Sesion 1

Identificaci
on de Sistemas
Dr. Efran Alcorta Garca
22 de Enero del 2015
Identificaci
on de Sistemas
Sesion 1: Introducci
on
Contenido
P. 1
Contenido
Temario
Organizaci
ondel curso
Calendarizaci
on
Bibliografia
Evaluaci
on del curso
Objetivo
Motivaci
on
Breve rese
na hist
orica
Procedimiento general para Identificaci

on
M
etodos no parametricos: An
alisis transitorio
Trabajo para la siguiente sesi
on
Identificacion de Sistemas
Sesion 1: Introduccion
contenido del curso
P. 2
Temario
Introducci
on
Preliminares
Metodos no parametricos
Analisis transitorio
Analisis frecuencial
Analisis espectral
Analisis de correlacion
contenido del curso
P. 3
Temario ...
Metodos parametricos
Se
nales de entrada
Modelos
Regresion lineal y mnimos cuadrados
Metodos de error de predicci
on
Metodos de variable instrumental
contenido del curso
P. 4
Temario . . .
Identificaci
on por subespacios
Problema determinista y solucion
Problema estocastico y solucion
Software disponible
Aplicaciones
contenido del curso
P. 5
Calendarizaci
on
1,
2,
3,
4,
5,
6,
7,
8,
9,
10,
11,
12,
13,
14,
15,
16,
Fecha
22 Enero
29 Enero
05 Febrero
12 Febrero
19 Febrero
26 Febrero
05 Marzo
10 Marzo
26 Marzo
16 Abril
23 Abril
30 Abril
07 Mayo
14 Mayo
21 Mayo
27 Mayo
Tema
Introducci
on, Preliminares, Analisis Transitorio
Analisis Frecuencial
Analisis Espectral
Analisis de Correlacion
Introducci
on a metodos parametricos, Se
nales de entrada
Modelos, Forma de regresor
Regresi
on lineal, Mnimos cuadrados
Examen medio Curso
Metodos de error de prediccion y variable Instrumental
Revisi
on de examen medio curso, Uso de Toolbox de Identificaci
on
Identificaci
on por subespacios, problemas determinista y estocastico
Uso de toolboxes para identificaci
on por subespacios
Metodos de validacion del modelo
Caso de estudio 1
Caso de estudio 2
Examen Ordinario
contenido del curso
P. 6
Bibliografia
T. S
oderstrom, P. Stoica, System Identification,
Printice Hall 1989.
Peter VAN OVERSCHEE, Bart DE MOOR,
Subspace identification for linear systems, Theory
- Implementation - Application, Kluwer 1999
R. Iserman, M. M
unchhof, Identification
of Dynamic Systems, An Introduction with
Applications, Springer 2011
Karel J. Keesman, System Identification, An
Introduction, Springer 2011
contenido del curso
P. 7
Evaluaci
on del curso
Ex
amenes 60 %. 30% de cada examen.
Tareas. Proporcionan puntos adicionales (maximo 3 por

cada tarea bien hecha). Es necesario entregarlas el da y
hora se
nalados.
Actividades 40 %. Hay dos actividades en total durante
el curso (20% de los puntos otorgados por cada una de
las actividades). La primera actividad asociada con cada
tema principal de la primera mitad del curso (metodos no
parametricos, metodos parametricos) y la segunda asociada
con la Identificaci
on por subespacios y la validacion. Los
detalles seran entregados el 19 de febrero para la primera
actividad y el 7 de Mayo para la segunda.
Participaci
on. Se otorga 1 punto por cada participacion
completa.
Objetivo
P. 8
Objetivo del curso
Garantizar el dominio de las herramientas

basicas de identificaci
on.
Brindar entrenamiento necesario para el uso
de las herramientas de identificaci
on requeridas
para el dise
no de controladores.
Dar el fundamento a los principios que rigen la
teora de identificaci
on.
Motivaci
on
P. 9
Motivaci
on
Qu
e es identificaci
on?
Es el are de la teora de sistemas que estudia
metodologas para la obtenci
on de modelos
matematicos de sistemas dinamicos a partir de
datos provenientes de mediciones sobre el sistema.
Para qu
e identificar?
El desarrollo de modelos matematicos es u
til para
poder dise
nar controladores, para el desarrollo de
algoritmos de supervisi
on, estudios economicos,
etc.
Motivaci
on
P. 10
Motivaci
on
Identificaci
on es un complemento
al modelado de sistemas.
Modelado + Identificaci
on = MODELO
Motivaci
on
P. 11
Antecedentes
Tipos de modelos
Modelo mental, intuitivo o verbal.- Modelo
utilizado, por ejemplo, al manejar un auto o una
bicicleta.
Gr
aficas o tablas.- Diagama de Bode, respuesta
a una entrada de prueba en grafica o en tabla.
Modelos matem
aticas.- Basados en ecuaciones
diferenciales o de diferencias.
Motivaci
on
P. 12
Modelos matem
aticos
Obtenidos mediante modelado.- A partir de

leyes fsicas. Son modelos analticos.
Obtenidos por identificaci
on.- Representa el
camino experimental.
No param
etrico.- Se obtienen mediante
identificaci
on sin tener en cuenta ninguna
estructura o el modelado.
Param
etrico.- Obtiene los parametros de la
estructura de un modelo.
Motivaci
on
P. 13
Modelo obtenido mediante identificaci

on
Rango de validez limitado.

No necesariamente hay un sentido fsico asociado.
Son faciles de construir y usar.
Son el tema central del curso.
Rese
na historica
P. 14
Rese
na hist
orica
Fines de los a
nos 60s se empieza a formalizar la teora
matematica de identificacion
A principio de los a
nos 70s aparecieron los primeros trabajos
om y Eykhoff 1971, as como los
clarificadores del area: Astr
primeros libros: Box y Jenkins 1970, Eykhoff 1974, Goodwin
y Payne 1977.
En los a
nos 80s se consolida la teora gracias a los resultados
sobre parametrizaciones as como a la investigaci
on realizada
en buena medida por el grupo alrededor del prof. Ljung.
Se publican dos libros que sirven como base al curso: Ljung
y S
oderstrom 1983, S
oderstrom y Stoica 1987. Ademas se
realizan una gran cantidad de aplicaciones y se desarrollan
teora para incluir sistemas multivariables.
Rese
na historica
P. 15
Rese
na hist
orica
A fines de los 80s surgen las ideas seminales sobre identificacion
por subespacios.
En los 90s se consolidan los algoritmos y sale el toolbox de
Matlab sobre identificacion.
A fines de los 90s surgen los primeros algoritmos en Matlab
para la identificacion por subespacios.
Hoy en da existen muchas diferentes posibilidades a la hora de
aplicar identificacion.
Rese
na historica
P. 16
Procedimiento general de Identificaci

on
Contenido
P. 17
An
alisis Transitorio
Entradas
Sistemas de primer orden
Sistemas de segundo orden
P. 18
An
alisis Transitorio
Concepto:
Se aplica una entrada especial y se analiza el transitorio de la respuesta
Sistema
P. 19
Caractersticas de la entrada
Impulso unitario
( )d = 1
(s) = 1
Y (s) = G(s)
P. 20
Caractersticas de la entrada
Escal
on unitario
1
(s) =
s
Y (s) =
G(s)
s
P. 21
Sistemas de Primer Orden

Forma general
Y (s)
s + 2 s3
= G(s) = K
e
U (s)
s + 1
Caso 1
Caso 2
Caso 3
K
G(s) =
s + 1
s + 2
G(s) = K
s + 1
s + 2 s3
G(s) = K
e
s + 1
P. 22
Caso 1: Ganancia y un polo
K
U (s) = 1 Y (s) =
s + 1
y(t) = Ke1t
1
K
U (s) =
Y (s) =
s
s(s + 1)
y(t) = K(1 e1t)
P. 23
Ejemplo 1
Entrada Impulso unitario
Impulse Response
2
2
Y (s) =
s+2
Amplitude
y(t) = 2e2t
1.5
0.5
Requisito:
ESTABILIDAD
0.5
1.5
Time (sec)
2.5
P. 24
C
odigo Matlab
% Ejemplo 1
% Identificacion de sistemas
%
%Definicion del sistema
num = [0 2];
den = [1 2];
ej1 = tf(num,den);
impulse(ej1);
P. 25
Ejemplo 2
Entrada Escalon unitario
Step Response
1
2 1
Y (s) =
s + 2s
y(t) = 2(1 e
Amplitude
2t
0.8
0.6
0.4
0.2
Requisito:
ESTABILIDAD
0.5
1.5
Time (sec)
2.5
P. 26
C
odigo Matlab
% Ejemplo 2
%
num = [0 2];
den = [1 2];
ej2 = tf(num,den);
step(ej2);
P. 27
Caso 2: Ganancia, un polo y un cero
U (s) = 1
Y (s) = K
s + 2
s + 1
y(t) = K(2 1)e1 t
1
s
Y (s) = K
s + 2
s(s + 1)
y(t) = K(
U (s) =
2 1 2 1t
+
e
)
1
1
P. 28
Ejemplo 3
Impulse Response
0
s+1
Y (s) = 3
s+5
y(t) = 3(1 5)e5t
Amplitude
4
6
8
10
Requisito:
ESTABILIDAD
12
0.2
0.4
0.6
Time (sec)
0.8
1.2
P. 29
C
odigo Matlab
% Ejemplo 3
%
num = [3 3];
den = [1 5];
ej3 = tf(num,den);
impulse(ej3);
P. 30
Ejemplo 4
Step Response
3
s+1
Y (s) = 3
s(s + 5)
2.5
1 5 1 5t
e )
y(t) = 3( +
5
5
Amplitude
2
1.5
1
0.5
Requisito:
ESTABILIDAD
0.2
0.4
0.6
Time (sec)
0.8
1.2
P. 31
C
odigo Matlab
% Ejemplo 4
%
num = [3 3];
den = [1 5];
ej4 = tf(num,den);
step(ej4);
P. 32
Caso 3: Ganancia, un polo, un cero y atraso
U (s) = 1
Y (s) = K
s + 2 s3
e
s + 1
y(t) = K(2 1)e(13 )t(t 3)
1
s
Y (s) = K
s + 2 s3
e
s(s + 1)
y(t) = K(
U (s) =
2 1 2 (13)t
+
e
)(t 3)
1
1
P. 33
Ejemplo 5
Impulse Response
0
2
s+1
Y (s) = 3
s+5
y(t) = 3(4)e
(t 2))
Amplitude
5(t2)
4
6
8
10
Requisito:
ESTABILIDAD
12
0.5
1.5
Time (sec)
2.5
3.5
P. 34
C
odigo Matlab
% Ejemplo 5
%
num = [3 3];
den = [1 5];
ej5 = tf(num,den,inputdelay,2);
impulse(ej5);
P. 35
Ejemplo 6
Step Response
3
2.5
s + 1 2s
e
Y (s) = 3
s(s + 5)
Amplitude
1 4 5(t2)
)(t 2)
y(t) = 3( + e
5 5
2
1.5
1
0.5
Requisito:
ESTABILIDAD
0.5
1.5
Time (sec)
2.5
3.5
P. 36
C
odigo Matlab
% Ejemplo 6
%
num = [3 3];
den = [1 5];
ej6 = tf(num,den,inputdelay,2);
step(ej6);
P. 37
C
alculo de par
ametros con entrada escal
on
Caso:
y(0) y() Transformacion

y(ti)
i = 1
y()
y(ti)
i =
y(t0)
y() y(ti)
i =
y() y(t0)
K
0
K
1 + 1s
Ks
K
0
1
1 + 1s
1 + 2s
2
K
K
K
1 + 1s
1
i = e
ti
1i
ti
;
1i =
lni
1k =
k
X
1
i=1
1i
P. 38
Sistemas de Segundo Orden

Forma general
Y (s)
Ko2
= G(s) = 2
U (s)
s + 20s + 02
1
U (s) =
s "
y(t) = K 1 p
0 t
1 2
sen(0
1 2t + )
P. 39
Respuesta en el tiempo
Step Response
1.8
1
1
Y (s) = 2
s + 2s + 1 s
1.6
1.4
= 0.1
= 0.3
= 0.5
Amplitude
1.2
1
0.8
0.6
0.4
= 0.7
0.2
= 0.9
=1
10
Time (sec)
15
P. 40
C
alculo de par
ametros
Caso subamortiguado
M =e
1 2
log(M )
log
( 2 +(
1
2
(M )) ) 2
K
tk = p
0 = 2 2
T 1
0 1 2

k
k
y(tk ) = K 1 (1) M
y() = K
P. 41
C
alculo de par
ametros
Caso sobreamortiguado
Kp
1
Y (s) =
(1 + T1s)(1 + T2s) s

t
t
T1
T2
T
T
y(t) = Kp 1
e 1+
e 2
T1 T2
T1 T2
T2
q =
T1
t
=
T1 + T2
P. 42
C
alculo de par
ametros
p = y()
1.- K
t
2.- T1 + T2 =
1.2
t
t
3.- con y( )
4
4
q Tabla
t
4.- T1 =
,
1.2(1 + q )
5.- T2 = q T1
P. 43
Tarea 1
Resumen sobre respuesta en

frecuencia de sistemas
continuos y discretos
M
aximo dos cuartillas.
Entregar antes de comenzar la
sesi
on 2 (29 de Enero).
P. 44
Siguiente sesi
on
M
etodos no param
etricos:
An
alisis frecuencial

Sesion 1

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Sesion 1

Uploaded by

Copyright:

Available Formats

Identificaci

Procedimiento general para Identificaci

contenido del curso

contenido del curso

contenido del curso

contenido del curso

contenido del curso

contenido del curso

Tareas. Proporcionan puntos adicionales (maximo 3 por

Objetivo del curso

Garantizar el dominio de las herramientas

Obtenidos mediante modelado.- A partir de

Modelo obtenido mediante identificaci

Rango de validez limitado.

Procedimiento general de Identificaci

Sistemas de Primer Orden

Caso 1: Ganancia y un polo

y(t) = K(1 e1t)

Caso 2: Ganancia, un polo y un cero

y(t) = K(2 1)e1 t

y(t) = 3(1 5)e5t

Caso 3: Ganancia, un polo, un cero y atraso

y(t) = K(2 1)e(13 )t(t 3)

y(0) y() Transformacion

Sistemas de Segundo Orden

Resumen sobre respuesta en

You might also like