Identif Icac I On

También podría gustarte

Está en la página 1de 57

Saltar a la primera

pgina
GRUPO DE
INVESTIGACION EN
CONTROL
INDUSTRIAL
LINEA DE INVESTIGACION EN
CONTROL DE PROCESOS
Profesores: Edinson Franco Meja
y Jess A. Gonzlez
http://eiee.univalle.edu.co/~gici
Saltar a la primera
pgina
Por que identificar?
Saltar a la primera
pgina
http://eiee.univalle.edu.co/~gici
Un modelo representa tres tipos de
conocimiento
Estructura (Ecuaciones, diagramas de
bloque o de flujo, conexin de matrices,
etc.)
Valores de parmetros
Valores de los estados en cierto instante o
como funciones de tiempo.

Saltar a la primera
pgina
Esquema general de la
identificacin
PROCESO
Algoritmo de Identificacin
Modelo Matemtico
Entradas Salidas
Saltar a la primera
pgina
Elementos de la
Identificacin
Experimento

Clases de modelos

Criterios
Saltar a la primera
pgina
Representaciones
No Paramtricas
ej. : respuesta al impulso, respuesta de
frecuencia, respuesta al escaln.
Paramtricas
ej. : funcin de transferencia, ecuacin
diferencial o ecuacin de diferencias.

Saltar a la primera
pgina
Metodologa de la Identificacin
Planificacin experimental
Seleccin de la estructura de modelos
Formulacin de un criterio
Estimacin de parmetros
Validacin del modelo obtenido
Saltar a la primera
pgina
Metodologa de la Identificacin
Saltar a la primera
pgina
Preparacin del
experimento
Protocolo de la toma de datos :
la entrada debe reunir las siguientes caractersticas:
Tener un valor DC conocido para ubicar el proceso en un
adecuado punto de funcionamiento.
Ser limitada en amplitud, para no sacar el proceso de su
punto de funcionamiento.
Ser rica en contenido frecuencial.

Saltar a la primera
pgina
Secuencia binaria
pseudoaleatoria (SBPA).

S
1
S
i
S
j
S
N
Suma mdulo 2
La longitud mxima de una secuencia es 2
N
-1
Saltar a la primera
pgina
Secuencia binaria
pseudoaleatoria (SBPA).

n Bits a operar Longitud
2 1 y 2 3
3 2 y 3 7
4 3 y 4 15
5 3 y 5 31
6 5 y 6 63
7 6 y 7 4 y 7 127
8 2,3,4 y 8 255
Tabla No. 1
Saltar a la primera
pgina
Secuencia binaria
pseudoaleatoria (SBPA).

La magnitud de la SBPA es un aspecto importantsimo,
valores muy grandes pueden perturbar demasiado al
proceso, sacndolo de su punto de funcionamiento,
mientras valores muy pequeos producen efectos sobre la
salida que pueden ser ocultados por el ruido, segn las
pruebas efectuadas esta magnitud puede ser entre el 10% y
20%, dependiendo de la relacin seal / ruido presente en
cada proceso.

Saltar a la primera
pgina
(SBPA)

La magnitud de la SBPA es un aspecto importantsimo,
valores muy grandes pueden perturbar demasiado al
proceso, sacndolo de su punto de funcionamiento,
mientras valores muy pequeos producen efectos sobre la
salida que pueden ser ocultados por el ruido, segn las
pruebas efectuadas esta magnitud puede ser entre el 10% y
20%, dependiendo de la relacin seal / ruido presente en
cada proceso.

Amplitud de la secuencia
Saltar a la primera
pgina
(SBPA)

Para fines prcticos se selecciona como frecuencia de reloj
para la SBPA. un mltiplo de la frecuencia de muestreo
Frecuencia de la secuencia
f
fe
p
p
SBPA
= = ; , , ,....... 1 2 3
Se recomienda escoger .
p s 4
Saltar a la primera
pgina
(SBPA)

Se recomienda que sea tal que se pueda:
Realizar una identificacin bsica con la primera tercera
parte de los datos.
Con el segundo tercio, realizar la identificacin.
Con la ltima parte realizar una validacin de la
identificacin.
Longitud de la toma de datos
Saltar a la primera
pgina
Preprocesamiento bsico
de los datos

Se debe remover las tendencias de la seal.
Si la toma de datos fue realizada a un alta rata de
muestreo, hay que considerar la posibilidad de hacer un
filtrado de los datos, considerese que puede haber efectos
de solapamiento de datos. Lo mas complicado es detectar si
existen seales de ruido indeseables que deban ser filtradas
en el preprocesamiento.
Saltar a la primera
pgina
IDENTIFICACION OFF-LINE

ESTIMACION DE LOS PARAMETROS DE
UN MODELO EN TIEMPO DISCRETO A
PARTIR DE DATOS DE ENTRADA-
SALIDA LIBRES DE RUIDO

Saltar a la primera
pgina
IDENTIFICACION OFF-LINE
( )
H z
a a z a z
b z b z
m
m
m
m
=
+ + +
+ + +

0 1
1
1
1
1
..
...
H ( z ) U k Y k
z e
st
= T = Periodo de muestreo
( )
x k a u b x i
i
m
k i i k i
i
n
=
=

=

0
1
. .
( )
x x iT i i
( )
u u iT i
Saltar a la primera
pgina
IDENTIFICACION OFF-LINE
U U U U X X X
U U U U X X X
U U U U X X X
a
a
a
a
b
b
b
k
k k k k m
k p k p k p k p m
o
m
n
k k k m k k k n
k k k n
k p k p k p n

+
+ + +


(
(
(
(
-
+ +
+ + + +
1 2 1 2
1 1
2 3 1
1 1 1
1 2 3 1
1
2
1
2
... ...
...

(
(
(
(
(
(
(
(
(
(
(
(
=

(
(
(
(
+
+
x
x
x
k
k
k p
1
1

Saltar a la primera
pgina
IDENTIFICACION OFF-LINE
' =


(
(
(
(

+
+ + +
+ +
+ + + +
A
U U U U X X X
U U U U X X X
U U U U X X X
K
k
k k k k m
k p k p k p k p m
k k k m k k k n
k k k n
k p k p k p n
1 2 1 2
1 1
2 3 1
1 1 1
1 2 3 1
... ...
...


p : Nmero de datos o muestras tomadas
( )
u = '

A x k k
1
Para realizar la estimacin se debe coleccionar p=m+n+1
datos y se debe cumplir que det[Ak] diferente de cero
Saltar a la primera
pgina
Representacin de Sistemas
Dinmicos en el dominio del
tiempo
Esquema General
para sistemas LTI
( ) ( ) ( ) ( ) ( ) kT e q H kT u q G kT y u u , ,
1 1
+ =
Caso general
( ) ( )
( )
( )
( )
( )
( )
( ) k e
q D
q C
k u
q F
q B
q y q A + =
Saltar a la primera
pgina
Representacin de Sistemas LTI
Donde ( )

=

+ = + + + + =
na
i
i
i
n
n
q a q a q a q a q A
a
a
1
2
2
1
1
1 .... 1
( )
i
nb
i
i
n
n
q b q b q b q b q B
b
b

=

= + + + =
1
2
2
1
1
....
( )
i
nc
i
i
n
n
q c q c q c q c q C
c
c

=

+ = + + + + =
1
2
2
1
1
1 .... 1
( )
i
nd
i
i
n
n
q d q d q d q d q D
d
d

=

+ = + + + + =
1
2
2
1
1
1 .... 1
( )
i
nf
i
i
n
n
q f q f q f q f q F
f
f

=

+ = + + + + =
1
2
2
1
1
1 .... 1
Saltar a la primera
pgina
Representacin...-casos
particulares- Estructuras
Modelo FIR (Respuesta al impulso Finita)
( ) 1 ) , ( ) , ( ) ( ) (
1 1
= = = = =

u u q H q F q D q C q A
Donde:
y
G(q)=B(q)
( ) ( ) ( ) ( ) k e k u q B k y + =
Saltar a la primera
pgina
Representacin...-casos
particulares- Estructuras
Modelo OE (Output Error)
( )
( )
( ) ( ) k e k u
q F
q B
k y + =
) (
Donde:
y
G(q)=B(q)/F(q)
( ) 1 ) , ( ) ( ) (
1
= = = =

u q H q D q C q A
Saltar a la primera
pgina
Representacin...-casos
particulares- Estructuras
Modelo BJ (Box Jenkins)
Donde:
y
1 ) ( = q A
( )
( )
( )
( )
( )
( )
( ) k e
q D
q C
k u
q F
q B
k y + =
) ( ) ( q H q G =
(no tienen parmetros comunes)
Saltar a la primera
pgina
Representacin...-casos
particulares- Estructuras
Modelo ARMAX
(Auto Regressive Moving Average)
Donde:
1 ) ( ) ( = = q F q D
( )
( )
( )
( )
( )
( )
( ) k e
q A
q C
k u
q A
q B
k y + =
Saltar a la primera
pgina
Representacin...-casos
particulares- Estructuras
Modelo ARX
(AutoRegressive with eXternal input)
Donde: 1 ) ( ) ( ) ( = = = q F q D q C
( )
( )
( )
( )
( )
( ) k e
q A
k u
q A
q B
k y
1
+ =
Saltar a la primera
pgina
IDENTIFICACION POR MINIMOS
CUADRADOS
Mnimos Cuadrados Lineales
y dada la estructura del modelo, pero con parmetros
desconocidos, se debe encontrar el que minimiza :
El problema: Dado un conjunto de N pares de medidas de
entrada salida,


N
k u k y )} ( ), ( {
^
N
u
( ) ( )

=
=
N
k
N
k e
N
J
1
2
,
1
u u
Saltar a la primera
pgina
Mnimos Cuadrados Lineales
( ) u u
u
N
D
N
J min
u
e
= arg
^
Vector de parmetros estimados
( ) ( )u | u k k y
T
= ,
^
Modelo de regresin lineal para FIR y ARX
( ) ( ) ( ) | |
2
1
1

=
=
N
k
T
N
k k y
N
J u | u
Para modelos de regresin lineal
( ) ( ) ( ) | | 0
2
1
=

=
c
c

=
N
k
T N
k k y k
N
J
u | |
u
La solucin ptima
( ) ( ) | | ( ) ( ) ( ) | | u | | u |
u
k k y k k k y
T T
=
c
c
2
2
El termino interno de la
sumatoria
Saltar a la primera
pgina
Mnimos Cuadrados Lineales
( ) ( ) ( ) ( )

=

=
(
(

=
N
k
T
N
k
N
k y k
N
k k
N
1
1
1
^
1 1
| | | u
La solucin optima podr ser calculada siempre y cuando el factor sea invertible
( ) ( ) ( ) | | 0
2
1
=

=
c
c

=
N
k
T N
k k y k
N
J
u | |
u
( ) ( ) ( ) ( )

= =
=
(
(

N
k
T
N
k
k y k
N
k k
N
1 1
1 1
| u | |
( ) ( ) ( ) ( )

= =
=
(
(

N
k
N
T
N
k
k y k
N
k k
N
1
^
1
1 1
| u | |
Saltar a la primera
pgina
Anlisis de la estimacin con Mnimos
Cuadrados Lineales
La solucin optima podr ser calculada siempre y cuando el factor sea invertible
Supongase un sistema real dado por:
( ) ( ) ( ) k v k k y
T
0 0
+ = u |
( ) ( ) ( ) ( ) ( ) | |

=

=
+
(
(

=
N
k
T T
N
k
N
k v k k
N
k k
N
1
0 0
1
1
^
1 1
u | | | | u
( ) ( ) ( ) ( ) ( ) ( )
(
(

+
(
(

=

= =

=
N
k
N
k
T T
N
k
N
k v k
N
k k
N
k k
N
1 1
0 0
1
1
^
1 1 1
| u | | | | u
( ) ( ) ( ) ( )
(
(

(
(

+ =

=

=
N
k
T
N
k
N
k v k
N
k k
N
1
0
1
1
0
^
1 1
| | | u u
Saltar a la primera
pgina
Anlisis de la estimacin con Mnimos
Cuadrados Lineales
La ecuacin solo es vlida cuando se conoce de modo exacto
la estructura del modelo
Donde:
| | ( ) ( )
(
(

+ =

=

N
k
d
N
k v k
N
R
1
0
1
0
^
1
| u u
|
Matriz de covarianza del
vector de regresin
( ) ( ) k k
N
R
T
N
k
d
| |
|

=
=
1
1
d es la cantidad de parmetros a estimar
R es una matriz de covarianza cuadrada dxd
Saltar a la primera
pgina
Anlisis de la estimacin con Mnimos
Cuadrados Lineales
Para estimacin exacta debe cumplirse que:
1- sea una matriz invertible, esto se logra usando
excitacin u(k) con persistencia de orden n.
d
R
|
2- ( ) ( ) 0
1
1
0
=

=
N
k
k v k
N
|
Para N
( ) ( ) )} ( ) ( {
1
1
0
k v k E k v k
N
o
N
k
| | =

=
Donde E{.}=0 si se cumple al menos una de las dos
condiciones siguientes:
Saltar a la primera
pgina
Anlisis de la estimacin con Mnimos
Cuadrados Lineales
Donde E{.}=0 si se cumple al menos una de las dos
condiciones siguientes:

i) Si v
o
(k) es una secuencia de variables aleatorias inde-
pendientes con media cero, su valor no depender de lo
que pase antes del instante t = k. Y por tanto
ya que solo contiene informacin de u(l) y y(l) hasta el
instante .


0 )} ( ) ( { = k v k E
o
|
. 1 s k l
Saltar a la primera
pgina
Anlisis de la estimacin con Mnimos
Cuadrados Lineales
Donde E{.}=0 si se cumple al menos una de las dos
condiciones siguientes:

ii) solo contenga valores de u(k), y(k) y v
o
(k) que
sean estadsticamente independientes

) (k |
Saltar a la primera
pgina
Mnimos Cuadrados Pseudo-Lineales
Para el caso de las estructuras ARMAX, OE y BJ los modelos
de regresin no son lineales en :

El clculo de no puede hacerse derivando e
igualando a cero a porque el vector de regresin
tambin es funcin de :

N
u

( ) ( )u u | u , ,
^
k k y
T
=
u
) (u
N
J
) , ( u | k
u
( ) ( ) ( ) | |
2
1
,
1

=
=
N
k
T
N
k k y
N
J u u | u
La estimacin se realiza mediante algoritmos de optimizacin
basados en mtodos numricos
Saltar a la primera
pgina
Algritmo de los Mnimos Cuadrados
y =(y
1
, ...., y
N
)
T
: conjunto de N medidas
: valores calculados a partir de u mediante
el modelo adoptado para el sistema.
( )

=
= =
N
i
i i
y y y y J
1
2
2

( )
T
N
y y y

,...,

1
=
Problema: Determinar un vector u de d parmetros
(constantes en el tiempo) utilizando una serie de N
medidas y
T
= (y
1
, ...., y
N
) sobre la salida del sistema lineal
esttico:
siendo M una matriz de N filas y d columnas.
u M y =
Saltar a la primera
pgina
Algritmo de los Mnimos Cuadrados
Solucin de problemas:
Caso 2: N = d

En este caso no existe inversa
Caso 1: N = d

Suponiendo que M es de rango completo, det [M] = 0, el
problema podra resolverse de forma inmediata:
y M
1
= u
Saltar a la primera
pgina
N<np

Existen ms incgnitas que ecuaciones. hay infinitas
soluciones, la solucin es una variedad lineal. Sin
embargo, seleccionando la estimacin:

M
* :
"matriz inversa generalizada.

La solucin obtenida es la de la mnima norma, que
verifica la relacin:

siendo u
1
cualquier otra solucin.
1 0
u u s
y M
* 0
= u
Saltar a la primera
pgina
Si las N filas de M son linealmente independientes
(matriz M de rango mximo), la estimacin ser:



En donde M
*D
se denomina inversa generalizada por
la derecha, ya que verifica:

MM
*D
= I

( ) y MM M y M
T T D
1
* 0

= = u
Saltar a la primera
pgina
N > np

En este caso se tienen ms ecuaciones que incgnitas.
En general, no existe solucin. Se demuestra que si M
es de rango mximo, el mtodo de los mnimos cuadra
dos puede utilizarse para encontrar la solucin.

Se trata de obtener la estimacin que minimiza el ndice:

2
y M J = u
Saltar a la primera
pgina
( ) 0 2 = =
c
c
M y M
J
T
u
u
2
y M J = u
( ) 0 = y M M
T
u
( ) y M y M M M
I T T *
1
= =

u
M
*I
se denomina inversa generalizada por la izquierda
M
*I
M = I
Saltar a la primera
pgina
Caso hipottico:
Considrese el sistema monovariable en tiempo discreto:

y(k) + a
1
y(k-1) + ... + a
n
y(k-n) = b
1
u(k-1) + ... + b
n
u(k-n)

y el vector de medidas:

m(k) = [ - y(k-1), ... , - y (k-n), u(k-1), ... , u(k-n)]

Saltar a la primera
pgina
El error de prediccin de salida puede escribirse como:

e(k) = y(k) - m(k)u
donde m(k)u es la prediccin de la salida en el instante k
Coleccionando datos desde k = n hasta N

E(N) = Y(N) - M(N) u


( ) ( ) ( ) | | ( ) ( ) N Y N M N M N M N
T T
1


= u
Saltar a la primera
pgina
ESTIMACIN RECURRENTE DE MNIMOS
CUADRADOS

Sea la ecuacin despus de N observaciones
Y(N) = M(N)
u M y =
( ) N u

( )
( )
( )
( )
( )
( )
(
(
(

=
(
(
(

=
N y
y
N Y
N m
m
N M
1
;
1

( ) ( ) ( ) | | ( ) ( ) N Y N M N M N M N
T T
1


= u
( ) ( ) ( ) 1

1 1 + + = + N N M N Y u
( )
( )
( )
( )
( )
( )
(

+
= +
(

+
= +
1
1 ;
1
1
N y
N Y
N Y
N m
N M
N M
Saltar a la primera
pgina
ESTIMACIN RECURRENTE DE MNIMOS
CUADRADOS

La estimacin resultante es:
( ) ( ) ( ) | | ( ) ( ) 1 1 1 1 1

1
+ + + + = +

N Y N M N M N M N
T T
u
( ) ( ) ( ) ( ) ( ) | |
( ) ( ) ( ) ( ) | | 1 1
* 1 1 1

1
+ + +
+ + + = +

N y N m N Y N M
N m N m N M N M N
T T
T T

u
Definiendo la matriz
( ) ( ) ( ) | |
( ) ( ) ( ) | |
1
1
1 1 1

+ + = +
=
N M N M N P
N M N M N P
T
T
Saltar a la primera
pgina
ESTIMACIN RECURRENTE DE MNIMOS
CUADRADOS

De donde:
( ) ( ) ( ) | | N N m N y N K N N u u u

) 1 ( ) 1 ( ) (

+ + + = +
con
( ) ( ) ( ) | |
( ) ) 1 ( ) 1 ( ) ( 1
1 1
1
+ + + = +
=

N m N m N P N P
N M N M N P
T
T
luego
( ) | |
) ( )] 1 ( ) ( [ ) 1 (
) 1 ( ) ( ) 1 ( ) 1 ( ) ( 1
1
N P N m N K I N P
N m N P N m I N m N P N K
T T
+ = +
+ + + + = +

Saltar a la primera
pgina
ESTIMACIN RECURRENTE DE MNIMOS
CUADRADOS

Comienzo
Seleccione los valores de P y u; haga N=0
Mientras no se cumpla condicin de fin de hacer
Comienzo
leer nuevas medidas en N+1;
formar m con nuevas medidas;
calcular ganancia mediante K P*m
T
*(I+m*P*m
T
)
-1;
actualizar estimacin mediante u u+K*(y-m* u);
actualizar matriz P mediante P P-K*m*P;
hacer N N+1
fin
fin
Saltar a la primera
pgina
Herramientas
para
Identificacion
El SITB de
Matlab
Saltar a la primera
pgina
Funciones para Simulacion y
prediccion
IDINPUT: Genera los datos de entrada para
propsitos de simulacin.
IDSIM: Simula un sistema lineal general
PREDICT: Calcula las predicciones de la
salida del modelo
Edinson Franco Meja, M.Sc.
Saltar a la primera
pgina
Funciones para Manipulacin
de datos
DTREND: Sirve para remover tendencias
IDFILT: Para realizar filtros a los datos del
proceso.
Edinson Franco Meja, M.Sc.
Saltar a la primera
pgina
Funciones para Estimacin
Paramtrica
AR: Estima un modelo AR
ARX: Estima un modelo ARX
ARMAX: Estima un modelo ARMAX
BJ: Estima un modelo BOX JENKINS
IV4: Estima un modelo ARX usando el mtodo de
la variable instrumental de cuatro etapas.
Edinson Franco Meja, M.Sc.
Saltar a la primera
pgina
Funciones para Estimacin
Paramtrica
CANSTART: Estima modelos multivariables en
forma cannica de espacio de estado;
generalmente usado junto con N4SID.
N4SID: Estima modelos de espacio de estado
usando un mtodo de subespacio
PEM: Estima un modelo lineal general.
Edinson Franco Meja, M.Sc.
Saltar a la primera
pgina
Funciones para Conversion
entre modelos
IDMODRED: Reduce un modelo a un orden inferior
THC2THD: Transforma un modelo de tiempo
continuo en tiempo discreto
THD2THC: Transforma un modelo de tiempo
discreto en tiempo continuo
TH2ARX: Transforma los datos del modelo que
estn en formato theta a parmetros
arx
TH2SS: Transforma los datos del modelo en
formato theta a matrices de espacio de
estado..
Edinson Franco Meja, M.Sc.
Saltar a la primera
pgina
Funciones para Presentacin
de modelos
PRESENT: Muestra modelo paramtrico en
pantalla.
IDPLOT: Muestra los datos de entrada y salida
en pantalla
BODEPLOT: Grfica el diagrama de Bode del modelo
ZPPLOT: Presenta en pantalla el diagrama de
polos y ceros del modelo
Edinson Franco Meja, M.Sc.
Saltar a la primera
pgina
Funciones para Validacin
COMPARE: Compara la salida simulada o
predicha con la salida del modelo
PE: Calcula los errores de prediccin
Edinson Franco Meja, M.Sc.
Saltar a la primera
pgina
Ejercicio
FIN!!!
Edinson Franco Meja, M.Sc.

También podría gustarte