Identificación de sistemas basado en el algoritmo de optimización de
enjambre de partículas
Urdinola P. Daniel Felipe durdinolap@unal.edu.co
Correa Q. Laura Carolina lcorreaq@unal.edu.co
Marulanda G. Luis Felipe
Departamento de Energía Eléctrica y Automática, Universidad Nacional de Colombia, Sede Medellín
Abstract - When identifying systems, there are several
methods for modeling the dynamics that describe the output
obtained. These methods are currently good, using basic
mathematical models. With this what is achieved is a good
performance, but it is not optimal enough, for this reason
we present a new model that by means of algorithms
optimizes the identification process. In addition, by
comparing various methods we can verify their correct
operation and efficiency.
Keywords - Systems, algorithms, models, sub model, meta-
models, identification, signal output.
I. INTRODUCCION
L a identificación de sistemas es poder obtener un sistema
equivalente al identificado a partir de datos de entrada y de
salida. Como es de esperarse, al ser la identificación de sistemas
relativamente nueva pero bien desarrollada, en algunas
ocasiones tiene muchas limitaciones, en especial, cuando la
estructura y los parámetros son completamente desconocidos.
Por tal razón, en este documento se tratará sobre un nuevo
método para identificar el modelo del sistema basado en
modelos típicos de datos de muestra, lo que lo convierte en un
problema de optimización combinatoria.
II. OBJETIVOS
El objetivo del análisis de caso es investigar acerca de un
mejor modelo de identificación de sistemas en donde el
modelo matemático es desconocido, luego, evidenciar la
importancia de la identificación de en un proceso dinámico
solo con su entrada y salida. Comparar y evaluar el método
propuesto con lo ya existentes, para poder ver si hay una
mejora en el método de identificación. Por último, analizar e
investigar acerca del control e identificación de sistemas en
Colombia
III. DESARROLLO DEL TRABAJO
A. Explicación del método
Uno de los inconvenientes de la identificación de sistemas es
1
lmarulandag@unal.edu.co
seleccionar entre tantos submodelos, una combinación que
pueda ajustarse de manera óptima a los datos de la muestra, de
tal forma, que se pueda determinar de mejor manera los
parámetros del sistema.
El propósito de la identificación de sistemas es que, con una
serie de datos de muestra, averiguar las variables que influyen
en la salida del sistema y cómo influyen al interior del sistema.
La selección del metamodelo juega un papel decisivo en la
identificación del sistema, por lo que, se seleccionan los
siguientes metamodelos típicos:
1) Modelo lineal 𝑦 = 𝑏𝑥.
2) Modelo de función exponencial 𝑦 = 𝑢𝑛𝑒 𝑏∗𝑥 .
𝑏
3) Modelo de función exponencial negativa 𝑦 = 𝑢𝑛𝑒 𝑥 .
4) Modelo de función de potencia 𝑦 = 𝑢𝑛𝑥 𝑏 .
5) Modelo de función logarítmica 𝑦 = 𝑎 ln(𝑏 + 𝑥).
𝑥
6) Modelo Gompertz 𝑦 = 𝑘𝑎 𝑏 .
7)
8)
Modelo de función periódica 𝑦 = 𝑎 sin(𝑏 + 𝑐 ∗ 𝑥).
Modelo de función hiperbólica 𝑦 =
𝑎
.
𝑏+𝑥
1
9) Modelo de patrón S 𝑦 = .
𝑎+𝑏𝑒 −𝑐∗𝑥
1
10) Modelo logístico 𝑦 = .
𝑎+𝑏𝑒 𝑥
11) Función de producción de CobbDouglas.
El algoritmo básico de optimización de enjambre de partículas
BPSO es un algoritmo de optimización aleatoria global,
donde, cada solución del problema de optimización
corresponde a una “partícula”. Todas las partículas tienen una
aptitud determinada por la función optimizada, mientras que,
cada partícula tiene su propia velocidad para determinar la
dirección de vuelo y la distancia. PSO se inicializa primero
con un enjambre de partículas aleatorias (soluciones
aleatorias), y siguiendo la partícula óptima actual, todas las
partículas buscan en el espacio de la solución hasta que se
llega a la solución óptima. En cada interacción, la partícula se
actualiza buscando dos “extremidades”: la primera es la
solución óptima que se buscaba hasta ahora, y se llama
extremidad p individual; la segunda es la solución óptima que
todo el enjambre de partículas ha buscado hasta ahora, y se
llama extremó global g.
Una vez encontrados estos valores óptimos, la partícula
actualiza su propia velocidad y posición respectivamente, de
acuerdo con las siguientes fórmulas:
 𝑣𝑖𝑗 (𝑡 + 1) = 𝑣𝑖𝑗 (𝑡) + 𝑐1𝑟1 (𝑝𝑖𝑗 − 𝑥𝑖𝑗 (𝑡)) + 𝑐2𝑟2(𝑔𝑗 − 𝑥𝑖𝑗 (𝑡)) (1) éxito el algoritmo PSO para la identificación del sistema, es
𝑥𝑖𝑗 (𝑡 + 1) = 𝑥𝑖𝑗 (𝑡) + 𝑣𝑖𝑗 (𝑡 + 1) (2) crucial realizar la codificación de partículas y establecer una
función de aptitud adecuada. El propósito de identificar los
sistemas es ofrecer un modelo que pueda ajustarse muy bien a
Pero en la práctica, este algoritmo BASO es propenso a los datos de muestra, lo que significa hacer que la salida
producir problemas tales como convergencia prematura y poca calculada del sistema se acerque a la salida real lo más que se
capacidad de optimización local, por lo tanto, se han realizado pueda. Entre más cercanos ambos valores, mejor será el efecto
una serie de mejoras para este algoritmo. Se incluye el peso de de ajuste. La siguiente función de criterio puede tomarse como
inercia W para el término de velocidad en la fórmula (1). función de aptitud:
𝑣𝑖𝑗 (𝑡 + 1) = 𝑾𝑣𝑖𝑗 (𝑡) + 𝑐1𝑟1 (𝑝𝑖𝑗 − 𝑥𝑖𝑗 (𝑡)) + 𝑐2𝑟2(𝑔𝑗 − 𝑥𝑖𝑗 (𝑡)) (3) 𝑛
Luego, se presentó el concepto de “tasa de cambio de la
distancia de enfoque”, donde se expresa el peso de inercia W 𝑓 = √∑(𝑦𝑚𝑘 − 𝑦𝑘 )2 (8)
𝑘=1
en (3) como la función de la tasa de cambio de la distancia de
enfoque, lo que permite que el algoritmo sea de Donde 𝑦𝑚𝑘 es la salida calculada del sistema y 𝑦𝑘 es la salida
autoadaptibilidad dinámica. Dicha tasa de cambio se define real del sistema
como:
𝑀𝑎𝑥𝐷𝑖𝑠𝑡 − 𝑀𝑒𝑎𝑛𝐷𝑖𝑠𝑡
𝑘= (4) C. Ejemplo de solución con el método
𝑀𝑎𝑥𝐷𝑖𝑠𝑡
Donde: Se realizó un experimento en simulación para verificar el
(5) rendimiento y la eficiencia del algoritmo propuesto. Todos los
(∑𝑁 𝑁
𝑖=1 √∑𝑗=𝑖(𝑔𝑗 − 𝑝𝑖𝑗 ) )
2
códigos se realizan mediante programación en Matlab, donde
𝑀𝑒𝑎𝑛𝐷𝑖𝑠𝑡 = se ingresar los siguientes datos: Número de partículas N=15,
𝑁
(6) los parámetros 𝑐1 = 𝑐2 = 2 Y las máximas generaciones
𝐷
truncadas son 1000.
𝑀𝑎𝑥𝐷𝑖𝑠𝑡 = 𝑚𝑎𝑥𝑖=1,2,…,𝑁 (√∑(𝑔𝑗 − 𝑝𝑖𝑗 )2 ) Para facilitar la comparación se utiliza el siguiente modelo:
𝑗=1 1
𝑦 = 25 +
0.02 + 10𝑒 −0.25𝑥
+ 5 sin(3 + 0.5𝑥) + 2 sin(1.5 + 𝑥) (9)
Donde N es el número de partículas y D es la dimensión de se generan 30 grupos de datos de muestra de acuerdo con la
cada partícula. Se proporciona una función auto adaptativa en fórmula (9). Supongamos que se desconoce la estructura del
la que el peso de inercia no lineal está disminuyendo, modelo entonces, podemos seleccionar todos los metamodelos
utilizando la tasa de cambio de la distancia de enfoque. proporcionados anteriormente para realizar la identificación
|𝑟| del sistema. Después de utilizar los algoritmos BPSO e IPSO
(𝛼1 + ) |ln 𝑘|, |𝑘| > 1 para realizar múltiples tiempos de simulación, se seleccionan
2
|𝑟| los mejores resultados, como se muestra a continuación.
𝑤 = 𝛼1 𝛼2 + , 0.05 ≤ |𝑘| ≤ 1 (7) Tabla 1. Error cuadrático medio de varios métodos
2
|𝑟| 1
(𝛼2 + ) , |𝑘| < 0.05
{ 2 |ln 𝑘|
Donde, 𝛼1 = 0.3, 𝛼2 = 0.2 y r es un número aleatorio dentro
del intervalo [0,1]. Cómo es autor activo, el valor de W se
selecciona aleatoriamente para hacer W autoadactativamente
ajustado de acuerdo con la tasa de cambio de la distancia de Tomado de [1].
enfoque. Utilizando las fórmulas (2), (3), (4) y (7) se obtendrá
un nuevo algoritmo mejorado de optimización del enjambre de
partículas (IPSO). En este caso, el algoritmo IPSO se utilizará
para resolver el problema de identificación del sistema.
B. Clase de problemas a resolver por el método y formas
actuales de solución
Los métodos para la identificación de sistemas expuestos en
este documento se pueden dividir en los problemas de la
selección del submodelo (Estructura del sistema) y la
identificación de los parámetros del modelo. No existe un
método convencional para la identificación de parámetros para
la estructura de un grupo seleccionado de modelos
matemáticos desconocidos. Este problema de identificar
parámetros pertenece al problema de la optimización, es decir,
la selección de varios submodelos que puedan ajustarse a los
datos de la muestra de manera óptima pertenece a un tipo de
problema de optimización combinatoria. Para utilizar con Figura 1. Resultado de la identificación de sistemas

2
Tomado de [1].
El error cuadrático medio y las desviaciones máximas de
varios métodos se muestran en la Tabla 1, y los resultados de
ajuste de los algoritmos se muestran en la Figura 1. Los
resultados de la simulación han demostrado que el algoritmo
PSO puede identificar la estructura del sistema y adquirir los
parámetros ideales del modelo, por otro lado, los resultados
obtenidos por el algoritmo IPSO son mejores que los
obtenidos por el algoritmo BPSO.
Sobre la base de 30 grupos de datos de muestra generados, se
generará una cantidad de perturbaciones aleatorias con una
probabilidad de ±10%, que se superpondrá a los datos de
muestra. Los mejores resultados de identificación son:
Tabla 2. Error cuadrático medio de varios métodos con
perturbaciones random
Tomado de [1].
Figura 2. Resultados de la identificación de sistemas con
perturbaciones random.
Tomado de [1].
El error cuadrático medio y las desviaciones máximas de
varios métodos se muestran en la Tabla 2, y los resultados de
ajuste de los algoritmos se muestran en la Figura 2. Se puede
ver en la Figura 2 que las perturbaciones influyen sobre la
capacidad de resolución del algoritmo y los resultados del
modelo para la identificación. Sin embargo, el algoritmo IPSO
propuesto puede identificar idealmente la estructura del
sistema y los parámetros del modelo. Comparando la Figura 1
y la Figura 2, no hay una gran diferencia entre el modelo sin
perturbaciones y con perturbación.
Por lo tanto, se puede observar que se logra una mejora
significativa entre el algoritmo BPSO y el IPSO, el cual era
uno de los objetivos del trabajo.
3
D. Problemas potenciales en Colombia
En el desarrollo tecnológico de Colombia se posee un atraso
en la investigación de nuevas tecnologías para optimizar el
trabajo de los ingenieros. En muchas áreas se utiliza la
identificación de sistemas a base de muestra de datos y se
recurre a la utilización de herramientas convencionales para su
análisis, no hay una aplicación directa de la optimización de
procesos aplicados a grandes empresas.
Un ejemplo de esto es la identificación de sistemas de
regulación de velocidad, temperatura, presión y flujo, lo cuales
utilizan un sistema de control PID (Proporcional Integral
Derivativo). Por consiguiente y en la aplicación de la
optimización de este sistema en específico se realizó un
estudio por parte de Jhon Ramírez y Norha Posada [2], donde
se muestra una nueva herramienta llamada Digitrol, el cual
modela toda la dinámica del sistema gracias a la aplicación de
diferentes entradas.
Este proceso es muy parecido a las herramientas que se tienen
a la mano para la identificación de sistemas. Esta herramienta
que parece ser de gran utilidad ya que su interfaz dice ser
sencillo de manejar puede resultar costoso su funcionamiento,
ya que necesita muchas entradas para el modelado.
Para mejorar este proceso, se podría utilizar el método
mencionado en este artículo debido a que su eficacia es mayor,
su costo menor y se obtendría una mejor optimización de un
sistema de esta índole en Colombia. Todo esto es gracias al
uso de algoritmos IPSO, entonces debería ser usado en la
mayoría de los procesos como herramienta central.
E. Relación del método con otras áreas de la ingeniería de
control
Los ingenieros de control poseen muchos retos en el mercado
laborar, donde la demanda que se tiene es la optimización de
los procesos y esto es una pieza clave para el desarrollo
industrial en Colombia. Conociendo esto, el método de
algoritmo de optimización por enjambre de partículas es
aplicable a muchas áreas de control debido a su simplicidad y
eficacia.
Las áreas de control de sistemas mecánicos pueden ser aptos
para este modelo, debido a que puede identificar sistemas de
temperatura, flujos, velocidad de producción, entre otras
variables de un proceso general.
Con el fin de expandir la aplicabilidad del método, se puede
usar en control de costos, operaciones, desperdicios y
conservación; debido a que para realizar el método sólo se
necesita la muestra del funcionamiento del proceso donde
estén las entradas y correspondientes salidas.
Como lo confirma Santiago Garrido [3], los métodos de
identificación de sistemas podrán integrarse a la robótica
debido a que su eficiencia puede ser usada en sistemas de
localización para la navegación de robots móviles en entornos
interiores semiestructurados.
Se puede concluir con esto, que los métodos de identificación
de sistemas resultan inherentes a la hora de estudiar y evaluar
el funcionamiento de un sistema.
 IV. MAPA CONCEPTUAL IMPLEMENTACIÓN DE CONTROLADORES PID-
DIGITROL,” 2016.
[3] S. Garrido Directores and L. Moreno Carlos Balaguer,
“Identificación, Estimación y Control de Sistemas No-
lineales mediante RGO,” 1999.

Figura 3. Mapa conceptual del método

V. CONCLUSIONES

• Al comparar los métodos BPSO e IPSO se demuestra que el

segundo método se ajusta mejor a los datos de muestreo y
además arroja una mejor aproximación a las dinámicas
internas del sistema cuando hay presencia de
perturbaciones.
• Para que el porcentaje de ajuste de la aproximación obtenida
con el método BPSO sea satisfactoria se necesita realizar
una adecuada determinación de la función de aptitud.

• En vista de la gran variedad de métodos que existen para la

identificación de sistemas se deben tener en cuenta las
características de la planta a la hora de modelar sus
dinámicas internas ya que esto permitirá obtener un modelo
más óptimo y cercano al real.

VI. REFERENCIAS

[1] X. Deng, “System identification based on particle

swarm optimization algorithm,” in CIS 2009 - 2009
International Conference on Computational
Intelligence and Security, 2009, vol. 1, pp. 259–263.
doi: 10.1109/CIS.2009.167.
[2] J. Alexander, R. Urrego, N. Ligia, and P. Restrepo,
“APLICACIÓN DE DISEÑO, SIMULACIÓN,
IDENTIFICACIÓN DE SISTEMAS E