Ingeniera de Control

Introduccin a la Identificacin de sistemas

Daniel Rodrguez Ramrez Teodoro Alamo Cantarero

Ingeniera de Control
Temario:
1. 2. 3. 4. Modelado e Identificacin. Anlisis de sistemas de control. Estructuras de Control. Diseo basado en Desigualdades Matriciales. 5. Diseo Estimadores. 6. Tcnicas Avanzadas de control. 7. Implementaciones industriales.

Contextualizacin del tema

Conocimientos que se adquieren en este tema:
Modelos deterministas a trozos. Modelos de procesos con ruidos. Concepto de identificacin de sistemas. Fases del proceso de identificacin. Propiedades importantes en identificacin de sistemas.

Este tema se complementa con el mtodo de los mnimos cuadrados expuesto en el tema siguiente.

Esquema del tema

11.1. Introduccin. 11.2. Perturbaciones deterministas a trozos. 11.3. Procesos estocsticos. 11.4. Modelos de procesos con ruidos. 11.5. Ideas bsicas sobre identificacin de sistemas.
11.5.1. Planificacin de los experimentos. 11.5.2. Seleccin del tipo de modelo. 11.5.3. Eleccin de un criterio. 11.5.4. Estimacin de los parmetros. 11.5.5. Validacin del modelo. 11.5.6. Resumen del proceso de identificacin.

11.6. Algunas propiedades.

11.6.1. Excitacin persistente. 11.6.2. Convergencia e identificabilidad.

11.7. Niveles de supervisin y acondicionamiento.

Introduccin
El paso previo para un buen control es el conocimiento del sistema a controlar. Modelos forma de representar el conocimiento de un sistema. Los modelos son representaciones simplificadas. Modelos que se acercan a la realidad mediante trminos aleatorios modelos de procesos estocsticos. Un modelo es til para simulacin, diseo de controladores, control basado en modelo, etc Problema: obtener el modelo de un sistema. Obtencin en base a datos experimentales: IDENTIFICACIN. Proceso iterativo con varias fases. El xito de la identificacin depende de ciertas propiedades:
Calidad de las seales de entrada. Identificabilidad.

Esquema del tema

11.1. Introduccin. 11.2. Perturbaciones deterministas a trozos. 11.3. Procesos estocsticos. 11.4. Modelos de procesos con ruidos. 11.5. Ideas bsicas sobre identificacin de sistemas.
11.5.1. Planificacin de los experimentos. 11.5.2. Seleccin del tipo de modelo. 11.5.3. Eleccin de un criterio. 11.5.4. Estimacin de los parmetros. 11.5.5. Validacin del modelo. 11.5.6. Resumen del proceso de identificacin.

11.6. Algunas propiedades.

11.6.1. Excitacin persistente. 11.6.2. Convergencia e identificabilidad.

11.7. Niveles de supervisin y acondicionamiento.

Modelos Clsicos

Modelos representan el conocimiento sobre un sistema. Modelos de procesos / modelos de perturbaciones. Modelos clsicos de perturbaciones: Pulsos Escalones Rampas Sinusoides Absolutamente predecibles. Generados por sistemas lineales.

Simples y poco realistas

10

w(k)

Modelos deterministas a trozos

Ms realistas que los modelos clsicos. No del todo predecibles. Se suponen generados por sistemas lineales del tipo:

8 6 4 2 0 0 20 40 60 80 100 120 140 160 180 200

10 8

y(k)

6 4 2 0 0 20 40 60 80 100 120 140 160 180 200

tiempo
8 6

w(k)

La entrada permanece a cero salvo en ciertos instantes separados ms de n tiempos de muestreo.

4 2 0

20

40

60

80

100

120

140

160

180

200

6 4 2

y(k)

0 -2 -4 -6 0 20 40 60 80 100 120 140 160 180 200

tiempo

Esquema del tema

11.1. Introduccin. 11.2. Perturbaciones deterministas a trozos. 11.3. Procesos estocsticos. 11.4. Modelos de procesos con ruidos. 11.5. Ideas bsicas sobre identificacin de sistemas.
11.5.1. Planificacin de los experimentos. 11.5.2. Seleccin del tipo de modelo. 11.5.3. Eleccin de un criterio. 11.5.4. Estimacin de los parmetros. 11.5.5. Validacin del modelo. 11.5.6. Resumen del proceso de identificacin.

11.6. Algunas propiedades.

11.6.1. Excitacin persistente. 11.6.2. Convergencia e identificabilidad.

11.7. Niveles de supervisin y acondicionamiento.

Procesos estocsticos (Kolmogorov)

Modelos ms realistas, impredecibles. Estocstico: relativo a una variable aleatoria; algo que sigue una determinada distribucin de probabilidad, usualmente con varianza finita. Funcin

Realizacin

Variable aleatoria

Algunos procesos estocsticos

Proceso estocstico determinista: aqul cuya evolucin puede ser predicha exactamente con un predictor lineal en base a medidas pasadas.

Proceso estocstico estacionario: aqul cuya distribucin estadstica para X(t1),X(t2),,X(tn) es la misma que para X(t1+), X(t2+),,X(tn+).

Ruido blanco discreto: proceso estocstico cuyos elementos son variables aleatorias independientes entre s y cuya distribucin es idntica.

Esquema del tema

11.1. Introduccin. 11.2. Perturbaciones deterministas a trozos. 11.3. Procesos estocsticos. 11.4. Modelos de procesos con ruidos. 11.5. Ideas bsicas sobre identificacin de sistemas.
11.5.1. Planificacin de los experimentos. 11.5.2. Seleccin del tipo de modelo. 11.5.3. Eleccin de un criterio. 11.5.4. Estimacin de los parmetros. 11.5.5. Validacin del modelo. 11.5.6. Resumen del proceso de identificacin.

11.6. Algunas propiedades.

11.6.1. Excitacin persistente. 11.6.2. Convergencia e identificabilidad.

11.7. Niveles de supervisin y acondicionamiento.

Modelos de procesos con ruidos

Modelo de Box-Jenkins:
C ( z 1 ) D ( z 1 )

B( z 1 ) A( z 1 )

Modelo de Media Movil (MA):

Modelo Autoregresivo (AR):

Modelos de procesos con ruidos

Modelo Autoregresivo de Media Mvil (ARMA)

Modelo Autoregresivo de Media Movil con una entrada Exogena (ARMAX)

Modelo Autoregresivo con entrada exgena para mnimos cuadrados (ARXLS)

Modelo Autoregresivo de Media Mvil integrada y con una entrada exgena

Modelos de procesos con ruidos

2.5

2.5

1.5

1.5
1

1
0.5

ARMAX
0 20 40 60 80 100 120 140 160 180 200

0.5

DETERMINISTA
0 20 40 60 80 100 120 140 160 180 200

-0.5

Esquema del tema

11.1. Introduccin. 11.2. Perturbaciones deterministas a trozos. 11.3. Procesos estocsticos. 11.4. Modelos de procesos con ruidos. 11.5. Ideas bsicas sobre identificacin de sistemas.
11.5.1. Planificacin de los experimentos. 11.5.2. Seleccin del tipo de modelo. 11.5.3. Eleccin de un criterio. 11.5.4. Estimacin de los parmetros. 11.5.5. Validacin del modelo. 11.5.6. Resumen del proceso de identificacin.

11.6. Algunas propiedades.

11.6.1. Excitacin persistente. 11.6.2. Convergencia e identificabilidad.

11.7. Niveles de supervisin y acondicionamiento.

Ideas bsicas sobre identificacin de sistemas

Modelo de un sistema representa el conocimiento de la dinmica de un sistema. Herramienta de anlisis y diseo. Usualmente jerarqua de modelos (mayor a menor nivel de detalle). Dos alternativas para modelar:
Obtener el modelo mediante principios y leyes fsicas (modelo de primeros principios). Obtenerlo mediante experimentos IDENTIFICACIN DE SISTEMAS.

Aplicaciones de los modelos experimentales:

Simulacin. Anlisis y diseo de sistemas de control. Prediccin. Supervisin y monitorizacin. Optimizacin. Sensores software.

Ideas bsicas sobre identificacin de sistemas

Pasos del proceso:
Planificacin de experimentos. Realizacin de los experimentos y registro de datos. Seleccin del tipo de modelos. Condicionados Eleccin de un criterio de bondad del modelo. por el mtodo de identificacin Estimacin de los parmetros del modelo. Validacin del modelo.

Planificacin de los experimentos

Experimentar es costoso. Tcnicas sencillas de identificacin experimentos rgidos. Tcnicas complejas de identificacin menos exigentes con los experimentos. Los experimentos deben poner de manifiesto toda la dinmica del sistema. Identificacin en bucle abierto o cerrado: Bucle Abierto no siempre posible. Bucle Cerrado ms dificil: Sistemas identificables en BA, no identificables en BC. Lazos simples y consignas estticas Dificil identificacin en BC. Lazos complejos, perturbaciones y consignas cambiantes Ms fcil.

Otros aspectos a tener en cuenta en el diseo de los experimentos

Seales de entrada:
Manipulacin sencilla. Amplitud: restringida a zona lineal. Rango de frecuencias: mejor cuanto ms amplio. Excitacin permanente.

Eleccin del periodo de muestreo. Tiempo de identificacin (cantidad de datos necesarios). Tcnicas on-line o off-line.

Realizacin de los experimentos y recogida de datos

Tras la realizacin Acondicionamiento de datos:

Eliminacin de componente continua. Filtrado de perturbaciones de alta frecuencia. Eliminacin de perturbaciones de baja frecuencia (derivas, offsets) Eliminacin de datos errneos. Escalado de variables. Identificacin de los retardos.

Seleccin del tipo de modelo

Tipos de modelos segn el conocimiento sobre su fsica: Modelos de Caja Blanca.
Basados en leyes de la fsica.

Modelos de Caja Negra.

Solo interesa la funcin dinmica externa.

Modelos de Caja Gris.

Hay que estimar constantes o parmetros

Tipos de modelos segn el modo de parametrizacin: Modelos paramtricos.

Se especifican mediante un reducido conjunto de parmetros.

Modelos no paramtricos.
No se pueden representar con un nmero finito de parametros: Respuesta frecuencial, Impulsional Infinita

Usaremos modelos de caja negra paramtricos.

Seleccin del tipo de modelo

Otros aspectos que permiten clasificar modelos: Dominio temporal o frecuencial. Deterministas o estocsticos. Dinmicos, estticos o de eventos discretos. De parmetros distribuidos o concentrados: no se considera la variacin en funcin del espacio. Lineales o no lineales. Tiempo continuo o tiempo discreto. A la hora de construir un modelo: Los modelos siempre son representaciones simplificadas de la realidad. El modelo debe ser apropiado para el fin que se persigue. La complejidad debe ser la suficiente para recoger los aspectos esenciales del sistema.

Eleccin de un criterio
Expresa lo bueno que es el modelo obtenido los datos experimentales. como se ajusta o reproduce

Criterio de bondad de ajuste

Usualmente es una funcin de los errores de estimacin:

Estimacin de los parmetros del modelo

Necesarios: datos experimentales, tipo de modelo y criterio. Se busca el conjunto de parmetros que mejor ajusta a los datos Minimizar el criterio: Si el modelo es estocstico Estimacin estadstica.

Diferentes formas de implementar. Estimacin directa (una pasada), estimacin iterativa (mltiples pasadas).
Estimacin fuera de lnea (algoritmo no recursivo), en lnea (alg. recursivo).

Identificacin fuera de lnea

Primero se obtienen todos los datos y despus se ajusta el modelo sobre todos los datos. Buena convergencia, fiable. Resultados pobres si la dinmica cambia a lo largo del experimento.

Identificacin en lnea
La estimacin del modelo se hace en tiempo real, conforme se van tomando los datos. Ms complejo. Necesidad de supervisin. Apropiado si la dinmica del proceso cambia con el tiempo. Esenciales en sistemas que redisean el controlador peridicamente.

Estimacin de los parmetros del modelo

Tcnicas de identificacin no paramtrica:
Anlisis de respuesta transitoria: impulso, escaln Tcnicas frecuenciales: Fourier, anlisis espectral. Anlisis de correlacin: seales peridicas, estocsticas (se obtiene una funcin de correlacin entre las variables). Tcnicas buenas para procesos con estructura no conocida. Anlisis complicado.

Tcnicas de identificacin paramtrica:

Estimacin de parmetros: continuos o discretos, prediccin del error. Algoritmos de mnimos cuadrados y estimador de mxima verosimilitud. Requiere conocer la estructura del modelo. Se utiliza una funcin del error. Mejor si existe una relacin lineal entre el error y los parmetros.

Validacin del modelo

Validacin cruzada: Conjunto de Estimacin (CE). Validar segn reproduzca el modelo datos no usados.

Conjunto de Validacin (CV).

Estimar distintos tipos de modelos y validar el mejor. El criterio de validacin puede ser distinto al de estimacin:

Otras tcnicas: anlisis de residuos.

Los errores de prediccin no deben estar correlados con el resto de informacin disponible como los valores del estado del sistema. La presencia de correlaciones es sntoma de dinmicas no modeladas.

Resumen del proceso de identificacin

Proceso a repetir total o parcialmentre hasta que el modelo sea satisfactorio

Esquema del tema

11.1. Introduccin. 11.2. Perturbaciones deterministas a trozos. 11.3. Procesos estocsticos. 11.4. Modelos de procesos con ruidos. 11.5. Ideas bsicas sobre identificacin de sistemas.
11.5.1. Planificacin de los experimentos. 11.5.2. Seleccin del tipo de modelo. 11.5.3. Eleccin de un criterio. 11.5.4. Estimacin de los parmetros. 11.5.5. Validacin del modelo. 11.5.6. Resumen del proceso de identificacin.

11.6. Algunas propiedades.

11.6.1. Excitacin persistente. 11.6.2. Convergencia e identificabilidad.

11.7. Niveles de supervisin y acondicionamiento.

Excitacin Persistente
Una seal de entrada que pone de manifiesto toda la dinmica de un sistema de orden n se dice que es persistentemente excitadora de orden n. Particularizando a un modelo del tipo:

una seal u(k) es persistentemente excitadora de orden n si

es definida positiva (N: nmero de observaciones del sistema). Pulso: no excita para ningn orden (C1 = 0). Escaln: excitacin persistente de orden 1. Senoidal: excitacin persistente de orden 2. Ruido blanco: excitacin persistente para todo n.

Excitacin Persistente
En general: Una seal u(k) es persistentemente excitadora de orden n si y slo si

para todo A(z-1) no nulo de grado inferior a n. Por otra parte:

Un polinomio de grado n-1 slo se anula en n-1 puntos y el espectro del ruido blanco es distinto de cero en todo el intervalo excita persistentemente a todo orden n.

PR !!" Pseudo Random inary

!tep !e#uence

Convergencia e identificabilidad
Un sistema es identificable cuando:

Factores relacionados con la convergencia. Conocer orden y retraso del sistema. Conocer la componente continua de y(k) y u(k). u(k) debe ser persistentemente excitadora de orden igual superior al del sistema. Las perturbaciones sobre y(k) deben ser estacionarias. e(k) debe ser incorrelado con x(k). Las condiciones iniciales tambin afectan.

Identificabilidad en Bucle Cerrado

Condiciones de identificabilidad en B.C. de Isermann: Sea un sistema:

y un regulador con la estructura:

Primera condicin: Los rdenes del modelo del proceso y de las perturbaciones deben ser conocidos con exactitud. Segunda condicin:

Donde ma y mb son los grados de A(z-1) y B(z-1), v y w son los grados de Q(z-1) y P(z-1) y p es el nmero de raices comunes de A(z-1) y C(z-1).

Esquema del tema

11.1. Introduccin. 11.2. Perturbaciones deterministas a trozos. 11.3. Procesos estocsticos. 11.4. Modelos de procesos con ruidos. 11.5. Ideas bsicas sobre identificacin de sistemas.
11.5.1. Planificacin de los experimentos. 11.5.2. Seleccin del tipo de modelo. 11.5.3. Eleccin de un criterio. 11.5.4. Estimacin de los parmetros. 11.5.5. Validacin del modelo. 11.5.6. Resumen del proceso de identificacin.

11.6. Algunas propiedades.

11.6.1. Excitacin persistente. 11.6.2. Convergencia e identificabilidad.

11.7. Niveles de supervisin y acondicionamiento.

Niveles de supervisin
Propio de los mtodos de identificacin en linea. Deteccin y correccin de errores en el modelo obtenido. Evitar problemas que desestabilicen el proceso de identificacin. Necesario en sistemas donde el controlador se redisea peridicamente en base al modelo. Basados en reglas y heursticas.

Niveles de supervisin
Acondicionamiento de datos automtico:
Filtrado de datos a la entrada del identificador. Eliminacin de componente continua y escalado de las variables.

Supervisar la evolucin de los parmetros:

Derivas en los parmetros: problemas en el orden del modelo. Cambios bruscos en los parmetros. Anlisis de correlacin en los residuos: dinmicas no modeladas. Relacin seal ruido: discrepancias entre modelos ARX y SS ?

Monitorizar otros parmetros del identificador:

Evolucin del error de identificacin (traza matriz de covarianza). Ajuste del factor de olvido, ganancias de adaptacin

Monitorizar la introduccin de riqueza dinmica en el sistema:

Inyectar perturbaciones si es necesario. Realizar paradas del identificador