UNA HERRAMIENTA PARA IDENTIFICACION

RECURSIVA DE SISTEMAS DINÁMICOS

Carlos Felipe Rengifo.
Universidad del Cauca. caferen@unicauca.edu.co
3 de marzo de 2004

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.

2.1. Etapas de un procedimiento de identificación

Datos de datos entrada-salida: Constituyen el elemento base de un procedimiento
de identificación. Estos pueden ser obtenidos de dos formas. La primera a partir
de experimentos especı́ficamente diseñados para extractar la mayor cantidad de in-
formación acerca de las caracterı́sticas dinámicas del proceso. Dichos experimentos
involucran, la selección de las señales a medir, cada cuanto medirlas 1 , que señales
manipular y como manipularlas. La manipulación hace referencia al tipo de señal
de prueba que se adicionará a la entrada del sistema. La segunda forma es a partir
de registros provenientes de la operación normal del proceso. Esta es la opción a
seguir cuando la experimentación con el sistema a identificar es demasiado costosa.
Con la segunda forma los datos obtenidos serán menos informativos que con la
primera.

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.

Indice de desempeño: Es el criterio con el cual se cuantifica que tan apropiado es

un modelo. Algunos ı́ndices solo evaluan la capacidad predictiva del modelo, com-
parando la salida medida con la predicha. Otros ı́ndices además de la capacidad
predictiva, evaluan la complejidad del modelo. El primer tipo de ı́ndice es adecua-
do cuando todos los miembros de la familia de modelos tienen el mismo número
de parámetros. El segundo tipo de ı́ndice se utiliza para comparar modelos con
diferente estructura.

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.

Validación del modelo: Cuando se desarrolla un procedimiento de identificación

el objetivo es obtener un modelo con el cual representar un sistema dinámico parti-
1
Selección del tiempo de muestreo

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.

En el diagrama de la figura 1 se muestra el flujo de información entre las diferentes

etapas que componen un procedimiento de identificación.

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

Figura 1: Etapas de un proceso de identificación

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:

Origen de los datos : Un procedimiento de identificación se denomina de lazo

abierto si los datos de entrada salida provienen de un sistema que opera sin real-
imentación o de lazo cerrado en el caso contrario. Esta clasificación es de funda-
mental importancia porque muchos esquemas de identificación desarrollados para
estimación a partir de datos de lazo abierto no funcionan con datos provenientes
de sistemas realimentados. El problema fundamental con los datos de lazo cerrado
es que son menos informativos que los tomados en lazo abierto [8]. Esto se debe
a que la realimentación hace la salida del sistema menos sensible ante cambios en
el comportamiento de la planta, lo cual desde el punto de vista del control auto-
matico es ventajoso, pero desde el punto de vista de la identificación es una seria
desventaja.
Modelos utilizados : Dependiendo del modelo utilizado la identificación de sis-
temas se puede clasificar como lineal o no lineal. Los modelos lineales a su vez se
pueden representar de diferentes formas: en términos de polinomios en el operador
q, mediante expansión en bases ortogonales [2] como los polinomios de Laguerre [3]
y los modelos de Kauts [4], o pueden representarse en espacio de estados, lo que ha
dado origen a algoritmos de estimación especı́ficos para estos modelos conocidos
como métodos del subespacio [5]. En el caso de los modelos no lineales existen
diversos enfoques, entre ellos los basados en redes neuronales, lógica difusa, series
de volterra. En [6] se hace revisión detallada de las estructuras más utilizadas para
representar sistemas no lineales. Por otro lado los modelos bilineales [7] consti-
tuyen una alternativa intermedia entre los modelos lineales y los no lineales porque
permiten solventar algunas limitaciones impuestas por los primeros sin tener que
enfrentar la complejidad de los segundos.
Indices de desempeño : En identificación de sistemas existen dos tipos básicos de
ı́ndice de desempeño, los basados en métodos de predicción de error, y los basados
métodos de correlación. En los primeros el mejor modelo es aquel que minimiza una
función que depende de la diferencia entre la señal medida a la salida del proceso y
la predicha por el modelo que se esta evaluando. Estas diferencias se conocen como
errores de predicción. Un indice tı́pico es el promedio de los cuadrados de los errores
de predicción. Los métodos de correlación utilizan un enfoque diferente, el mejor
modelo es aquel que minimiza la correlación entre los errores de predicción y una
variable auxiliar ξ. El vector ξ se denomina variable instrumental y sus elementos
se conocen como instrumentos.
Tipo de estimador : En el diagrama de flujo de la figura 1 se muestra un pro-
cedimiento no recursivo de identificación. En estos una vez se tiene los datos de
entrada salida, y se han seleccionado tanto la estructura del modelo como el ı́ndice
de desempeño se procede con la fase de estimación de parámetros. En identifi-
cación recursiva la toma de datos y la estimación se realizan conjuntamente. Los

4
 procedimientos recursivos realizan estimaciones de los parametros con base en es-
timaciones anteriores y cada nueva pareja de datos de entrada salida.

La herramienta desarrollada permite identificar sistemas dinámicos a partir de datos

experimentales tomados con el sistema operando en lazo abierto o en lazo cerrado. Esta
ultima opción se considero prioritaria en el desarrollo del proyecto debido a que en
la mayoria de las situaciones practicas, los datos disponibles para construir modelos
matemáticos provienen de sistemas que operan en lazo cerrado. En el caso de procesos
industriales por ejemplo no siempre es viable remover el lazo de realimentación, bien
sea por razones económicas o de seguridad. Los modelos que entrega la herramienta son
lineales de tiempo discreto, y se obtienen utilizando algoritmos recursivos de estimación
de parametros basados en métodos de predicción del error.
De acuerdo con el parrafo anterior y las clasificaciones establecidas previamente,
la herramienta desarrollada se enmarca dentro de las técnicas de identificación lineal
basada en métodos recursivos de predicción de error para sistemas que operan tanto en
lazo cerrado como abierto.

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.

3.1. Generación de datos de entrada-salida

La generación de datos de entrada-salida, aspecto fundamental de un procedimiento de
identificación comprende tres aspectos : simulación de la planta, simulación del contro-
lador, generación de una extrasenal

5
 Figura 2: Componente central de la interfaz de usuario

3.1.1. Simulación de la planta

La aplicación desarrollada permite seleccionar uno de los siguientes sistemas dinámicos
para simular el proceso a identificar : sistema lineal de tiempo discreto, sistema lineal
de tiempo continuo de segundo orden, sistema no lineal de tanque simple, sistema no
lineal de tanques interactuantes.Cuando se pulsa el boton Planta de la interfaz de la
figura 2, se despliega una ventana donde el usuario escoge los parámetros de la planta que
eligió desde la barra de menu. En la figura 3 se muestra la interfaz de usuario asociada
con el sistema no lineal de tanque simple.

3.1.2. Simulación del controlador

Cuando se selecciona como proceso a identificar el sistema lineal de tiempo discreto, se
tiene la posibilidad de operarlo en lazo abierto, ó en lazo cerrado con un controlador
que puede ser proporcional u ON/OFF. Si se selecciona cualquiera de las otras op-
ciones se tiene una posibilidad adicional, y es la de operar el sistema con un controlador
proporcional-integral-derivativo (PID) o un caso particular de este. En todos los casos
los parámetros de los controladores pueden ser configurados por el usuario mientras el
proceso esta siendo simulado. Cuando se pulsa el boton Controlador de la interfaz de la
figura 2, se despliega una ventana donde el usuario escoge los parámetros del controlador.
En la figura 4 se muestra la interfaz de usuario para la configuración de un controlador
PID.

6
 Figura 3: Selección de los parámetros para el sistema de tanque simple

Figura 4: Configuración de un controlador PID

3.1.3. Generación de la extraseñal

Con el fin de mejorar el contenido informativo de los datos, la aplicación permite adicionar
una extraseñal de caracterı́sticas estocásticas a la señal de entrada a la planta. Laseñal
estocástica que se utililizó se conoce como secuencia binaria aleatoria. El nombre binaria
se debe a que en cada instante solo toma uno de dos posibles valores que son definidos
por el usuario desde la interfaz que se muestra en la figura 5. En la figura 5 se muestra
el efecto de la extraseñal en las señales de entrada y salida.

3.2. Estimador de parametros

En la aplicación desarrollada se implementaron dos tipos de algoritmos de estimación de
parámetros, los que operan sobre datos que tomados en lazo abierto y los que operan

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).

Estimación de parámetros a partir de datos tomados en lazo abierto: Los algoritmos

de estimación de parámetros implementados corresponden a casos particulares de
métodos de predicción de error aplicados a estructuras FIR, ARX, ARMAX y OE.
Los fundamentos teóricos y la deducción de dichos algoritmos se explican en las
notas de clase escritas por el autor de este artı́culo [9].

Estimación de parámetros a partir de datos tomados en lazo cerrado: Se imple-

mentaron dos algoritmos denominados CLOE: Closed Loop Output Error Method,
y X-CLOE: eXtended Closed Loop Output Error Method que entregan, respectiva-
mente, modelos OE y ARMAX. Ambos algoritmos se describen en [10].

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.

Figura 6: Gráfica de la evolución del vector de parámetros estimados

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.

Figura 7: Prueba de blancura de ruido

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.

[6] Juditsky A., Hjalmarsson H, Benveniste, Deylon B, Ljung L, Sjoberg, J, Zhang Q.

Nonlinear black-box models in system identification : Mathematical foundations., Au-
tomatica, 1995. URL ftp://130.236.24.1

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