Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Uno de los principales obstáculos relacionados con los supuestos clave en muchos controles de retroalimentación
atractivos Las teorías radican en la necesidad de conocer perfectamente el sistema a controlar. Aunque Los
modelos matemáticos se pueden derivar con precisión para muchas áreas de sistemas físicos, utilizando leyes y
principios físicos bien establecidos, los problemas siguen siendo la recopilación de los valores precisos de los
parámetros relevantes del sistema (o la obtención de la información almacenada en el estados inaccesibles para
la medición del sistema) y, lo que es más importante, tratar con Perturbaciones desconocidas (es decir, no
estructuradas) que afectan la evolución del sistema a lo largo del tiempo. Estos problemas han sido una
preocupación constante en la literatura sobre sistemas de control de retroalimentación y un Se han desarrollado
una gran cantidad de enfoques a lo largo de los años para, por separado o simultáneamente, enfrentar algunas, o
todas, estas desafiantes realidades involucradas en la operación de sistemas físicos. Para nombrar solo algunos,
identificación del sistema, control adaptativo, métodos energéticos, redes neuronales, y los sistemas difusos se
han desarrollado y se han probado disciplinas que proponen enfoques, desde diferentes puntos de vista, para
abordar o eludir los tres Obstáculos para hacer que un diseño de control limpio funcione: identificación de
parámetros, estimación de estado y robustez frente a perturbaciones externas.
Este libro trata de un nuevo enfoque de los tres problemas fundamentales asociados con la implementación final
de una ley de control de retroalimentación bien justificada. Nos concentramos en las formas para manejar estos
obstáculos desde un punto de vista algebraico, es decir, uno que resulta de un método algebraico visión de la
dinámica y el control de sistemas. En cuanto a la teoría preferida para tratar el problema de control ideal,
enfatizamos el hecho de que los métodos que se presentan son igualmente aplicables a cualquiera de las teorías
existentes. Proponemos ejemplos donde se usa el control de modo deslizante, otros donde se prefieren los métodos
de control basados en la pasividad, y otros donde se implementan controladores integrales proporcionales
generalizados y de planitud. El enfoque algebraico es igualmente adecuado cuando se utilizan observadores
dinámicos. Por tanto, el libro no se concentra ni favor, cualquier teoría de control de retroalimentación en
particular. Elegimos el controlador como nos plazca. Naturalmente, ya que la base teórica de los algoritmos y
técnicas propuestos se deriva de la Enfoque algebraico diferencial para el análisis y control de sistemas, a menudo
presentamos el material de fondo en detalle al final de los capítulos, de modo que el lector inclinado a las
matemáticas haya una fuente de los conceptos básicos que se ilustran en ese capítulo a través de numerosos
ejemplos.
1.1.1Retroalimentacion
Un sistema de control es aquel cuyo objetivo es influir positivamente en el desempeño de un determinado sistema
de acuerdo con algunos objetivos específicos. Una ley de control o controlador es un conjunto de reglas que nos
permite determinar los comandos a enviar a la planta gobernada (a través de un actuador) para lograr la evolución
deseada. Estas reglas pueden describirse como control de bucle abierto o control de circuito cerrado
(retroalimentación). La figura 1.1 muestra ambas estrategias de control, donde y (t) y u (t) son, respectivamente,
la salida y la entrada de la planta, yx (t) representa una colección finita de variables internas (llamadas variables
de estado) que caracterizan completamente, desde el presente, el comportamiento del sistema en el futuro siempre
que las futuras entradas de control estén disponibles. La primera esquema, un sistema de control de bucle abierto,
no mide (o retroalimenta) la salida para determinar la acción de control; su precisión depende de su calibración
y, por lo tanto, solo se usa cuando hay No hay perturbaciones y la planta es perfectamente conocida. Una
perturbación (o perturbación) es una Señal desconocida que tiende a afectar negativamente el valor de salida de
la planta. Esto indeseado La señal puede ser interna (endógena) o externa (exógena) al sistema. La figura 1.1 (b)
muestra un sistema de control de circuito cerrado, donde se utiliza un sensor para obtener una señal de error. Esta
señal es procesado por el controlador para determinar la acción necesaria para reducir la diferencia entre la salida
y su valor deseado.
La retroalimentación es un mecanismo para ordenar a un sistema que evolucione de la manera deseada para que
los estados, y salidas, exhiben una evolución deseada (por ejemplo, para rastrear una trayectoria de referencia) o
permanecer en un equilibrio prescrito. La retroalimentación habilita el estado o las salidas actuales
(retroalimentación señal) a medir, determinando qué tan lejos está el comportamiento del estado deseado o
deseado salidas (es decir, para evaluar la señal de error y luego generar automáticamente una señal de control
adecuada para acercar el sistema cada vez más al estado deseado). La retroalimentación se puede utilizar para
estabilizar el estado de un sistema, al mismo tiempo que mejora su rendimiento. El control de retroalimentación
tiene orígenes antiguos, como señaló Mayr (1970). A lo largo de la historia, muchos Se pueden encontrar
ejemplos de dispositivos ingeniosos, basados en la retroalimentación. En la antigua Grecia, China, Durante la
Edad Media, y en el Renacimiento, se han recuperado y recuperado numerosos ejemplos. explicado en términos
modernos. Estos artefactos fueron mejorados y especializados para convertirse en presión. reguladores, válvulas
de flotador y reguladores de temperatura. Uno de estos dispositivos fue el fly-ball o gobernador centrífugo,
utilizado para controlar la velocidad de los molinos de viento; más tarde fue adaptado por James Watt, en 1788,
para controlar las máquinas de vapor. Fue sólo en la década de 1930 cuando Black y Black desarrollaron
completamente una teoría del control de la retroalimentación. Nyquist en Bell Laboratories. Estudiaron la
retroalimentación como un medio para mejorar enormemente el amplificador. desempeño en líneas telefónicas.
Tuvieron que enfrentar la (conocida) inestabilidad de circuito cerrado problema cuando la ganancia de
retroalimentación se estableció demasiado alta, transformando el amplificador en un oscilador.
1.2.1Identificación de un sistema
Según Eykhoff (1974), la construcción de modelos comienza con la aplicación de técnicas físicas básicas leyes
(leyes de Newton, leyes de Maxwell, leyes de Kirchhoff, etc.). De estas leyes, una serie de Las relaciones se
establecen entre las variables que describen el sistema (por ejemplo, diferencial ordinario o ecuaciones en
diferencias o, a veces, ecuaciones diferenciales parciales). Si todo externo e interno Las condiciones del sistema
son conocidas, y si nuestro conocimiento físico sobre la planta es completo, entonces, en principio, el valor
numérico de todos los parámetros en esas relaciones puede ser determinado. Eykhoff (1974) recuerda que la
construcción de modelos consta de cuatro pasos: (a) selección de una estructura de modelo basada en el
conocimiento físico, (b) ajuste de los parámetros a los datos disponibles (identificación), (c) verificación y prueba
del modelo adoptado, y (d) aplicación de control teoría al modelo para lograr un propósito deseado. El proceso
de palabras es solo otro término para refiriéndose a un sistema dado.
En ocasiones, el problema de la identificación se aborda mediante el problema inverso del análisis del sistema;
dado un historial de tiempo de entrada y salida, determine las ecuaciones y los parámetros que describen el
comportamiento del sistema. Zadeh (1956) define la identificación como la determinación, sobre la base de
entradas y salidas de un sistema, de un modelo de sistema que produce un comportamiento equivalente a la planta
real. La estimación de parámetros, por el contrario, es la determinación experimental de valores de parámetros
que gobiernan el comportamiento dinámico del sistema, asumiendo que la estructura del proceso es bien conocido.
El método implica comparar la salida real del proceso, contaminada con ruido de medición, y la respuesta de la
salida del modelo hipotético cuando ambos están sujetos a la misma señal de entrada. Debido a la incertidumbre
introducida por el ruido y dinámica desatendida, es necesario entonces encontrar un ajuste del modelo de acuerdo
con un cierto criterio.
1.3 Una breve encuesta sobre la identificación de parámetros
El problema de la estimación de parámetros en sistemas dinámicos, a partir de las medidas disponibles, se remonta
al 300 a.C. cuando el movimiento de los cuerpos celestes se caracterizó por seis parámetros (ver Sorenson, 1980).
La estimación, basada en la minimización de una función de error, se puede atribuir a Galileo Galilei (ver Favier,
1982). Una de las primeras contribuciones más importantes en esta área fue la visión estadística del problema de
identificación de parámetros, propuesta por Gauss (1809) y conocida como el "problema inverso de calcular la
respuesta de un sistema con características conocidas", y el procedimiento de máxima verosimilitud introducido
por Fisher (véase Aldrich, 1997).
El término "identificación" fue acuñado por Zadeh (1956), como el problema de determinar la Relación entrada-
salida por medios experimentales, considerando la clase lineal de modelos como un Modelo de “caja negra”.
La estimación lineal para sistemas estocásticos se introdujo en los trabajos de Wiener (1949) y Kolmogorov
(1941). Estos trabajos situaron el problema de identificación en el contexto de importantes problemas de
ingeniería que quedaron abiertos problemas matemáticos. Un excelente trabajo de encuesta sobre esta teoría se
puede encontrar en Kailath (1974).
El filtro de Kalman (Kalman, 1960; Kalman y Bucy, 1961) representa un estado-espacio procedimiento
algorítmico orientado a resolver de manera óptima el problema de la estimación del estado en presencia de ruidos
de medición y estados iniciales inciertos. El enfoque se basa en la minimización de un criterio de rendimiento de
error de estimación cuadrática integral. El gran legado de El filtro de Kalman ha llevado a extensiones de sistemas
no lineales y a la formulación y solución de algunos otros problemas relacionados, como el problema de
identificación de parámetros. Åstrom y Bohlin (1965) introdujo el concepto de identificabilidad en el contexto
del enfoque de máxima semejanza. La encuesta de Åstrom y Eykhoff (1971) presenta una descripción completa
de esquemas de identificación clásicos.
Un texto de referencia importante, desde los primeros años de la identificación, es el libro de Box y Jenkins
(1976). Este libro se ocupa de la identificación de sistemas estocásticos de tiempo discreto, el pronóstico de series
de tiempo y la estimación de parámetros en funciones de transferencia. con énfasis en las aplicaciones. Otros
autores se centraron en el problema de la aproximación de modelos y reducción del orden del sistema (ver
Anderson et al., 1978 y las referencias allí citadas). El libro de Ljung (1987) es una referencia muy importante en
el contexto de los sistemas lineales. identificación. Este libro se centra en el "enfoque de ingeniería para la
identificación de sistemas", como mencionado en Gevers (2006), donde los esquemas numéricos están hechos
para jugar un papel importante en el procedimiento de identificación. Otros libros importantes sobre este tema
son Åstrom y Wit tenmark (1995), Eykhoff (1974), Goodwin y Sin (1984), Johansson (1993), Landau (1990),
Sastry y Bodson (1989), Söderström y Stoica (1989) y Sorenson (1980). Una mas reciente Se puede encontrar
una encuesta autorizada de la identificación de sistemas en el trabajo de Gevers (2006).
Para el caso de tiempo continuo, el modelo del sistema consta de un conjunto de ecuaciones diferenciales que
describen la evolución de las variables de estado, x (t), y un conjunto de parámetros 𝜃. El conocido La señal de
entrada, o entrada de control, se denota mediante u (t). A veces, el sistema también se ve afectado por una
perturbación externa desconocida, 𝜈 (t). La salida, y (t), con frecuencia puede estar contaminada por ruido de
medición, 𝜉 (t). La señal de referencia, el punto de ajuste o el valor de salida deseado que el sistema de control
tendrá como objetivo alcanzar, es y ∗ (t). Como muestra la Figura 1.2, el bloque para la retroalimentación El
controlador requiere el valor del estado real para producir la señal de control. Dado que no todo el estado las
variables son medibles, necesitamos construir un estimador de estado para implementar esta retroalimentación
controlador. En la mayoría de los casos prácticos, un estimador de estado requiere un nivel de inmunidad al ruido
adecuado. Para cancelar, o al menos reducir, los efectos de las perturbaciones, una ley de control robusta basada
en Se pueden proponer estimadores de perturbaciones. En algunos casos, el problema de estimación de
perturbaciones es tratada como la estimación de un estado adicional.
Generalmente, para estimar el estado del sistema podemos usar dos tipos de herramientas: observadores de estado
y tiempo estimadores derivados. En ambos enfoques, el modelo del sistema debe satisfacer una particular
condición que garantice la viabilidad del cómputo o reproducción estatal a partir de insumos y salidas o salidas
solas. Tal propiedad es la observabilidad del sistema. En el caso del sistema lineal (continua y discreta), la
propiedad puede evaluarse fácilmente a partir del rango de una matriz denominada la matriz de observabilidad.
Su introducción conceptual se debe a Kalman.
1.4.1Observadores
El estado se puede generar a partir de un sistema dinámico llamado observador, que se basa en el modelo de la
planta, impulsado por mediciones de las entradas y salidas de la planta. Si el orden del observador es igual al
orden del modelo del sistema, se dice que el observador es un orden completo observador. Si el orden del
observador es menor que el orden de la planta, entonces se dice que el observador ser un observador de orden
reducido. Los observadores de orden reducido aprovechan la posibilidad de calculando directamente algunas
variables de estado a partir de las salidas disponibles.
Un observador de un sistema lineal es fácilmente factible siempre que el sistema sea observable, que, es decir,
cuando su matriz de observabilidad tiene rango completo. Los sistemas reconstruidles se conocen como aquellos
sistemas cuya matriz de observabilidad no es de rango completo, pero tales que la parte no observable de la El
sistema exhibe un comportamiento asintótico hacia un cierto estado de equilibrio trivial. Los observadores tienen
Se ha estudiado extensamente en sistemas lineales, a través de la selección apropiada de ganancias, mostrando
que los observadores pueden construirse de tal manera que sus estados se aproximen a los estados verdaderos con
dinámica que tiene características de estabilidad prescritas. Si las ganancias del observador están optimizadas
para el ruido entrada al sistema y al sensor (es), el observador se denomina filtro de Kalman. Si las ganancias son
no tan optimizadas, y el entorno es determinista, el observador se denomina observador de Luenberger. El
concepto de observador de un proceso dinámico fue introducido en 1966 por D. Luenberger. El observador
genérico de Luenberger apareció varios años después del filtro de Kalman.
La observabilidad en sistemas no lineales se desarrolla en el trabajo de Hermann y Krener (1977). Brockett (1972)
da otras contribuciones importantes a la teoría de los observadores no lineales. y Sussmann (1977, 1979). En
relación con el enfoque geométrico diferencial, la observabilidad fue estudiado por Isidori (1989) y Nijmeijer y
van der Schaft (1990). Otro importante Se introdujo el concepto de observabilidad, dado en términos del enfoque
algebraico diferencial. por Diop y Fliess (1991a, b). En este enfoque, se dice que una variable de sistema es
algebraicamente observable si se puede representar en términos de la entrada, la salida y un número finito de sus
derivadas de tiempo. En este sentido particular, el diseño del observador se reduce al diseño de un diferenciador
numérico (Diop et al., 1993, 2000). En el ámbito de los diferenciadores de señal, Se han propuesto muchos
enfoques interesantes, que van desde observadores similares a Luenberger a diferenciadores basados en modos
deslizantes (Levant, 1998). Observadores de alta ganancia (Doyle y Stein1979; Khalil, 1999) También se han
vuelto populares en los últimos tiempos, tanto en teoría como en aplicaciones, como lo demuestra la encuesta de
Khalil (2008).
Este capítulo comienza nuestra exposición sobre los métodos de identificación algebraica en el control de
retroalimentación. diseño. Comenzamos con el problema de identificación de parámetros en el contexto específico
de lineales sistemas invariantes en el tiempo. Ya sea que estemos frente a un estado o una representación de
entrada-salida de sistema, primero nos limitamos al caso de sistemas que experimentan perturbaciones
estructuradas (es decir, perturbaciones generadas por sistemas homogéneos, lineales, invariantes en el tiempo se
desconocen los estados y parámetros iniciales). El conjunto más elemental de entradas de perturbación. La
pertenencia a esta clase está constituida por las llamadas entradas de perturbación clásicas. Específicamente,
abordamos perturbaciones constantes, perturbaciones de rampa y, en general, perturbaciones polinómicas. Los
otros tipos de perturbaciones más comunes que también pertenecen a esta clase son las perturbaciones
sinusoidales, perturbaciones que se desvanecen exponencialmente, etc. Nos centramos en identificar los
parámetros del sistema de forma online. El principal objetivo en la identificación de lo desconocido. parámetros
de la planta es especificar con precisión el controlador de retroalimentación requerido. Por lo tanto, asumimos
que tal información de parámetros falta pero es crucialmente necesaria en el controlador de retroalimentación
especificación. Naturalmente, hay casos en los que no es necesario conocer los parámetros del sistema para la
especificación del controlador, como es el caso de muchos diseños de retroalimentación clásicos. Por ejemplo, la
gran mayoría de la derivada integral proporcional industrial (PID) existente Los controladores no necesitan
conocimientos a priori sobre los parámetros de la planta. En esos casos, se requiere un ajuste extenso o se
recomiendan algoritmos de adaptación automática más complejos. Hacemos No abogar por ninguna de las dos
posibilidades anteriores. Por eso centramos nuestros desarrollos en torno a controladores de certidumbre-
equivalencia diseñados para sistemas cuyos modelos son bien conocidos excepto, posiblemente, algunos de sus
parámetros constantes. Los controladores de retroalimentación se derivan como si los parámetros del sistema
fueran perfectamente conocidos. Usando valores arbitrarios o bien educados conjeturas de tales parámetros,
producimos una evolución de entrada-salida incipiente del sistema con la ayuda del controlador "incorrecto". Si
las entradas y salidas se procesan correctamente, podemos obtener, en muy poco tiempo, los valores precisos de
los parámetros del sistema. Una vez el Los parámetros se identifican con precisión, sus valores se reemplazan
inmediatamente en el diseño controlador de retroalimentación de certeza-equivalencia, imponiendo así el
controlador "correcto". Naturalmente, la identificación de los valores reales de los parámetros debe realizarse
online, en muy poco tiempo. cantidad de tiempo, y en presencia de ruidos de plantas y mediciones. La suposición
básica es que los parámetros son, efectivamente, constantes a lo largo del tiempo. Al final del capítulo, relajar
esta suposición y permitir que los parámetros sean constantes por partes (es decir, cambian a nuevos valores
constantes en instantes impredecibles en el tiempo). Esto requiere una estrategia de actualización para nuestros
cálculos de parámetros. Abordamos esta estrategia como el restablecimiento del identificador. El
restablecimiento se puede realizar de forma automática o periódica.
La base teórica del método de identificación algebraica en línea utilizado en los distintos los ejemplos presentados
aquí se encuentran en Fliess y Sira-Ramírez (2003). Finalmente, la adición de en la Sección 2.3 se propone un
estado artificial adicional conocido como parámetro "centinela" para tener un criterio para lograr una estimación
de parámetros suficientemente precisa en presencia de ruido. Existen dos enfoques principales para el proceso de
identificación algebraica: un dominio de tiempo enfoque y un enfoque en el dominio de la frecuencia. El segundo
se centra esencialmente en lineales sistemas invariantes en el tiempo. Ambos enfoques son completamente
equivalentes.
Este capítulo considera una serie de ejemplos destinados a familiarizar al lector con los detalles del procedimiento
de identificación de parámetros algebraicos. Las variantes y complementos del método también se presentan a
través de ejemplos. Por ejemplo, el cálculo operacional basado (dominio de frecuencia) se presenta a través de
ejemplos bastante simples que tratan con un problema de servo visual y el equilibrio de un rotor plano. Algunas
extensiones del método en sistemas con no linealidades también se presentan en términos de fácil comprensión
ejemplos de aplicación. Este es el caso de los sistemas que presentan fricciones de Coulomb o que requieren el
cálculo de una función no lineal de algún parámetro con fines de control (como en el ejemplo de motor lineal).
Los sistemas de control conmutados de naturaleza media lineal también pueden utilizar el procedimiento de
identificación algebraica para la determinación rápida de parámetros, como lo demuestra un ejemplo de
electrónica de potencia. Los sistemas lineales por partes no son ajenos a los beneficios de la tecnología online.
identificación, como se muestra en el ejemplo ilustrativo del motor de ganancia variable. Un complemento de El
procedimiento de identificación algebraica está representado por el filtrado invariante y por la introducción de un
parámetro centinela. Esto está representado por un parámetro conocido que se identifica algebraicamente para
tener un criterio objetivo para detener o desconectar la identificación. proceso. Este problema se examina en el
contexto de un sistema de suspensión controlado por modo deslizante. ejemplo al final del capítulo.
donde x es el desplazamiento de masa, perfectamente medido desde algún punto de referencia u origen de
coordenadas, marcadas con precisión en la línea y etiquetadas como 0. La cantidad u (t) es la fuerza aplicada, que
se supone que no es idénticamente cero en cualquier intervalo de tiempo abierto. Para simplificar el problema,
suponga que u (t) es una fuerza de control de circuito abierto conocida, distinta de cero, a nuestra disposición. El
Todo el propósito de aplicar tal fuerza a la masa es recopilar alguna información de entrada-salida para que
podamos identificar el parámetro de masa desconocido m. La masa se coloca inicialmente en un distancia x0
desde el origen, es decir, x (t0) = x0 con una velocidad inicial ẋ (t0) = 0. El propio modelo sugiere que se puede
obtener una relación para m integrando la ecuación dos veces, desde el instante inicial t0, y utilizando el hecho
de que m es constante. Obtenemos
De esta última relación se desprende que se hace necesaria una nueva información: ẋ (t0) = X 0, la velocidad
inicial. Si el experimento se inicia con la masa en reposo, sabemos que podemos establecer ẋ (t0) = ẋ 0 = 0, pero
entonces la medición de la posición inicial x0 se vuelve importante. De alguna manera es preocupante que nuestra
estimación de la masa deba depender de dónde comenzamos el Experimento a lo largo de la línea. Llegamos a la
conclusión de que nuestro proceso de identificación masiva debe no depende de ninguna de las condiciones
iniciales. Para lograr esta independencia, multiplique el sistema ecuación por (t - t0) 2. Obtenemos
Integrando una vez, entre t0 y t, la última expresión y usando la integración por partes fórmula en el lado izquierdo
obtenemos
In other words
Logramos que la expresión fuera independiente de las condiciones iniciales, pero ahora necesitamos para conocer
todo el historial de velocidades de la masa. Integramos una vez más para finalmente obtener:
Esta expresión tiene la ventaja de ser completamente independiente de las condiciones iniciales. y solo requiere
la medición de la entrada y la salida para calcular m o su inverso 1 ∕ m. Entonces tenemos la siguiente fórmula de
cálculo para 1 ∕ m:
sin embargo, hay un problema con la fórmula anterior; en el tiempo t = t0, tanto el numerador como el
denominador son cero. El cociente está claramente indeterminado. Por tanto, debemos comience a evaluar la
fórmula no en el momento t0 sino en un momento posterior, digamos t0 + 𝜖 con 𝜖> 0 y pequeño. Proponemos
entonces el siguiente proceso de estimación para 1 ∕ m, denotado ahora como 1 ∕ me para enfatizar que es una
cantidad estimada:
La evaluación del cociente es, por supuesto, válida siempre que el denominador no vaya hasta cero. Tenga en
cuenta que el denominador no puede ser idénticamente cero en ningún intervalo abierto de tiempo. Porque,
suponga que esto sea cierto, entonces u (t) también es idénticamente cero en dicho intervalo, que contradice
nuestra suposición sobre la señal de prueba u (t). Para implementar los cálculos, y dado que se necesitan
integraciones de tiempo para sintetizar el tamaño de las expresiones del numerador y del denominador, nos
gustaría dar a estas dos cantidades el carácter de una salida de un determinado sistema dinámico que involucra
ecuaciones diferenciales. Proponemos entonces los siguientes “filtros” lineales variables en el tiempo:
con z1 (t0) = z2 (t0) = 0 y 𝜂1 (t0) = 𝜂2 (t0) = 0. La figura 2.1 muestra las señales involucradas, el numerador n
(t), el denominador d (t), la entrada u, la salida y = x, y la estimación de 1 ∕ m. La suposición incorrecta del valor
del parámetro durante el intervalo de tiempo [0, 𝜖) se tomó como 1 ∕ me = 0,5 kg − 1, como puede verse en la
figura. Nosotros han establecido, en este caso, 𝜖 = 0.01 s, pero aún se podría haber usado un valor real menor.
También nosotros sea u (t) = 1 N para todo t. El valor real de la masa se estableció en m = 1 kg. Varias
características distintivas surgen de las simulaciones de este ejemplo bastante simple: (1) La estimación del
parámetro de masa se puede lograr de manera confiable en un período de tiempo bastante corto que solo depende
de la precisión del procesador aritmético para poder realizar el cociente de dos cantidades muy pequeñas; a saber,
las señales de numerador y denominador. (2) La entrada de prueba la señal u (t) que se utiliza no presenta el
requisito clásico de "persistencia de la excitación". (3) El estimador del parámetro de masa inversa está compuesto
por señales inestables tanto en el numerador y denominador
Con respecto a la primera observación anterior, debemos señalar que la precisión exacta con que hemos obtenido
el parámetro de masa no es en absoluto sorprendente, debido al hecho de que la fórmula utilizada es tan exacta
como el modelo y, lo que es más importante, porque no hemos incluido cualquier ruido de medición en nuestras
simulaciones. Esta última característica puede comprometer no solo la precisión del cálculo, pero, también, el
carácter rápido de la identificación. El segundo La característica de no necesitar una señal persistentemente
excitante es sin duda una ventaja indiscutible. La última característica negativa con respecto a nuestro esquema
internamente inestable puede superarse en un simple de manera prescribiendo la necesidad de, al menos
temporalmente, "apagar" el estimador justo después se obtiene la estimación precisa de los parámetros. Los
aspectos relacionados con el ruido parecen ser fundamentales. Proponemos a continuación un posible enfoque.
La expresión
is evidently equivalent to the following one:
En general, las señales del numerador y del denominador son señales limitadas exponencialmente, aunque
inestables. Sea G (s) la función de transferencia racional de un filtro de paso bajo estable. Abusar la notación,
podemos escribir
In other words:
Siempre que las señales d (t) yn (t) no se vean afectadas por el ruido aditivo, las expresiones anteriores demuestren
que el valor de la masa inversa es invariante con respecto al filtrado de paso bajo. Si, en el contrario, la medida
de la señal de salida del sistema que alimenta n (t), o la de la entrada señal de alimentación d (t), se ve afectada
por el ruido, el filtrado invariante tiene el efecto de mejorar la Relación señal / ruido en las señales del numerador
y del denominador. El cociente, por tanto, disfruta de una mayor precisión. Nótese que G (s) puede estar
constituido por una cadena de integración pura de ciertos longitud finita.
Consider then the perturbed system
donde 𝜉 (t) y 𝜁 (t) son procesos de ruido de media cero que varían rápidamente. 𝜁 (t) es una entrada de ruido de la
planta y 𝜉 (t) es un ruido de medición. Correspondiendo a la estimación inversa del parámetro de masa,
proponemos entonces lo siguiente filtros que varían en el tiempo, con integración de segundo orden salidas
filtradas de paso bajo:
Establecemos que 𝜉 (t) y 𝜁 (t) sean procesos aleatorios generados por computadora, que consisten respectivamente
en variables aleatorias constantes por partes distribuidas uniformemente en los intervalos [−0.01, 0.01] my [−0,5,
0,5] N de la línea real. La Figura 2.2 muestra el resultado de la modificación de filtrado invariante de nuestro
esquema de estimación de parámetros propuesto anteriormente para la masa arrastrada desconocida. Observamos
que un 𝜖 más grande En este caso se usó el parámetro (𝜖 = 0.2 s) para permitir un cociente confiable que produzca
la masa inversa, una vez que la relación señal-ruido se vuelve importante en el numerador.