IDENTIFICACIÓN DE SISTEMAS

ASPECTOS PRÁCTICOS EN IDENTIFICACIÓN

Ing. Fredy Ruiz Ph.D.

ruizf@javeriana.edu.co

Maestría en Ingeniería Electrónica

Pontificia Universidad Javeriana
2013
 CONSIDERACIONES
PRÁCTICAS
Dado un conjunto de datos
v
se desea:
– Construir un modelo de la planta
– Construir un modelo de los disturbios
– Estimar la precisión de los modelos construidos
Cuáles son los grados de libertad?
– Diseño del experimento
– Pre-procesamiento de los datos
– Selección de la clase de modelos y el orden
– Validación de los modelos obtenidos.
 Diseño del experimento
• Qué señales puedo registrar?
– Entradas manipulables (Ingreso u)
– Entradas medibles (disturbio e)
– Salidas de interés
• Con qué frecuencia debo muestrear?
• Qué tipo de señal puedo aplicar y con que
amplitud?
 Selección de señales
• En identificación para control es clara la diferencia
entre entradas y salidas.
• Cuando se realiza identificación de sistemas de
otras áreas es menos clara la diferencia.
– Biología
– Economía
– Ecología
– Etc.
• Existen técnicas que son independientes de la
distinción I/O (STLS - Bart de Moor, Leuven).
 Selección del tiempo de muestreo

• Información a priori del sistema

• Características de la instrumentación
– SCADA, Dataloggers, ...
• Regla empírica:
– La frecuencia de muestreo debe ser 10 veces la
banda pasante del sistema.
– Entre 7 y 10 muestras durante el tiempo de
subida ante una entrada paso.
 Diseño de las entradas manipulables

• La construcción del experimento es un problema

de optimización vinculada
– Se quiere generar un conjunto de datos
informativo: Amplio espectro, Buena relación
señal a ruido.
• Ruido Blanco, alta varianza
– La planta no puede recibir cualquier tipo de
señal.
 Diseño de las entradas manipulables

El comportamiento de la señal esta limitado por:

• Amplitud máxima que puede asumir la
entrada. Rango de linealidad, en muchas
aplicaciones se identifica un modelo de
pequeña señal alrededor de un punto de
operación
• Velocidad de variación: El actuador que
genera la señal física tiene un ancho de banda
limitado. Si se quiere identificar el
comportamiento de la planta y no del actuador,
este se debe comportar como una ganancia SIN
DINAMICA.
 Diseño de las entradas manipulables

Se pone una contradicción:

– Alta energía (varianza)
– Baja amplitud
• La relación entre estas variables se mide por el
factor de cresta:

√
2
max k u (k )
C r= N
1
N
∑ (N )
u 2

k=1
 Tipos de señales usados en identificación
• De la teoría se sabe que el ruido blanco tiene un
espectro asintoticamente plano, pero:
– La amplitud máxima de una secuencia gausiana
es ilimitada.
– En muchas aplicaciones no se necesita identificar
el comportamiento del sistema en toda la banda.
P o w e r s p e c t r u m fo r s i g n a l y 1
1
3 10

1
0
10

0
P ower

-1
-1
10
-2

-3

-2
-4 10
0 100 200 300 400 500 600 700 800 900 1000 0 0 .0 5 0 .1 0 .1 5 0 .2 0 .2 5 0 .3 0 .3 5 0 .4 0 .4 5 0 .5
F re q u e n c y (H z )
 Señales Binarias PseudoAleatorias (PRBS)
– Se demuestra que una señal binaria maximiza la
varianza (energía) cuando la amplitud de la señal es
limitada.
– Señal periodica generada mediante registros de
corrimiento.
– Su función de autocorrelación se aproxima a la del ruido
blanco.
– Si se usan n registros, el período máximo de la señal es

M =2 n−1
 Señales Binarias PseudoAleatorias (PRBS)
– Propiedades de una señal PRBS:
a
Mean=
M
Ru (k )=a 2 ; k =0, Mm ,⋯
– Si el periodo de conmutación no es igual al de muestreo,
el espectro se multiplica por un sinc. P o w e r s p e c t r u m fo r s i g n a l y 1
1
10

0 .8

0 .6
0
0 .4 10

0 .2 P ower
0

-0 .2
-1
-0 .4 10

-0 .6

-0 .8

-1
-2
10
600 610 620 630 640 650 660 670 680 690 700 0 0 .0 5 0 .1 0 .1 5 0 .2 0 .2 5 0 .3 0 .3 5 0 .4 0 .4 5 0 .5
F re q u e n c y (H z )
 Señales Binarias Aleatoria (GBS)
– Es una señal binaria en la que el instante de conmutación se
genera como una variable aleatoria.
– La banda contenida en este tipo de señal depende de la
probabilidad de cambio de nivel.
P [u(k )=−u(k −1)]= p sw
P [u (k )=u (k −1)]=1− p sw
El espectro de esa señal es:
2
(1−q )T min
Φu (ω )=
1−2q cos(T min ω )+q2

– Con Tmin el número de periodos en el se evalúa la prob. de

cambio y q=1-2psw.
 Suma de sinusoides (SOS)
– Es una señal continua, formada por la suma de m senos
desfasados:
m
u(k )=∑ a j sin (ω ik +φ j ); 0⩽ω 1 <ω 2 ⋯
j=1

– El espectro de esa señal es diferente de cero, al máximo en

2m frecuencias, mínimo en 2m-2.
m
a 2j
Φ u (ω )=2 π ∑ [ δ (ω −ω j )+δ (ω +ω j )]
j=1 4
 Entradas suficientemente informativas
TEOREMA:
– Dado un conjunto de modelos:
b1 z−1+b 2 z−2 +⋯b n z−n
G (θ )= −1 −2 −n
1+a 1 z +a 2 z +⋯a n z

– La señal de entrada debe ser persistentemente excitante de

orden 2n. Es decir:
Φ u (ω j )≠0 ; j=1,2 ,..,2 n

– Las señales WN, PRBS y GBS cumplen el teorema para

toda clase de modelos.
 Pre-procesamiento de los datos
• Modelos de pequeña señal: definidos (U,Y) de
equilibrio, se realiza la identificación del modelo
incremental:
y(t) = y(t) - Y
u(t) = u(t) - U
• Eliminación de deriva: cuando el sensor o el
actuador presenta deriva, es recomendable
eliminarla antes de realizar la identificación, (efecto
polo en el origen), en este caso:
y(t) = y(t) - αt
u(t) = u(t) - βt
 Pre-filtraje

Filtrar los datos es equivalente a optimizar con una

norma pesada. Recordando la expresión de la
función de costo en frecuencia:

Cuando se filtran los datos, la función de costo se

modifica como:

L(z) funciona como un peso que varia el costo del

error con la frecuencia.
 Pre-filtraje

Ejemplo: Sistema ARX(2,2) identificado sin prefiltraje,

entrada suficientemente informativa, clase
correctamente seleccionada. Linea continua: sistema,
linea punteada: modelo
 Pre-filtraje

Ejemplo: Sistema ARX(2,2), condiciones

experimentales y clase iguales al anterior, señales
filtradas con L(Z):
 Selección de la clase y el orden
¿ Cómo determinar la clase a la que pertenece el
sistema que generó los datos?
Sabemos que cuando el sistema pertenece a la
clase el predictor óptimo produce una estima con
error blanco.
Test de blanqueza: Las funciones de
correlación y correlación cruzada del error de
predicción en los datos disponibles deben ser
cercanas a cero (dentro del intervalo de
confianza)
 Selección de la clase y el orden

¿ Cómo determinar la clase a la que pertenece el sistema

que generó los datos?
Incertidumbre de los parámetros: es importante
estimar también la incertidumbre o el error que se
comete al realizar la estima.
Parámetros estimados con una alta varianza no son
confiables, pueden ser debidos a dos cosas:
– Clase demasiado grande: múltiples mínimos
globales.
– Experimento poco informativo: los datos NO
contienen información suficiente par estimar el
parámetro.
 Selección de la clase
Para comparar la calidad de diferentes clases de
modelos NO es correcto confrontar el error de
predicción en los datos de identificación.
Basta usar una clase con N parámetros y se tienen
que VN(θN)=0
Existen dos aproximaciones:
– Aproximación estadística: Crear una función de
costo que tiene en cuenta la complejidad del
modelo.
– Aproximación empírica: Confrontar el error ante
datos NO usados para identificación
 Aproximación estadística
Se han definido indices que permiten ordenar las clases de
modelos pesando tanto el error de predicción como la
complejidad del modelo.
N: Número de datos n: Número de parametros
R(v): error de predicción v: parametros estimados
N +n
Akaike (1969): FPE =R( v̂ )
N −n
2n
Akaike(1974): AIC =ln( R( v̂ ))+
N
Schwarz(1974): BIC =ln ( R( v
nln( N )
̂ ))+
N
PROBLEMA: Recaen totalmente sobre hipotesis estadisticas
que raramente se cumplen en la práctica.
 Aproximación empírica
Se realiza una partición de los datos: Se usa un
conjunto para identificar un modelo en cada clase y
uno para validar su comportamiento ante datos
nuevos.
 Aproximación empírica
Se realiza una partición de los datos: Se usa un
conjunto para identificar un modelo en cada clase y
uno para validar su comportamiento ante datos
nuevos.

PROBLEMA: uso ineficiente de los datos.

 VALIDACION DE LOS
MODELOS OBTENIDOS
• Como medir si el modelo obtenido es bueno?
DEPENDE DE LA APLICACION
– CONTROL: Me interesa que G(z) identificado
se aproxima mucho a Go(z) al menos hasta la
banda pasante. El modelo del error no es crítico.
• Validación: error de simulación ante datos nuevos,
confrontar la rta. en frecuencia obtenida con ETFE y
SPA
– PREDICCION: Es critico obtener un buen
modelo del error H(z).
• Validación: error de predicción ante datos nuevos,
prueba de blanqueza.