Professional Documents
Culture Documents
Resumen
Se describe una herramienta software para brindar soporte en cursos de identifi-
cación de sistemas. El software desarrollado cubre diferentes aspectos de la identifi-
cación como son: generación de datos de entrada-salida, estimación de parámetros
y validación de modelos. La herramienta permite simular diferentes sistemas dina-
micos interactuando con diferentes tipos de controladores, esto con el fin de brindar
flexibilidad al usuario en cuanto a generación de datos de entrada-salida. En lo ref-
erente a estimación de parámetros se implementaron algoritmos recursivos para
modelos lineales comunmente utilizados. La herramienta además permite realizar
pruebas estadı́sticas para la validación de los modelos obtenidos.
1. INTRODUCCION
La identificación de sistemas es una metodologı́a para la construcción de modelos mate-
maticos de sistemas dinámicos a partir de datos experimentales. Estos modelos pueden
tener diferentes propositos que van desde la simulación, hasta el diseño de controladores.
Fue este segundo proposito el que motivo la realización del presente proyecto ya que
gran parte de la teorı́a de control existente requiere como punto de partida un modelo
matemático del sistema dinámico que se va a controlar. La herramienta desarrollada es
actualmente utilizada en el curso de identificación de sistemas del programa de Ingenierı́a
en Automática Industrial de la Universidad del Cauca.
El artı́culo esta organizado de la siguiente manera. En la sección 2 se explican las
etapas de un proceso de identificación y sus diferentes clasificaciones, esto con el fin de
enmarcar la herramienta desarrollada dentro de la vasta teorı́a de la identificación. En la
sección 3 se explican los principales aspectos del software desarrollado. La sección 3 esta
subdividida ası́: en la sección 3.1 se explica la generación de datos de entrada-salida, en la
sección 3.2 los mecanismos utilizados para estimación de parámetros y en la sección 3.3
los aspectos relacionados con la validación de modelos. En la sección 4 se describe la
herramienta utilizada para desarrollar la aplicación.
1
2. LA IDENTIFICACION DE SISTEMAS
La construcción de modelos matemáticos a partir de datos experimentales consta de
diferentes etapas [1]. Estas son: generación de datos de entrada-salida, selección de la
estructura que tendrá el modelo, selección del ı́ndice de desempeño con que el que se
compararán los modelos, estimación de los parámetros del modelo y validación. A con-
tinuación se detallarán cada etapa.
Estructura del modelo: Define el conjunto dentro del cual se buscará una repre-
sentación apropiada del sistema a identificar. Un conjunto tı́pico es el de las fun-
ciones de transferencia de primer o segundo orden con retardo de tiempo. La selec-
ción de la estructura es la etapa más dificil de un procedimiento de identificación
porque algunos de los aspectos que involucra requieren de decisiones independi-
entes del conjunto de datos. Decisiones que deben basarse en intución, experiencia
y conocimiento previo del sistema a identificar.
Estimación de los parámetros del modelo: Una vez se tiene los datos de entrada-
salida y la estructura que tendrá el modelo, el paso siguiente es encontrar, de acuer-
do con el ı́ndice de desempeño elegido, el ”mejor”modelo con el cual representar el
sistema que se esta identificando.
2
cular. Una vez se obtiene dicho modelo la fase siguiente consiste en verificar si éste
representa adecuadamente el sistema que se identifica. La base de la validación es
la concordancia entre los datos observados y el modelo.
Conocimiento previo
(1) del sistema
Experimento
Datos
(2)
Estructura
del modelo
(3)
Indice de
desempeño
Estimacion de los
parametros del
modelo
Validacion del
modelo Revisar (1), (2) y/o (3)
Modelo correcto
3
2.2. Clasificación de un procedimiento de identificación
De acuerdo con enfoques particulares en la realización de las etapas anteriormente ex-
plicadas, se establecen las siguientes clasificaciones:
4
procedimientos recursivos realizan estimaciones de los parametros con base en es-
timaciones anteriores y cada nueva pareja de datos de entrada salida.
3. EL SOFTWARE
El software desarrollado consta de tres componentes que se encargan de, generar los
datos de entrada-salida, hacer la estimación de parámetros y validar el modelo obtenido.
En las secciones 3.1, 3.2, 3.3 se explican cada uno de estos componentes. Cuando el
software es iniciado se despliega la interfaz de usuario de la figura 2. Esta consta de
una barra de menu, dos botones tipo interruptor, una gráfica con un lazo de control y
varios controles numéricos. La barra de menu permite al usuario seleccionar, la planta, el
controlador y el algoritmo de estimación que se utilizará. Además de otras posibilidades
como la de exportar los datos de entrada salida en diferentes formatos. El boton tipo
interruptor con la etiqueta Activar sistema permite iniciar o detener la generación de
datos de entrada-salida, esta se hace con base en la planta y el controlador elegidos. El
boton tipo interruptor con la etiqueta Activar estimador permite activar o desactivar
el algoritmo que estima los parámetros del modelo. La gráfica con el lazo de control
indica si el sistema operando en lazo abierto o en lazo cerrado y si se esta utilizando o no
la extreseñal. Dicha gráfica contiene dos botones, uno denominado Planta que permite
configurar los parametros de la planta y otro denominado controlador que permiten
configurar los parametros del controlador.
5
Figura 2: Componente central de la interfaz de usuario
6
Figura 3: Selección de los parámetros para el sistema de tanque simple
7
Figura 5: Efecto de la extraseñal en la señales de entrada-salida.
sobre datos tomados en lazo cerrado. Ambos entregan modelos lineales pertenecientes a
estructuras que son casos particulares de la estructura lineal general de tiempo discreto
mostrada en (Ec.1).
B(q) C(q)
A(q)y(k) = u(k) + e(k) (1)
F (q) D(q)
Dichos casos particulares son, Respuesta al impulso finita (FIR), Autoregresivo con
entrada externa (ARX), Autoregresivo de media movil con entrada externa (ARMAX),
Salida - Error (OE).
8
La evolución de los parametros estimados se presenta al usuario tanto de manera
gráfica como numérica. En las figura 6 se muestran ejemplos de ambos tipos de pre-
sentación.
9
3.3. Validación de modelos
El software desarrollado permite realizar dos tipos diferentes de pruebas estadı́sticas a
los modelos obtenidos. La primera es una prueba de blancura de ruido consistente en
calcular la función de autocorrelación de los errores de predicción, y determinar si estos
constituyen o no a una secuencia de variables aleatorias independientes. Esta prueba
se utiliza para validar conjuntamente la parte estocastica y determinı́stica del modelo.
En la segunda prueba se calcula la función de correlación cruzada entre los errores de
predicción y la excitación con el fin de determinar si hay independencia estadı́stica entre
estas dos señales. Esta prueba se utiliza para validar la componente dinámica del modelo.
En la figura 7 se muestra la gráfica de la función de autocorrelación asociada con un
modelo cuyos errores de predicción constituyen una señal de ruido blanco.
4. HERRAMIENTA DE DESARROLLO
El software se desarrolló en su totalidad utilizando Labwindows/CVI. Esta herramienta
de National-Instrument consta de un compilador de C y un editor que permite diseñar
gráficamente la interfaz de usuario. Para hacer un programa en CVI solo se requieren
conocimientos de ANSI-C. El desarrollo de un programa en CVI consta básicamente
de dos etapas, la primera el diseño de la interfaz de usario, y la segunda consiste en
escribir múltiples funciones en lenguaje C, denominadas Callback, que se encargan de
responder a cada uno de los eventos generados desde la interfaz de usuario. Se selecciono
10
esta herramienta porque ofrece potentes librerias para despliegue gráfico y operaciones
matemáticas como, manipulación de matrices, calculo de funciones de correlación y al-
goritmos para generación de señales estocáticas.
5. CONCLUSIONES
Se describio una herramienta educativa que cubre las diferentes etapas de un proceso
de identificación y brinda mútiples posibilidades de aplicación entre las que se incluyen,
el estudio de comportamientos relacionados con, el efecto del tiempo de muestreo en
la calidad de un procedimiento de identificacion, el efecto de la varianza del ruido en la
evolución de los parámetros estimados, el efecto de la selección de la estructura del modelo
en la estimación de los parámetros y el efecto de aplicar algoritmos de estimacion de
parámetros de lazo abierto a datos que provienen de sistemas que operan en lazo cerrado.
Además de lo anterior, la herramienta también se utiliza para ilustrar las diferentes etapas
de un procedimiento de identificacion para control. En un primera fase el estudiante
configura el experimento de identificación que producirá los datos de entrada-salida con
que se construiá el modelo matemático del sistema. Esta fase incluye, la selección de la
planta, del controlador, y del tiempo de muestreo. La segunda fase consiste en escoger
el algoritmo de estimación de parámetros. Una vez obtenidos los parámetros del modelo
se procede con la validación, al culminar esta fase bien podria concluirse que el modelo
obtenido no representa adecuadamente el sistema a identificar, en tal caso el experimento
de identificación debe ser repetido. Cuando el modelo resulta apropiado se exporta a
MATLAB para realizar la fase de diseño del controlador. Finalmente el controlador
obtenido se prueba sobre el sistema simulado por la herramienta.
Referencias
[1] Lennart, LJung. System Identification: Theory for the user., Prentice Hall Informa-
tion and System Sciences series. 2 edition- 1999.
[2] Van den Hof, P.M.J.,Heuberger, P.S.,and Bokor,J. System identification with gener-
alized orthonormal basis functions., Automatica, 31(12):1821-1834, 1995.
[3] B. Wahlberg, System identification using Laguerre models., IEEE Transaction, Au-
tomatic Control, AC-36(5):551-562, 1991.
[4] B. Wahlberg, System identification using Kautz models., IEEE Transaction, Auto-
matic Control, AC-39(6):1276-1282, 1994.
[5] Van Overschee, P. and DeMoor, B. Subspace Identification of Linear Systems : Theory
Implementation, Applications., Kluwer Academic Publishers, 1996.
11
[7] R.R Mohler, Nonlinear Systems : Volume II, Applications to Bilinear Control., En-
glewood Cliffs, New Jersey: Prentice-Hall, 1991.
[8] Urban, Forsell,. Lennart, LJung. Closed Loop Identification Revsited., Linkping
University, 1997. URL http://www.control.isy.liu.se
[9] Rengifo, Rodas, Carlos Felipe. Notas de clase sobre Identificación de Sistemas. Uni-
versidad del Cauca, 1997. URL http://www.unicauca.edu.co/~caferen
[10] Ioan Doré Landau, Alireza Karimi. Recursive Algorithms for Identification in Closed
Loop : A Unified Approach and Evaluation. Automatica, Vol 33, No.8, pp-1499-1523,
1997.
12