View
220
Download
0
Category
Preview:
Citation preview
IDENTIFICACIÓN DE IDENTIFICACIÓN DE SISTEMASSISTEMAS
Ing. Fredy Ruiz Ph.D.ruizf@javeriana.edu.co
Maestría en Ingeniería ElectrónicaPontificia Universidad JaverianaPontificia Universidad Javeriana
20132013
Información general
• Horario: Jueves 14:00 – 17: 00 – Inicio 2:10 – Pausa 3:30-3:40– Fin 5:00
• Contacto– Via correo electrónico: ruizf@javeriana.edu.co– Página web: http://www.javeriana.edu.co/ruizf– Tarea 1. Tarea 1. Enviar correo para formar la lista de clase
PREREQUISITOS• Señales y Sistemas
– Teoría de señales: espectro, filtraje.– Sistemas lineales: rta. impulso, función de
transferencia, rta. en frecuencia, estabilidad, variables de estado.
• Probabilidad– Variables aleatorias– Valor medio, varianza– Dist. Gausiana– Ruido blanco
PROGRAMAPARTE I. TEORÍA DE ESTIMACIÓN1. Repaso:
– teoría de señales– sistemas lineales– procesos estocásticos
2. Estima paramétrica en contexto estocástico– Propiedades de un estimador– Limite de Cramer-Rao– Estima de mínima varianza– Mínimos cuadrados– Máxima verosimilitud
PROGRAMA
PARTE II. FILTRAJE ÓPTIMO3. Estimación de señales
– Filtro de Wiener– Estimación espectral
4. Estima óptima del estado– Filtro de Kalman– Filtros no lineales
• Extended Kalman• Unscented Kalman• Particle Filter
PROGRAMAPARTE III. IDENTIFICACIÓN DE SISTEMAS4. Estimación paramétrica estocástica
– Prediction error methods– Instrumental variables methods– Subspace methods
5. Estimación determinística 6. Identificación de sistemas no lineales
– Modelos de base fija– Modelos de base variable
BIBLIOGRAFÍA• Optimal and Robust Estimation: With an Introduction to
Stochastic Control TheoryFrank L. Lewis, Lihua Xie, Dan Popa
• Bayesian signal processing classical, modern, and particle filtering methods Candy, James
• Optimal state estimation Kalman, Hoo and nonlinear approaches Simon, Dan
• System Identification - Theory For the UserLennart Ljung
• Multivariable system identification for process control Zhu, Yucai
EVALUACION
• Proyecto filtraje 25%• Proyecto identificación 25%• Tareas 25%• Presentaciones 25%
Las fechas de entregas de trabajos son fijas. En caso de entrega tardía se sancionará el retardo con reducción de la
nota.
METODOLOGÍA• Preparación: lecturas previas como secciones
indicadas del texto guía o artículos técnicos.• Encuentro semanal: sesiones teóricas,
ejemplos de aplicación, sesiones prácticas (Matlab).
• Refuerzo: verificación de demostraciones, ejercicios simulados,…
OJO: El objetivo del curso es estudiar la teoría de identificación de sistemas, NO es un
tutorial de herramientas informáticas
EL PROBLEMA DE LA ESTIMACIÓN
Teoria de la estima• El problema de la estima consiste en la valoración
empírica de una magnitud incierta, como:– un parámetro desconocido – una señal no medida
con base en medidas experimentales obtenidas del fenómeno.• La incertidumbre se puede modelar de varias
formas– Variables aleatorias (probabilidad)– Señales desconocidas pero limitadas (UBB)
Estimación paramétrica
Estimación paramétrica
Teoria de la estima• Filtraje: Dado un modelo dinámico de un proceso
con entradas desconocidas,se estudia la estimación de una señal no medida o medida con ruido.
Identificación de sistemas• “Inferring models from observations and studying their
properties is really what science is about”Lenart Ljung
• SYSID es una materia transversal a muchas áreas de la ciencia que se ocupa de la construcción de modelos matemáticos de sistemas (estáticos o dinámicos) con base en datos obtenidos del sistema.– Ingeniería– Economía– Biología– ...
EL PROBLEMA DE LA ESTIMACIÓN
• La ciencia moderna usa un lenguaje matemático para describir los fenómenos
• En un primer tiempo, se usan “leyes fundamentales” para construir los modelos– Newton– Kirchoff– Laplace - Determinismo– ....
EL PROBLEMA DE LA ESTIMACIÓN
• Cuando los sistemas en estudio aumentan de complejidad, no es posible seguir esta aproximación– Comportamientos desconocidos– Modelos altamente complejos -> inútiles
• SYSID Procedimiento inverso:– Partiendo de los datos, inferir las propiedades del
sistema que los produjo.
CONSTRUCCIÓN DE MODELOS
• Se quiere estudiar un sistema real con un objetivo definido:– Interpretación– Diseño– Predicción– Control – Detección de fallas– ...
CONSTRUCCION DE MODELOS
• Existen dos aproximaciones al problema de identificación:
Aprox. Física: el objetivo es la reproducción de la estructura interna del sistema.
• Estructura fija• Estima de parámetros físicos
El problema de estimación resultante es complejo, óptimización no-convexa
CONSTRUCCION DE MODELOS
Aprox. Caja-negra: reproducción de la relación entrada-salida del sistema
• La estructura es parte del diseño• Estima de parámetros “no interpretables”• Para algunas estructuras es convexo y
computacionalmente eficiente.
CONSTRUCCION DE MODELOS
La información sobre el sistema es de dos tipos• “A priori”: Información disponible sobre el
sistema, hipótesis, leyes, ...– define la estructura del modelo matemático M (p)
– Lineal - no lineal– Orden– Características del ruido– ...
CONSTRUCCION DE MODELOS
• “A posteriori”: Información experimental.– Permite la estima del parámetro p– Valoración de la congruencia entre información
“a priori” y “a posteriori”
Medición del error Un modelo es inútil si no viene medida
la incertidumbre y el error cometido debido a ella.
Ejemplos• Identificación de la dinámica vertical de un
vehículo: – Objetivo: Construir un modelo que permita
simular la aceleración de chasis y ejes de un vehículo en función del perfil de la vía y la fuerza del amortiguador
– Uso: Diseñar y sintonizar estrategias de control para vehículos con suspensión activa
• Experimentos realizados por FIAT-Elasis Research Center
Modelo “a priori” basado en las leyes físicas
Con los datos experimentales “a posteriori” se identifica un modelo back-box no lineal de orden 2 para cada aceleración, usando técnicas Set Membership.
Ejemplo 2. Predicción de la concentración de ozono en la troposfera
Objetivo: Predecir el valor máximode O
3 al día t+1
Datos disponibles
• datos de identificación 1995-1998, estos datos se usan para estimar modelos con diversas estructuras usando varios métodos
• datos de validación 1999, estos datos se usan para seleccionar los mejores modelos y hacer un ajuste fino.
• datos de prueba 2000-2001, estos datos permiten evaluar la calidad de los modelos seleccionados.
Resultados
Los datos disponibles no contienen suficiente información!!!
Material adicional
• DaISy (Database for the Identification of Systems) http://homes.esat.kuleuven.be/~smc/daisy/
• MATLAB System Identification Toolbox User's Guide
IDENTIFICACION DE SISTEMASIDENTIFICACION DE SISTEMAS
Maestría en Ingeniería ElectrónicaPontificia Universidad JaverianaPontificia Universidad Javeriana
20132013
CAPÍTULO 1. REPASOCAPÍTULO 1. REPASOPROBABILIDAD Y SISTEMAS DINÁMICOSPROBABILIDAD Y SISTEMAS DINÁMICOS
Variable aleatoria• Descripción matemática de los posibles resultados de
un experimento que no se puede predecir exactamente.
• Variable continuaLa probabilidad de que e tome un valor en el intervalo [a, b), es:
donde fe(x) es la función de densidad de probabilidad PDF
de la variable aleatoria e.• La probabilidad de un punto es cero!!!!
e∈ℜ
P (a⩽e<b)=∫a
bf e(x)dx
Variables aleatoriasDistribución gausiana o normal, N(μ,σ2)
Imagen tomada de Wikimedia commons.
Variables aleatoriasVariables aleatorias vectoriales
La PDF es una función vectorial:
Y la probabilidad de que e caiga en un volumen de Rn es:
e=[e1
e2
e3]∈ℜn
f e(x): ℜn →ℜ
P (e∈B)=∫Bf e(x)dx ; B⊂ℜn
Variables aleatoriasMomentos
• Valor esperado– E[e]=∫
R x f
e(x)dx = m
Resultado promedio del experimento luego de muchas repeticiones.• Varianza
– Cov[e] = P[e]=E[(e-E[X])∙(e-E[X])T]Medida de la dispersión delos resultados del experimento. Cov[e] es una matriz simétrica con diagonal positiva.
Variables aleatorias• Dadas X, Y, Z: variables aleatorias (posiblemente
vectoriales)
• x, y, z son realizaciones de V.A.
– Funciones de densidad de probabilidad:
• fX (x), FDP de X
• fXZ
(x,z), FDP conjunta de X y Z
• fXZ
(x,z)=fX (x) * f
Z (z), Variables independientes
• fX/Z
(x/z) = fXZ
(x,z) / fZ(z), Probabilidad condicional
Problema de la estima• θ(t): magnitud real a estimar, escalar o vectorial,
constante o variable con el tiempo.
• d(t): datos disponibles, capturados en el instante
de tiempo t.
• d = {d(t1), d(t
2), . . ., d(t
N)}: conjunto de medidas.
Los instantes de observación {t1, t
2 , ...,t
N} pueden ser
periódicos o no periódicos.
Problema de la estima• Un ESTIMADOR o Algoritmo de Estima es una
función f(∙) que asocia a los datos un valor de la
magnitud a estimar:
• Por Estima se entiende el valor específico que entrega
el estimador ante un conjunto de medidas
particular.
θ̂= f (d )
Clasificación de los problemas de estima• θ(t) es constante en el tiempo => problema de estimación
paramétrica– El estimador se indica con – El valor verdadero de la magnitud se indica con
• θ(t) es función del tiempo– El estimador se indica con– El tipo de problema depende de la relación entre t y t
N:
• Si t > tN: problema de predicción
• Si t = tN: problema de filtraje
• Si t < tN: problema de interpolación o smoothing
o
θ̂(t∣t N )
Descripción probabilística de los datosLos datos son generados por una fuente aleatoria S,
dependiente de:
– El resultado de un experimento casual s
– El valor verdadero de la magnitud a estimar.
d=d(s, )
Los datos son variables aleatorias, dado que son
una función de s
o
Propiedades de un estimador
• Los datos son una variable aleatoriad=d(s, )
• La estima es una función de los datos=f(d)
Por lo tanto, también el estimador y la estima son variables aleatorias.
• La calidad de f(*) dependen de sus características estocásticas.
o
Características estocásticas de un estimador
No polarización
El valor medio o valor esperado de la estima debe ser el valor verdadero de la variable estimada, de otro modo el estimador introduce un error sistemático en la estima
Características estocásticas de un estimador
Eficiencia
Un estimador es de mínima varianza si su dispersión entorno al valor esperado es la menor posible.
Menor dispersión => mayor probabilidad de obtener una estima cercana al valor verdadero
Características estocásticas de un estimador
Consistencia
A medida que el numero de datos aumenta, la varianza de la estima se reduce y tiende asintóticamente a 0.
EjemploConsideremos N datos escalares d
i con el mismo valor
medio: E[d
i]=
Con varianzas eventualmente diferentes pero limitadas:
los datos son descorrelacionados entre ellos, es decir:
Objetivo: estimar el valor medio de los datos o
o
EjemploEstimador 1: Media de las muestras
Estimador 2: Dato arbitrario
Estimador 3: Media pesada de las muestras
Estimador 1: media de las muestras
Es un estimador no polarizado:
Consistente:
Estimador 2:
Es un estimador no polarizado:
No consistente:
La varianza no varía con el número de datos.
Estimador 3: Media pesada
Es un estimador no polarizado si:
Dado que:
Se demuestra que el estimador a mínima varianza (eficiente) se construye con los pesos:
Intuitivamente, los datos mas inciertos son menos relevantes => tienen un peso menor.
Tarea 1Dado un conjunto de medidas, descritas por la ecuación:
Vk = R I
k +η
k
donde:– R: resistencia (valor a estimar)– I
k y V
k: medidas de voltaje y corriente en los
terminales de la resistencia.– η
k : ruido blanco gausiano de valor medio cero y
varianza σ2k.
– N = 20 medidasLos datos se encuentran en el archivo datos_R.mat. En estos datos σ2
k=16.
Problema:Estimar el valor de R usando los tres estimadores
vistos en clase• En el caso de media de las muestras pesadas, suponga
σ2k=16/I
k
Comparar los resultados obtenidos confrontando:• valor de R • varianza de la estima.
Recommended