Uso de los sistemas dinámicos: El sistema S es caracterizado por un conjunto de variables de estado, indicados por
X, que son influenciados por un conjunto de variables de entrada U que representan la acción del entorno del
sistema en el sistema o las variables que podría ser manipulado por un sistema de control. El conjunto de variables
de salida Y son cualquiera de los efectos posteriores del sistema sobre el conjunto o variables que pueden ser
detectados y usados por un sistema de control.
Este tipo de modelo de sistema dinámico se puede usar de 4 maneras distintas:
1. Análisis: Dado U para el futuro, X en el presente y el modelo S, predicen el futuro de Y.
2. Identificación: Dadas las historias temporales de U e Y, generalmente mediante experimentación en sistemas
reales, encuentre un modelo S y establezca las variables X que sean consistentes con U e Y
3. Síntesis: Dada U y alguna Y deseada, encuentre S tal que U actuando sobre S producirá Y.
4. Control: Dado el modelo de sistema S, diseñe un sistema de control que use esas variables en la salida Y
disponible de los sensores para producir algunas de las entradas en U a fin de que el sistema responda
adecuadamente.
[Link] problema de Identificación del Sistema: Generalmente se conoce como la determinación de un modelo
matemático para un sistema o proceso al observar sus relaciones de entrada-salida.
Históricamente, la identificación del sistema ha sido motivada por la necesidad de diseñar mejores sistemas de
control. La necesidad de modelos de sistemas altamente precisos se ha intensificado mediante el desarrollo de
teorías de control óptimas y adaptativas. Por ejemplo, en el rendimiento del sistema adaptativo en todo
momento. Otras aplicaciones de ingeniería para la estimación de parámetros de sistemas dinámicos incluyen
sondeos de canales de comunicación y pruebas de fallas y sistemas.
La necesidad de modelar surge en muchas otras disciplinas. Más recientemente, ha habido un progreso muy
significativo hacia la aplicación de técnicas de identificación de sistemas a problemas fisiológicos y biomédicos.
Se han obtenido modelos muy exitosos para el rendimiento humano en un entorno hombre-máquina, funciones
de control de la pupila y el músculo, metabolismo, ondas cerebrales, etc.
[Link]ón y clasificación de la identificación del sistema Problema: Se muestra en la figura 1-1 un sistema
con su entrada y salida. El modelo de sistema que buscamos es la ecuación matemática que relaciona la entrada
con la salida en todo momento. Para obtener dicho modelo, se nos permite probar el sistema con una variedad
de entradas y observar sus respuestas. Los datos de entrada y salida se procesan para obtener el modelo.
Sobre la base del grado de conocimiento a priori sobre el sistema, podemos clasificar el problema de
identificación del sistema en dos categorías.
1. El problema de identificación completo: esto significa que no sabemos nada sobre las propiedades básicas
del sistema. Por lo general, se debe hacer algún tipo de suposición antes de intentar una solución
significativa. Este tipo de problema también se conoce como un problema de caja negra.
2. Problema de identificación parcial: se supone que algunas características básicas del sistema, se conocen. Sin
embargo, es posible que no conozcamos el orden específico de la ecuación dinámica o los valores de los
coeficientes asociados. Una situación de este tipo también se conoce como un problema de caja gris y, por
supuesto, es más fácil de tratar que el problema de la caja negra.
Afortunadamente, la mayoría de los sistemas de ingeniería y procesos industriales que encontramos en la
práctica son del último tipo. En muchos casos, sabemos mucho sobre la estructura del sistema, por lo que es
posible derivar una ecuación de modelo matemático específico que queda por determinar. Por lo tanto, el
problema de modelado se reduce a la identificación de parámetros.
Desde el punto de vista de la teoría de sistemas, podemos determinar con precisión los parámetros
desconocidos en una ecuación de modelo de sistema exacto donde se dan las medidas exactas de los datos de
entrada-salida. En realidad, sin embargo, los datos de entrada-salida están dañados por el ruido de medición.
Además, existen inexactitudes en la ecuación del modelo, así como perturbaciones aleatorias en el sistema
mismo. Por lo tanto, la determinación de los parámetros del sistema es esencialmente un problema de
estimación estadística: buscamos especificar un modelo matemático que se ajuste a los datos de observación
ruidosos.
Los procedimientos para llevar a cabo la identificación del sistema se pueden dividir en los siguientes pasos:
1. Especifique y parametrice una clase de modelos matemáticos que represente el sistema que se identificará.
2. Aplique una señal de prueba elegida apropiadamente al sistema y grabe los datos de entrada-salida. Si el
sistema está en funcionamiento continuo y no se permite una señal de prueba, entonces debemos utilizar
los datos operativos normales para la identificación.
3. Realice la identificación del parámetro para seleccionar el modelo en la clase especificada que mejor se
ajuste a los datos estadísticos.
4. Realice una prueba de validación para ver si el modelo elegido representa adecuadamente el sistema con
respecto a los objetivos de identificación final.
5. Si se aprueba la prueba de validación, el procedimiento finaliza. De lo contrario, se debe seleccionar otra
clase de modelos y realizar los pasos (2) a (4) hasta que se obtenga un modelo validado.
Las consideraciones dadas en el paso (1) se refieren esencialmente al problema de la representación. Podemos
elegir un número de representaciones posibles para un sistema dado, incluyendo modelos caracterizados en la
representación de dominio de frecuencia, tenemos las opciones entre la función de ponderación (o secuencia), la
ecuación diferencial (o diferencia) y la ecuación de variable de estado.
La elección depende del objetivo de identificación y sus datos de entrada-salida asociados.
[Link]ía de estimación de parámetros: Existen varias técnicas de estimación de parámetros bien conocidas
que se han aplicado con éxito al problema de identificación. Incluyen los métodos de máxima verosimilitud,
mínimos cuadrados, correlación cruzada, variable instrumental y aproximación estocástica. También se han
propuesto muchos otros métodos de optimización.
Nos hemos basado principalmente en el método de mínimos cuadrados por varias razones importantes.
Primero, el método de mínimos cuadrados es muy clásico con el que otras teorías de estimación estadística
pueden ser difíciles de aplicar, pero exhibe propiedades estadísticas que son tan buenas como las del método de
máxima verosimilitud para la mayoría de las situaciones prácticas. Además, los algoritmos de identificación de
mínimos cuadrados se pueden relacionar fácilmente con muchos otros algoritmos de identificación,
posibilitando un tratamiento unificado del problema de identificación del sistema.
Como en el caso de todas las técnicas de estimación, buscamos minimizar ciertos criterios de error definidos
adecuadamente como un medio para ajustar de manera óptima el modelo a los datos del sistema. Hay varias
maneras en que podemos definir un error: como la desviación del parámetro estima de los valores verdaderos
(error de parámetro), como la diferencia entre la salida del sistema y la del modelo en respuesta a la misma
entrada (error de salida), o como la discrepancia entre la ecuación del modelo y los datos de entrada y salida
medidos (error de ecuación). El error de ecuación es el más comúnmente utilizado.
Hay dos modos en los que se puede lograr la identificación.
Una de ellas es la identificación fuera de línea, en la que primero se observa un registro de los datos de entrada-
salida y luego se estiman los parámetros del modelo en función de todo el registro de datos. En la identificación
en línea, las estimaciones de los parámetros se calculan recursivamente para cada conjunto de datos, de modo
que los nuevos datos se utilizan para corregir y actualizar las estimaciones existentes. Claramente, si el proceso
de actualización puede realizarse muy rápido, es posible obtener estimaciones de parámetros de sistemas que
varían con el tiempo con una precisión razonable. Esta capacidad se denomina identificación en línea en tiempo
real.
2. Representación de sistemas dinámicos
[Link]ón: Los modelos de sistemas dinámicos se pueden dividir en dos tipos: tiempo continuo y tiempo
discreto. La diferencia esencial entre los dos es que las señales en el sistema son continuas en un caso discreto en
el otro.
3. Teoría de mínimos cuadrados
[Link]ón
La teoría de mínimos cuadrados se ha convertido en una herramienta importante para los métodos de estimación
de parámetros disponibles, como la máxima verosimilitud, el método de Baye, etc., el método de mínimos
cuadrados sigue siendo muy conocido entre los ingenieros y científicos. La razón de su popularidad es que el
método es más fácil de comprender que otros y no requiere un conocimiento de las estadísticas matemáticas.
Además, el método de mínimos cuadrados puede proporcionar soluciones incluso en los casos en que otros
métodos han fallado.
Las estimaciones obtenidas por el método de mínimos cuadrados también tienen propiedades estadísticas
óptimas: son consistentes, imparciales y eficientes. También resulta que muchos algoritmos de estimación que se
utilizan para la identificación del sistema se pueden interpretar como procedimientos de mínimos cuadrados. Por
lo tanto, es posible unificar muchas técnicas de identificación en el marco de la teoría de mínimos cuadrados.
3.5. Sistema de variables múltiples dependientes: La teoría de mínimos cuadrados presentada en las secciones
anteriores se puede generalizar a sistemas de variables múltiples dependientes. En la figura 3-2 se muestra un
sistema con variables dependientes p Yi = 1, 2 ...., P. Las ecuaciones del sistema son:
3.4. Estimación de mínimos cuadrados secuenciales: en esta sección, derivamos un algoritmo recursivo para la
solución de mínimos cuadrados básicos en la ecuación (3.8.). La necesidad de una solución recursiva surge cuando
nuevos datos experimentales están continuamente en el suministro y deseamos mejorar nuestras estimaciones de
parámetros mediante el uso de esta nueva información.
Con una fórmula recursiva, las estimaciones se pueden actualizar paso a paso sin calcular repetidamente la solución
de matriz de la ecuación (3.8), en la que la inversión de la matriz consume bastante tiempo. Este procedimiento de
solución recursiva a menudo se denomina estimación secuencial o en línea.
Recuerde que la ecuación vectorial (3.3) consiste en un conjunto de m ecuaciones.
Vamos a introducir m como un subíndice para Y e X en la ecuación (3.3).
El nuevo estimador de mínimos cuadrados es:
Es evidente que para obtener theta (m + 1), debemos invertir una matriz n x n. La pregunta obvia aquí es si podemos
o no calcular theta (m + 1) simplemente actualizando la estimación previa theta (m) sin inversión de matriz. La
respuesta es sí, y derivamos el algoritmo de actualización a continuación.
3.7. Algoritmo de mínimos cuadrados en tiempo real: El algoritmo secuencial de mínimos cuadrados presentado en la
sección 3.4 se desarrolló en base a una política de ponderación igual para todos los datos medidos a medida que
el proceso evoluciona. La razón para usar la misma ponderación fue que los parámetros fueron esencialmente
constantes durante todo el período de estimación, de modo que los datos más recientes fueron buenos como los
datos más antiguos para probar la información sobre los valores de parámetros desconocidos. Sin embargo,
cuando este algoritmo se aplica a una situación en la que los parámetros a estimar varían en el tiempo, las
estimaciones pueden volverse erráticas fácilmente y no guardan un gran parecido con la variación de tiempo real
del valor del parámetro.
Un algoritmo secuencial que puede seguir de cerca los parámetros variables en el tiempo se denomina algoritmo
en tiempo real.
5. Identificación del modelo paramétrico lineal por mínimos cuadrados
5.1. Introducción: Este capítulo examina sistemas lineales discretos modelados por ecuaciones de diferencia,
funciones de transferencia y ecuaciones de variables de estado. Todos estos modelos se llaman modelos
paramétricos. En contraste, el modelo de función de ponderación discutido en el último capítulo no es
paramétrico.
Los modelos de sistemas paramétricos suelen ser más útiles porque la teoría de control moderna y las técnicas de
diseño de sistemas requieren la descripción de variables de estado de la dinámica del sistema. Aunque el sistema
que encontramos generalmente es continuo, es más práctico y conveniente aproximar estos sistemas mediante
modelos discretos. Estos modelos son apropiados si solo conciernen las relaciones entre la entrada muestreada y
las señales de salida muestreadas. Entendemos que siempre que se empleen técnicas de computadora digital
para el control o el almacenamiento y procesamiento de datos, es necesario tratar todas las señales en sus
formas discretas. Otra razón por la que preferimos modelos discretos sobre modelos continuos es que las
ecuaciones de diferencia son de naturaleza algebraica y, por lo tanto, son más fáciles de manipular e identificar
que las ecuaciones diferenciales.
Sin embargo, la identificación continua de sistemas se trata en este capítulo como una extensión de las técnicas
desarrolladas para sistemas discretos. Veremos que las ecuaciones diferenciales pueden formularse de una forma
similar a las ecuaciones con diferencias para fines de identificación si se incorporan procedimientos de filtrado
adicionales.
En base a nuestras discusiones en el capítulo 2, obviamente es posible identificar primero el modelo de secuencia
de ponderación y luego ajustarlo mediante una ecuación de diferencia usando sus relaciones de equivalencia
matemática. Sin embargo, este procedimiento indirecto de identificación de un modelo paramétrico es engorroso
y está limitado a sistemas de una sola variable. Por lo tanto, es deseable un enfoque de identificación directa.
5.2. El problema de identificación básico: Comenzamos considerando un sistema discreto lineal invariable en el tiempo
de una sola variable como se muestra en la figura 5-1, u (kT) ey (kT) son las muestras de las señales de entrada y
salida del sistema donde T es el período de muestreo constante.
Deje que el sistema se describa mediante una ecuación de diferencia de orden n de coeficientes constantes: