CONSIDERACIONES PRACTICAS SOBRE IDENTIFICACION

a)De la obtencin de datos

Realizamos un estudio dentro del proceso de identificacin mediante un experimento sobre el sistema para
obtener los datos de entrada-salida y as obtener el modelo final.
Eleccin de las seales a medir Las seales son registradas( mediante un sistema de adquisicin
,almacenamiento de datos) y veremos que seales son manipuladas para excitar al sistema en el
experimento habr casos en estas seales puedan ser medidas entonces se consideraran con entradas caso
contrario sern seales de perturbaciones.
Eleccin del tipo de entrada/s
Una vez seleccionadas las seales a medir estas deben contener toda la informacin posible sobre el sistema
consideremos algunos aspectos :
-La seal de entrada debe contener el mayor numero de frecuencias posibles.
Por ejemplo debemos considerar seales escalonadas porque contienen un espectro amplio de frecuencias
y la senoidal no.
a)Entrada binaria aleatoria para sistemas
lineales
b)Entrada escalonada aleatoria para
Sistemas no lineales

Eleccin de periodo de muestreo

esta influye decisivamente en el experimento de identificacin que esta relacionada a la contante de tiempo
del sistema
Ahora un periodo de muestreo muy pequeo puede llevar a la obtenidos de datos redundantes que no
aportan informacin pero si ocupan espacio de memoria ,en cambio un periodo de muestreo muy grande
presenta dificultades a la hora de identificar la dinmica el sistema entonces como regla se plantea elegir una
frecuencia de muestreo alrededor de diez veces el ancho de banda del sistema.
Eleccin del numero de muestras a tomar
En todo sistema cuando mas muestreas tengamos mas exacto ser el proceso de identificacin pero en la
practica nos veremos limitados por la capacidad del dispositivo de memoria utilizado. Es por ello que debemos
ser bien prcticos en la eleccin del periodo de muestreo y el numero de muestras a tomar.
b)Del pre tratamiento de datos
Esto quiere decir que los datos registrados pueden tener deficiencias que implican efectos negativos sobre el
proceso de identificacin como por ejemplo:
-Presencia de perturbaciones de alta frecuencia, por encima de las frecuencias de inters en respuesta al
sistema.
-Fallas en el hardware o software utilizados en el experimento de recoleccin de muestras.
-Perturbaciones de baja frecuencia.
A continuacin mencionaremos la forma de tratar cada una de estas deficiencias para
conseguir unos datos mas exactos para el procesos de identificacin.
Eliminacin de perturbaciones de alta frecuencia
Esta perturbaciones se produce por fuentes de ruido ajenas al sistema y pueden ser evitadas al elegir un
periodo de muestreo correcto
Eliminacin de datos errneos
Esto se realiza manualmente , eliminando dicho dato y aproximando su nuevo valor mediante
interpolacin en aplicaciones avanzadas existen logaritmos de deteccin de fallos que permiten corregir
estos datos de manera automtica
Tratamiento de niveles de continua
para ello se usaran los modelos paramtricos para la identificacin como puede ser la ARX mostrada
( ).y(t)=B . + ()
Se trata de una ecuacin en diferencias que establece una relacin lineal entre la secuencia de salida y(t) , y la
secuencia de entrada y una fuente de ruido siendo 1 el operador retardo
c) De la conversin de modelos no paramtricos a paramtricos
Los modelos no paramtricos se basan en la obtencin de la respuesta transitoria o en frecuencia del sistema
por ejemplo la funcin escaln
1)Modelo de primer orden con retardo : pueden utilizarse en procesos simples u otros complejos si no se desea
un alto grado de exactitud

= . .
. +

2)Modelo de segundo orden sobre amortiguado con retardo: puede utilizarse en muchos casos salvo en procesos
cuya respuesta es oscilatoria

= . .
(. + )(. + )

3). Modelo de segundo orden su amortiguado con retardo : procesos oscilatorios y en algunos casos en procesos
sobre amortiguados

= ..
.
+ +

Donde es el coeficiente de amortiguamiento y frecuencia natural del sistema

La eleccin de los modelos depende de la forma de la respuesta transitoria y el grado de precisin que se desea en el ajuste
Por ejemplo se expone a continuacin el mtodo grafico que se ha utilizado para la estimacin de los parmetros de un
modelo de primer orden con retardo.

La expresin que describe sus respuesta

1
es: ()=..(1^((())/))Donde U es la amplitud del escaln aplicado a la
entrada Para t=L+ . Y(L+)=A.U.(1- )=0.632.A.U
De esta forma . Localizando los puntos donde la respuesta alcanza el 63.2% de su valor final se obtiene el valor de .

La ganancia A se determina como A=
Donde es el valor estacionario de la salida.
d) De la validacin del modelo
En general la mayora de los mtodos de validacin tratan de determinar si la respuesta del modelo se ajusta
con suficiente exactitud a los datos de entrada y salida obtenidos mediante experimentacin.
-Validacin en base a la aplicacin del modelo
Si el controlador que ha sido ajustado por medio del modelo da buen resultado sobre el sistema real se puede decir que el
modelo era valido para esa aplicacin
-Comprobacin de parmetros fsicos
Se hace comparando el valor estimado de dichos parmetros y el que seria de esperar mediante el conocimiento previo
que se tiene de la planta.
-Coherencia con el comportamiento de entrada-salida
Se determina recurriendo a diferentes mtodos de identificacin y comparando los resultados obtenidos
-Reduccin del modelo
Un procedimiento para determinar si un modelo proporciona una descripcin simple y apropiada consiste en aplicarle
algn mtodo de reduccin de modelos si una reduccin en el orden del modelo no produce alteraciones apreciables en el
comportamiento de entrada y salida del mismo entonces el modelo original era necesariamente complejo
-Intervalos de fiabilidad de parmetros
Si el intervalo de confianza de un parmetro contiene el valor cero ,se debe considerar la posibilidad de eliminar dicho
parmetro
-Simulacin
Consiste en simular el modelo con un conjunto de entradas distintas a las utilizadas para identificacin ,y comparar la
respuesta del modelo con la obtenida del sistema real