 2:
Para este modelo el vector de regresores y el de parámetros son:
φ(k) = −y (k − 1) u(k − 1)
T
θ = a1 b1
Utilizando los tres primeros valores de la salida para la estimación
θ̂θ = (ΦT Φ)−1 ΦT Y
−1
0 0 0
0 1 1 0 0 1 1 0,65
= 1
0 0 −0,65 0 0 −0,65
−0,65 1 0,85
−0,3077
=
0,6485
es decir, y (k) = 0,3077y (k − 1) + 0,6485u(k − 1).
Este modelo da para la secuencia de entradas las siguientes salidas
y (0) = 0, y (1) = 0,6485, y (2) = 0,848, y (3) = 0,9094, . . ..
Por lo tanto la secuencia de errores que comete el modelo es
(0) = 0, (1) = 0,0015, (2) = 0,002, (3) = 0,010, . . ..
L. Moreno y S. Garrido Curso de Ing. de Control III
Introducción
Métodos de estimación no-paramétricos
Métodos paramétricos
Ejemplo 5. (Cont.)
Modelo 3:
Para este modelo el vector de regresores y el de parámetros son:
φ(k) = −y (k − 1) −y (k − 2) u(k − 1)
T
θ = a1 a2 b1
θ̂θ = ΦT Φ )−1Φ T Y
(Φ
−1
0 0 0
0 1 1 1 0 0 1
= 0 0 0 −0,65 .
−0,65 0 1
0 0 −0,65 −0,85
−0,85 −0,65 1
0
0 1 1 1 0,65 −0,3077
0 0 0 −0,65
0,85 = −2,0130
0 0 −0,65 −0,85 0,65
0,92
Ejemplo 5. (Cont.)
Modelo 3:
Este modelo da para la secuencia de entradas anteriores las
siguientes salidas:
Ejemplo 5. (Cont.)
De los tres modelos analizados, y para los datos que se están
considerando el modelo que mejor se ajusta es el modelo 2, pues el
tercero de los modelos para el último dato ajusta mal.
Ejemplo 6.
Un radar observa el movimiento en línea recta de un cierto objetivo
cada 0,2 segundos. Se desea predecir su posición.
Ejemplo 6. (Cont.)
Nuestros regresores y el vector de parámetros θ son
1 2
ϕ(t) = [1 t t ]
2
θ = [x0 v0 a]T
con lo que Φ será
1 0 0
1 0,2 0,02
Φ = . ..
.. .
1 1 0,5
como el vector Y = [3, 59, . . . , 264] tendremos que el estimador de
T
es decir
Ejemplo 7
donde:
Los valores de los parámetros verdaderos del sistema son
a1 = 0,5, b1 = 1
El sistema esta sometido a una entrada del tipo escalón unitario.
El sistema está sometido a un ruido blanco e(k) con media cero y
varianza 0,1.
b1 q −1 1
y (k) = u(k) + e(k)
1 − a1 q −1 1 − a1 q −1
Ejemplo 7
40
Salida real vs. salida estimada
30 salida estimada
20
10
salida real
0
0 10 20 30 40 50 60 70 80 90
Tiempo (segs)
Error en la predicción
2
0 10 20 30 40 50 60 70 80 90
Tiempo(segs)
Figura: Resultados del ejemplo 7: salidas real y estimada del sistema, y el error.
L. Moreno y S. Garrido Curso de Ing. de Control III
Introducción
Métodos de estimación no-paramétricos
Métodos paramétricos
Ejemplo 7
Suponiendo que el modelo matemático del sistema es de primer
orden estimemos mediante mínimos cuadrados recursivos el sistema,
obtenemos los resultados de la figura anterior que nos dan como
resultado el siguiente modelo estimado
0,4759q −1 1
y (k) = u(k) + e(k)
1 − 1,0006q −1 1 − 1,0006q −1
El problema está en que las variables e(k) que entran dentro del
vector ϕ0 no son medibles, y por lo tanto no puede realizarse la
estimación del vector de parámetros de esta manera.
Es necesario reemplazar los componentes e(k) por alguna estimación
de los mismos. De la ecuación del modelo tenemos
Bibliografía
[1] L. Ljung, System Identification: Theory for the User, Prentice Hall,
1987.
[2] L. Ljung and T. Söderstrom, Theory and Practice of Recursive
Identification, The MIT Press, 1983.
[3] T. Söderstrom and P. Stoica, System Identification, Prentice Hall,
1989.
[4] J. P. Norton, An Introduction to Identification, Academic Press,
1986.