Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capitulo1 2020-1
Capitulo1 2020-1
Alejandro ROJAS
Sistemas y modelos
Identificación de sistemas
Metodología
Métodos
Modelos
Transformadas
Métodos no paramétricos
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.
Modelo (M):
Es una representación de un sistema.
Tipos de modelos
Mental, intuitivo ó verbal.
Gráficos y Tablas.
Modelos matemáticos.
Modelo (M):
Es una representación de un sistema.
Tipos de modelos
Mental, intuitivo ó verbal.
Gráficos y Tablas.
Modelos matemáticos.
Aplicaciones:
Diseño. Ej. Aviones, autos, ...
Control.
Predicción.
Procesamiento de señales.
Simulación.
Aplicaciones:
Diseño. Ej. Aviones, autos, ...
Control.
Predicción.
Procesamiento de señales.
Simulación.
Aplicaciones:
Diseño. Ej. Aviones, autos, ...
Control.
Predicción.
Procesamiento de señales.
Simulación.
Aplicaciones:
Diseño. Ej. Aviones, autos, ...
Control.
Predicción.
Procesamiento de señales.
Simulación.
Aplicaciones:
Diseño. Ej. Aviones, autos, ...
Control.
Predicción.
Procesamiento de señales.
Simulación.
Aplicaciones:
Diseño. Ej. Aviones, autos, ...
Control.
Predicción.
Procesamiento de señales.
Simulación.
Identificación de Sistemas
Es el estudio de la modelación de sistemas dinámicos a partir de datos
experimentales.
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]
>> 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
Modelo paramétrico
y (k ) + a1 y (k − 1) + a2 y (k − 2) = b1 u(k − 3) + b2 u(k − 4)
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}
−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)
Discreto
∞
X
y (k ) = h(τ )u(k − τ )
τ =0
Primer Orden
dy
+ ay (t) = bu(t − tr )
dt
Modelo discreto
y (k + 1) + ad y (k ) = bd u(k − n)
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?
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
Magnitud
Magnitud
0 0 0
−1 −1 −1
−20 −10 0 10 20 −20 −10 0 10 20 −20 −10 0 10 20
Tiempo [k] Tiempo [k] Tiempo [k]
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
Tiempo [k] Tiempo [k] Tiempo [k]
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 ))
Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 30 / 53
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 ))
Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 30 / 53
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
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
0.4
0.2
0
−25 −20 −15 −10 −5 0 5 10 15 20 25
Tiempo [k]
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
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
Frecuencia [rad/seg]
6
4
Modulo
N=40 2
−2
0 2 π/40 2 4 6 8 10 12 14
Frecuencia [rad/seg]
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
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]
2
Modulo
−1
−2
−10 −5 0 5 10
Frecuencia [rad/seg]
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
Convolución
∞
X
y (k ) ∗ g(k ) = y (n)g(k − n)
n=0
Multiplicación (Modulación)
Fd {y (k )g(k )} = Y (ejω ) ∗ G(ejω )
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]
Funciones ventanas γt
N−1
X
N γ(k )y (k )e−jω0 nk
k =0
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)
Esto se logra aplicando una ventana para que la amplitud de la señal varíe
suavemente hasta cero en los extremos.
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
Alejandro ROJAS (DIE) Identificación de Sistemas (543707) 43 / 53
Métodos no paramétricos
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)
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
2 M−1
2πumax X
Φu (ω) = δ(ω − 2πk /M), 0 ≥ ω ≥ 2π
M
k =1
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
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:
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:
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.