Vous êtes sur la page 1sur 71

Identificación de sistemas lineales

Modelado de Sistemas

Identificación

• Señal de excitación.

• Estructura del modelo.

• Método de ajuste de los parámetros del modelo.

• Validación del modelo.

Modelado de Sistemas

Como elegir la señal de excitación?

• La señal debe ser acotada.

Pero la relación señal/ruido debe ser tan grande como se pueda.la señal de excitación? • La señal debe ser acotada. Espectro en relación a la aplicación

Espectro en relación a la aplicación (en un modelo dinámico debe cubrir todo el rango de interés, en uno estático debe poner énfasis en bajas frecuencias).• La señal debe ser acotada. Pero la relación señal/ruido debe ser tan grande como se

Modelado de Sistemas

Datos de entrenamiento y de Validación o test

Datos de entrenamiento: Utilizados para ajustar los parámetros del modelo.

•

Datos de validación o test: Utilizados para medir la performance del modelo.

•

Ambos deben cubrir toda región del espacio de entradas que uno desea modelar.

medir la performance del modelo. • Ambos deben cubrir toda región del espacio de entradas que

Modelado de Sistemas

La salida

y ( k

)

Estructura del Modelo

de un sistema lineal determinístico en el

instante

k

entrada

u

(

puede representarse mediante el filtrado de la

k

a traves del sistema lineal

- 1

)

G

(

q

)

con

q

x ( k

)

y ( k

)

=

G

(

q ) u

(

k

)

=

~

B

(

q

)

~

A

(

q

)

u

(

k

)

=

x ( k

Adicionalmente podemos considerar la parte estocástica

mediante el filtrado de ruido blanco a través de la función H ( q

n ( k

)

=

H

(

q ) v ( k

)

=

~

C

(

q

)

~

D

(

q

)

v ( k

)

Modelado de Sistemas

-

)

1)

Estructura del Modelo

Un modelo lineal general que describa la parte determinística y la estocástica tiene la siguiente forma forma general

y( k )

=

G( q )u( k )

+

H( q )v( k )

G( q ): Función Transferencia de la Entrada H( q ): Función Transferencia del ruido

En determinadas ocasiones puede considerarse que

comparten cierta dinámica a los efectos de simplificar el tratamiento.

H

y

G

y( k ) =

B( q )

F( q )A( q )

u( k )

+

C( q )

D( q )A( q )

v( k )

Modelado de Sistemas

Series Temporales

En el modelado de una serie temporal no disponemos de una entrada o son tantas que no podemos considerar a todas en forma conjunta y

por tal razón asumimos que puramente estocástico.

u( k )

0.

El modelo se convierte en

=

AUTORREGRESIVO (AR)

PROMEDIO MÓVIL (MA)

y( k ) =

1

D( q )

v( k )

y( k )

= C( q )v( k )

AUTORREGRESIVO CON PROMEDIO MÓVIL (ARMA)

Modelado de Sistemas

y( k ) =

C( q )

D( q )

v( k )

Modelo General

• En el modelo general se contempla el efecto de una entrada externa u(k) (exógena) y por tal motivo en la nomenclatura se le agrega una X.

v(k) C( q ) D( q ) B( q ) 1 u(k) F( q )
v(k)
C( q )
D( q )
B( q )
1
u(k)
F( q )
A( q )
y(k)

Modelado de Sistemas

Algunos Modelos Usuales

ARX

B(q) u(k)
B(q)
u(k)

v(k)

1 A(q) y(k)
1
A(q)
y(k)

ARMAX

B(q) u(k)
B(q)
u(k)

v(k)

C(q) 1 A(q) y(k)
C(q)
1
A(q)
y(k)
OE B( q ) F( q ) u(k)
OE
B( q )
F( q )
u(k)

v(k)

OE B( q ) F( q ) u(k) v(k) y(k)

y(k)

FIR

FIR u(k) v(k) B( q ) y(k)

u(k)

v(k)

B( q )

B( q )
B( q )
B( q )
FIR u(k) v(k) B( q ) y(k)

y(k)

Modelado de Sistemas

Notar

• Todos los modelos AR tienen un polinomio denominador comun A(q) para la entrada y para el ruido.

• En el modelo de Error de Salida (Output Error) el ruido no pasa por un filtro. Es usual cuando el ruido es solo de medida.

• No se ha contemplado las demoras, pero estas siempre pueden tenerse en cuenta mediante un retardo de la entrada u(k-d).

• Se asume que entre la entrada y la salida no hay un camino directo. Es decir, se asume que los sistemas son estrictamente propios.

Modelado de Sistemas

Simulación y Predicción

• La simulación es completamente determinística.

• En la predicción podemos utilizar salidas previas del sistema real.

v(k) Proceso H(q) u(k) y(k) G(q ) y( ) k ) Simulador
v(k)
Proceso
H(q)
u(k)
y(k)
G(q )
y( ) k )
Simulador
v(k) Proceso H(q) u(k) y(k) G(q ) - 1 - 1 q q ) y(
v(k)
Proceso
H(q)
u(k)
y(k)
G(q )
-
1
-
1
q
q
)
y( k / k -1)
Predictor
de un paso

Modelado de Sistemas

Predictor lineal optimo

Puede definirse como una combinación lineal de entradas y salidas filtradas

ˆ

y( k / k

-

o, de manera similar

1 )

=

s u( k )

0

+

+

s u( k

1

1

t

y( k

-

-

1 )

1 )

+

+

+ s

t

ns

nt

+

u( k

y( k

-

-

ns )

nt )

ˆ

y( k / k

-

1)

=

S( q )u( k )

+

T( q )y( k )

T( q )

no contiene el término

t

0

Puede demostrarse que los filtros

de predicción (Varianza del error de predicción) es

S( q )

y

T( q )

que brindan el menor error cuadrático

ˆ

y( k / k

-

1)

=

G( q )

H( q )

u( k )

+

æ

ç 1

ç

è

-

1

H( q )

ö

÷ ÷ y( k )

ø

Modelado de Sistemas

Predictor lineal optimo

Dado

y( k )

=

G( q )u( k )

v( k )

+

H( q )v( k )

,

el predictor optimo verifica

=

y( k )

-

ˆ

y( k / k

-

1)

Introduciendo esta

v( k )

en la primer ecuación resulta

y( k )

=

G( q )u( k )

+

H( q )( y( k )

-

Si despejamos

ˆ

y( k / k

-

1)

ˆ

y( k / k

-

1)

obtenemos

=

G( q )

H( q )

u( k )

+

æ

ç 1

ç

è

ˆ

y( k / k

-

1 ))

 

1

ö

-

H( q )

÷ y( k )

÷

ø

Modelado de Sistemas

Modelo de Predicción ARX

ARX

B(q) u(k)
B(q)
u(k)

v(k)

1 A(q) y(k)
1
A(q)
y(k)

G( q )

ˆ

y( k / k

-

=

B( q ) / A( q )

1 )

=

B( q )u( k )

+

H(q)

( 1

-

=

1/A(q)

A( q ))y( k )

La salida puede predecirse mediante Promedio Móvil

Modelado de Sistemas

Modelo de Predicción ARMAX

ARMAX

B(q) u(k)
B(q)
u(k)

v(k)

C(q) 1 A(q) y(k)
C(q)
1
A(q)
y(k)

G( q )

=

B( q ) / A( q )

H(q)

=

C( q )/A(q)

ˆ y( k / k

-

1)

=

B( q )

C( q )

u( k )

+ æ ç C( q )

-

A( q ) ö

÷ y( k )

÷

ç

è

ø

C( q )

La salida no puede predecirse mediante Promedio Móvil

salvo el caso de C( q )

= 1

Modelado de Sistemas

Modelo de simulación OE

OE

OE u(k) v(k) B( q ) F( q ) y(k)

u(k)

v(k)

B( q )

F( q )

B( q ) F( q )
B( q ) F( q )
OE u(k) v(k) B( q ) F( q ) y(k)

y(k)

G( q )

ˆ

y( k / k

-

=

B( q ) / F( q )

1)

=

B( q )

F( q )

u( k )

H(q)

=

1

Corresponde a un modelo para simulación. No se utiliza

ninguna información de la salida del sistema real.

Modelado de Sistemas

Matriz de regresión

Matriz de

regresión

Matriz de regresión Matriz de regresión E = é e (1) ù ê ê ê û

E =

é e (1) ù

ê

ê

ê

û

ë

ê

ú

ú

ú

ú

(2)

e

M

e ( N

)

Y =

é

ê

ê

ê

ê

ë

y (1) ù

(2)

M

N

ú

ú

ú

ú

û

y

y

(

)

ˆ

Y =

é

ê

ê

ê

ê

ë

ˆ(1)

y

y ˆ(2)

ˆ(

y

M

N )

ù é v (1) ù

ú

ú

ú

ú

û

ú

û

ú

ú

ú

=

ê

ê

ê

ê

ë

v

v

(

(2)

M

N

h

)

F =

é x

ê

ê

ê M

N

ê

ë x

1

(1)

(2)

x

1

1

(

)

x

2

x

2

(1)

(2)

M

N

x

2

(

)

ˆ

Y = F

θ

donde,

F

con

x

i

=

é x (1) ù

ê

ú

ú

ú

ê

û

ê

ú

x (2)

i

i

M

N

ê

ë

x

i

(

)

,

L

L

x

n

x

n

(1) ù

(2)

M

N

)

é

ê

ê

ú

û ë

ê

ú

ú

ú

q

q

1

2

ê .

q n

q

=

L x

n

(

ù

ú

ú

ú

ú

û

puede escribirse

F =

[

x

1

x

2

L

x

n

]

para i

=

1,

,

n

n : Núm. de parametros

N : Núm. de muestras

Modelado de Sistemas

x 2 L x n ] para i = 1, , n n : Núm. de

Vector de parámetros

u

u Modelo polinomial Proceso y e - 1 c 0 c y ˆ 1 ^2 c

Modelo polinomial

Proceso y e - 1 c 0 c y ˆ 1 ^2 c 2 c
Proceso
y
e
-
1
c
0
c
y
ˆ
1
^2
c
2
c
^m
m
Modelo polinomial

Modelado de Sistemas

Matriz de regresión para modelo polinomial

ˆ

y

= c

e( k )

e( k )

0

+

=

=

=

=

c u

1

+

y( k ) -

-

y( k

)

c u

2

2

+

+

ˆ

y( k )

c

0

-

c u

1

-

Φ =

é 1

ê

ê

ê

ê

ê ë u( N )

u(1)

u( 2 ) M

1

M

1

2

u (1)

u ( 2 ) M

u ( N )

2

2

c

m

u

c u

2

L

L

L

m

2

-

=

m

å

i

0

=

-

c u

i

i

c u

m

u

u

m

m

(1) ù

ú

ú

ú

ú

ú

û

( 2 ) M

( N )

u

m

m

Modelado de Sistemas

θ =

ù

ê ú

1 ú

ú

ú

2

ê

ê ë

ê

ê

ê c

é c

0

c

M

c

ú

ú

m û

u

u Modelo FIR Proceso y e - b 0 - 1 q b y ˆ 1

Modelo FIR

Proceso y e - b 0 - 1 q b y ˆ 1 - 2
Proceso
y
e
-
b
0
- 1
q
b
y
ˆ
1
- 2
q
b
2
- m
q
b
m
Modelo FIR

Modelado de Sistemas

Matriz de regresión para modelo FIR

ˆ

=

b u( k )

0

+

b u( k

1

-

1 )

y

e( k )

= y( k )

-

ˆ y( k )

 

e( k )

= y( k

)

-

b u( k )

0

-

+

b u( k

2

b u( k

1

-

-

2 )

1 )

-

+

+

b u( k

2

b

m

u( k

-

2 )

-

-

m )

-

b

m

u( k

Φ =

é u( m

ê

ê

ê

ê

ê

ë

+

+

1)

2 )

u( m

M u( N )

u( m )

u( m

+

M

u( N

-

1)

1)

u( m

-

1)

u( m )

M

-

u( N

2 )

L

L

L

u(1)

u( 2 ) M

u( N

-

m )

Modelado de Sistemas

ù

ú

ú

ú

ú

ú

û

-

m )

θ =

é b

ê

ê

ê

ê

ê

ê

ë

b

b

ù

ú

ú

ú

ú

0

1

2

M

b

m

ú

ú

û

u(k)

u(k) Modelo ARX n(k) Proceso - -1 -1 B( q ) A( q ) e Modelo

Modelo ARX

n(k) Proceso - -1 -1 B( q ) A( q ) e Modelo ARX
n(k)
Proceso
-
-1
-1
B( q
)
A( q
)
e
Modelo ARX

Modelado de Sistemas

y(k)

Matriz de regresión para modelo ARX

Supongamos que

B( q

-

1

)

=

b q

1

luego

ˆ =

y

b u ( k

0

-

-

1

e k

(

)

= y ( k

)

e k

(

)

= y

(

k

)

+

b q

2

-

2

+

+

b

m

q

-

m

1)

-

-

+

ˆ(

y

+

k )

b u ( k

0

b u ( k

m

-

)

-

b u ( k

1

m

-

)

-

1)

-

,

A( q

a y ( k

1

-

b u ( k

2

-

F =

u ( m

é

ê 1)

ê

ê

ê

ë

1)

)

u

m +

(

M

N

-

(

u

u

 

u

(1)

u

(2)

 
 

M

(

N

-

m

)

-

-

-

y

y

y ( m

(

)

+

m

(

N

-

-

1

1)

)

-

2)

1)

1)

=

a q

1

-

1

+

a q

2

-

2

-

-

-

a

m

y ( k

-

m

)

-

b u ( k

m

-

-

y

(1)

-

y

(2)

y

(

N

-

m

)

m

ù

ú

ú

ú

ú

û

)

Modelado de Sistemas

+

q

+ a q

m

- m

=

é b

ê

ê

ê

ê a

ê

ê

ê

ë

ù

ú

1

M

ú

ú

ú

ú

b

m

1

M

a

m

ú

ú

û

Cuadrados Mínimo

• Batch: Identificación fuera de línea.

– Se consideran todos los datos conjuntamente.

– Debemos contar con una adecuada cantidad de datos.

• Recursiva: Identificación en línea.

– Se considera cada dato a partir de que el mismo se encuentra disponible.

– Se debe garantizar una excitación persistente.

Modelado de Sistemas

Cuadrados Mínimo Batch

1

T

Sea

E

=

Y

- F

q

,

y

q

T

F

Y

T

F

V

(

T

)(

q

)

Y

q

-

q

E

E ,

luego

=

2

q

)

T

Y

T T

E

=

( Y

-

=

Y

T

Y

-

2

F

Completando cuadrados y asumiendo que

2 V

V

=

E

- F

T

F

=

T

F

T

+

q

T

T

F

T

F

T

T

F

T

F

=

Y

Y

Y

q

q

Y

+

q

q

-

-

T

+ F

Y

F

(

T

F

)

-

1

F

T

Y

-

Y

T

F

(

F

T

F

T

(

I

T

F

)

-

1

F

T

2

El primer término no depende de

V

=

Y

- F

(

F

)

Y

+

(

q

-

q

(

,

)

F

-

1

T

F

F

T

)

-

Y

1

Luego

q

F

F

)

q

=

(

F

T

F

)

- 1

F

T

Y

Modelado de Sistemas

T

T

F

Y

)

es invertible

T

F

T

F

(

q

-

(

F

T

F

)

-

1

F

T

Y

)

CM y Función de Correlación

T

ΦΦ =

T

Φ Y

=

donde

é 1 ê N ê 1 1 ê å ê N N ê ê 1
é
1
ê
N
ê
1
1
ê
å
ê N
N
ê
ê
1
ê
å
ë N

å

N

i

= 1

N

i

= 1

N

i

= 1

Φ

1 2 (i )

Φ (i )Φ (i )

2

1

M

Φ

m

(i )Φ (i )

1

1

N

1

N

å

1

N

å

N

i = 1

å

N

i

= 1

( i )Φ ( i )

Φ 1

N

Φ

i

= 1

M

2

2

2

(i )

Φ

m

(i )Φ (i )

2

L

L

1

N

1

å

å

1

N

N

N

i = 1

N

i

= 1

å

Φ

1

(i )Φ

m

(i )

Φ (i )Φ

2

m

(i )

M

N

i

= 1

Φ

2

m

(i )

ù

ú

ú

ú

ú

ú

ú

ú

û

N

é

ê

ê

ê

ê N

ê

ê 1

ê

ë N

1

N

1

ù

ú

ú

ú

ú

ú

ú

å (i )Y(i ) ú

û

å (i )Y(i )

å (i )Y(i )

i

1

=

Φ

1

N

i

1

=

Φ

2

N

N

i

1

=

Φ

m

Þ

)

θ

T

= (ΦΦ )

-

1

T

Φ Y

ˆ

θ

=

{

corr Φ ,Φ

i

se transforma en

j

}

-

1

{

corr Φ ,Y

i

}

corr{Φ ,Φ

i

j

}:

matriz de correlación de las columnas i

Modelado de Sistemas

y

j

de la matriz

Φ

Error: Residuo

El error es ortogonal a todas las columnas (regresores) de F

E = Y -Φθ

Y Φθ 2 2
Y
Φθ
2
2
columnas (regresores) de F E = Y - Φθ Y Φθ 2 2 Φθ 1 1

Φθ

1

1

- En el caso ideal (Estructura de modelo perfecta, parámetros optimos y ausencia de ruido), dicho residuo es cero.

- En la práctica el residuo nos permite inferir la calidad de la estimación. Si el mismo es cercano a un ruido blanco se puede decir que el modelo es bueno ya que toda la información ha sido “capturada” por el modelo.

Modelado de Sistemas

Número de Condición

)

θ = (ΦΦ )

T

-

1

T

Φ Y

La matriz

(ΦΦ ) Φ

-

T

1

T

se conoce como pseudoinversa de

Φ

- Para que sea resolubre

filas como columnas, es decir, al menos tantas medidas como parámetros del regresor. Para atenuar el efecto del ruido es importante contar con muchas mas medidas que parámetros del regresor.

Φ debe tener, por lo menos, tantas

- El número de condición de la matriz

T

Φ Φ , i.e

,

ü

ï σ(ΦΦ ) ï

í

ï î σ(ΦΦ )

ý

ï

þ

ì

T

T

es un indicador de la precisión mumérica de la inversa.

Modelado de Sistemas

Matriz de Covarianza

Una forma de describir la precisión de la estimación es la siguiente

{}

ˆ

cov θ

=

E

{(

ˆ

θ

-

ˆ

E( θ)

)(

ˆ

θ

-

E(

ˆ

θ)

)}

T

,

{}

E .

{}

: Esperanza de .

Si el ruido de la medida es blanco con varianza σ

{}

ˆ

2

(

cov θ = σ ΦΦ

T

)

- 1

- Los regresores deben ser " grandes" y la varianza del ruido pequeña,

i.e.

alta relación señal ruido.

- La matriz de covarianza es proporcional a

1

N

. Luego incrementando

la cantidad de datos puede compensarse el nivel de ruido.

Modelado de Sistemas

Cuadrados Mínimo ponderado

Sea

E

=

Y

- F

q

,

y

V

(

q

) =

1

2

E

T

W

Luego

[

w

=

i

] es una matriz diagonal de

WE ,

M

´

)

q

=

(

F

T

F

W

)

- 1

F

donde

M

con

T

WY

w

i

>

0,

i

=

1,2,

,

M

W permite enfatizar un dato con respecto a otros. Ejemplo : Dar mas relevancia a los datos recientes Entonces

w

1

<

w

2

<

<

w

M

Modelado de Sistemas

Cuadrados Mínimo Recursivo

Si M

La forma recursiva permite actualizar

disponible sin necesidad de recalcular la inversa de Sea

es pequeño podremos aplicar Cuadrados Mínimo "Batch".

)

θ a partir de nueva información

T

ΦΦ .

-

k ö

å

i

x ( x

i

)

T

÷

÷

i

1

=

ø

1

æ

= ç

ç

è

P( k )

T

(ΦΦ )

- 1

: Matriz de covarianza

=

)

θ( k - 1):

Estimado en base a los

k

1

pares de datos disponible

-

Luego asumiendo que

P

- 1

( k )

=

k

-

å

1

i

1

=

i

x ( x

i

)

T

T

ΦΦ

es no singular para todo

+

k

x ( x

k

)

T

=

P

-

1

( k

-

1)

+

k

x ( x

k

)

k

T

Modelado de Sistemas

Cuadrados Mínimo Recursivo

Sabemos que

Luego

)

q

(

k

Entonces

) =

æ

ç

ç

ç

è

k

å

i = 1

= P ( k

)

)

q

(

k

-

1)

=

P ( k

-

1)

æ

ç

ç

ç

è

)

q

=

(

F

T

F

)

i

x

(

i

x

)

T

ö

- 1

÷

÷

÷

ø

k

- 1

å +

i

x

i

y

i = 1

k

å

- 1

i = 1

i

x

i

y

- 1

F

T

Y

ç æ

ç

ç

è

x

k

å

i = 1

k

y

k

i

x

ö

÷

÷

÷

ø

i

y

®

P

- 1

ö

÷

÷

÷

ø

=

P ( k

)

(

k

-

)

1)

q

Modelado de Sistemas

æ

ç

ç

ç

è

k

å

i

= 1

x

(

k

-

1)

i

i

y

ö

÷

÷

÷

ø

=

=

k

å

- 1

i = 1

x

i

i

y

Cuadrados Mínimo Recursivo

)

 

P

-

1

(

k

)

=

P

-

1

(

k

-

1)

+

x

k

(

x

k

)

T

 

y

P

-

1

(k-

1)

 
k - 1
k
- 1
 

(P

- 1

(k)-x

k

(

x

k

)

T

)

)

q

(

k

-

1)

=

å

 

i

x

i

y

 
 

i

= 1

 
 

)

 

æ

k

- 1

 

ö

(

k

 

ç

ç

å

 

i

i

k

k

÷

q

)

=

P ( k

)

x

y

+

x

y

÷

 

ç

÷

è

i

= 1

 

ø

 

)

(

P

- 1

 

k

k

)

T

) q

)

 

q

(

k

)

=

P ( k )

)

(

k

)

-

x

(

x

(

k

-

1)

+

P ( k

)

x

   

k

k

T

)

q

   
 

= q

(

k

-

1)

-

P ( k

)

x

(

x

)

(

k

-

1)

+

P ( k

)

x

 

)

k

k

k

 

T

)

 

= q

(

k

-

1)

+

P ( k

)

x

(

y

-

(

x

)

q

(

k

-

1))

 

q

k

k

Tenemos que

Luego

Ademas, habiamos arribado a

Entonces

Modelado de Sistemas

(

y

y

k

k

k

-

1)

k - 1

=

å

i = 1

i

x

y

Cuadrados Mínimo Recursivo

Permite evaluar

y

k

-

(

k

x

)

T

)

q

(

k

-

1) :

)

q

(

k

)

=

)

q

(

k

-

1)

+

P ( k

)

k

x

(

y

k

-

(

k

x

)

T

)

q

(

k

-

1))

)

q

(

k

)

a partir de

)

q

(

k

-

1)

y el nuevo par de datos

error de estimación de

k

y

utilizando

)

q

(

k

-

1).

k

x

,

y

k

x

Para calcular

una inversion de matriz en cada muestra. Para evitar ello se utiliza el Lema de Inversión de matriz

P ( k

)

podemos utilizar

P

-

1

(

k

)

P

-

1

(

k

=

1)

-

+

k

(

k

x

)

T

lo cual implica

(

A

+

BCD

)

-

1

=

A

-

1

-

A

-

1

B ( C

-

1

+

DA

-

1

B

)

-

1

DA

-

1

Modelado de Sistemas

Cuadrados Mínimo Recursivo

-

1

A

(

F

(

(

-

(

1

B ( C

-

1

+

 

(

k

))

-

1

=

(

F

1)

+

x

k

(

x

k

)

B

=

x

k

,

C

 

k

(

1

+

(

x

k

)

T

 

+

P ( k

)

x

k

y

-

A

-

(

1

k

(

1),

)

F

k -

-

k

-

1)

x

1)

(

k

1

-

1

B

( k -

)

-

1

y

)

-

1

DA

-

1

(

A BCD

+

)

P ( k

=

=

=

- 1

DA

T

+ x

k

)

T

1)

F