Capitulo1 2020-1

Identificación de Sistemas (543707)
Capítulo 1: Conceptos básicos
Alejandro ROJAS
Departamento de Ingeniería Eléctrica

Universidad de Concepción
Chile
Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 1 / 53

Capítulo 1: Conceptos básicos
Sistemas y modelos
Identificación de sistemas
Metodología
Métodos
Modelos
Transformadas
Métodos no paramétricos

Sistemas y modelos
Sistema (S):
Es una abstracción de un proceso de acuerdo a un objetivo de estudio. Es
descrito en términos de variables de entrada, salida, estado y parámetros.
Sistema dinámico:
Es un sistema que posee memoria; es decir la entrada a tiempo t afectará la
salida en un tiempo t 0 , con t 0 > t.

Sistemas y modelos

Sistemas y modelos

Sistemas y modelos

Sistemas y modelos

Sistemas y modelos

Sistemas y modelos

Sistemas y modelos
Modelo (M):
Es una representación de un sistema.
Tipos de modelos
Mental, intuitivo ó verbal.
Gráficos y Tablas.
Modelos matemáticos.

Sistemas y modelos
Modelo (M):
Es una representación de un sistema.
Tipos de modelos
Mental, intuitivo ó verbal.
Gráficos y Tablas.
Modelos matemáticos.

Sistemas y Modelos
Modelos Fenomenólogicos (Caja-blanca, White-Box models) Leyes

básicas de la física, química, etc. llevan a una interpretación física de las
variables y parámetros. Son bastante generales (no-lineales).
Modelo de Caja negra (Black-Box models) La estructura de modelo es

determinada por los datos. Son fáciles de construir, en general son
lineales.
Modelo caja gris (Grey-Box models) Derivados de alguna ley

fundamental y sintonizados de acuerdo a datos experimentales.
Combinación de los dos anteriores.

Sistemas y Modelos


lineales.


Sistemas y Modelos


lineales.


Sistemas y Modelos
No-lineales vs. Lineales.

Tiempo continuo versus tiempo discreto.
Determinísticos versus Estocásticos.
Parámetros concentrados versus distribuidos.

Sistemas y Modelos
Aplicaciones:
Diseño. Ej. Aviones, autos, ...
Control.
Predicción.
Procesamiento de señales.
Simulación.
Detección de fallas (anomalías).

Sistemas y Modelos
Aplicaciones:
Control.
Predicción.
Simulación.

Sistemas y Modelos
Aplicaciones:
Control.
Predicción.
Simulación.

Sistemas y Modelos
Aplicaciones:
Control.
Predicción.
Simulación.

Sistemas y Modelos
Aplicaciones:
Control.
Predicción.
Simulación.

Sistemas y Modelos
Aplicaciones:
Control.
Predicción.
Simulación.

Identificación de sistemas
Identificación de Sistemas
Es el estudio de la modelación de sistemas dinámicos a partir de datos
experimentales.
Teoría de estadística, Álgebra.

IDS es a la vez un arte.
Software (MATLAB).
Estimación (Gauss (1809)), Era Moderna (Astrom and Bohlin (1965), Ho
and Kalman (1966)), Reciente L. Ljung, 1977-1978, Libros (Ljung 1987,
Soderstrom and Stoica, 1989).

Metodología
Definir un objetivo para el uso del modelo.
Recolectar datos. Se debe escoger(generar) las señales de entrada tal

que se maximice la información con respecto al sistema. Graficar datos y
obtener alguna intuición sobre el problema que se enfrenta.
Definir la estructura del Modelo. Usar el conocimiento de la aplicación en

particular y la intuición ingenieril. Es la parte más importante y más
difícil.
Definir el enfoque de identificación.
Resolver el problema. Escoger el mejor modelo (Optimización).
Validar el Modelo. Es el modelo bueno para el propósito inicial?

Metodología


difícil.

Metodología


difícil.

Metodología


difícil.

Metodología


difícil.

Metodología


difícil.

Metodología
Cómo diseñar el experimento, cuantos datos se requieren?

Cómo escoger la estructura del modelo?
Qué pasa si las señales tienen ruido?
Cómo medir la calidad del modelo?
Cómo lidiar con efectos variantes en el tiempo y no-lineales?

Métodos
Métodos no paramétricos. Los resultados son solamente curvas, tablas,

etc. Son simples de aplicar. Ellos entregan información básica sobre el
sistema; retardos constantes de tiempo y ganancias.
Métodos paramétricos. Los resultados son parámetros de un modelo.

proveen mayor exactitud y precisión (más información), pero requieren
más cálculos computacionales.

Métodos
Métodos no paramétricos. Los resultados son solamente curvas, tablas,

etc. Son simples de aplicar. Ellos entregan información básica sobre el
sistema; retardos constantes de tiempo y ganancias.
Métodos paramétricos. Los resultados son parámetros de un modelo.

proveen mayor exactitud y precisión (más información), pero requieren
más cálculos computacionales.

Métodos
Proceso térmico
6.5
5.5
u(t)
4.5
3.5
3
0 100 200 300 400 500 600 700 800 900 1000
6.5
5.5
y(t)
4.5
3.5
3
0 100 200 300 400 500 600 700 800 900 1000
muestras [k]
Entrada u(k ): ...... Salida y (k ) : ......
>> load dryer2;

>> z2 = [y2 u2];
>> idplot(z2)

Métodos
Modelación no-parámetrica (Análisis de correlación para estimación de

respuesta impulso)
>> z2 = dtrend(z2);
>> ir = cra(z2);
>> stepr = cumsum(ir);
>> plot(stepr)
0.16 1.2
0.14
1
0.12
0.8
0.1
0.08
0.6
y(k)
y(t)
0.06
0.4
0.04
0.02
0.2
0
−0.02
−0.04 −0.2
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
pasos pasos

Métodos
Modelo paramétrico
y (k ) + a1 y (k − 1) + a2 y (k − 2) = b1 u(k − 3) + b2 u(k − 4)
>> model = arx(z2, [2 2 3]);

>> yh = idsim(u2,model);
>> plot([yh y2]);
6.5 1
0.9
6
0.8
5.5
0.7
0.6
5
y(k),ym(k)
0.5
4.5
0.4
0.3
4
0.2
3.5
0.1
3 0
0 100 200 300 400 500 600 700 800 900 1000 0 5 10 15 20 25
muestras [k] muestras [k}

Métodos
Comparación respuestas frecuenciales (Análisis espectral)
>> gth = th2ff(model);

>> gs = spa(z2);
>> bodeplot([gs gth]);
From u1 to y1
0
10
−1
10
Amplitude
−2
10
−3
10 −2 −1 0
10 10 10
0
Phase (degrees)
−200
−400
−600 −2 −1 0
10 10 10
Frequency (rad/s)

Modelos

Modelos
Modelos lineales invariantes en el tiempo

Principio de superposición.
Invariante en el tiempo.
Causal.
Respuesta impulso para una señal {u(t) : ∀t} y {y (t) : ∀t} es
Z ∞
y (t) = h(τ )u(t − τ )dτ
τ =0
Discreto
∞
X
y (k ) = h(τ )u(k − τ )
τ =0

Modelos
Primer Orden
dy
+ ay (t) = bu(t − tr )
dt
Modelo discreto
y (k + 1) + ad y (k ) = bd u(k − n)
Que relación existe entre a y ad ?

Modelos
Segundo Orden
dy 2 dy
2
+ a1 + a0 y (t) = bu(t − tr )
dt dt
dy 2 dy
+ 2ω + ω 2 y (t) = ω 2 u(t − tr )
dt 2 dt
Modelo discreto?

Representación polinomial
∞
X
y (k ) = h(τ )u(k − τ )
τ =0
definiendo el operador retardo unitario q −1 tal que q −1 u(k ) = u(k − 1)

∞
X
y (k ) = h(τ )q −τ u(k ) = H(q −1 )u(k )
τ =0
Usualmente tambien se consideran perturbaciones d(k ) en el modelo
y (k ) = H(q −1 )u(k ) + d(k ) = H(q −1 )u(k ) + G(q −1 )e(k )
donde e(k ) es un ruido que perturba el sistema.

Ruido impredecible, estocástico.
Sub modelado.
No-linealidades.
Aspectos variantes en el tiempo.
∞
X
y (k ) = h(τ )u(k − τ )
τ =0
definiendo el operador retardo unitario q −1 tal que q −1 u(k ) = u(k − 1)

∞
X
y (k ) = h(τ )q −τ u(k ) = H(q −1 )u(k )
τ =0
Usualmente tambien se consideran perturbaciones d(k ) en el modelo
y (k ) = H(q −1 )u(k ) + d(k ) = H(q −1 )u(k ) + G(q −1 )e(k )
donde e(k ) es un ruido que perturba el sistema.

Ruido impredecible, estocástico.
Sub modelado.
No-linealidades.
Aspectos variantes en el tiempo.
Modelos Entrada-Salida
(FIR) y (k ) = B(q −1 )u(k ) + e(k )
(ARX) A(q −1 )y (k ) = B(q −1 )u(k ) + e(k )
(ARMAX) A(q −1 )y (k ) = B(q −1 )u(k ) + C(q −1 )e(k )
B(q −1 )
(OE) y (k ) = A(q −1 )
u(k ) + e(k )
−1
B(q ) C(q −1 )
(BJ)y (k ) = A(q −1 )
u(k ) + D(q −1 )
e(k )
Modelos de predicción
(MA) y (k ) = C(q −1 )e(k )
(AR) A(q −1 )y (k ) = e(k )
(ARMA) A(q −1 )y (k ) = C(q −1 )e(k )
(ARIMA) (1 − q −1 )A(q −1 )y (k ) = C(q −1 )e(k )
Aspectos relevantes
BIBO estable.
No-mínimo de fase.
Simulación y predicción.
(FIR) y (k ) = B(q −1 )u(k ) + e(k )
(ARX) A(q −1 )y (k ) = B(q −1 )u(k ) + e(k )
B(q −1 )
(OE) y (k ) = A(q −1 )
u(k ) + e(k )
−1
B(q ) C(q −1 )
(BJ)y (k ) = A(q −1 )
u(k ) + D(q −1 )
e(k )
(MA) y (k ) = C(q −1 )e(k )
(AR) A(q −1 )y (k ) = e(k )
(ARMA) A(q −1 )y (k ) = C(q −1 )e(k )
(ARIMA) (1 − q −1 )A(q −1 )y (k ) = C(q −1 )e(k )
Aspectos relevantes
BIBO estable.
No-mínimo de fase.
(FIR) y (k ) = B(q −1 )u(k ) + e(k )
(ARX) A(q −1 )y (k ) = B(q −1 )u(k ) + e(k )
B(q −1 )
(OE) y (k ) = A(q −1 )
u(k ) + e(k )
−1
B(q ) C(q −1 )
(BJ)y (k ) = A(q −1 )
u(k ) + D(q −1 )
e(k )
(MA) y (k ) = C(q −1 )e(k )
(AR) A(q −1 )y (k ) = e(k )
(ARMA) A(q −1 )y (k ) = C(q −1 )e(k )
(ARIMA) (1 − q −1 )A(q −1 )y (k ) = C(q −1 )e(k )
Aspectos relevantes
BIBO estable.
No-mínimo de fase.
Transformaciones
Propiedades de la exponencial discreta

ejωt , t ∈ R
ejωk , k ∈ Z
ej(ω+2π)k = ej(ω)t e2πk = ejωk
ejω(k +N) = ejωk

ωN = 2πm
con m ∈ Z o en forma equivalente
ω m
=
2π N

Transformaciones

ejωt , t ∈ R
ejωk , k ∈ Z
ejω(k +N) = ejωk

ωN = 2πm
ω m
=
2π N

Transformaciones

ejωt , t ∈ R
ejωk , k ∈ Z
ejω(k +N) = ejωk

ωN = 2πm
ω m
=
2π N

Transformaciones
cos(0 n) cos( π n /8) cos(π n /4)

1 1 1
0.8
0.5 0.5
Magnitud
Magnitud
Magnitud
0.6
0 0
0.4
−0.5 −0.5
0.2
0 −1 −1
−20 −10 0 10 20 −20 −10 0 10 20 −20 −10 0 10 20
Tiempo [k] Tiempo [k] Tiempo [k]
cos(π n /2) cos(π n) cos(3 π n /2)
1 1 1
0.5 0.5 0.5

Magnitud
Magnitud
Magnitud
0 0 0
−0.5 −0.5 −0.5
−1 −1 −1
−20 −10 0 10 20 −20 −10 0 10 20 −20 −10 0 10 20
cos(7 π /4) cos( 14 π /8) cos( 2 π)
1 1 1
0.8
0.5 0.5
Magnitud
Magnitud
Magnitud
0.6
0 0
0.4
−0.5 −0.5
0.2
−1 −1 0
−20 −10 0 10 20 −20 −10 0 10 20 −20 −10 0 10 20

Transformaciones
2π 2π
Dada la señal cos y un ω = T Tm = M , M ∈ Z+
u(k ) = cos(ωk ), ∀k = ..., −1, 0, 1, ....
(ejωk + e−jωk )
u(k ) =
2
Para ejωk
∞
X ∞
X
y (k ) = h(τ )ejω(k −τ ) = ejωk h(τ )e−jωτ = H(ejω )ejωk
τ =0 τ =0
∞
ω X ω jω
H(ej ) = h(τ )e−jωτ = |H(ej )|ejθ(e )
τ =0
y para e−jωk ?
Para u(k ) = cos(ωk ),
jω jω
(H(ejω )ejωk + H(e−jω )e−jωk ) (ej(ωk +θ(e ))
+ e−j(θ(e )+ωk )
)
y (k ) = = |H(ejω )|
2 2
y (k ) = |H(ejω )| cos(ωk + θ(ejω ))
Transformaciones
2π 2π
Dada la señal cos y un ω = T Tm = M , M ∈ Z+
u(k ) = cos(ωk ), ∀k = ..., −1, 0, 1, ....
(ejωk + e−jωk )
u(k ) =
2
Para ejωk
∞
X ∞
X
y (k ) = h(τ )ejω(k −τ ) = ejωk h(τ )e−jωτ = H(ejω )ejωk
τ =0 τ =0
∞
ω X ω jω
H(ej ) = h(τ )e−jωτ = |H(ej )|ejθ(e )
τ =0
y para e−jωk ?
Para u(k ) = cos(ωk ),
jω jω
(H(ejω )ejωk + H(e−jω )e−jωk ) (ej(ωk +θ(e ))
+ e−j(θ(e )+ωk )
)
y (k ) = = |H(ejω )|
2 2
y (k ) = |H(ejω )| cos(ωk + θ(ejω ))
Transformaciones
2π
Señales períodicas con período N; u(k ) = u(k + N) y ω0 = N
N−1
X N−1
X
jω0 nk
u(k ) = cn e = cn ejnk 2π/N
n=0 n=0
entonces
N−1
1 X
cn = u(k )e−jnk ω0
N
k =0
jω0 n
U(e ) = Ncn

Transformaciones
TFD
N−1
1 X
u(k ) = U(ejω0 n )ejω0 nk
N
n=0
N−1
X
U(ejω0 n ) = u(k )e−jω0 nk
k =0
Ejemplo:

1
 0 −N1 < k
0.8
u(k ) = 1 −N1 6 k 6 N1 u(k ) = u(k + N)

0 k > N1
0.6

Magnitud
0.4
0.2
0
−25 −20 −15 −10 −5 0 5 10 15 20 25
Tiempo [k]

Transformaciones
N1
1 X
cn = e−jnk ω0
N
k =−N1
m = k + N1
2N
1 X1 −jn(m−N1 )ω0
cn = e
N
m=0
2N
1 jnN1 ω0 X1 −jnmω0 1 jnN1 ω0 1 − e−jn(2N1 +1)ω0
cn = e e , cn = e
N N 1 − e−jnω0
m=0
(
1 sin(ω0 n(N+1/2))
N sin(ω0 n/2)n 6= 0, ±N, ±2N...
cn = 2N1 +1
N n = 0, ±N, ±2N... 6 t

sin(Ωn(N + 1/2))
Ncn =
sin(Ωn/2)
Ω=ω0 n

Transformaciones
4
Modulo
N=10
2
−2 2 π/10
0 2 4 6 8 10 12 14
Frecuencia [rad/seg]
6
4
Modulo
N=20 2
−2
0 2 π/20 2 4 6 8 10 12 14
6
4
Modulo
N=40 2
−2
0 2 π/40 2 4 6 8 10 12 14

Transformaciones
Si u(k ) no es periódica
N−1
1 X
u(k ) = U(ejω0 n )ejω0 nk
N
n=0
N−1 N−1
ω0 X 1 X
u(k ) = U(ejω0 n )ejω0 nk = U(ejω0 n )ejω0 nk δω
2π 2π
n=0 n=0
ya que ω0 = δω y límite superior está dado por la suma de N intervalos de

longitud ω0 = 2π
N , entonces cuando N → ∞
Z 2π
1
u(k ) = U(ejω )ejωk dω
2π 0

Transformaciones
TFTD
∞
X
U(ejω ) = u(k )e−jωk
k =0
Z 2π
1
u(k ) = U(ejω )ejωk dω
2π 0
Ejemplo
1
0.8

 0 −2 < k
0.6
u(k ) = 1 −2 6 k 6 2 , Tm = 1
Magnitud
0 k >2

0.4
0.2
0
−10 −8 −6 −4 −2 0 2 4 6 8 10
Tiempo [k]

Transformaciones
2
Modulo
−1
−2
−10 −5 0 5 10
sin(ω(N1 +0,5)) 2 sin(ωT1 )

U(ejω ) = ω/2 U(ω) = ω

Transformaciones
Relación entre TFTD y TDF

y (k ) t ∈ [0, N − 1]
y (k ) períodica y g(k ) =
0 e.t.o.c
la TFTD de g(k ) está dada por
∞
X N−1
X N−1
X
G(ejω ) = g(k )e−jωk = g(k )e−jωk = g(k )e−jωk
k =0 k =0 k =0
N−1
X
Y (ejω0 n ) = N y (k )e−jω0 nk
k =0
Por lo tanto
1 jω
= Y (ejω0 n )

G(e )
N ω=ω0 n

Transformaciones
Transformada Rápida de Fourier (FFT)

Es un algoritmo que permite reducir drasticamente la cantidad de cálculos de
la TFD de una secuencia finita de datos y (k ), k = 0, 1, ..., N − 1
Convolución
∞
X
y (k ) ∗ g(k ) = y (n)g(k − n)
n=0
Fd {y (k ) ∗ g(k )} = Y (ejω )G(ejω )
Multiplicación (Modulación)
Fd {y (k )g(k )} = Y (ejω ) ∗ G(ejω )

Transformaciones
El efecto del conjunto de datos finitos en estimación espectral


 0 k <0
1 − e−jωN
Π(k )N = 1 0 6 k 6 N − 1 Π(ejω ) =
1 − e−jω
0 k >N

Fd {y (k )Π(k )N } = Fd {y (k )} ∗ Fd {Π(k )N }
Ejemplo: señal sinosoidal de 1Hz muestreada a 10 Hz.
4
10
3
10
2
10
Modulo
1
10
512,1024, 2048
0
10
−1
10
−2 −1 0
10 10 10
Frecuencia [Hz]

Transformaciones
Funciones ventanas γt
N−1
X
N γ(k )y (k )e−jω0 nk
k =0
Ventanas más comunes

Temporal γ(k ) Espectral Γ(ω)
Rectangular

0 |k | > M
γ(k ) = ΓR (ω) = 2M sin(ωM)
1 |k | 6 M ωM
Barlett
2
γ(k )(1 − |kM| ) 2M (sin(ωM))
(ωM)2
Hamming
1 1
2 γ(k )(1 + cos( πk M )) 2 ΓR (ω) + 14 ΓR (ω + π
M) + 14 ΓR (ω − π
M)

Transformaciones
Por qué usar ventanas?

La FFT usa un número finito de datos, pero asume periodicidad de la señal. Si
los primeros datos no coinciden con los últimos datos FFT va a introducir en
la estimación del espectro armónicos espúreos en alta frecuencia (aliasing).
Solución: evitar discontinuidades al hacer que los extremos de la señal

disponible coincidan.
Esto se logra aplicando una ventana para que la amplitud de la señal varíe
suavemente hasta cero en los extremos.

Transformaciones
Ejemplo:
2
0.5 10
Magnitud
Módulo
0
0
−0.5 10
−1
0 5 10 0 1 2
10 10 10
Tiempo [s] Frecuencia [Hz]
0.5 0
10
Magnitud
Módulo
−0.5
−5
10
Prueba Impulso:
K k =0
u(k ) =
0 k 6= 0
Respuesta:
h(k ) k > 0
y (k ) = K
0 k <0

Escalón:
K k >0
u(k ) =
0 k 6= 0
Respuesta: Pk
j=1 h(j) k > 0
y (k ) = K
0 k <0
o Pk
j=1 h(j) k > 0
y (k ) − y (k − 1) = K
0 k <0

PRBS (Pseudo-Random-Binary-Sequence)
Una señal PRBS se genera a partir de la siguiente ecuación de diferencias
u(k ) = res(A(q)u(k ), 2)
= res(a1 u(k − 1) + · · · + an u(k − n), 2)
u(k ) sólo puede tomar los valores 0 y 1 (o umin y umax ). La secuencia
{u(k − 1), · · · , u(k − n)}
puede tomar a lo más M = 2n − 1 valores distintos (se descarta el caso 0. Por

qué?). M se conoce como el período máximo.

n M Coef. no ceros
2 3 1, 2
3 7 2, 3
4 15 1, 4
5 31 2, 5
6 63 1, 6
7 127 3, 7
8 255 1, 2, 7, 8
9 511 4, 9
10 1023 7, 10
11 2047 9, 11
La PRBS de largo máximo se comporta como un ruido blanco (periódico).

Se puede mostrar (Ljung) que el espectro de una PRBS que cambia de

valores entre umin y umax tiene espectro periódico
2 M−1
2πumax X
Φu (ω) = δ(ω − 2πk /M), 0 ≥ ω ≥ 2π
M
k =1
La señal en cuestión tiene entonces M − 1 peaks de frecuencia en la región

[0, 2π].
Finalmente, para beneficiarnos de las propiedades de una PRBS de orden
máximo debemos trabajar con un número entero de periodos para la señal de
entrada, lo que limita la elección de duración del experimento (en qué
sentido?).

Análisis de Correlación
Si la entrada es una variable aleatoria caracterizada por su media
n
1X
mu = E[u(k )] = limn→∞ u(k )
n
k =1
y covarianza
n
1X
ru (τ ) = E[u(k )u(k − τ )] = limn→∞ u(k )u(k − τ )
n
k =1
para la salida de un sistema

∞
X
y (k ) = h(n)u(k − n)
n=0

Multiplicando a ambos lados por u(k − n) y tomando el valor esperado

∞
X
ryu (k ) = h(n)ru (k − n)
n=0
Arreglando como un sistema de ecuaciones

    
ryu (0) ru (0) ru (1) . . . h0
 ryu (1)   ru (1) ru (0) . . .   h1 
=
.. .. .. ..
  
. . . ... .

Análisis Espectral
Densidad Espectral
∞
1 X
φu (ω) = ru (τ )e−jωτ
2π τ =−∞
Entonces
φuy (ω) = H(ejωn )φu (ω)
∞
X
H(ejω ) = hn e−jωn
n=0
Para todo ω =] − π, π[
φuy (ω)
H(ejω ) =
φu (ω)

En la práctica:
n
1X
r̂u (τ ) = u(k )u(k − τ )
n
k =1
n
1 X
φ̂u = r̂u (τ )e−jωτ γ(τ )
2π τ =−n
Ventanas
Rectangular
Barlett
Hamming-Tukey

Comentarios:
TDF de señales de entrada/salida o de los espectros de correlación
cruzada y autocorrelación. Efectos de perturbaciones no correlacionadas
con la entrada.
Transformada inversa. Las funciones estimadas tienen siempre errores a
alta frecuencia. Es útil considerar ventanas espectrales.
Algunas propiedades estadísticas para la estimación:
I H(ejω ) es solamente definida en un número finito de puntos
I Es una estimación no sesgada y su varianza decrece cuando el número de
muestras crece.

Comentarios:
con la entrada.
muestras crece.

Comentarios:
con la entrada.
muestras crece.

Capitulo1 2020-1

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Capitulo1 2020-1

Cargado por

Copyright:

Formatos disponibles

Identificación de Sistemas (543707)

Capítulo 1: Conceptos básicos

Departamento de Ingeniería Eléctrica

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 1 / 53

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 2 / 53

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 3 / 53

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 4 / 53

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 5 / 53

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 6 / 53

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 7 / 53

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 8 / 53

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 9 / 53

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 10 / 53

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 10 / 53

Modelos Fenomenólogicos (Caja-blanca, White-Box models) Leyes

Modelo de Caja negra (Black-Box models) La estructura de modelo es

Modelo caja gris (Grey-Box models) Derivados de alguna ley

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 11 / 53

Modelos Fenomenólogicos (Caja-blanca, White-Box models) Leyes

Modelo de Caja negra (Black-Box models) La estructura de modelo es

Modelo caja gris (Grey-Box models) Derivados de alguna ley

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 11 / 53

Modelos Fenomenólogicos (Caja-blanca, White-Box models) Leyes

Modelo de Caja negra (Black-Box models) La estructura de modelo es

Modelo caja gris (Grey-Box models) Derivados de alguna ley

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 11 / 53

No-lineales vs. Lineales.

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 12 / 53

Detección de fallas (anomalías).

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 13 / 53

Detección de fallas (anomalías).

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 13 / 53

Detección de fallas (anomalías).

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 13 / 53

Detección de fallas (anomalías).

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 13 / 53

Detección de fallas (anomalías).

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 13 / 53

Detección de fallas (anomalías).

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 13 / 53

Teoría de estadística, Álgebra.

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 14 / 53

Definir un objetivo para el uso del modelo.

Recolectar datos. Se debe escoger(generar) las señales de entrada tal

Definir la estructura del Modelo. Usar el conocimiento de la aplicación en

Definir el enfoque de identificación.

Resolver el problema. Escoger el mejor modelo (Optimización).

Validar el Modelo. Es el modelo bueno para el propósito inicial?

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 15 / 53

Definir un objetivo para el uso del modelo.

Recolectar datos. Se debe escoger(generar) las señales de entrada tal

Definir la estructura del Modelo. Usar el conocimiento de la aplicación en

Definir el enfoque de identificación.

Resolver el problema. Escoger el mejor modelo (Optimización).

Validar el Modelo. Es el modelo bueno para el propósito inicial?

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 15 / 53

Definir un objetivo para el uso del modelo.

Recolectar datos. Se debe escoger(generar) las señales de entrada tal

Definir la estructura del Modelo. Usar el conocimiento de la aplicación en

Definir el enfoque de identificación.

Resolver el problema. Escoger el mejor modelo (Optimización).

Validar el Modelo. Es el modelo bueno para el propósito inicial?

Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 15 / 53