Métodos Discretos de

Estimación de Parámetros
ARX
Figueroa Yakary, Gómez Albert.
Representación e identificación de procesos
Barquisimeto, Julio 2016
Modelos Lineales
 Un modelo es lineal si la salida depende linealmente de la entrada y
de los posibles ruidos.
 Se representan por Ecuaciones Diferenciales Ordinarias (EDO) y
Lineales (EDOL).
 La forma general de representar la estructura de un modelo
discreto es:

 Donde q es el operador de retardo y e(t) es un ruido blanco, lo que

significa que es una señal aleatoria idénticamente distribuida, no se
encuentra correlacionada a lo largo del tiempo.
 Su densidad espectral es constante a lo largo de todo el rango de
frecuencia y carece de memoria

Métodos discretos de estimación de parámetros: ARX

Modelos Lineales
 Tanto G(q,θ) como H(q,θ) son funciones de transferencia con
cocientes de polinomios del tipo:

 Donde nk es el numero de retardos en la entrada de periodos de

muestreo

 A partir de la ecuación de y(t) se puede definir una familia de

modelos lineales discretos, entre ellos el Modelo Autoregresivo con
Variables Exógenas (ARX).

Métodos discretos de estimación de parámetros: ARX

Modelo Autoregresivo con Variables
Exógenas ARX
 Los polinomios F(q), D(q), A(q) y C(q) toman el valor de la unidad,
es decir:

 Resultando:

 El modelo ARX esta representado de la forma:

Métodos discretos de estimación de parámetros: ARX

Métodos para ajuste de parámetros
 Errores de predicción o residuos de un modelo
Es la diferencia entre la salida estimada por el modelo y la salida real del
sistema en un determinado instante de tiempo:
ε(t,θ)=y(t)-ye(t, θ)
donde ye(t, θ) es la salida estimada por el modelo en el instante t.
 Regresión lineal
Se dice que una estructura posee regresión lineal cuando la salida estimada
puede expresarse como:
ye(t, θ)=ⱷᵀ(t).θ
donde ⱷᵀ (t) es el vector de regresión y θ el vector de parámetros modelo.
El modelo ARX es un claro ejemplo de estructura con regresión lineal
definiendo:

Métodos discretos de estimación de parámetros: ARX

Métodos para ajuste de parámetros
 Método de mínimos cuadrados (LSE)
Tomando en cuenta los criterios fijados anteriormente, se define la
siguiente función de error:

Existe un valor de θ que minimiza la función anterior y que

constituye la estimación del modelo por mínimos cuadrados:

Para este vector de parámetros, la función de error VN toma su valor

mínimo, siendo este la función de perdidas del modelo estimado.

Métodos discretos de estimación de parámetros: ARX

Ejemplo – Modelo líneal ARX
Utilizando el método de mínimos cuadrados para estimar un modelo
ARX del sistema mostrado.

>> numd=[0.5 -0.3];

>> dend=[1 0.2 0.16 0.24];
>> u=idinput(1000,'PRBS',[0 0.25],[0 50]);
>> e=randn(1000,1);
>> y_sin=dlsim(numd,dend,u);
>> y=y_sin+e;
>> datos=[y u];
>> th_arx=arx(datos,[3 2 2]);
>> present(th_arx)

Métodos discretos de estimación de parámetros: ARX

Ejemplo – Modelo líneal ARX
 Tomando en cuenta la identifiacion del polinomio de tiempo
discreto, como:
A(q)y(t) = B(q)u(t) + e(t)
A(q) = 1 + 0.1889 (-0.00615) q -1 + 0.147 (-0.005715) q -2 + 0.2278 (+-0.005483) q -3
B(q) = 0.4951 (+-0.00204) q -2 - 0.3034 (+-0.002537) q -3
 Estos datos son estimados usando ARX a partir del arreglo de datos
 Loss function 1.11956
 FPE 1.13075
 Sampling interval: 1
 Por tanto el modelo ARX obtenido es:

Métodos discretos de estimación de parámetros: ARX

Modelos No-Lineales
 Los modelos dinámicos son relaciones matemáticas entre las
entradas del sistema u(t) y sus salidas y(t).

 Estas relaciones pueden ser usadas para calcular una salida

cualquiera del sistema basada en entradas y salidas previamente
observadas del mismo.

 La forma general de un modelo en tiempo discreto está dado como:

y(t) = f(u(t - 1), y(t - 1), u(t - 2), y(t - 2), . . .)

 Este modelo se vuelve no-lineal cuando la función f es una función

no-lineal, la cual puede incluir componentes no lineales las cuales se
representan como no-linealidades arbitrarias, tales como switcheos
y/o saturaciones.
Métodos discretos de estimación de parámetros: ARX
¿Cuando aplicar Modelos No-Lineales?
 En la práctica, todos los sistemas son No Lineales y la salida
está representada como una función no lineal de las variables
de entrada. Sin embargo, un modelo lineal por lo general es
suficiente para describir la dinámica del sistema. Es por ello
que, en la mayoría de los casos se debe intentar linealizar el
modelo antes de usar la teoría de modelos no lineales.

 A continuación, se tienen dos escenarios en los cuales es

necesario trabajar con modelos no lineales:
 “El modelo Lineal no es suficientemente bueno”
 “Es sistema físico es inherentemente No Lineal”

Métodos discretos de estimación de parámetros: ARX

Modelos No-Lineales ARX
Auto-Regressive eXogenous

 Los modelos No-Lineales ARX provienen de una extensión de la

estructura de los modelos Lineales ARX, que están representados
como:
y(t) = f(y(t - 1), ..., y(t - na), u(t - nk), ..., u(t -nk -nb + 1))
 Donde la función f depende de un número finito de entradas u y
salidas y previas.
 na es el número de términos de salida pasadas usadas para predecir
la salida actual
 nb es el número de términos de entradas pasadas usadas para
predecir la salida actual.
 nk es el retardo desde la entrada a la salida, especificada como el
número de muestras.
Métodos discretos de estimación de parámetros: ARX
Modelos No-Lineales ARX
 Un modelo SISO ARX posee la siguiente estructura:
y(t)+ a1y(t −1)+· · ·+anay(t −na) = b1u(t −1)+· · ·+bnb u(t −nb)+e(t)
 Esta estructura implica que el valor actual de la salida y(t) es
calculada como una suma ponderada de los valores pasados y
actuales de la salida, y los valores pasados y actuales de la entrada.

 Reescribiendo la ecuación como un producto:

Donde
son entradas retardadas y variables de salidas, llamadas
regresores.

Métodos discretos de estimación de parámetros: ARX

Modelos No-Lineales ARX
 Reescribiendo como polinomios el operador de
desplazamiento regresivo, transformando la estructura en un modelo
de Respuesta de Impulsos Infinitos

 Podemos reescribir la ecuación en forma de función de transferencia

como:
Dónde A(q)y(t) es la parte AutoRegresiva
y B(q)u(t) es la parte eXogena
 Para representarlo en diagrama de bloques como:

Métodos discretos de estimación de parámetros: ARX

Estructura de Modelos No-Lineales ARX
 Este diagrama de bloques representa la estructura de cálculo de un
modelo no lineal ARX:

 Esto nos deja ver que los modelos no lineales ARX calcula las salidas
en dos fases:
 Primero, se calculan los regresores a partir de los valores de entrada
actuales y pasados, y los valores de salida pasados.
 Luego, un bloque estimador de No-linealidad mapea los regresores en el
modelo de salida, usando una combinación de funciones lineales y no-
lineales.

Métodos discretos de estimación de parámetros: ARX

Ejemplo – Estimación de modelo No-Lineal
ARX usando nlarx
Partiendo de un sistema conformado
por dos tanques en serie de áreas de
sección transversal constantes, por
donde fluye un líquido que pasa del
primer tanque al segundo tanque
como se muestra en la figura.

 Prepare los datos para la estimación:

 Estime varios modelos, usando diferentes órdenes de modelos,

retardos, y configuraciones de no-linealidades:

Métodos discretos de estimación de parámetros: ARX

Ejemplo – Estimación de modelo No-Lineal
ARX usando nlarx
 Comparando los modelos resultantes graficando los modelos de
salida con su respectiva salida obtenida:
compare(zv, m1, m2, m3)

Métodos discretos de estimación de parámetros: ARX