IDENTIFICACIN DE SISTEMAS

1.1 INTRODUCCIN

En innumerables situaciones y circunstancias es necesario obtener una fiel, o la ms cercana representacin
matemtica de un proceso, por ejemplo para efectos de simulacin control avanzado de procesos.
Esta representacin matemtica del proceso real se conoce como MODELO. La tcnica o
procedimiento para obtener el modelo se conoce como MODELACIN.

Dependiendo del objetivo y la caracterstica del proceso, el modelo se puede obtener a travs de
- principios fsicos leyes fsicas
- experimentos
- combinacin de principios fsicos y experimentales

La obtencin del modelo en base a principios fsicos se conoce como MODELO MATEMTICO
La obtencin del modelo en base a la experimentacin, data medida, se conoce como IDENTIFICACIN
DE SISTEMAS.


1.2 IDENTIFICACIN DE SISTEMAS

Los pasos para obtener una adecuada identificacin de procesos es respetar los siguientes pasos

- Seleccin de datos experimentales
- Seleccin de la estructura del modelo
- Seleccin del algoritmo de estimacin de parmetros
- Validacin del modelo

Seleccin de datos muestreados Consiste en examinar la data medida y fijarse si corresponde a
seales que intuitivamente son aptas para ser usada en la identificacin. Existen variadas tcnicas para evaluar
adecuadamente la data y purificarla cuando sea necesario.

Seleccin de la estructura del modelo Existen una familia de estructuras para representar un
modelo. Las estructuras ms conocidas son las basadas en sistemas lineales, y que sern materia de nuestro
estudio., debido a su fcil y simple manejo matemtico. Mediante ayudas que se vern ms adelante nos
permitir encontrar la estructura ms idnea

Seleccin del algoritmo estimacin de parmetros Consiste en estimar los mejores
parmetros o coeficientes de la estructura del modelo escogida, para lograr que el modelo sea una fiel
representacin del proceso real.

Validacin de data contrastar la estructura con sus parmetros estimados con nuevos datos
medidos, o sea verificar que tan bueno es el modelo hallado.

Bsicamente existen dos mtodos de identificacin:




2

Identificacin no paramtrica

La identificacin paramtrica consiste en estimar los parmetros del modelo expresado en funciones de
transferencia, o sea los parmetros de los polinomios (numerador y denominador) de las funciones de
tranferencia del proceso, ) (z G
p
, y la funcion de transferencia del ruido, ) (z G
v
.


La identificacin no paramtrica consiste en estimar el comportamiento de respuesta a impulso o respuesta en
frecuencia de un proceso (Diagrama de Bode) sin necesidad de pasar por un modelo paramtrico


4.3 ALGORITMO DE ESTIMACION PARAMETRICA


Por simplicidad, se comenzar suponiendo el proceso real es representado por un modelo lineal. Por lo
general un modelo lineal se representa mediante una funcin de transferencia.

En los textos de control discreto, los modelos lineales se representan mediante la siguiente ecuacin:


) (
) (
) (
) (
) (
) (
) ( z v
z C
z D
z u z
z A
z B
z y
d
+



(1)

Con


m
m
z a z a z a z A

+ + + + ... 1 ) (
2
2
1
1

(2)

m
m
z b z b z b z B

+ + + ... ) (
2
2
1
1

(3)

m
m
z d z d z d z D

+ + + + ... 1 ) (
2
2
1
1

(4)

m
m
z c z c z c z C

+ + + + ... 1 ) (
2
2
1
1

(5)

Son los polinomios de las funciones de transferencia

Donde ) (z u es la entrada al proceso y ) (z v es ruido blanco.

Ajustar los parmetros del modelo a un proceso real consiste en encontrar los parmetros adecuados de los
polinomios del modelo tal que su salida sea lo mas aproximada a la salida real del proceso. Este
procedimiento se conoce como identificacin de sistemas

Dependiendo de la forma y caractersticas de los polinomios se clasifican diferentes modelos lineales.

Los ms importantes, de lo simple a lo complejos, son:





3
Modelo ARX Es cuando 1 ) ( z D y ) ( ) ( z C z A por lo tanto

) (
) (
1
) (
) (
) (
) ( z v
z A
z u z
z A
z B
z y
d
+



(6)

Modelo ARMAX Es cuando ) ( ) ( z C z A por lo tanto

) (
) (
) (
) (
) (
) (
) ( z v
z A
z D
z u z
z A
z B
z y
d
+



(7)



Modelo Output-Error (OE) Es cuando ) ( ) ( z C z D por lo tanto

) ( ) (
) (
) (
) ( z v z u z
z A
z B
z y
d
+



(8)


Modelo Box-Jenkins (BJ) No existen restriccin en los polinomios, por lo tanto

) (
) (
) (
) (
) (
) (
) ( z v
z C
z D
z u z
z A
z B
z y
d
+



(9)

Caso simple

Supongamos que a un proceso real se le aproxime la siguiente funcin de transferencia


d
z
z A
z B
z u
z y
z G


) (
) (
) (
) (
) (

(10)


La ecuacin de diferencia es


) ( ) 1 ( ) ( ) 1 ( ) (
1 1
m d n u b d n u b m n y a n y a n y
m m
+ + + L L
(11)




Si conociramos los parmetros, se conocera el valor aproximado de ) (n y si reemplazamos los valores
pasados de ) ( n y por los valores pasados y medidos de ) (n y , es decir.


) ( ) 1 ( ) ( ) 1 ( ) (
1 1
m d n u b d n u b m n y a n y a n y
m m
+ + + L L
(12)


4
Ahora, si asumimos que la diferencia entre la salida real, ) (n y , y la salida de la funcin de transferencia,
) ( n y , es ruido blanco, entonces el modelo que representa al proceso corresponde al modelo ARX, dado que
la salida real sera


) ( ) ( ) ( n v n y n y +
(13)

Es decir,

) ( ) 1 ( ) ( ) 1 ( ) (
1 1
m d n u b d n u b m n y a n y a n y
m m
+ + + L L +v(n)
(14)

Sacando la transformada Z a esta ecuacin obtendramos el modelo ARX de la ecuacin (6)


Transicin de la matemtica a la intuicin en el clculo de los parmetros

Supongamos hipotticamente que el proceso real obedece exactamente a la ecuacin (10), por lo tanto la
ecuacin de diferencia sera


) ( ) 1 ( ) ( ) 1 ( ) (
1 1
m d n u b d n u b m n y a n y a n y
m m
+ + + L L



Como existen 2m parmetros a determinar, entonces se requiere 2m mediciones para obtener el conjunto de
ecuaciones independientes para encontrar los parmetros exactos y solucionados los problemas. Sin embargo
en la realidad las mediciones estn contaminadas con ruido, es decir5 tendramos el modelos de la ecuacin
(14) y aqu no habra forma de conocer los parmetros exacto del proceso. Una forma de resolver este
impasse se considera la adicin del ruido como un aumento de parmetros a encontrar, lo que obliga a
aumentar las mediciones para alcanzar un conjunto cerrado de ecuaciones. Sin embargo como no se sabe a
cuantos parmetros ms equivale un proceso con ruido, entonces se procede a imponer restricciones
adicionales, materia que ser abordada en lo que sigue.



Algoritmo de mnimos cuadrados

Para entender el uso prctico de los algoritmos de identificacin de parmetros comenzaremos por construir
un proceso ideal y posteriormente hacer el anlisis para un proceso real. Sea entonces el siguiente proceso
ideal cuya relacin entrada y salida esta dado por la siguiente ecuacin de diferencia del modelo ARX:


) ( ) ( ) 1 ( ) ( ) 1 ( ) (
1 1
n v m d n u b d n u b m n y a n y a n y
m m
+ + + + L L
(15)

Aqu los parmetros son nmeros reales que existen pero son desconocidos para nosotros

Por lo tanto se pretende aproximar una funcin de transferencia dada por ecuacin (10) o ecuacin (12).
Como los parmetros de la ecuacin (12) se desconocen, entonces es necesario encontrarlos a travs de un
algoritmo matemtico. Este proceso se conoce como algoritmo de estimacin de parmetros y consiste en la
implementacin de un programa que en base a la informacin de la entrada y salida del proceso emplea un
mtodo de optimizacin para la bsqueda de los parmetros aproximados del modelo que mejor represente al
proceso. En la figura 1 se muestra esta situacin


5


figura 1. esquema de identificacin de parmetros



Procedimiento para la estimacin de parmetros

Se comienza con la informacin del modelo ARX.


Empleando notacin vectorial-matricial, la ecuacin (12) se puede escribir como

!

) ( ) ( n n y
T

)

(16)

con

[ ] ) ( , ), 1 ( ), ( , ), 2 ( ), 1 ( ) ( m d n u d n u m n y n y n y n
T
L L !
(17)

[ ]
m m
T
b b a a

, ,

, , ,

1 1
L L
(18)

El techito sobre los parmetros significa valor estimado de los parmetros verdaderos, puesto que
ignoramos los parmetros de ecuacin (15)
Como la estimacin depender de cuantas muestras se considerarn,

depender de n, por lo tanto:

[ ] ) (

, ), (

), ( ), ( ) (

1 1
n b n b n a n a n
m m
T
L L
(19)


Donde ) (

n
Y
es el vector de parmetros que se pretende encontrar. Para el clculo con n muestras se
considera que los 2m parmetros son constantes
6
Para facilitar la nomenclatura, cambiamos los argumentos por sub-ndices. As la ecuacin (16) queda de la
siguiente forma:


n
T
n n
y !

(20)

Para encontrar los parmetros es necesario imponer restricciones, como dijimos antes, a esta ecuacin. Una
restriccin lgica y razonable es hacer mnimo el siguiente ndice:

+ +
n
i
i n
e e e J
1
2 2 2
1
...

(21)

Donde

n n n
y y e

La ecuacin (21) se conoce como criterio de mnimos cuadrados

De esta manera se origina un problema de optimizacin para la determinacin del vector de parmetros
n

del modelo que consiste en la minimizacin del funcional de costo dado por la ecuacin (21).


Inclusin en el anlisis de la variacin de parmetros

Si durante el periodo de muestras los parmetros del proceso varan, entonces podemos modificar el ndice de
la ecuacin (21) para dar ms importancia a los valores de parmetros mas recientes del proceso, al incluir la
variable (con valores menor a 1) de la siguiente manera:

+ + + + +
n
i
i
i n
n n n
n n
e e e e ... e e J
1
2 2 2
1
2
2
2 2
2
2 2
1
1


(22)

Al considerar esta modificacin, el anlisis siguiente tomar en cuenta situaciones mas generalizadas, dado
que con 1 se obtiene la ecuacin anterior (21) que corresponde cuando no existe variacin de parmetros
del proceso. El valor se determina experimentalmente y esta en el rango de 0.9 y 1

Obtencin de
n

para J mnimo

Expresando J en anotacin vectorial, tendremos

n n
T
n
J e Q e

con

7
1
1
1
1
1
1
]
1

1 0 0 0 0
0 0 0 0
0 0 0
0 0 0
2
1

M O O M M
L
L
n
n
n
Q
1
1
1
]
1

1
e
e
n
n
M e
Si queremos encontrar 2m parmetros, entonces debemos considerar que
m


2 1
L

n n n n
T
T
n n
n
T
n
T
n n n
n
y
y
y
y
e
e

!
!
!
!
e

- Y

1 1 1 1 1

1
1
1
]
1

1
1
1
]
1

1
1
1
]
1

1
1
1
]
1

M M M M

con

1
1
1
]
1

1
Y
y
y
n
n
M
1
1
1
]
1

T
T
n
n
1

!
!
M

por lo tanto, omitiendo los sub-ndices para facilitar el anlisis, J se puede expresar como

E E e Q e Q e Q Q e e Q Q e e Q e
T
T T
T T T
J
1
]
1

1
]
1

2
1
2
1
2
1
2
1
2
1
2
1


con

( ) " Y Q Q - Q e Q #

Y

Y
2
1
2
1
2
1
2
1


donde

Y
2
1
Q %

2
1
Q "
8

por lo tanto



[ ] [ ] [ ] [ ] " " Y " " Y Y Y " Y " Y " Y " Y

J
T T T T T T T T T
T
+

Sumando y restando el trmino ( ) Y " " " " Y
T T T
1
se tiene


( ) ( ) Y " " " " Y - Y " " " " Y " " Y " " Y Y Y
T T T T T T T T T T T T

J
1 1
+ +

Agrupando en factores

( ) ( ) ( ) ( ) Y " - " " " " " Y Y " " " " Y - Y Y
T T T T T T T T T

J
1 1
+

sacando fuera del parntesis el factor " "
T
en el ltimo trmino se tiene

( ) ( ) ( ) ( ) ( ) Y " " " - " " " " " Y Y " " " " Y - Y Y
T
-
T T T T T T T T T

J
1 1 1
+

Dado que " "
T
es una matriz simtrica, entonces se cumple que ( ) ( ) [ ]
T
- - 1 1
" " " "
T T
. Empleando
esta propiedad, se obtiene la siguiente expresin cuando se traslada la transpuesta fuera del parntesis en el
primer factor

( ) ( ) ( ) ( ) ( ) Y " " " - " " Y " " " Y " " " " Y - Y Y
T
-
T T
T
T T T T T T

J
1 1 1
+

Nos encontramos entonces que J depende de

slo en el ltimo trmino. Usando propiedades de

algebra de matrices se encuentra que este trmino resulta siempre mayor o igual a cero (por ejemplo,
0 b A b
T
con A matriz positiva definida y b vector cualquiera), en consecuencia el mnimo J ocurre
cuando justamente este trmino se hace igual a cero, es decir

( ) ( ) ( ) ( ) 0
1 1


Y " " " - " " Y " " "
T
-
T T
T
T T


9

por inspeccin, esta igualdad se cumple para

( ) 0
1
T


Y " " "
T

entonces los parmetros que dan solucin a esta ecuacin es

( ) ( ) Y

1 1
Q Q Y " " "
T T T T



reincoprando los sub-ndices

( )
n n
T
n n n
T
n n
Y

1
Q Q



Ejemplo 1.1 Aplicacin a proceso real

Sean los siguientes datos medidos de entrada y salida de un proceso real


Entrada u Salida y
) 0 ( u ) 0 ( y
) 1 ( u ) 1 ( y
M M
) (M u ) (M y


Se sabe que estos datos corresponden a un proceso de primer orden (si no se sabe a que orden del proceso
representa un conjunto de datos medidos, se indicar ms adelante la forma de encontrarlo) por lo tanto el
modelo ser

) 1 ( ) 1 ( ) ( + n u b n y a n y
)






encontrar los parmetros ptimos de a y b para que el modelo represente al proceso real lo ms fielmente
posible

Solucin

1
1
1
1
]
1

) (
) 2 (
) 1 (
Y
M y
y
y
M



10




1
1
1
1
]
1

) 1 ( ) 1 (
) 1 ( ) 1 (
) 0 ( ) 0 (
M u M y
u y
u y
M M




1
1
1
1
]
1

) (
) 2 (
) 1 (
M e
e
e
e
M




1
1
1
1
]
1

1
0
2
1
0
1
0
1
0
2
) ( ) ( ) (
) ( ) ( ) (
M
k
M
k
M
k
M
k
T
k u k u k y
k u k y k y





1
1
1
1
]
1

+
+

1
0
1
0
) ( ) 1 (
) ( ) 1 (
Y
M
k
M
k
T
k u k y
k y k y




finalmente para obtener se saca la inversa de
T
y se multiplica por y
T

Mientras ms grande es el numero de mediciones M , mejor es la estimacin de




Forma recursiva

Los parmetros de la solucin anterior se pueden expresar como:

n n n

b P (23)

con

11
T
n n
n-
i
T
i i
i n- T
n n
n
i
T
i i
i n
n
i
T
i i
i n
n n
T
n
-
n
! ! ! ! ! ! ! ! ! ! Q P + +

1
1
1
1
1 1
1


T
n n
-
n-
-
n
! ! P P +
1
1
1
(24)


y



n n i
n-
i
i
i n-
n n i
n-
i
i
i n
i
n
i
i
i n
n n
T
n n
Y Y Y Y Y ! ! ! ! ! Q b + +

1
1
1
1
1 1
Y

n n n- n
Y ! b b +
1
(25)


Clculo de
n
P en funcin de
1 n-
P

Post-multiplicando la ecuacin (24) por
1 n-
P

-1 n
P ! ! I P P
T
n n n-
-
n
+
1
1


premultiplicando por
n
P

1 1 n-
T
n n n n n-
P ! ! P P P + (26)

post-multiplicando por
n
!

n n-
T
n n n n n n n
! P ! ! P ! P ! P
-1 1
+

despejando
n n
! P

12
n n-
T
n
n n-
n n
! P !
! P
! P
1
1
+
(27)

incorporando ecuacin (27) en (26)



n n-
T
n
n-
T
n n n-
n n-

! P !
P ! ! P
P P
1
1 1
1
+
+

despejando
n
P

,
_

+

n n-
T
n
n-
T
n n n-
n- n
! P !
P ! ! P
P P
1
1 1
1
1
(28)

Clculo de
n

en funcin de
1 n

Incorporando ecuaciones (28) y (25) en (23) tenemos

( )
n n n-
n n-
T
n
n-
T
n n n-
n- n
Y

! b
! P !
P ! ! P
P +

,
_

+

1
1
1 1
1
1


n n n- n n n-
n n-
T
n
n-
T
n n n-
n- n
Y Y

! P ! b
! P !
P ! ! P

1 1
1
1 1
1
1 1

+
1
]
1

+
+


incorporando ecuacin (27)

n n n- n n n-
T
n n n n- n-
T
n n n n- n
Y Y ! P ! P ! ! P b P ! ! P
1 1 1 1 1
1 1


+
usando ecuacin (23) y factorizando
[ ]
n n n-
T
n n n n- n-
T
n n n n- n
Y ! P ! ! P P ! ! P

1

1 1 1 1
+

incorporando ecuacin (26)
13

[ ]
n n-
T
n n n n- n n n n-
T
n n n n- n
Y

Y

+
1 1 1 1
! ! P ! P ! ! P (29)

algoritmo RLS

Consiste en las ecuaciones (28) y (29), o sea

,
_

+

n n-
T
n
n-
T
n n n-
n- n
! P !
P ! ! P
P P
1
1 1
1
1


[ ]
n n-
T
n n n n- n
Y
1 1

! ! P

Tambin
n

se puede expresar usando la ecuacin (27)

[ ]
n n-
T
n
n n-
T
n n n-
n- n

Y
! P !
! ! P

1
1 1
1

[ ]
n n-
T
n
n-
T
n n n n-
n- n

Y
! P !
! ! P

1
1 1
1

+


Consistencia de la estimacin El algoritmo de estimacin de parmetros es un procedimiento no
lineal debido al clculo cuadrtico del error. Por esta razn el estudio terico acabado de las condiciones de
funcionamiento de este algoritmo son complejos. Sin embargo se ha demostrado que si la data es generada
por la siguiente expresin[2]

) ( ) ( ) ( k v k k y
T
+


Donde ) (k v es ruido blanco con esperanza nula y varianza
2

entonces la varianza que experimenta los parmetros estimados esta dado por

{ }
1 2
) (


T
Var


El siguiente ejemplo no dar una orientacin sobre las condiciones de la data para estimacin de parmetros.

Ejemplo 4.3
Sea un proceso real representado por el siguiente modelo



14
) 1 ( ) ( k u b k y
)




Determine el comportamiento de la varianza de las estimaciones a medida que aumenta el numero de
mediciones M para las siguientes seales de entradas.

a) 0 ) ( f
k
e k u


b) 0 ) ( p a e k u
a

c) 1 ) ( k u

Solucin De ecuacin (4.18) tenemos

M
k
T
k u
1
2
) (



y de ecuacin (4.25)

{ }

M
k
k u
Var
1
2
2
) (

a) La sumatoria converge y la varianza va a una constante

'

M
k
a
a M
a M
a cte
k u
1
2 1
2
2
1
2
1
log
2
1
.
) (
p
f




b) La varianza va a cero segn
k
1


El ejemplo nos muestra claramente que la estimacin depende de la razn de crecimiento de
la seal ) (k u . La varianza no disminuir con el aumento de mediciones M si ) (k u muy lentamente. En
condiciones normales ) (k u son de magnitudes similares cuando vara k , por lo tanto es razonable decir
que la varianza disminuye segn
k
1
. Es obvio que si ) (k u vara rpidamente, la varianza tambin
disminuir rpidamente. En este caso se dice que la data es consistente.

Condiciones de convergencia del algoritmo parmetros verdaderos Debido a que la
deduccin del algoritmo de mnimos cuadrados es un procedimiento no lineal (recordemos que los errores son
cuadrticos), no se asegura la convergencia a los parmetros verdaderos para cualquier conjunto de datos de
entrada y salida del proceso real

Seleccin de la estructura del modelo En caso que la estructura del modelo (ordenes de los
polinomios y retardo) no coincide con la verdadera estructura de la planta las estimaciones arrojarn
resultados sesgados y por lo tanto la estimacin converger a parmetros falsos. Sin embargo se pueden usar
procedimientos de bsqueda de orden para encontrar la estructura verdadera. A continuacin se presenta una
de ellas usando la herramienta de MATLAB.

15
4.4 UN PROCEDIMIENTO PARA LA ESTIMACIN DE UNA PLANTA CON MATLAB

A continuacin se presenta un procedimiento de estimacin de parmetros de hasta orden 3 en ) (z G
p

y ) (z G
v
.
Entonces, sea un proceso real que trabaja en una zona lineal alrededor de un punto de operacin. Por lo tanto
alrededor de este punto de operacin, la planta se puede representar por el modelo de la figura 4.2

v(z)
u(z)
y(z)
El efecto del ruido a la salida de
la planta se representa por el ruido
blanco v(z), que es inhente al proceso
Gp(z)
..
Gv(z)
.
Fi
Figura 4.2 modelo para estimacin


Obtencin de la data para efectos de estimacin

PASO1: Se mantiene la planta en un punto de operacin pero sin fluctuaciones de entrada. Esto es equivalente
a considerar u(z) en el modelo. A continuacin se efectan M muestras de datos de salida, Yp, cada To
instantes de muestreo, obtenindose una tabla de M valores medidos. Estos valores son almacenados en un
archivo para ser ledos por Matlab.

PASO2: Se repite el paso1 pero ahora superponiendo una seal de prueba a la entrada del proceso(ruido
blanco ) de magnitud suficientemente pequea que no altere mayormente el normal funcionamiento de la
planta, pero suficiente para observar sus efectos a la salida. En el modelo es equivalente a considerar u(z) un
ruido blanco que no esta correlacionado con el ruido v(z) de la planta. Se confecciona una tabla de M valores
medidos de entrada y salida de la planta (U, Y) en estas circunstancias. Esta tabla de pares de valores son
tambin almacenados en un archivo para ser ledos por Matlab.


Obtencin del orden de
v
G

PASO3: Se hace correr el Toolbok de identificacin de Matlab denominado ident y se procede hacer lo
siguiente:
- Importar data en Data
- Colocar la variable yp en Output
- Asignar nombre a la data ingresada en Data name
- Colocar cero en Start time
- Colocar en el intervalo de muestreo el valor To en Sampling interval
- Hacer Import
- Para ver la data seleccionar View

PASO4: Se procede a hacer la estimacin de parmetros de un modelo ARMA:
- En Preprocess seleccionar Quick start
- Ir a estimate y seleccionar Parametric models
- Seleccionar en AR la estructura ARMA
- Seleccionar 1 1 en Orders
- Hacer Estimate


16
PASO5: Repetir paso 4 para los siguientes ordenes:
1 2
1 3
2 1
2 2
2 3
3 1
3 2
3 3

PASO 6: Haciendo doble click en cada grfico, seleccione aquel que obtenga el menor valor de FPE. Esta
seleccin permite encontrar el orden del modelo del ruido, Gv(z), o sea, el orden del polinomio del numerador
y denominador, nc y nd respectivamente. Este ultimo orden, nd es equivalente al orden na del modelo
BJ que se ver ms adelante.


Obtencin del retardo de la planta

PASO 7: Regresar al Matlab y hacer una separacin de data como sigue:
- k=M {En caso que M es el nmero de muestras y nmero par. Si M es impar hacer k=M-1}
- ze=[y(1:(k/2)) u(1:(k/2))];
- zr=[y((k/2+1):k) u((k/2+1):k)];

PASO 8: Se considera ahora un proceso ARX[2,2], slo para efectos de hallar el retardo. Para probar retardos
de 1 a 10 instantes de muestreo se hace:
- V=arxstruc(ze,sr,struc(2,2,1:10));
- [nn,Vm]=selstruc(V,0);
- nn luego enter
- El nmero de la ltima columna indica el retardo de la planta, o sea corresponde a nk del modelo BJ.


Estimacin completa de la planta

PASO 9: Volver a Ident
- Hacer File, Close sesion y Not
- Importar data en Data
- Colocar la variable U en Input
- Colocar la variable Y en Output
- Asignar nombre a la data ingresada en Data name
- Colocar cero en Stanting time
- Colocar en el intervalo de muestreo el valor To en Sampling interval
- Hacer Import
- Para ver la data seleccionar View
- En preprocess seleccionarQuick start

PASO 10: Repetir PASOS 4 y 5 ,pero ahora con el modelo BJ para encontrar los valores ptimos de los
ordenes que restan para completar la estructura del mocelo, o sea nb y nf (ya se conoce de nc, nd y
nk). Por lo tanto las combinaciones a probar son las siguientes.








17
.nb nc nd nf nk

1 1 1 1 6
1 1 1 2 6
1 1 1 3 6
2 1 1 1 6
2 1 1 2 6
2 1 1 3 6
3 1 1 1 6
3 1 1 2 6
3 1 1 3 6

PASO 11: Escoger la estructura del modelo de la planta Gp, o sea nb y nf, que de el menor valor de
FPE.

PASO 12: Hacer doble click sobre el grfico del menor valor de FPE y luego hacer present. Luego volver
a Matlab para obtener los coeficienmtes estimados de Gp y Gv con sus ordenes y retardo.


Ejemplo 4.2

Desarrolle un programa para el algoritmo de mnimos cuadrados recursivos de la ecuacin (4.24)
para el proceso del ejemplo anterior, pero suponiendo ahora de parmetros variantes en el tiempo.

Solucin Los vectores y matrices son

[ ]
[ ] ) ( ), ( ) 1 (
) ( ), ( ) (
1 1
k u k y k
k b k a k
T
T
+






a) Condiciones iniciales


0
) 0 (
) 0 (
) 0 (
) 0 (
) 0 (
1
1
k
u
y
b
a
P

b) Calcular

[ ]
1
) 1 ( ) ( ) 1 ( ) 1 ( ) ( ) 1 (

+ + + + + k k P k k k P k
T




c) Leer ) 1 ( ), 1 ( + + k y k u

d) Calcular nuevo valor de parmetros

18
[ ] ) ( ) 1 ( ) 1 ( ) 1 ( ) ( ) 1 ( k k k y k k k
T
+ + + + +



e) Calcular la matriz ) 1 ( + k P

[ ] / ) ( ) 1 ( ) 1 ( ) 1 ( k P k k I k P
T
+ + +



f) 1 + k k

g) volver a b) y repetir el ciclo

Ejemplo

Sea la data generada por el siguiente proceso

) ( ) 1 ( ) 1 ( 8 . 0 ) ( k v k u k y k y + +



La varianza del ruido es 1. En la figura 4.3 se muestran los datos de la seal de entrada PRBS (Pseudo
Random Binary Signal) y salida.












0 5 0 1 0 0 1 5 0 2 0 0 2 5 0 3 0 0 3 5 0 4 0 0 4 5 0 5 0 0
- 1 0
- 5
0
5
1 0
0 5 0 1 0 0 1 5 0 2 0 0 2 5 0 3 0 0 3 5 0 4 0 0 4 5 0 5 0 0
- 2
- 1
0
1
2
u ( k )
y ( k )

Figura 4.3 Salida y entrada. La entrada es una secuencia PRBS

Graficar la estimacin de parmetros de a y b

Solucin Usando el Toolbox de Identificacin de Sistemas de MATLAB se obtiene las
grficas de la figura 4.4
19

0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
- 2
- 1 . 5
- 1
- 0 . 5
0
0 . 5
1
1 . 5
2
a
e s t i m a d o
b
e s t i m a d o

Figura 4.4 Estimacin recursiva de parmetros


EJERCICIOS


1) Qu ocurre con el algoritmo de mnimos cuadrados si la matriz
T
no es invertible?
Cundo puede ocurrir?. Exponga un ejemplo

2) Sea el siguiente proceso

) ( ) 1 ( ) 1 ( ) (
1 1
k v k u b k y a k y + +




Con mediciones de entrada y salida se estima los parmetros de este proceso

Ahora si se realimenta con un controlador proporcional (K) con referencia igual a cero y se procede
nuevamente medir entrada y salida Se obtiene los mismos parmetros estimados? Justifique su respuesta.

3)
c) Qu ocurre con la estimacin si no coincide ya sea el
tipo de comando o los ordenes de los polinomios en el argumento?
b) Indique los nmeros de los argumentos del comando
seleccionado en a) de acuerdo a los ordenes de los polinomios y
retardo
ARX, ARMAX, BJ
OE
a) Indique cul de los siguientes comandos de MATLAB usara Ud. para
estimar el proceso:
u
y
Su
m
Ruido
blanco
z
-2
1
Retard
o
b1.z +b2.z
+b3z
-1 -2 -3
1+a1
z
-1
Proce
so



4)
20

[ ]
( ) [ ]
( ) [ ]
1
1
1
1
1
) 1 ( ) 1 ( ) 1 ( ) 1 ( )
) 1 ( ) 1 ( ) ( ) 1 ( )
: , ) ( ) ( ) (

+ + + +
+ + + +

M M P M P b
M M M P M P a
que demuestre M M M P Si
T
T
T


5) Mencione y comente cuales son las tcnicas para obtener un modelo de una planta real

6) Identifique estructura, orden y retardo del modelo paramtrico del siguiente proceso


7) Y(k) 1.5*y(k-1) + 0.7*y(k-2) = u(k-2) + 0.5**u(k-3) + v(k) v(k-1) + 0.2*v(k-2)

8) La seal de entrad a un proceso se dice que es de orden N si la matriz cuadrada y simtrica

.c(0) c(1) ....... c(n-1)
.c(1) c(0) ....... c(n-2)
. . . es singular, con

M
j
M
i j u j u lim i c
1
) ( ) ( ) (
. . .
.c(n-1) c(n-2) ... c(0)

a) Verifique de que orden es la seal escaln
b) Deduzca de que orden es la seal de ruido blanco
c) Analice qu ocurre si se desea obtener los parmetros de estimacin de mnimos cuadrados no recursivos
con entrada escaln de:
i) ) ( ) 1 ( ) (
*
k v k u a k y +
ii) ) ( ) 2 ( ) 1 ( ) ( k v k u b k u a k y + +




9) Sea el siguiente proceso: Y(k) = b1*u(k-1) + v(k), donde v(k) es ruido blanco con E[v(k)]=0 y
Var[v(k)]=0. Se sabe que la varianza del valor estimado
~
1
b con algoritmo no recursivo es


( )
1
2
~
1
var


1
]
1

T
b
a) Para una buena estimacin, Qu debiera pasar con con
1
]
1

~
1
var b a medida que M aumenta?
b) Hacia donde tiende
1
]
1

~
1
var b si
k
e k u

) ( para
.i) 0 >
.ii) 0 <

10) Estimar los parmetros a y b no recursivo del siguiente proceso
) 2 ( ) 1 ( ) ( + k u b k y a k y Con las siguientes mediciones entrada y salida

21
k y(k) u(k)
0 0 1
1 0 2
2 2 4
3 1 3
4 3 2


11) Sea el siguiente proceso

y(k) = - a
1
*y(k-1) + b
1
*u(k-1) + v(k)

Con mediciones de entrada (u(k)) y salida (y(k))se estima los parmetros de este proceso

Ahora si se realimenta con un controlador proporcional (K) con referencia igual a cero y se procede
nuevamente medir (u(k)) y sdalida (y(k)) Se obtiene los mismos parmetros estimados? Justifique su
respuesta.



































22

4.4 UN PROCEDIMIENTO PARA LA ESTIMACIN DE UNA PLANTA CON MATLAB

A continuacin se presenta un procedimiento de estimacin de parmetros de hasta orden 3 en ) (z G
p

y ) (z G
v
.
Entonces, sea un proceso real que trabaja en una zona lineal alrededor de un punto de operacin. Por lo tanto
alrededor de este punto de operacin, la planta se puede representar por el modelo de la figura 4.2

v(z)
u(z)
y(z)
El efecto del ruido a la salida de
la planta se representa por el ruido
blanco v(z), que es inhente al proceso
Gp(z)
..
Gv(z)
.
Fi
Figura 4.2 modelo para estimacin


Obtencin de la data para efectos de estimacin

PASO1: Se mantiene la planta en un punto de operacin pero sin fluctuaciones de entrada. Esto es equivalente
a considerar u(z) en el modelo. A continuacin se efectan M muestras de datos de salida, Yp, cada To
instantes de muestreo, obtenindose una tabla de M valores medidos. Estos valores son almacenados en un
archivo para ser ledos por Matlab.

PASO2: Se repite el paso1 pero ahora superponiendo una seal de prueba a la entrada del proceso(ruido
blanco ) de magnitud suficientemente pequea que no altere mayormente el normal funcionamiento de la
planta, pero suficiente para observar sus efectos a la salida. En el modelo es equivalente a considerar u(z) un
ruido blanco que no esta correlacionado con el ruido v(z) de la planta. Se confecciona una tabla de M valores
medidos de entrada y salida de la planta (U, Y) en estas circunstancias. Esta tabla de pares de valores son
tambin almacenados en un archivo para ser ledos por Matlab.


Obtencin del orden de
v
G

PASO3: Se hace correr el Toolbok de identificacin de Matlab denominado ident y se procede hacer lo
siguiente:
- Importar data en Data
- Colocar la variable yp en Output
- Asignar nombre a la data ingresada en Data name
- Colocar cero en Start time
- Colocar en el intervalo de muestreo el valor To en Sampling interval
- Hacer Import
- Para ver la data seleccionar View

PASO4: Se procede a hacer la estimacin de parmetros de un modelo ARMA:
- En Preprocess seleccionar Quick start
- Ir a estimate y seleccionar Parametric models
- Seleccionar en AR la estructura ARMA
- Seleccionar 1 1 en Orders
- Hacer Estimate

23

PASO5: Repetir paso 4 para los siguientes ordenes:
1 2
1 3
2 1
2 2
2 3
3 1
3 2
3 3

PASO 6: Haciendo doble click en cada grfico, seleccione aquel que obtenga el menor valor de FPE. Esta
seleccin permite encontrar el orden del modelo del ruido, Gv(z), o sea, el orden del polinomio del numerador
y denominador, nc y nd respectivamente. Este ultimo orden, nd es equivalente al orden na del modelo
BJ que se ver ms adelante.


Obtencin del retardo de la planta

PASO 7: Regresar al Matlab y hacer una separacin de data como sigue:
- k=M {En caso que M es el nmero de muestras y nmero par. Si M es impar hacer k=M-1}
- ze=[y(1:(k/2)) u(1:(k/2))];
- zr=[y((k/2+1):k) u((k/2+1):k)];

PASO 8: Se considera ahora un proceso ARX[2,2], slo para efectos de hallar el retardo. Para probar retardos
de 1 a 10 instantes de muestreo se hace:
- V=arxstruc(ze,sr,struc(2,2,1:10));
- [nn,Vm]=selstruc(V,0);
- nn luego enter
- El nmero de la ltima columna indica el retardo de la planta, o sea corresponde a nk del modelo BJ.


Estimacin completa de la planta

PASO 9: Volver a Ident
- Hacer File, Close sesion y Not
- Importar data en Data
- Colocar la variable U en Input
- Colocar la variable Y en Output
- Asignar nombre a la data ingresada en Data name
- Colocar cero en Stanting time
- Colocar en el intervalo de muestreo el valor To en Sampling interval
- Hacer Import
- Para ver la data seleccionar View
- En preprocess seleccionarQuick start

PASO 10: Repetir PASOS 4 y 5 ,pero ahora con el modelo BJ para encontrar los valores ptimos de los
ordenes que restan para completar la estructura del mocelo, o sea nb y nf (ya se conoce de nc, nd y
nk). Por lo tanto las combinaciones a probar son las siguientes.







24

.nb nc nd nf nk

1 1 1 1 6
1 1 1 2 6
1 1 1 3 6
2 1 1 1 6
2 1 1 2 6
2 1 1 3 6
3 1 1 1 6
3 1 1 2 6
3 1 1 3 6

PASO 11: Escoger la estructura del modelo de la planta Gp, o sea nb y nf, que de el menor valor de
FPE.

PASO 12: Hacer doble click sobre el grfico del menor valor de FPE y luego hacer present. Luego volver
a Matlab para obtener los coeficienmtes estimados de Gp y Gv con sus ordenes y retardo.