Métodos clásicos de identificación de procesos

Métodos de identificación
Desde el punto de vista de procesamiento, la identificación puede ser hecha en
línea con el proceso o bien las medidas efectuadas son guardadas en un archivo y
posteriormente procesadas. Por otro lado, si la identificación en línea se hace
cada periodo de muestreo, tenemos lo que se llama “identificación en tiempo real".
Para el caso de los sistemas adaptativos, estamos interesados en la identificación
en tiempo real, por lo que normalmente utilizaremos la versión recursiva de los
algoritmos. Por todo ello, es interesante disponer de un algoritmo de identificación
que sea adecuado en tiempo de ejecución y convergencia.
Análisis a la respuesta de la señal escalón
Este método consiste en aplicar sobre un sistema en equilibrio, una entrada en
forma de escalón y observar la respuesta de este. Posteriormente se analiza esta
respuesta, obteniendo un polinomio denominado “función de transferencia” que
pretende ser un fiel reflejo del comportamiento del proceso. Básicamente todos los
procesos existentes en la naturaleza pueden clasificarse en dos tipos, sistemas de
primer orden y sistemas de segundo orden.
Estimación de los parámetros del modelo de primer orden
La respuesta típica de estos sistemas no presenta sobreoscilación, esto quiere
decir que nunca llegan al valor exacto de la consigna y por lo tanto, son sistemas
relativamente lentos. Por ejemplo: el calentamiento de un horno.

La función de transferencia de un sistema de 1er orden es la siguiente.

El valor de la constante de tiempo se obtiene sobre la gráfica, para ello se observa

de tiempo correspondiente a un valor del 63% Δy . Normalmente se trabaja con un
factor denominado tiempo de establecimiento, que suele estar comprendido entre
un 95 – 98 %. Este factor determina el tiempo en el cual la respuesta se estabiliza
entre los límites indicados a ese porcentaje.
Estimación de los parámetros del modelo de segundo orden
sobreamortiguados
Los sistemas sobreamortiguados se dan cuando z es mayor que uno, la curva que
representa a estos tipos de sistemas es también una sigmoide como en el caso
anterior, pero todas las curvas que pueden seguir los sistemas sobreamortiguados
están por debajo de la que sigue uno críticamente amortiguado con lo que
podemos deducir que es más lento que el caso frontera.
Los sistemas de segundo orden, tal y como su nombre indica, se pueden describir
mediante una ecuación diferencial normalizada de segundo orden del tipo:

donde y(t) y u(t) son la salida y la entrada del sistema respectivamente.

Estimación de los parámetros del modelo de segundo orden
subamortiguados
Este tipo de respuestas presentan sobreoscilacion y un periodo transitorio con
oscilación.
La mayoría de los sistemas industriales se comportan como un sistema de este
tipo, en el cual posteriormente el control pretende limitar parámetros como la
sobreoscilacion, tiempo de establecimiento y error en régimen permanente.
La función de transferencia de un sistema de 2º orden estándar es la siguiente.

Los parámetros que definen este tipo de respuesta son:

Equivalentes discretizados de modelos de primero y segundo orden

En matemáticas aplicadas, la discretización es el proceso de transferir funciones
continuas, modelos, variables y ecuaciones a contrapartes discretas. Este proceso
generalmente se lleva a cabo como un primer paso para hacerlos adecuados para
la evaluación numérica y la implementación en computadoras digitales
Discretización de la ecuación diferencial de primer orden

Se sustituye en la ecuación anterior t=kT para k = 0, 1, 2 ...

Se despeja dy/dt para obtener:

Se aproxima la derivada por el método de Euler para una función y(t) continua.

La cual es una buena aproximación si el periodo T es pequeño:

Se multiplica a ambos lados por T y se simplifica el resultado escribiendo

únicamente k en lugar de kT:

Se obtiene:

Se sustituye una vez más k-1 en k:

Modelos convolutivos

Intuitivamente podemos mirar a la convolución de dos funciones f(x)  y g(z) como

la función resultante que aparece después de efectuar los siguientes pasos: a)
girar respecto del origen los valores de una de ellas, es decir g(z) = g(-z) para
todo z desde -∞ a ∞, b) ir trasladando la función girada sobre la otra f(z) g(x-z) , y
c) en cada punto x calculamos el valor que resulta de sumar los productos
obtenidos de multiplicar para todos los z los correspondiente valores de las
funciones f(z) y g(x-z) . En esencia estamos calculando para cada valor de x una
especie de valor ponderado de una de las funciones f(x) con los valores de la
otra g(x). En el caso de que el área encerrada por la curva de g(x) fuese
igual 1 entonces estaríamos calculando para x una media ponderada.
Matemáticamente la expresión para esta operación es:

Funciones de autocorrelación y correlación cruzada

Frecuentemente en el procesado digital de señales se necesita cuantificar el grado
de interdependencia entre dos procesos o la similitud entre dos señales x1[n] y
x2[n]. En otras palabras, determinar la correlación existente entre dos procesos o
señales. De entre los variados campos de aplicación, vamos a centrar nuestra
atención en la detección e identificación de señales.
Descripción de la correlación. Consideremos la necesidad de comparar dos
señales x1[n] y x2[n] de la misma longitud N. Una medida de la correlación
existente entre ambas señales puede efectuarse mediante la suma de los
productos de los correspondientes pares de puntos mediante la expresión
conocida como correlación cruzada:

Un resultado negativo en c12 indica una correlación negativa, es decir un

incremento en una variable se asocia con un decremento en la otra.
La anterior definición de la correlación cruzada produce un resultado que depende
del número de muestras. Una definición alternativa es:

La cual promedia la suma de productos entre el número N de elementos.

Identificación mediante señales que se aproximan al ruido blanco

El ruido blanco o sonido blanco es una señal aleatoria (proceso estocástico) que
se caracteriza por el hecho de que sus valores de señal en dos tiempos diferentes
no guardan correlación estadística. Como consecuencia de ello, su densidad
espectral de potencia (PSD, siglas en inglés de power spectral density) es una
constante, es decir, su gráfica es plana. Esto significa que la señal contiene todas
las frecuencias y todas ellas muestran la misma potencia. Igual fenómeno ocurre
con la luz blanca, de allí la denominación.
Es un ruido aleatorio que posee la misma densidad espectral de potencia a lo
largo de toda la banda de frecuencias. Dado que la luz blanca es aquella que
contiene todas las frecuencias del espectro visible, el ruido blanco deriva su
nombre de contener también todas las frecuencias, pero de sonido.
El ruido blanco es una señal no correlativa, es decir, en el eje del tiempo la señal
toma valores sin ninguna relación unos con otros. Cuando se dice que tiene una
densidad espectral de potencia plana, con un ancho de banda teóricamente
infinito, es que, en una gráfica espectral de frecuencia tras haber realizado una
descomposición espectral de Fourier, en el dominio de la frecuencia veríamos
todas los componentes con la misma amplitud, haciendo el efecto de una línea
continua paralela al eje horizontal.
Identificación de la función de transferencia de un sistema mediante el uso
de la transformada rápida de Fourier
El análisis de Fourier juega un papel central en el tratamiento de señales, su
contexto inicial para el estudio de la disipación del calor en un medio sólido, pronto
lo llevaron al desarrollo de soluciones para la ecuación de Laplace y la ecuación
de Onda. Algunas señales muestran componentes periódicos que se repiten a
intervalos fijos; estos son estudiados convenientemente por el análisis armónico
basado en la serie de Fourier. Para el estudio en Ciencias de la Tierra es evidente
que señales de esta naturaleza son solo ideales, pues no es común encontrar
señales estacionarias, de manera que, al utilizar la serie y transformada de Fourier
debemos de tener en mente todas las consideraciones necesarias para no generar
resultados o interpretaciones erróneos.
La implementación de la transformada de Fourier involucra NxN multiplicaciones y
sumas complejas; para cada uno de los N valores de k es necesaria N
multiplicaciones por x(n) y N-1.

El algoritmo de Transformada Rápida de Fourier (FFT por sus siglas en inglés)

permite reducir el número de operaciones en Nlog 2N, basándose en las
propiedades de separabilidad, simetría y periodicidad se elimina información
redundante; podemos calcular la transformada de Fourier de dos variables por la
aplicación sucesiva de la trasformada de Fourier de una variable.