Identificacin experimental de

sistemas dinmicos
Especialidad de Ingeniera Electrnica

Semestre 2015-1

Objetivo
Obtener un modelo matemtico apropiado del sistema
dinmico basado en datos experimentales observados y el
conocimiento previo del sistema.

Identificacin de sistemas dinmicos

Existen 2 procedimientos bsicos para la identificacin de sistemas:
Identificacin analtica de
sistemas: obtencin del modelo
matemtico a travs del anlisis
de la dinmica del sistema
usando las leyes de la fsica.
Identificacin experimental de
sistemas o modelo emprico:
obtencin del modelo matemtico
a partir de datos experimentales
(seales de entrada y salida).
Una razn fundamental para la obtencin de un modelo matemtico es
la necesidad de este para el desarrollo del controlador del sistema
estudiado.

Identificacin experimental de sistemas

Identificacin experimental de sistemas es un procedimiento
alternativo que busca obtener un modelo matemtico que
explique la relacin causa-efecto presente en los datos.
Se busca responder la siguiente pregunta:
Qu modelo existe que, al ser excitado por una entrada ()
resulta en una salida ()?
()

Sistema
Estimado: ()

()

Procedimientos para la identificacin

Los procedimento para la identificacin experimental pueden ser resumidos por
los siguientes pasos:
Adquisicin de los datos : Ubicacin de sensores y actuadores, pruebas
dinmicas y adquisicin de los datos de entrada y salida;
Eleccin de la representacin matemtica: determina las variables
relevantes y el mtodo de muestreo que ser utilizado;
Seleccin de la estructura del modelo: seleccin de la estructura deseada
del modelo y definicin de los parmetros que sern ajustados;
Estimacin de parmetros: ajuste de los parmetros usando las estadsticas
obtenidas de los datos;
Validacin: evaluacin del desempeo del modelo para datos de prueba, es
decir, datos no usados durante el proceso de ajuste de los parmetros.

Fundamentos de anlisis de seales

Una seal se define como cualquier cantidad fsica que vara con el
tiempo, espacio, o cualquier otra variable independiente. Tambin se
puede decir que una seal es una funcin que lleva la informacin sobre
el estado o el comportamiento de un sistema fsico.
En general, estas seales pueden ser representadas con buena precisin
como la suma de componentes sinusoidales de diferentes frecuencias y
amplitudes, como sigue:

2 () + ()
=1

Donde { }, { } y { } son generalmente conjuntos variantes con el

tiempo de amplitudes, frecuencias y fases, respectivamente.

Procesamiento digital vs analgico

Algunas ventajas del procesamiento digital son los siguientes:
Flexibilidad: sistemas digitales programables permiten mayor flexibilidad
en la reconfiguracin del procesamiento digital de seales; alteraciones
de sistemas analgicos exigen el rediseo de hardware y una gran
cantidad de pruebas de rendimiento.
Almacenamiento: Las seales digitales pueden almacenarse fcilmente
en medios magnticos sin ningn deterioro o prdida de la calidad de la
seal despus de la conversin A / D.

Procesamiento: el mtodo de procesamiento digital de seal permite la

implementacin de algoritmos de procesamiento de seal sofisticados
mientras que es muy difcil realizar operaciones matemticas precisas en
seales analgicas.

Procesamiento digital vs analgico

Una limitacin del procesamiento digital es:
Velocidad de conversin A / D: restringe el anlisis de seales con banda
de frecuencia muy amplia.

Elementos bsicos del procesamiento digital de seales

Seal
analgica

entrada

Procesador
Digital de
Seales

Conversor
A/D

Seal
digital
entrada

Conversor
D/A

Seal
digital
salida

Seal
analgica
salida

Conversor A/D
El proceso de conversin de una seal analgica a digital es compuesto
bsicamente por 3 etapas:
Muestreo;
Cuantificacin;
Codificacin.
Conversor A/D
[]

()
Muestreador

Seal
analgica

Seal en tiempo
discreto

Cuantificador

[]

Seal
cuantificada

0110101. . .
Codificador

Seal
digitalizada

Conversor A/D (2)

Muestreo: es el proceso de conversin de una seal continua a una seal
discreta, tomando muestras en instantes discretos de tiempo.
Cuantificacin: Es el proceso de conversin de la seal discreta en el
tiempo con valores continuos en una seal discreta en el tiempo con
valores discretos (digitales). El valor de cada muestra de la seal es
representada por un valor seleccionado en un conjunto finito de valores
posibles.
Codificacin: En este proceso cada valor discreto es representado
mediante bits.

Muestreo
El procesamiento digital de una seal continua consiste en una conversin
a una secuencia.
Una seal analgica () muestreada a cada segundos es representada
por:
= ,

< <

donde representa una secuencia de nmeros

1

La frecuencia de muestreo = debe ser suficientemente grande para

que no exista prdida de informacin espectral (evitar aliasing).

Proceso de muestreo
La imagen muestra el proceso de muestreo de una seal continua.
muestreo

Teorema de Muestreo:
El teorema de muestreo determina que frecuencia de muestreo debe
ser utilizada para permitir posteriormente una adecuada reconstruccin
de la seal.

Teorema de muestreo

El contenido de frecuencia de una seal informa como la seal es

caracterizada en trminos de sus componentes de frecuencia.
Considere la frecuencia mxima de la seal como . Entonces, para
evitar prdida de informacin es recomendable que la frecuencia de
muestreo sea 2 (conocida como frecuencia de Nyquist).
Cuando la frecuencia de muestreo es menor a 2 se produce el
fenmeno de aliasing.

Ilustracin del fenmeno de aliasing

Visualizacin del fenmeno

de aliasing en el tiempo para
seales senoidales discretas
en el tiempo.

Ilustracin del fenmeno de aliasing

Visualizacin de las seales

senoidales discretas en el tiempo
donde no ocurre aliasing.

Representacin de sistemas lineales

Existen varias formas de representar el mismo modelo matemtico. Algunas
formas de representacin son las siguientes:
Funcin de transferencia (F.T.);
Espacio de estados;
Modelos AR, ARX, ARMAX, etc.
Forma 1: Funcin de transferencia.
Ejemplo de un circuito elctrico.

()

=
=
() 2 + + 1
F.T. continua

()
+
= 2
() + +

F.T. discreta

Representacin de sistemas lineales (2)

Forma 2: Modelo de espacio de estados
= +
= + ()

+ = +
= + ()

Modelo continuo

Modelo discreto

Forma 3: Otras representaciones discretas

Modelo general:

+
()

Donde:

1 : es el operador de atraso.
(): ruido blanco;

1 = 1 ;

Representacin de sistemas lineales (3)

, , , y (): son los polinomios definidos como:

= 1 1 1

C = 1 + 1 1 + +

B = 1 1 + +

D = 1 + 1 1 + +

= 1 + 1 1 + +

Modelos bajo esta estructura:

Modelo FIR;
Modelo ARX;

Modelo ARMAX.

Modelo de respuesta al impulso finita (FIR)

La respuesta del sistema usando convolucin puede ser escrito como:

+ ()
=0

El modelo FIR puede ser obtenido a partir del modelo general considerando
= = = = 1.
= () + ()

Modelo no
recursivo

(Ruido blanco)

= ()
()
(Entrada)

+
()

()
(Salida)

F.T. del sistema con

: respecto a la
entrada .

Modelo ARX
Modelo Auto-regresivo con entradas externas (ARX). Puede ser obtenido a partir del
modelo general considerando = = = 1.
=

1
+
()

= () + ()

Los modelos ARX pertenecen a la clase de modelos que presentan la seal del error
en la ecuacin.

() (Ruido
blanco)

1
()
()
(Entrada)

()
()

+ ()
+

()
(Salida)

1
=

Filtro ARX

F.T. del sistema con

respecto a la
entrada .
F.T. del sistema con
respecto al ruido
blanco .

Modelo ARMAX
Modelo Auto-regresivo con media mvil y entradas externas (ARMAX). Puede ser
obtenido a partir del modelo general considerando = = 1.
=

()
+
()

= () + ()

Los modelos ARMAX pertenecen a la clase de modelos que presentan la seal del
error en la ecuacin.

() (Ruido
blanco)

()
()
()
(Entrada)

()
()

+ ()
+

()
(Salida)

()
=

Filtro ARMA

F.T. del sistema con

respecto a la
entrada .
F.T. del sistema con
respecto al ruido
blanco .

Mtodos de Identificacin
Mtodos paramtricos: son aquellos mtodos que resultan en un modelo
matemtico como una funcin de transferencia, modelos de espacio de
estados, modelos ARX, etc.
Mtodos no paramtricos: son aquellos que no resultan en un modelo
matemtico. Estos mtodos son destinados a la obtencin de respuestas
grficas que caracteriza la dinmica del sistema. Ejemplos tpicos son:
la respuesta al impulso y
la respuesta en frecuencia.

Mtodos Paramtricos
Se basan en la prediccin del error ( la diferencia entre la salida del proceso y
la prediccin hecha por el modelo). El criterio de mnimos cuadrados es uno
de los mtodos usados.

Estimador de Mnimos Cuadrados

Los parmetros estimados deben satisfacer las observaciones de la forma
ms exacta posible. La diferencia entre las observaciones y los resultados
obtenidos de los parmetros estimados debe ser mnima;

Segn Gauss, existe un nmero de observaciones estrictamente necesario

para la determinacin de las magnitudes desconocidas;
Adicionalmente, Gauss expresa que, por causa de los errores de medicin,
mas observaciones que el nmero mnimo son necesarios. El uso de
observaciones redundantes resulta en la reduccin de los efectos del error.

Estimador de mnimos cuadrados

Sistemas con solucin nica
Sea una funcin escalar = () y varias aplicaciones de la misma.
1 = 1
2 = 2
=
=

En el caso vectorial, :
depende de un vector de
parmetros, .

Podemos decir que la funcin () est parametrizada por el vector si

puede ser representada de la siguiente forma:
= (, )

Estimador de mnimos cuadrados (2)

De la misma forma, tenemos:
Siendo conocidos los conjuntos:

1 , 2 , ,

1 = ,
2 = ,

, , ,

=
= ,

Podemos preguntarnos, si es
posible determinar: y

Consideremos que: = , puede ser escrito como:

=

Sern tomados " datos a fin de obtener ecuaciones para determinar

elementos de .

Estimador de mnimos cuadrados (3)

Hechas estas consideraciones, podemos escribir:
1
1
2
2
=

=
Donde: . Si es no singular, es posible determinar el vector de parmetros
como:

=
Para sistemas sobre-determinados: >
Como la matriz no es cuadrada, no puede ser invertida. Entonces el vector de
parmetros puede ser calculado como:

Mtodo de mnimos cuadrados

Se asume que se conoce el valor estimado del vector de parmetros, , y
que es cometido un error , es decir,
= +
Para > datos en forma matricial, tenemos:
= +

Donde es el vector de errores cometidos al intentar obtener

como .
El objetivo es estimar de forma que minimice la sumatoria de
los errores cuadrticos.

()2 = =

=
=1

Mtodo de mnimos cuadrados (2)

Con el objetivo de minimizar la funcin costo, , con respecto a , es

necesario resolver

= 0. Para esta consideracin:

Validacin de los modelos

En este proceso se busca responder las siguientes preguntas:
El modelo obtenido es el adecuado?;
El modelo es suficientemente bueno?;
Cul ser la funcionalidad del modelo?.
Comparar la simulacin del modelo estimado con los datos medidos es
probablemente la forma ms usual de validar un modelo.
En ese caso, NO se debe usar los datos usados para la obtencin del
modelo en el proceso de validacin.

Coeficiente de correlacin de Pearson

El coeficiente de correlacin (CR) representa el grado de relacin que
existe entre dos variables.
El CR es usado en el proceso de estimacin experimental para
determinar el grado de confiabilidad de los datos usados en el proceso
de modelado.
El CR de Pearson es la medida de correlacin ms usada y puede ser
obtenida como:

(, )
()
Varianza:

Covarianza:
1
, =

( )( )
=1

2 =

=1(

)2

Ejemplo 1: Modelo del motor DC

Identifique el modelo ARX de orden 2 de un motor DC mediante el mtodo de
mnimos cuadrados usando los datos obtenidos experimentalmente de la entrada de
voltaje del motor y la salida de velocidad angular del motor (). Valide el
modelo obtenido.

Descargue los datos experimentales: rpm.txt y voltaje.txt

Ejemplo 1: Modelo motor DC

Los datos de entrada y salida son los siguientes:

Puede colocarse un filtro pasa-baja en la salida para mejorar la

calidad de los datos recibidos

Ejemplo 1: Modelo motor DC

El proceso de adquisicin present las siguientes caractersticas:
Frecuencia de muestreo de 1 Khz;
Seal de entrada en forma de escalones de 11 niveles de voltaje;

Total de muestras adquiridas: 1650.

Para el proceso de estimacin usaremos 500 muestras. Considerando el orden de las

matrices A y B como 2, se procede a obtener la matriz de datos X como:
(3)
(4)
=
,

(500)

(2)
(3)
=

(499)

(1)
(2)

(498)

(2)
(3)

(499)

(1)
(2)

(498)

Ejemplo 1: Modelo motor DC

Coeficiente de correlacin: 0,976

97,6 % de confiabilidad

Estimando el vector de los parmetros , para n=500 , tenemos:

0,3404
0,4004
=
1,2898
0,9930

Entonces, el modelo ARX estimado es:

, , = , + , + ()

Ejemplo 1: Modelo motor DC

Validacin de los resultados
Para el proceso de validacin usaremos todos los datos adquiridos, es decir,
tomaremos las muestras del 1al 1650.

En la figura se puede observar

que el sistema estimado
aproxima razonablemente la
respuesta del sistema real
Varianza del error: 2,0423

Referencias
Keesman, Karel J (2011). System Identification: An Introduction. Springer.
Aguirre, L. A. (2007). Introduccin a la identificacin de sistemas
Tcnicas lineales y no lineales aplicadas a sistemas reales. Editora UFMG.