2 IDENTIFICACIN 2.

IDENTIFICACIN
DE SISTEMAS DE SISTEMAS
2014
Miguel Pea
U i id d T l i N i l Universidad Tecnolgica Nacional
Facultad Regional Crdoba
1
2. Identificacin de sistemas
2.1. Introduccin a la identificacin de
sistemas
2 2 Mtodos de identificacin no 2.2. Mtodos de identificacin no
paramtricos.
2 3 Mt d d ti i t i 2.3. Mtodos de estimacin paramtricos
2
2 1 Introduccin a 2.1. Introduccin a
la identificacin la identificacin
3
Por qu es necesario un Por qu es necesario un
modelo?
El diseo de un controlador moderno requiere
d d l d l l t t l de un modelo de la planta a controlar que
caracterice su comportamiento dinmico.
El modelo permite al diseador realizar y validar
mediante simulacin el ajuste de los parmetros
del controlador que permiten obtener una
respuesta que satisfaga las especificaciones de
diseo.
4
POR QUE IDENTIFICAR LA PLANTA?
Esquema de control adaptable indirecto
CONTROLADOR ADAPTABLE
Parmetros del
controlador
Clculo de
t d l
CONTROLADOR ADAPTABLE
Parmetros
parmetros del
controlador
IDENTIFICACIN
Estimacin de
Parmetros
de la planta
RECURSIVA DE
SISTEMAS
parmetros de
la planta
Proceso
Controlador
Seal de
Salida del
sistema
Directiva
de Control
Primario
5
Seal de
control
Primario
Qu es un sistema? Qu es un sistema?
DEFINICIN: Es un conjunto de componentes, partes u
objetos, que interactan unos con otros dentro de unos
l it d i d t i d t d lmites para producir un determinado patrn de
comportamiento.
La definicin completa de sistema mediante su contorno
implica tener en cuenta:
Especificacin de la frontera
Los canales del contorno a travs de los cuales el Los canales del contorno a travs de los cuales el
sistema interacciona con el entorno (entradas y salidas).
La estructura interna y el comportamiento del sistema
6
La estructura interna y el comportamiento del sistema.
El i t t El sistema y su entorno
ENTRADAS
PERTURBACIONES
MEDIDAS NO MEDIDAS
SALIDAS
E ntrada s En t radas Ma n ipula d as Pertu r baci o nes M e dida s Me didas Me didas M edidas N o No Salid SIST EM A E ntrada s En t radas Ma n ipula d as Pertu r baci o nes M e dida s Me didas Me didas M edidas N o No Salid SIST EM A
SISTEMA
ENTRADAS
MANIPULADAS
SALIDAS
MEDIDAS
SALIDAS NO SALIDAS NO
MEDIDAS
7
TIPOS DE VARIABLES o SEALES TIPOS DE VARIABLES o SEALES
Entrada: Denotan el efecto del entorno sobre el proceso p
Manipuladas: Sus valores se pueden ajustar libremente por un
operador o una accin de control.
Perturbaciones: Sus valores no son ajustables.
Salida: Denotan el efecto del proceso sobre el entorno
Medidas: Sus valores se conocen por los sistemas de medida Medidas: Sus valores se conocen por los sistemas de medida.
No medidas: Sus valores no se pueden medir de forma directa.
Internas: Son variables propias del sistema. Internas: Son variables propias del sistema.
De estado: Definen el estado del sistema y necesitan conocer la
historia del mismo para ser definidas. Es el conjunto mnimo de
i bl i t d fi l t d d l i t 20 variables internas que define el estado del sistema.20
8
Qu es un modelo?
Un modelo es:
Qu es un modelo?
Un modelo es:
La representacin formal del sistema
L i i d fi l l l Las suposiciones que definen el contexto en el que el
modelo es aplicado.
Predice el modelo los aspectos del comportamiento del sistema que Predice el modelo los aspectos del comportamiento del sistema que
nos interesan con suficiente exactitud para nuestra aplicacin?
El modelo slo es vlido en el contexto y bajo las suposiciones con y j p
las que ha sido desarrollado.
La extrapolacin del modelo fuera del contexto es muy peligrosa.
Se debe verificar el modelo contra el sistema real siempre que sea
posible.
Existen muchos modelos para un mismo sistema, cada uno
9
Existen muchos modelos para un mismo sistema, cada uno
representa una vista diferente del sistema. Es importante seleccionar
un buen nivel de abstraccin.
QU DEBE TENER UN BUEN MODELO? QU DEBE TENER UN BUEN MODELO?
PRECISIN
Ni mucha ni poca
Cuantitativa y cualitativa Cuantitativa y cualitativa
VALIDEZ
Rango de validez Rango de validez
Condiciones de operacin
Condiciones transitorias
Propiedades internas
COMPLEJIDAD
Simple (macroscpico)
Detallado (microscpico)
Orientado a los fenmenos Orientado a los fenmenos
10
Modelos Dinmicos Modelos Dinmicos
La salida en un instante de tiempo depende La salida en un instante de tiempo depende
de la salida y la entrada de instantes pasados
1 1
( ) ( ) ( ) ( )
n n m m
d y t d y t d u t d u t

1 1 0
1 1
( ) ( ) ( ) ( )
( ) ( )
n m
n n m m
d y t d y t d u t d u t
a a y t b u t b b
dt dt dt dt

+ + + = + + +
u y
p
t
t
11
Modelos Discretos
u(kT)
Proceso Ordenador A/D
D/A
y(kT)
Modelos discretos
La salida en t = kT depende de las entradas y salidas
en instantes de tiempo (k-j)T anteriores
12
p ( j)
Modelos Lineales Modelos Lineales
La salida actual depende linealmente de las entradas y p y
salidas en instantes de tiempo anteriores
1 1
( ) ( 1) .... ( ) ( 1) .... ( )
n m
y t a y t a y t n bu t b u t m = + + +
Las variables u e y son
cambiossobreunpuntode
0
( ) ( ) ( ) u t U t U t =
cambios sobre un punto de
operacin U
0
, Y
0
0
( ) ( ) ( ) y t Y t Y t =
Y
U U
0
U
Y
0
Y
t t
Proceso
13
El rango de validez est limitado a un entorno del punto de operacin
Funcin de Transferencia Funcin de Transferencia
Operador retardo unitario Operador retardo unitario
1
( ) ( 1) ( 1) ( ) q f t f t f t qf t con t kT

= + = =
( ) ( 1) ( ) ( 1) ( ) y t a y t a y t n bu t b u t m + + +
Dado el sistema lineal
1 1
( ) ( 1) .... ( ) ( 1) .... ( )
n m
y t a y t a y t n bu t b u t m = + + +
1 1
1 1
(1 .... ) ( ) ( .... ) ( )
n m
n m
a q a q y t b q b q u t

+ + + = + +
1
( )
( ) ( )
B q
y t u t

=
Modelo
1
1 1
1
( ) ( )
( )
( ) 1 ....
n
n
y t u t
A q
A q a q a q

= + + +
14
1 1
1
( ) .........
m
m
B q b q b q

= + +
Modelos Estocstico
Modelo
v(t)
(t)
de ruido
u(t) y(t)
Modelo
del
Proceso
1
1
( )
( ) ( )
( )
C q
v t t
A q

=
P ARMA
( ) q
Proceso ARMA
(t) ruido blanco de media nula
Las caractersticas estadsticas de v(t)
dependen de la funcin de transferencia C/A
15
p
Modelo BJ Modelo MA o FIR
1 1
1 1
( ) ( )
( ) ( ) ( )
( ) ( )
B q C q
y t u t t
A D



= +
de Box-Jenkins Moving Average
Finite Impulse Response
1 1
( ) ( ) ( )
( ) ( )
y
A q D q


1
( ) ( ) ( ) ( ) y t B q u t nk e t

= +
Modelo ARMAX
Auto-Regressive Moving Average eXogenous
Modelos OE
Output Error
1
( ) B
1 1 1
( ) ( ) ( ) ( ) ( ) ( ) A q y t B q u t C q t

= +
1
1
( )
( ) ( ) ( )
( )
B q
y t u t nk e t
F q

= +
Modelo CARIMA
Controlled Autoregresive Integrated
Modelo ARX
Auto Regressive eXogenous g g
Moving Average
1
1 1
1
( )
( ) ( ) ( ) ( ) ( )
1
C q
A q y t B q u t t

= +
g g

1 1
( ) ( ) ( ) ( ) ( ) A q y t B q u t nk e t

= +
16
1
1 q
Como obtener modelos? Como obtener modelos?
Mediante razonamientos,
usando leyes de fsicas
Mediante experimentacin
y anlisis de datos
usando leyes de fsicas,
qumicas, etc.
MODELOS DE CONOCIMIENTO
y anlisis de datos
MODELOS POR IDENTIFICACIN
MODELOS DE CONOCIMIENTO
MODELOS POR IDENTIFICACIN
17
Clasificacin de los modelos Clasificacin de los modelos
segn como se obtuvieron g
MODELOS
MODELOS DE CONOCIMIENTO
Mediante razonamientos, usando leyes de fsicas, , y ,
qumicas, etc.
Cajas Blancas
MODELOS POR IDENTIFICACIN
Mediante experimentacin y anlisis de datos Mediante experimentacin y anlisis de datos
cajas grises o cajas negras
18
Modelos de Conocimiento
(Leyes fsicas y qumicas)
Se obtienen mediante razonamientos y la aplicacin de
principios de conservacin de masa, energa, momento, etc. y
otras leyes particulares del dominio de aplicacin
Tienen validez general Tienen validez general
Requieren conocimiento profundo del proceso y de las leyes
fsico-qumicas q
Formados por conjuntos de ecuaciones diferenciales y
algebraicas
il h fi tiles para muchos fines
Qu pasa si?
Diseo
Pruebas antes de la implementacin
Difciles de manipular matemticamente
S l di t i l i Se resuelven mediante simulacin
Suelen tener algn parmetro desconocido
19
Modelos Por Identificacin Modelos Por Identificacin
(Mediante experimentacin y anlisis de
d t ) datos)
Ventajas
Su obtencin es normalmente ms sencilla
Desventajas:
Su rango de validez suele ser limitado Su rango de validez suele ser limitado.
En muchos casos es difcil dar significado fsico al modelo
obtenido, puesto que los parmetros identificados no tienen
l i di t i it d f i relacin directa con ninguna magnitud fsica.
Para poder realizar la identificacin el sistema debe existir, por
lo tanto no es til en la etapa de diseo de sistema.
En la prctica lo comn es recurrir a una mezcla de ambos
mtodos de modelado para obtener el modelo final.
El d id tifi i i l t El proceso de identificacin es ms simple cuanto mayor sea
el conocimiento sobre las leyes fsicas que rigen el proceso.
20
M d l Id tifi i Modelos por Identificacin
EL MODELO SE OBTIENE A PARTIR DE
DATOS EXPERIMENTALES DE ENTRADA-
SALIDA DEL PROCESO SALIDA DEL PROCESO
Y
U
U
Y
t
t
Proceso
Modelo Modelo
IMPORTANTE: EL SISTEMA TIENE QUE
21
Q
ESTAR CONSTRUIDO Y DISPONIBLE
Clasificacin de los MTODOS Clasificacin de los MTODOS
DE IDENTIFICACIN
Dependiendo del tipo de modelo obtenido:
Mt d NO PARAMTRICOS Mtodos NO PARAMTRICOS
No dan un modelo en forma directa y hay que hacer
un tratamiento posterior para la obtencin del modelo un tratamiento posterior para la obtencin del modelo
El resultado del modelo son curvas o graficas
temporales o frecuenciales p
Mtodos PARAMTRICOS
Dan directamente el modelo que se utilizar Dan directamente el modelo que se utilizar
22
Mtodos no paramtricos Mtodos no paramtricos
Respuestas a entradas especiales
Respuesta al impulso
Respuesta al escaln Respuesta al escaln
Respuesta al un seal senoidad
Mt d b d l i Mtodos basados en correlaciones
Mtodos de estimacin espectral p

23
Mtodos paramtricos Mtodos paramtricos
Mtodos de minimizacin de error
Mtodos de variable instrumental
Mtodos de prediccin de error Mtodos de prediccin de error
Mtodos de mxima verosimilitud
Identificacin por subespacios

24
Dependiendo de la aplicacin (Tipos de p p ( p
algoritmos):
No recursivos: No recursivos:
Se realiza la identificacin con datos despus
de realizar un experimento
Recursivos
Se realiza la identificacin con los datos
durante el experimento durante el experimento
Orientado a esquemas adaptables
25
Algoritmos No recursivos
Orientados a identificacin fuera de linea
t
Y
U
U
Y
Proceso
t
t
Proceso
Modelo
26
Algoritmos Recursivos
Y
U
U
Y
t
t
Y
U
Y
Proceso
Algoritmo
Modelo
Algoritmos orientados
a trabajo en linea
[ ] ) t ( u ) 1 t ( M ) t ( y ) t ( K ) 1 t ( ) t ( + =
27
[ ] ) ( ) ( ) ( y ) ( ) ( ) (
2.2. Mtodos de
identificacin no
paramtricos
28
Qu son los mtodos de Qu son los mtodos de
identificacin no paramtricos? p
Permiten obtener modelos o representaciones no
paramtricas de la planta bajo estudio paramtricas de la planta bajo estudio.
Los modelos estn representados por una curva ya sea
en el espacio temporal como el frecuecial en el espacio temporal como el frecuecial
No estn representados por un nmero finito de
parmetros (puede ser un nmero muy grande). parmetros (puede ser un nmero muy grande).
Hay mtodos que permiten obtener modelos
paramtricos a partir de los modelos no paramtricos. p p p
29
Mtodos de identificacin no Mtodos de identificacin no
paramtricos p
Anlisis de respuesta transitoria:
La entrada es una seal de prueba tipo impuso o tipo escaln y La entrada es una seal de prueba tipo impuso o tipo escaln, y
entonces el registro de salida constituye el modelo.
Anlisis por correlacin: Anlisis por correlacin:
Esta basado en una seal de entrada tipo ruido blanco. Una
funcin de covarianza cruzada entre la salida y la entrada da
como res ltado na estima de la f ncin de peso como resultado una estima de la funcin de peso.
Tcnicas Frecuenciales:
Estas apuntan a determinar la funcin frecuencial del sistema Estas apuntan a determinar la funcin frecuencial del sistema.
Anlisis de respuesta en frecuencia
Anlisis de Fourier
Anlisis Espectral
30
2 2 1 Anlisis por 2.2.1. Anlisis por
respuesta transitoria respuesta transitoria
31
Anlisis por respuesta transitoria
Se excita el sistema con una seal de prueba
(no periodica) y se analiza el Transitorio (no periodica) y se analiza el Transitorio
Las seales de prueba que se usan
generalmente son pulsos , funciones tipo g p , p
escaln y funciones tipo rampa.
Para elegir una seal de prueba en una
li i fi d b id aplicacin especfica, se deben considerar
propiedades de la seal
las posibilidades de su generacin y aplicacin las posibilidades de su generacin y aplicacin
clase de informacin buscada para la prueba.
32
FUNCIN IMPULSO
u(t)
u(t)
(t)
FUNCIN IMPULSO
(t)
( )
a
t t
1/
t
t
t=t
t
1/ 0
( )
para t
t

t=t
a
( )
0
0
t
en otro lugar
para

[ ]
( ) 1 L t =
33
0 para
LA RESPUESTA AL IMPULSO
y(t)
( ) ( ) u t t =
( )
( )
( )
Y s
G s
U s
=
[ ]
1
( ) ( ) y t L y s

=
[ ]
( ) ( ) ( )
( ) ( ) 1
Y s G s U s
U s L t
=
= =
[ ]
[ ]
1
( ) ( )
( ) ( )
( ) ( ) ( )
U s t
Y s G s
L G

=
[ ]
1
( ) ( ) ( ) y t L G s g t

= =
( ) ( ) ( ) ( ) d
34
( ) ( ) ( ) ( ) g t y t cuando u t t = =
Un IMPULSO IDEAL no es realizable por
lo tanto el anlisis que se pude realizar es q p
la respuesta a un PULSO de amplitud
finita y un periodo de muestreo de finita y un periodo de muestreo de
duracin
35
L d fi i i d t t d dif il d t t La deficiencia de este mtodo es que es difcil de tratar, an con
condiciones libre de ruido, tanto las propiedades para bajas como para
altas frecuencia.
Problemas prcticos con respuesta al impulso:
Est restringido a sistemas estables
Es difcil la generacin de la entrada (seal impulso)
E t i fl i d l di i d l i it t d t d Est influenciado por la dinmicas de los circuitos muestreadores y retendores
Problemas de sincronizacin entre el impulso y las muestras
Presenta dificultades al tener que aplicar magnitudes de entrada grandes
P bl li lid d ( i l t t i ) Problemas con no linealidades (especialmente saturaciones)
Aparecen dificultades debidas a que hay seales de larga duracin y baja
amplitud (cola de la respuesta al impulso)
Es muy sensible al ruido Es muy sensible al ruido.
36
FUNCIN ESCALN (STEP)
( )
a
u t t
FUNCIN ESCALN (STEP)
( )
a
u t t
1
( )
a
( )
a
1
t
t
t=t
t
1 0
( )
para t

t=t
a
[ ]
1
( ) L ( )
0 0
p
u t
para t
=

<

[ ]
( ) L u t
s
=
37
LA RESPUESTA AL ESCALN
y(t)
( ) u t
( )
( )
( )
Y s
G s
U s
=
[ ]
1
( ) ( )
( ) ( ) ( )
y t L y s
Y s G s U s

=
=
[ ]
1
( ) ( )
( )
G s sY s
dy t
=
[ ]
( ) ( ) ( )
1
( ) ( ) U s L u t
s
= =
[ ]
1
( )
( ) ( )
dy t
g t L sY s
dt

= =
1
( ) ( ) ( ) ( )
s
Y s G s G s sY s
s
= =
s
1 0
( )
( ) ( )
cuando t
dy t
g t cuando u t

= =

38
( ) ( )
0 0
g t cuando u t
cuando t dt
= =

<

Se puede usar como modelo directamente la

Respuesta al Escaln usando como entrada Respuesta al Escaln usando como entrada
al sistema el Cambio en la Entrada
h
h
i
Proceso
u
y
tt
Salto unidad
( ) ( ) ( ) h i

1
( ) ( ) ( )
i
i
y t h u t i v t
h R l l
=
= +

( )
i
h Respuesta al escalon
u t Cambio en la accin
=
= ( )
de control
39
Para eliminar el efecto de v(t) se toma la media de varios ensayos
Existen distintos mtodos prctico para poder estimar Existen distintos mtodos prctico para poder estimar
los parmetros de un sistema a partir de la respuesta
temporal.
Es importante reconocer la respuesta de distintos
sistemas simples a seales de entrada de prueba. Esto
permite estimar el orden del sistema y en que orden se permite estimar el orden del sistema y en que orden se
encuentran las constantes de tiempo del sistema.
Conociendo estos datos se pueden aplicar mtodos de
identificacin ms complejos que nos permite obtener
los parmetros del sistema en forma ms precisa.
40
Ventajas y desventajas
Es fcil de obtener
Es solo til para sistemas estables
Hay veces que hay que sacar de Hay veces que hay que sacar de
funcionamiento el sistema para realizar
l i t el experimento
41
2 2 2 Anlisis por 2.2.2. Anlisis por
correlacin correlacin
42
2.2.2. Anlisis por correlacin
Es un mtodo basado en un anlisis
t d ti ti bj ti ti estadstico y tiene como objetivo estimar
la respuesta al impulso.
Se determina a partir del anlisis de
correlacin entre la entrada y la salida. y
Las seales prueba ms utilizadas en este
son las secuencias de ruido blanco o las son las secuencias de ruido blanco o las
seales seudo aleatorias binarias (PRBS).
43
Descripcin del anlisis por correlacin Descripcin del anlisis por correlacin
U
Y
Y
U
Proceso
U
Y
t
t
Y
U
El modelo utilizado en el anlisis de correlacin es la respuesta
impulso o funcin de pesos

Sistemas es ESTABLES
en lazo abierto
0
( ) ( ) ( ) ( )
k
y t g k u t k t

=
= +

en lazo abierto
Si la entrada es una secuencia casi estacionaria de media nula
[ ]
( ) ( ) ( ) R E u t u t = +
[ ]
( ) ( ) ( )
uu
R E u t u t = +
44
Asumiendo que se trata de un proceso estocstico estacionario, la
relacin equivalente entre la funcin de covarianza cruzada de relacin equivalente entre la funcin de covarianza cruzada de
la entrada con la salida y la funcin de auto covarianza de la
entrada es
{ }
( ) ( ) ( )
( ) ( ) ( ) ( )
yu
R j E y t u t j
y t g k u t k v t

=
= +

1
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
k
y t g k u t k v t
E g k u t k u t j v t u t j
=

+

= +

{ }
1
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
k
E g k u t k u t j v t u t j
E g k u t k u t j E v t u t j
=

+



= +

{ }
{ } { }
1
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
k
E g k u t k u t j E v t u t j
g k E u t k u t j E v t u t j
=

+


= +

Ecuacin de
Wiener-Hopf
{ } { }
( ) ( ) ( ) ( ) ( ) ( ) R g k E u t u t E v t u t

= +

{ } { }
1
( ) ( ) ( ) ( ) ( )
k
g j j
=

{ } { }
0
( ) ( ) ( ) ( ) ( ) ( )
yu
k
R g k E u t u t E v t u t
=
= +

45
Correlacin con Ruido Blanco
El problema queda muy simplificado en el caso en que se utilicen
seales de prueba con funciones de auto covarianza sencillas.
U R id Bl l l l l i l Un Ruido Blanco es una seal para la cual cualquier valor es
independiente de todos los valores pasados.
Esto implica que la funcin de covarianza ser idnticamente nula para p q p
cualquier m, excepto para m=0 donde tomar un valor definido.
2
0
( )
x
R

( ) m
R

S S C O
( )
0 0
uu R

( )
xx
m
R

Su ESPECTRO DE
POTENCIA es
constante
m
0

46
Se cumple

( ) ( ) ( )
yu uu
k
R g k R k

=
=

La Covarianza
Si la entrada es un ruido blanco

( ) ( ) (0) R g R =
La Covarianza
Cruzada entre la
salida y la entrada es
la Funcin de Peso
( ) ( )/ (0) g R R =
( ) ( ) (0)
yu uu
R g R =
Por lo tanto
Secuencia binaria pseudo-aleatoria (PRBS)
( ) ( )/ (0)
yu uu
g R R =
p ( )
- Tiene caractersticas de ruido blanco
- Son dos valores que se alteran con un periodo de cambio
aleatorio
PRBS
47
PRBS
Ventajas y desventajas Ventajas y desventajas
Al igual que en el anlisis de la respuesta transitoria el Al igual que en el anlisis de la respuesta transitoria, el
anlisis de correlacin da una rpida informacin
sobre la CONSTANTE DE TIEMPO DOMINANTE DEL
SISTEMA Y DEL RETARDO PURO.
Es necesario una entrada especial (no muy
complicada de producir) complicada de producir).
Dan como resultado una tabla de datos o una grfica
que no pueden ser utilizados directamente en q p
simulacin.
Los resultados obtenidos parten del hecho de que la
t d i d di t d l t b i / entrada es independiente de las perturbaciones y/o
ruido, esto limita el uso de este mtodo a sistemas sin
realimentacin (lazo abierto).
48
ea e tac ( a o ab e to)
2 2 3 Tcnicas 2.2.3. Tcnicas
frecuenciales frecuenciales
49
2.2.3. Tcnicas frecuenciales
Anlisis de la respuesta frecuencial
Anlisis de Fourier
Anlisis espectral Anlisis espectral
50
Los sistemas lineales pueden tambin definirse
a partir de la respuesta frecuencial G(j) a partir de la respuesta frecuencial G(j).
Mientras que las respuestas transitorias y el
anlisis de correlacin tienen por objetivo anlisis de correlacin tienen por objetivo
estimar la respuesta impulsional, las tcnicas
frecuenciales tienen por objetivo la estimacin frecuenciales tienen por objetivo la estimacin
directa de la respuesta frecuencial.
A ti d l t f i l d A partir de la respuesta frecuencial se puede
estiman los parmetros de la funcin de
t f i transferencia.
51
Anlisis de la Anlisis de la
respuesta frecuencial respuesta frecuencial
52
Respuesta a una entrada senoidal
Las entradas senoidales a un sistema lineal generan, en el estado
estable, respuestas senoidales de la misma frecuencia.
L difi li d l d f l d Las respuestas difieren en amplitud y ngulo de fase respecto a la entrada.
Estas diferencias son funciones de la frecuencia.
2( s- 1)
( s+3) ( s+1)
Zer o- Pol e
Si ne Wave
Scope Scope
53
Ignorar el transitorio y observando la seal de entrada y de salida,
d l l l i l d f b l se puede calcular la ganancia y el desfase entre ambas seales y
determinar G(j) para una frecuencia determinada.
( ) / G jw Y U =
( ) 2 / w t T

=
54
Respuesta en frecuencia Respuesta en frecuencia
Excitando al sistema con seales sinusoidales de distintas frecuencias y
para cada caso calculando los valores de amplitud y fase se puede
u
y
para cada caso calculando los valores de amplitud y fase se puede
obtener una grfica de la forma del diagrama de Bode
u
G(jw)
y
Resulta una Grafica y por lo tanto es un Modelo No Paramtrico Resulta una Grafica y por lo tanto es un Modelo No Paramtrico
G

55
Ventajas y desventajas Ventajas y desventajas
Ventajas
Es fcil de utilizar y no se requiere un procesado difcil de los y q p
datos.
No es necesario hacer ninguna suposicin sobre la estructura
del modelo, solo considerar que se trata de un modelo lineal. , q
Es fcil concentrar el estudio del proceso en un rango de
frecuencias determinado.
Desventajas Desventajas
Da como resultado una tabla de datos o un grfico que no
puede ser utilizado directamente en simulacin.
S i l i d d b i i l Son necesario largos periodos de pruebas si se quiere evaluar
el valor de G(j ) para un gran nmero de frecuencias.
Es muy sensible al ruido presente en el sistema y no da
i l di t d ti ningn valor medio estadstico.
En la mayora de las veces resulta difcil determinar el valor de
desfase entre las seales.
56
Anlisis de Fourier
57
Anlisis de Fourier Anlisis de Fourier
Se dice que una seal, u(t), es de energa finita s
( ) ( ) d T kT
+

Si la entrada tiene energa finita, es posible determinar la funcin de

t f i f i l tili d l t f d d F i d
( ) ( )
k
u t dt o T u kT
=

< <

transferencia frecuencial utilizando la transformada de Fourier de

las seales de entrada y salida

( ) ( ) ( ) ( ) ( )/ ( ) Y G j U G j Y U
En el caso de tener acceso a datos en un intervalo de tiempo finito 0 <
t < S l t f d d F i d l l d t i
( ) ( ) ( ) ( ) ( )/ ( ) Y G j U G j Y U = =
t < S , la transformada de Fourier de las seales se determina
mediante
S S
0 0
( ) ( ) , ( ) ( )
S S
j t j t
S S
Y y t e dt U u t e dt



= =

58
La estimacin de la FUNCIN DE TRANSFERENCIA EMPRICA La estimacin de la FUNCIN DE TRANSFERENCIA EMPRICA
(ETFE) se determina con la ecuacin
( )

( )
s
Y
G j

En el caso en que se disponga de datos muestreados
( )
( )
( )
s
s
G j
U

=
En el caso en que se disponga de datos muestreados
u(kT), y(kT) para k = 1,...,N
se puede utilizar para el clculo de la transformada de Fourier discreta se puede utilizar para el clculo de la transformada de Fourier discreta
1 1
( ) ( ) , ( ) ( )
N N
j kT j kT
S S
k k
Y T y kT e U T u kT e



= =

siendo T el periodo de muestreo y N = S/T.
1 1 k k = =
Cuando la frecuencia tiende por valor =r2/N, para r = 0,...,N-1 y N se
ajusta a una potencia de dos, es posible utilizar la transformada
rpida de Fourier (FFT).
59
Ventajas y desventajas
Es un mtodo fcil e eficiente, especialmente
cuando se aplica la FFT cuando se aplica la FFT.
Permite una buena estimacin de G(jw) cuando
la entrada es una seal peridica la entrada es una seal peridica.
Para seales no peridicas la funcin obtenida
es muy fluctuante es muy fluctuante.
60
Anlisis Espectral
61
Anlisis espectral
Dado el modelo
Anlisis espectral
al aplicar la transformada de Fourier se obtiene
( ) ( ) ( ) ( ) y t G q u t v t = +
Considerando que las seales u(t) y v(t) son independientes, y al multiplicar
por U( ) se obtiene
( ) ( ) ( ) ( ) Y G j U V = +
por U(w) se obtiene
Hace posible estimar la funcin frecuencial
( ) ( ) ( ) ( ) Y G j U V +
Hace posible estimar la funcin frecuencial
( ) ( ) ( )
yu uu
G i =

( )

( )
N
yu
G i

62
( )

( )
yu
N
N
uu
G i

Ventajas y desventajas Ventajas y desventajas

El Anlisis Espectral es un mtodo muy usado para el anlisis de los
sistemas y las seales sistemas y las seales
Es un mtodo general. Requiere solamente que el sistema sea lineal. No
requiere ninguna seal de entrada especfica.
El anlisis Espectral no sirve para sistemas en lazo cerrado Esto se debe a El anlisis Espectral no sirve para sistemas en lazo cerrado. Esto se debe a
que se requiere que la entrada y la perturbacin no estn correlacionadas.
Normalmente este mtodo presenta una grfica del espectro en funcin de
la frecuencia y no puede ser usado como modelo directamente la frecuencia y no puede ser usado como modelo directamente.
Normalmente se usa como un complemento de los mtodos paramtricos
que se vern ms tarde.
63
2.2.4. Observaciones
sobre los mtodos de sobre los mtodos de
identificacin no de t cac o
paramtricos
64
Observaciones sobre los mtodos de
identificacin no paramtricos
Presentan un modelo a travs de una grfica y analizando esta grfica se
d i d l t i puede aproximar un modelo paramtrico.
El modelo paramtrico aproximado en general no tiene mucha precisin y no
es de mucha utilidad a la hora de disear un controlador.
L i t i t d ll d bt i f i La importancia es que a travs de ellos se puede obtener informacin
importante para despus aplicar un mtodo de identificacin paramtrico.
un tiempo de muestreo adecuado
orden del sistema
retardos de tiempo muerto
Estos datos pueden ser estimados fcilmente al analizar por ejemplo la p p j p
respuesta al escaln o la respuesta frecuencial.
65
Funciones para al identificacin no Funciones para al identificacin no
paramtrica con la que cuenta MATLAB
"cra": Estima la respuesta al impulso y la "cra": Estima la respuesta al impulso y la
funcin de covarianza usando el anlisis de
correlacin correlacin.
"etfe": Estima el espectro y la funcin de
t f i d l t i d F i transferencia usando las tcnicas de Fourier
directas.
"spa": Estima el espectro y la funcin de
transferencia usando el anlisis espectral.
66
2 3 Mtodos de 2.3. Mtodos de
estimacin paramtricos p
67
2.3.1. Introduccin
68
2.3.1. Introduccin
Se desarrollaran mtodos de estimacin de parmetros en el
dominio temporal y frecuencial. dominio temporal y frecuencial.
Se supone que el sistema se puede representarse por una parte
determinista o causal y una parte estocstica que engloba las
dinmicas no modelables del sistema dinmicas no modelables del sistema.
En general se asume que la parte estocstica puede ser
representada por una variable Gausiana.
Los mtodos de estimacin en el dominio temporal que se estudian
estiman modelos discretos (dominio-Z).
Si se desea un modelo continuo (dominio-S o ecuacin diferencial) es necesario Si se desea un modelo continuo (dominio-S o ecuacin diferencial) es necesario
convertir el modelo discreto a uno continuo.
Los modelos estimados tanto en el dominio temporal como
frecuencial sern modelos con dinmicas lineales frecuencial sern modelos con dinmicas lineales.
69
2.3.2. Los modelos y los y
mtodos de estimacin
t i di t paramtricos discretos
70
2.3.2.1. Estructura de los modelos
lineales discretos
Modelo
v(t)
e(t)
Modelo
de ruido
( )
u(t) y(t)
Modelo
del
PProceso
1 1
( ) ( ) ( ) ( ) ( ) y t G q u t H q e t

= +
1
( ) C q

Modelo de ruido
Proceso ARMA
( ) id bl d di l
( ) ( ) ( ) ( ) ( ) y q q
1
( )
( ) ( )
( )
C q
v t e t
A q

=
e(t) ruido blanco de media nula
Las caractersticas estadsticas de v(t)
dependen de la funcin de transferencia
71
dependen de la funcin de transferencia
C/A
Distintos tipos de modelos Distintos tipos de modelos
La ecuacin del modelo
( )
( )
( )
( )
( )
1 1
1
1 1
( ) ( ) ( )
nk
B q C q
A q y t q u t e t
F D



= +
Resulta
( )
( ) ( )
1 1
F q D q
72
Nombre
de la
estructura
Polinomios
utilizados
Ecuacin del modelo
MA C
( )
1
( ) ( ) y k C q e k

=
AR D
1
( ) 1/ ( ) ( ) y k D q e k

=
ARMA C, D
1 1
( ) ( )/ ( ) ( ) y k C q D q e k

=
FIR B
1
( ) ( ) ( ) ( ) y k B q u k e k

= +
ARX A B
1 1 1
( ) ( )/ ( ) ( ) 1/ ( ) ( ) k B A k A k

+
ARX A, B
1 1 1
( ) ( )/ ( ) ( ) 1/ ( ) ( ) y k B q A q u k A q e k = +
ARMAX A, B, C
1 1 1 1
( ) ( )/ ( ) ( ) ( )/ ( ) ( ) y k B q A q u k C q A q e k

= +
ARARX A, D
1 1 1 1
( ) ( )/ ( ) ( ) 1/ ( ) ( ) ( ) y k B q A q u k D q A q e k

= + ( ) ( ) ( ) ( ) ( ) ( ) ( ) y q q q q
ARARMAX A, B, C, D
1 1 1 1 1
( ) ( )/ ( ) ( ) ( )/ ( ) ( ) ( ) y k B q A q u k C q D q A q e k

= +
OE B, F
1 1
( ) ( )/ ( ) ( ) ( ) y k B q F q u k e k

= +
BJ B, F, C, D
1 1 1 1
( ) ( )/ ( ) ( ) ( )/ ( ) ( ) y k B q F q u k C q D q e k

= +

73
2 3 2 2 Objetivos de los mtodos 2.3.2.2. Objetivos de los mtodos
de estimacin paramtricos p
u
v
y
Minimizacin
del error
Proceso
u y
e(t)
del error
Modelo
y
m
Criterio de estimacin: Dado un conjunto de datos
experimentales u(t), y(t), buscar los parmetros que
[ ]
2
2
1 1
( ) ( ( ) ( )
N N

experimentales u(t), y(t), buscar los parmetros que
minimizan la funcin de coste V :
74
[ ]
2
2
1 1
1 1
( ) ( ( ) ( , )
m
t t
V e t y t y t
N N

= =
= =

Dado la estructura general
( ) ( )
1 1
B C

Los residuos son
( )
( )
( )
( )
( )
1 1
1
1 1
( ) ( ) ( )
nk
B q C q
A q y t q u t e t
F q D q



= +
( )
( )
( )
( )
( )
1 1
1
1 1
( ) ( ) ( ) ( ) ( )
nk
D q B q
t y t y t A q y t q u t
C q F q

= =


Modelado de la parte determinista.
Hay una relacin lineal entre el error de prediccin y los coeficientes de
los polinomios A y B. Si solo es necesario estimar los parmetros de p y p
los polinomios A y B, los mtodos de clculo a utilizar son analticos y
por tanto, sencillos
Hay una relacin no lineal respecto a los coeficientes del polinomio F.
Para estimar sus parmetros se debe utilizar un mtodo de clculo
iterativo.
Modelado de la parte estocstica.
Los errores de modelado e(t) no son conocidos y la relacin que hay
entre los coeficientes y los residuos no es lineal.
Se deben estimar los valores de e(t) al mismo tiempo que los valores
de los parmetros de los polinomios. Por lo tanto, los mtodos de
clculo sern iterativos.
75
Mtodo de Mnimos Cuadrados Mtodo de Mnimos Cuadrados
Least Squares (LS)
Modelo
( ) ( )
T
m
y t t =
vector de parmetros
vector de datos
Criterio de estimacin: Dado un conjunto de datos
experimentales u(t), y(t), minimizar respecto a los
[ ]
2
2
1 1
( ) ( ( ) ( )
N N
V e t y t y t = =

parmetros :
[ ]
1 1
2
( ) ( ( ) ( )
1
( ( ) ( )
m
t t
N
T
V e t y t y t
N N
y t t
= =
= =

76
1
( ( ) ( )
t
y t t
N

=

=

Modelo: Respuesta Impulsiva Finita (FIR)

1 2
( ) ( 1) ( 2) .... ( )
m m
y t b u t b u t b u t m = + + +
( ) ( )
T
m
y t t =
[ ]
[ ]
( ) ( 1), ( 2),...., ( )
T
T
t u t u t u t m =
[ ]
1 2
, ....,
T
m
b b b =
La salida del modelo depende de valores pasados de
las entradas del proceso
77
p
Modelo: Respuesta al escaln Modelo: Respuesta al escaln
1 2
( ) ( 1) ( 2) .... ( )
m m
y t u t u t u t m = + + +
[ ]
( ) ( )
T
m
T
y t t =
[ ]
[ ]
( ) ( 1), ( 2),...., ( )
T
T
t u t u t u t m

=
=
[ ]
1 2
, ....,
m
=
La salida del modelo depende de valores
pasados de las entradas del proceso
78
pasados de las entradas del proceso
Modelo: Modelo de regresin (ARX) Modelo: Modelo de regresin (ARX)
1 2
( ) ( 1) ( 2) .... ( )
m n
y t a y t a y t a y t n = +
1
( 1) .... ( )
m
b u t b u t m + + +
[ ]
( ) ( )
( ) ( 1) ( ) ( 1) ( )
T
m
T
y t t =
[ ]
[ ]
1 1
( ) ( 1),...., ( ), ( 1),..., ( )
,...., , ,....,
T
T
n m
t y t y t n u t u t m
a a b b

=
=
[ ]
1 1
, , , , ,
n m
La salida del modelo depende de valores
pasados de las entradas y salidas del proceso
79
Mnimos cuadrados: Formulacin matricial Mnimos cuadrados: Formulacin matricial
(1) e

Dado el ndice de error
[ ]
2
(1)
(2)
1 1
( ) (1) (2) ... ( )
N
e
e
V e t e e e N
N N



= =

cuadrtico

Definiendo el vector
[ ]
1
...
( )
t
N N
e N
=

(1)
(2)
e
e



= e
Definiendo el vector
...
( ) e N

=



e

1
T
V
Resulta
80
T
V
N
= e e
El error se puede expresar
( ) ( ) ( )
( ) ( )
m
T
e t y t y t
y t t
=
= ( ) ( )
( ) ( ) ( )
m
T
y t t
e t y t t

=
El vector de error es
(1) (1) (1) (1)
(1)
(2) (2) (2) (2)
(2)
T
m
T
y e y y

(2) (2) (2) (2)
(2)
... ... ... ...
...
( ) ( ) ( ) ( )
( )
T
m
T
y e y y
N N N N
N

= =






( ) ( ) ( ) ( )
( )
(1)
(1)
T
m
T
y N e N y N y N
N
y

(2)
(2)
...
...
T
y

81
( )
( )
T
y N
N

Por lo tanto
(1) (1)
(1)
T
e y



(1) (1)
(1)
(2) (2)
(2)
T
e y
e y

=

... ...
...
( ) ( )
( )
T
e N y N
N






(1)
(1)
(2)
(2)
T
T
y
y

Definiendo
( )
....
....
( )
( )
T
y N
N

= =






y
( )
( )
y
N


Resulta
= e y
Reemplazando en el criterio de estimacin Reemplazando en el criterio de estimacin
( ) ( )
1 1 T
T
V = = e e y y
FORMULACIN
MATRICIAL
82
( ) ( )
V
N N
e e y y
MATRICIAL
Mnimos cuadrados:
Solucin de la formulacin matricial
1
N
2
1
1
min min ( ( ) ( )
N
T
t
V y t t
N


=

=

[ ]
(1) (2) .... ( )
(1) (2) ( )
T
T
N
y y y N
=

= y
1 1
( ) ( )
T T T T T T T
V y
N N


= = +

y y y y y
[ ]
(1), (2),...., ( ) y y y N = y
N N

( ) 1

2 2
T T
V
N

=

= + =

y 0
N

=

y
1

T T

N
T T


1
T T

=

y
1
( ) ( )
T T
t
t t
=

=


DEBE SER INVERTIB E
83
DEBE SER INVERTIBLE
SOLUCIN MATRICIAL
Ejemplo: Formulacin matricial
PERSISTENCIA EN LA EXITACIN
Ejemplo: Formulacin matricial
1 2
( ) ( 1) ( 2) y t b u t b u t = +
Modelo respuesta al impulso (FIR) con 2 parmetros b
i
[ ]
1 2
( ) ( ) ( )
( )
T
T
y
y t
b b

=
Se toman 3 muestras
N=3 (se usan N+2-1
[ ]
[ ]
1 2
( ) ( 1), ( 2)
T
T
b b
t u t u t

=
=
datos experimentales)
(1) (0) ( 1) y u u
b

= y
1
2
(2) (1) (0)
(3) (2) (1)
b
y u u
b
y u u


=





[ ]
[ ]
1 2
(1), (2), (3)
T
T
y y y y
b b
=
=
[ ]
(0) ( 1)
(1) (0)
u u
u u

=

84
( ) ( )
(2) (1) u u



1

T T

SOLUCIN MATRICIAL
1
( ) ( )
N
T T
t
t t

=


(0) ( 1)
(0) (1) (2)
u u


1

T T

=

y
1 t =
DEBE SER INVERTIBLE
( ) ( )
(0) (1) (2)
(1) (0)
( 1) (0) (1)
(2) (1)
T
u u u
u u
u u u
u u



=

2 2 2
2 2 2
( ) ( )
(0) (1) (2) (0) ( 1) (1) (0) (2) (1)
( 1) (0) (0) (1) (1) (2) ( 1) (0) (1)
u u u u u u u u u
u u u u u u u u u



+ + + +
=

+ + + +

( 1) (0) (0) (1) (1) (2) ( 1) (0) (1) u u u u u u u u u + + + +

DEBE SER INVERTIBLE
Si la entrada es una seal constante
2 2
( )
3 3
u t k
k k
=

Tiene dos filas son linealmente dependiente y
por lo tanto no es invertible
2 2
3 3
3 3
T
k k
k k

=


Se dice que la seal u(t)
NO ES PERSISTENTEMENTE
EXITANTE
85
EXITANTE
para identificar 2 parmetros
( ) u t k =
1
( ) u t k t =
1
PERSISTENTEMENTE PERSISTENTEMENTE PERSISTENTEMENTE
EXITANTE
para identificar 1 parmetros
PERSISTENTEMENTE
EXITANTE
para identificar 2 parmetros
2
( ) u t kt =
( ) sin( ) u t k t =
PERSISTENTEMENTE
EXITANTE
PERSISTENTEMENTE
EXITANTE
86
EXITANTE
para identificar 3 parmetros
EXITANTE
para identificar 2 parmetros
1 1 2 2
( ) sin( ) sin( ) u t k t k t = + ( ) sin( )
n
j j j
u t k t = +

1 j =
PERSISTENTEMENTE PERSISTENTEMENTE PERSISTENTEMENTE
EXITANTE
para identificar 4 parmetros
PERSISTENTEMENTE
EXITANTE
para identificar 2*n parmetros
PRBS Ruido Blanco Gaussiano
PERSISTENTEMENTE
EXITANTE
PERSISTENTEMENTE
EXITANTE
87
EXITANTE
para identificar parmetros
EXITANTE
para identificar parmetros
Mnimos cuadrados:
Propiedades de la estimacin
Insesgado Insesgado
Su esperanza de la estima es
igual al parmetro


Consistente
S di t ib i t
( ) es insesgado E =
N=100
N=1000
N 10
Su distribucin se concentra
alrededor del parmetro a medida
que aumenta el tamao de la
muestra
N=10
Estimado

muestra
Eficiente
Su variancia es menor que la de
Estimado
no
Eficiente
Estimad
o
Eficiente
Su variancia es menor que la de
cualquier otro estimador del
mismo parmetro.
Los res ltados estimados de dependen de los

88
Los resultados estimados de dependen de los
experimentos y son, por tanto variables estocsticas
Propiedades del mtodo de mnimos cuadrados p
Se demuestra que dadas unos datos que satisfacen la ecuacin
( ) ( ) ( )
T
y t t e t = +
Donde
0
es el vector de parmetros verdadero y asumiendo que e(t)
es un ruido blanco de media cero y variancia
2
:
0
( ) ( ) ( ) y t t e t = +
es un ruido blanco de media cero y variancia :
(i) converge a
0
cuando N tiende a infinito
(Insesgado)
(ii) la variable aleatoria
( )
0

N
se comporta como una distribucin normal de media cero y
covarianza
( )
( )
1
2

T
P

( )
2 T
LS
P =
( )

2V
(Consistente)
(iii) un estimador de
2
es:
89
( )
2
2

V
N d

Propiedades del mtodo de mnimos cuadrados p

Observaciones
Se debe resaltar como principal ventaja de este mtodo que la p p j q
conversin a un mnimo global est garantizada y no existen
mnimos locales.
Y como inconveniente resaltar que s la perturbacin e(t) no es un Y como inconveniente resaltar que s la perturbacin e(t) no es un
ruido blanco y la relacin seal til/seal ruido es importante, la
conversin al valor real no est garantizada. Este hecho limita su
tili i t d l d ti i utilizacin como mtodo general de estimacin.
90
Para que la estima de no sea sesgada los datos Para que la estima de no sea sesgada los datos
(t) no deben estar correlacionados con los ruidos
v(t)
Process
u
v
y
Estimacin puede ser sesgada en lazo cerrado: v y
u estn correlacionadas a travs de la y de
realimentacin
u
v
y
realimentacin
Process
u
y
controller
91
Ventajas y desventajas
Se debe invertir una matriz de gran
dimensin que puede estar mal
condicionada
Problemas de almacenamiento de datos
E t d f d l Es un mtodo fuera de lnea
Inconveniente para identificar en lazo Inconveniente para identificar en lazo
cerrado
92
Otros mtodos paramtricos
Mtodo de mnimos cuadrados generalizado
Generalized Least Square (GLS)
Mtodo de la Variable Instrumento
Instrumental Variable (IV)
Mtodo de la mxima probabilidad p
Maximum likelihood (ML)
Mtodo de prediccin de error Mtodo de prediccin de error
Prediction Error Methods (PEM)
93
2.3.8. Mtodos recursivos
para la estimacin de
t parmetros
94
Mnimos cuadrados recursivos
Inconvenientes del M. Mnimos Cuadrados:
Recursive Least Squares (RLS)
co e e tes de os Cuad ados
Memoria, tiempo de clculo, fuera de lnea,
Forma recursiva de procesar los datos Forma recursiva de procesar los datos
Dada la estima
1

( ) ( ) ( ) ( ) ( )
T T
t t t t t

=

y
Definiendo
( ) ( ) ( ) ( ) ( ) t t t t t =

y
1
( ) ( ) ( )
T
t t t

=

P
Restando dos predicciones seguidas
( ) ( ) ( ) t t t

P

( ) ( ) ( ) ( )

( 1) ( 1) ( 1) ( 1)
T
T
t t t t
t t t t

=
P y
P y
95
( ) ( ) ( ) ( )

( ) ( 1) ( ) ( ) ( ) ( 1) ( 1) ( 1)
T T
t t t t t t t t =
y
P y P y
Operando se puede escribir

( ) ( 1) ( ) ( ) ( ) ( ) ( 1)
T
t t t t y t t t

= +

K
1
( ) ( 1) 1 ( ) ( 1) ( )
T


K P P ( ) ( 1) 1 ( ) ( 1) ( )
( ) ( 1) ( ) ( ) ( ) ( 1)
T
T
t t t t t
t t t t t t



= +

=
K P P
P P K P
La matriz P(t) controla la velocidad de correccin. Tpicamente es
decreciente.
( ) ( ) ( ) ( ) ( ) ( )
dec ec e te
Se puede interpretar como

( ) ( 1) ( ) ( ) ( ) ( ) ( 1)
T
t t P t t y t t t

+

( ) ( 1) ( ) ( ) ( ) ( ) ( 1)
nueva vieja vector de dato prediccin un
t t P t t y t t t

= +


= +

estima estima correccin nuevo paso atras
Error de prediccin
= +

96
Factor de olvido Factor de olvido
2
( ) ( )
N
N t T
V

Los ltimos valores

tienen ms peso
1
( ) ( )
N t T
t
V y t t

=

=

es el factor de olvido 0 95 0 999

tienen ms peso
que los primeros

( ) ( 1) ( ) ( ) ( ) ( ) ( 1)
T
t t t t y t t t

= +

K
es el factor de olvido 0.95 .0.999
1
( ) ( 1) ( ) ( 1) ( )
T
t t t t t


= +

K P P

( ) ( 1) ( ) ( ) ( ) ( 1)
T
t t t t t t

=

P P K P
[ ]
( ) ( ) 0 ( ) ( 1) t t t t P P P
Problemas de explosin con baja excitacin
97
[ ]
( ) ( ) 0 ( ) ( 1) t t t t = P P P
Ventajas y desventajas
Pueden aparecer caractersticas no
deseadas cuando se est realizando la
identificacin (modelos inestables) ( )
Si el ruido es correlacionado tiene los
mismos problemas que el Mnimos mismos problemas que el Mnimos
Cuadrados no recursivos
98
Unificacin de algoritmos de estimacin de g
parmetros recursivos

( ) ( 1) ( ) ( ) t t K t t = +
( ) ( ) ( 1) ( )

( ) ( ) ( ) ( 1) ( 1)
T
K t t P t t
t y t t P t t


=
=
Mtodo RLS RIV RML

, ,

, ,

a a b b
n m
T
1 1

[
1 1

, , , , ,
T
n m
a a b b

^
1 1 1

, , , , , , , ,
T
n m p
a a b b c c



n m 1 1
[
1 1
, , , , ,
n m

1 1 1
, , , , , , , ,
n m p

( ) t


y t y t n
u t u t m
T
( ), , ( ),
( ), , ( )
1
1

[
]
( 1), , ( ),
( 1), , ( )
T
y t y t n
u t u t m

y t y t n
u t u t m
T
( ), , ( ),
( ), , ( ),
1
1

]
( ) ( )
t t p
T
( ), , ( ) 1
( ) t
1
1 1 +
T
t P t t ( ) ( ) ( )

1
1 1 +
T
t P t t ( ) ( ) ( )

1
1 1 +
T
t P t t ( ) ( ) ( )

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
P t ( )
I K t t P t
T
( ) ( ) ( ) 1 I K t t P t
T
( ) ( ) ( ) 1 I K t t P t
T
( ) ( ) ( ) 1
( ) t ( ) t
( ), , ( ), t t n
T
1


y t y t n
u t u t m
( ), , ( ),
( ) ( )
1
1

99
( ), , ( ) u t u t m
T
1


u t u t m
t t p
T
( ), , ( ),
( ), , ( )
1
1



Resumen de las Propiedades Resumen de las Propiedades
Mnimos Cuadrados Recursivo (RLS):
Aplicable cuando la relacin ruido/seal es pequea.
Esfuerzo computacional pequeo.
Variable Instrumento Recursivo (RIV): Variable Instrumento Recursivo (RIV):
Tiene unas buenas prestaciones.
Para acelerar la convergencia inicial se recomienda empezar g p
con RLS.
Esfuerzo computacional mayor que RLS.
M i P b bilid d R i (RML) Mxima Probabilidad Recursivo (RML):
Altas prestaciones del estimador.
Lenta convergencia en la etapa inicial Lenta convergencia en la etapa inicial.
Se estiman los parmetros del ruido, pero la convergencia es
lenta.
100
El esfuerzo computacional es mayor que en los otros dos.
Bibliografa
101
Bibliografa Bibliografa
1- strm, K. J. and Wittenmark, B., Adaptive Control, 1995, Addison
Wesley Publishing Company Inc ISBN 0 201 55866 1 Wesley Publishing Company, Inc. ISBN 0-201-55866-1.
2- Ljung, L., System identification: Theory for the user, Second edition,
Prentice Hall, 1999.
3 Lj L d Gl d T M d li f D i S t P ti H ll 3- Ljung, L. and Glad, T. Modeling of Dynamic Systems, Prentice Hall,
1994.
4- Isermann, R.: Digital Control Systems, Volume 1; Fundamentals,
Deterministic Control, Springer Verlag, 1989.
6- Isermann, R.: Digital Control Systems, Volume 2; Stochastic Control,
Multivariable Control, Adaptive Control, Applications, Springer Verlag,
1991.
7- Sderstrm, T. , P. Stoica, System identification, Prentice Hall, 1989.
8- Ioannou, P. A. and J. Sun, Robust Adaptive Control, Prentice-Hall, New , , p , ,
Jersey, USA.
9- Sastry, S. . M. Bodson, Adaptive Control: Stability, Convergence, and
Robustness. Prentice-Hall. 1989
102
Robustness. Prentice Hall. 1989
Preguntas de Preguntas de
Autoevaluacin Autoevaluacin
2.1. Introduccin a la
identificacin identificacin
103
2.1. Introduccin a la identificacin
1. Cul es el concepto de sistema? Qu son las entradas, las
salidas y las perturbaciones?
2 Qu es un modelo? Para qu sirven los modelos? 2. Qu es un modelo? Para qu sirven los modelos?
3. De qu forma se pueden obtener modelos matemticos de los
sistemas? Qu ventajas y desventajas tiene cada forma?
4. Qu quiere decir identificar un sistema?
5. Cmo se clasifican los mtodos de identificacin?
6 Qu diferencia existe entre un mtodo de identificacin 6. Qu diferencia existe entre un mtodo de identificacin
paramtrico y uno no paramtrico?
7. Qu diferencia existe entre un mtodo de identificacin en lnea
y uno fuera de lnea?
104
2.2. Mtodos de identificacin No Paramtricos.
1. En qu consisten los mtodos de identificacin no paramtricos y
qu caractersticas presentan?
2 En qu consiste el mtodo de respuesta al impulso? Qu 2. En qu consiste el mtodo de respuesta al impulso? Qu
ventajas e inconvenientes presenta?
3. En qu consiste el mtodo de respuesta al escaln? Qu
t j i i t t ? ventajas e inconvenientes presenta?
4. En qu consiste el mtodo de anlisis por correlacin? Qu
ventajas e inconvenientes presenta? j p
5. En qu consiste el mtodo de anlisis de la respuesta
frecuencial? Qu ventajas e inconvenientes presenta?
6 E i t l t d d li i d F i ? Q t j 6. En qu consiste el mtodo de anlisis de Fourier? Qu ventajas
e inconvenientes presenta?
7. En qu consiste el mtodo de anlisis espectral? Qu ventajas e q p j
inconvenientes presenta?
105
2.3. Mtodos de estimacin paramtricos
1 Q dif i i t t l t d d ti i 1. Qu diferencia existe entre los mtodos de estimacin no
parametricos y los parametricos?
2. Que son los mtodos de identificacin paramtricos? Para qu p q
se utilizan?
3. Cul es el esquema general de los modelos usados en los
mtodos de identificacin parametrcos? Qu partes se pueden mtodos de identificacin parametrcos? Qu partes se pueden
distinguir?
4. Cul es el objetivo principal de los mtodos de identificacin
paramtrica?
5. En qu consiste el mtodo de estimacin por mnimos
cuadrados? Cul es el ndice que se plantea y que son cada cuadrados? Cul es el ndice que se plantea y que son cada
una de sus partes?
6. Cmo es la formulacin matricial del Mtodo de Mnimos
C d d ? Cuadrados?
7. Cmo es la solucin de la formulacin matricial del Mtodo de
Mnimos Cuadrados?
106
8. Qu quiere decir que la seal de entrada sea persistentemente
excitante y que consecuencias se presentan cuando esta no lo excitante y que consecuencias se presentan cuando esta no lo
es?
9. Cuntos parmetros se pueden identificar correctamente
cuando la entrada de un sistema es una seal constante, es una
seal rampa, es una seal cuadrtica y es una Secuencia Binaria
Pseudo Aleatoria (PRBS)? ( )
10. Cuntos parmetros se pueden identificar correctamente
cuando la entrada de un sistema es una seal senoidal, es una
seal formada por la suma de n seal senoidales y cuando es un seal formada por la suma de n seal senoidales y cuando es un
ruido blanco?
11. Cules son las propiedades del Mtodo de Mnimos
Cuadrados?
12. Qu ocurre cuando el mtodo de mnimos cuadrados se utiliza
en lazo cerrado? en lazo cerrado?
13. Qu son los mtodos de estimacin recursivos?
107
14. En qu casos se deben utilizar los mtodos de identificacin
recursivos? Cuales son sus caractersticas generales? recursivos? Cuales son sus caractersticas generales?
15. Cmo se realiza la estima en el mtodo de mnimos cuadrados
recursivo?
16 Q ti t d l l l i i i l l l it d 16. Qu se tiene en cuenta para darles los valores iniciales al algoritmo de
Mnimo Cuadrados Recursivos?
17. Para qu se agrega el factor de olvido en los mtodos de identificacin
i ? recursivos?
18. En qu consiste la unificacin de los algoritmos de estimacin de
parmetros recursivos?
19. Qu caracterstica comparativamente presentan los mtodos de Variable
Instrumento Recursivo (RIV), Mnimos Cuadrados Recursivo (RLS) y
Mxima Probabilidad Recursivo (RML)?
108
Prctico
109
Ejercicio 2.1 j
De un ejemplo de un sistema a identificar determinando cuales
l t d l lid l t b i son las entradas, las salidas y las perturbaciones.
Justifique por qu cree que es necesario realizar la identificacin
del sistema
110
Fin
2. IDENTIFICACIN DE
SISTEMAS SISTEMAS
111