Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor

34




PRINCIPII DE BAZ PRIVIND IDENTIFICAREA PROCESELOR

2.1 NOIUNI GENERALE PRIVIND IDENTIFICAREA MODELELOR
DINAMICE ALE PROCESELOR

Identificarea este operaia de determinare a caracteristicilor dinamice ale
procesului, a crui cunoatere este necesar n vederea proiectrii i implementrii
unui sistem performant de reglare.
Pentru a concepe i ajusta corect un regulator sunt necesare (fig. 2.1):
- specificarea performanelor dorite pentru bucla de comand/reglare;
- cunoaterea modelului dinamic al procesului (numit model de comand)
descris de relaia dintre variaiile comenzii i variaiile ieirii;
- disponibilitatea unei metode adecvate de calcul al regulatorului compatibil cu
performanele specificate i caracteristicile modelului procesului.













Fig. 2.1 Explicativ privind principiile proiectrii i calculului unui regulator.

Modelele dinamice de comand, care dau relaia ntre variaiile mrimilor de
intrare ale unui proces i variaiile mrimilor de ieire, sunt tipuri de modele necesare
pentru proiectarea i ajustarea sistemelor de comand/reglare. Dei indicaii asupra
structurii acestor modele de comand se pot obine pornind de la structura modelului
de cunoatere, n general, este foarte dificil s se determine valorile parametrilor
semnificativi pornind de la aceste modele. De aceea, n majoritatea situaiilor
practice, este pus n aplicare o metodologie de identificare direct a acestor modele
dinamice (de comand). De amintit c, modelele de comand sunt de dou tipuri:
1. Modele neparametrice (ca de exemplu: rspuns n frecven, rspuns la
treapt, etc.).
2. Modele parametrice (ca de exemplu: funcie de transfer, ecuaie diferenial
sau cu diferene, etc.).
n continuare, se prezint identificarea modelelor dinamice parametrice
discretizate adecvate proiectrii i ajustrii sistemelor numerice de comand i
reglare.
2

Calculul
regulatorului
Modelul
procesului
REGULATOR
+
-
PROCES
Specificarea
performanelor
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
35

Identificarea este o tehnic experimental pentru determinarea modelului
dinamic ai sistemului; ea cuprinde patru etape [23]:
1. Achiziia intrrilor/ieirilor cu un protocol de experimentare.
2. Alegerea structurii modelului (determinarea complexitii sale).
3. Estimarea parametrilor modelului.
4.Validarea modelului identificat (validarea structurii i a valorilor
parametrilor).
O operaie de identificare complet trebuie s conin cele patru etape
enumerate anterior. Metodele specificate utilizate n fiecare etap depind de tipul
modelului studiat (parametric sau neparametric, continuu sau discret). Metoda de
identificare clasic utilizat pentru obinerea modelelor parametrice pornind de la
modele neparametrice este de tip rspuns la treapt (fig. 2.2). Metoda a fost utilizat
iniial pentru a obine modele parametrice continue, apoi a fost extins pentru
identificarea modelelor discrete.


























Fig. 2.2 Explicativ privind utilizarea metodei clasice de identificare.

Pornind de la forma rspunsului procesului la treapt, se alege un tip de model
i se determin grafic parametrii modelului. Cunoscnd frecvena de eantionare, se
poate obine cu ajutorul tabelelor modelul discret corespunztor.
Dezavantajele acestei metode sunt multiple:
- semnalele de test au amplitudine mare (fiind rareori tolerate de instalaiile
industriale);
- precizia modelului obinut este redus;
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
36

- influena perturbaiilor este semnificativ, ele conducnd cu uurin la
necesitatea schimbrii modelului ales;
- nu exist posibilitatea modelrii perturbaiilor;
- timpul de calcul este mare;
- nu exist posibilitatea validrii modelului.
Utilizarea unui calculator numeric permite implementarea algoritmilor de esti-
mare automat a parametrilor modelelor discrete ale proceselor. Este important de
subliniat c identificarea modelelor parametrice discrete permite (prin simulare)
obinerea unor modele neparametrice de tip rspuns la treapt sau rspuns n
frecven, cu o precizie mai mare dect n cazul unei abordri directe i utiliznd
semnale de excitaie extrem de slabe. Identificarea modelelor parametrice discrete
conduce la modele de utilizare foarte general i ofer numeroase avantaje n raport
cu celelalte abordri.
Au fost dezvoltai algoritmi de identificare performani avnd o formulare
recursiv adaptat problemelor de identificare n timp real i implementrii lor pe
calculatoare [35]. Faptul c aceste metode de identificare pot lucra cu semnale de
excitaie extrem de slabe constituie o calitate apreciat n practic.















Fig. 2.3 Principiul estimrii parametrilor modelelor discrete.

Un model discret cu parametri ajustabili poate implementat pe calculator (fig.
2.3). Eroarea ntre ieirea procesului la momentul t, y(t), i ieirea predictiv de
model, ) t y , numit eroare de predicie, este utilizat de algoritmul de adaptare
parametric. Acesta va modifica parametrii modelului la fiecare moment de
eantionare, astfel nct s fie minimizat aceast eroare. Mrimea de intrarea este, n
general, o secven pseudo-aleatoare binar de un nivel foarte slab, generat de
calculator (succesiune de impulsuri dreptunghiulare cu durat aleator variabil n
Matalab exist astfel de blocuri). Odat modelul obinut, o validare obiectiv poate
fi fcut prin teste statistice asupra erorii de predicie ) t s i ieirii predictate ) t y .
Testul de validare permite pentru un proces dat s se aleag cel mai bun model,
respectiv cea mai bun structura i cel mai bun algoritm pentru estimarea
u(t)

Parametrii
modelului
Model eantionat
adaptiv
Algoritm de adaptare
parametric
+
-
y(t)

CAN CAN
+EOZ
PROCES

PROCES DISCRETIZAT
s(t)

) t y
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
37

parametrilor. Calculnd i reprezentnd grafic rspunsul la o treapt i rspunsul n
frecven al modelului identificat, se poate determina modelul continuu (rspuns la o
treapt sau rspuns n frecven). Aceast abordare pentru identificare modelelor
procesului elimin dezavantajele metodelor clasice menionate anterior i ofer, i
alte posibiliti, cum ar fi:
- urmrirea variaiilor parametrilor procesului n timp real, permind o
reacordarea regulatoarelor n timpul funcionrii;
- identificarea modelelor de perturbaie;
- modelarea zgomotelor din traductoare n vederea eliminrii lor;
- detecia i msurarea frecvenelor de vibraie;
- analiza spectral a semnalelor.
Unul din elementele cheie pentru aplicarea acestei abordri pentru identificarea
modelului procesului este algoritmul de adaptare parametric (AAP), ce ajusteaz
parametrii modelului de predicie plecnd de la informaiile culese de la sistem la
fiecare pas de eantionare. Acest algoritm are o structur recursiv, adic noua valoare
a parametrilor este egal valorii precedente plus un termen de corecie ce va depinde de
ultimele msurtori.
Se definete, n general, un vector al parametrilor n care componentele sunt
diferiii parametri care trebuie identificai. Algoritmii de adaptare au structura
urmtoare [24]:

Noua Estimaia Amplificarea Funcia Funcia
estimaie precedent de de erorii
a = a + adaptare x msurare x de
parametrilor parametrilor (matrice) (vector) predicie
(vector) (vector) (scalar)

Vectorul funciilor de msurare se mai numete vector al observaiilor.
Exist algoritmi nerecursivi de identificare parametric (ce prelucreaz n bloc
fiierele cu date de intrare/ieire obinute pe un orizont de timp). n comparaie cu
aceste tehnici, identificarea recursiv ofer avantajele urmtoare:
- obinerea unei estimaii a modelului pe msur ce procesul evolueaz;
- compresia datelor, pentru c algoritmii recursivi nu prelucreaz la un moment
dat dect o pereche de date intrare/ieire, spre deosebire de ceilali algoritmi ce
utilizeaz o mulime de date;
- necesarul de memorie i puterea de calcul sensibil diminuate;
- implementarea uoar pe calculator;
- posibilitatea de a realiza sisteme de identificare n timp real;
- posibilitatea de a urmri parametrii sistemelor variabile n timp.





Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
38


2.2 ALGORITMI RECURSIVI PENTRU IDENTIFICAREA
PARAMETRIC

2.2.1 Abordarea euristic
Se consider modelul discret al procesului descris prin:

y(t + l) = -a
l
y(t) + b
l
u(t) , tN , (2.1)

unde a
1
este un parametru cunoscut i b
1
este un parametru avnd o valoarea pozitiv,
dar necunoscut.
Scopul este de a estima valoarea parametrului b
1
. Modelul identificat va avea
aceeai structur cu cel de mai sus. Pentru a identifica b
1
, va trebui construit un model
ajustabil dat de o ecuaiei de forma (2.1), n care b
1
va fi nlocuit prin estimaia sa
) t b

1
, i care va fi modificat cu ajutorul unui algoritm de adaptare parametric.
Efectul algoritmului va trebui s se concretizeze printr-o reducere/ minimizare a
distanei dintre mrimea de ieire real i mrimea de ieire predictiv printr-un
model ajustabil.
Modelul ajustabil de predicie (a priori) va fi deci descris de ecuaia:


0
(t+l) = -a
1
y(t) + ) t b

1
u(t), tN , (2.2)

n care ) t b

1
este o estimaie a lui b
1
la momentul t. Se definete eroarea de predicie
(a priori):


0
(t+1) = y(t+1) -
0
(t+1) , t N, (2.3)

n funcie de valorile lui b
1
i ) t b

1
apar cteva situaii:
1. Cazul parametrului subestimat: u(t)>0 de tip treapt; ) t b

1
>b
1
. Rspunsurile
procesului i modelului sunt reprezentate n fig. 2.4.a, caz n care,
0
(t) > 0.






a) b)
Fig. 2.4 Evoluia lui y(t) i ) t y
0
n cazul:
a) subestimrii parametrului; b) supraestimrii parametrului.

2. Cazul parametrului supraestimat: u(t)>0 de tip treapt; ) t b

1
>b
1
. Rspunsurile
procesului i modelului sunt reprezentate n fig. 2.4.b. n acest caz, ) t
0
s <0.
Analiznd cele dou situaii, se poate propune un algoritm de adaptare parametric de
forma:
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
39

) 1
1
+ t b

= ) t b

1
+ k
0
(t+1), tN , (2.4)
unde k > 0 este amplificarea de adaptare. Aceast ecuaie are forma unui integrator
numeric, ceea ce garanteaz memoria algoritmului (dac
0
(t+1)=0, atunci ) 1
1
+ t b

=
) t b

1
. n cele ce urmeaz se vor studia evoluiile lui ) t b

1
cu acest algoritm (prin
convenie, o va indica o cretere, iar q va indica o descretere):
u (t) > 0 ; ) t b

1
< b
1
; k
0
(t) > 0 ; ) t b

1
o
u (t) > 0 ; ) t b

1
> b
1
; k
0
(t) < 0 ; ) t b

1
q







Fig. 2.5 Explicativ privind evoluia lui
1
b

(t) utiliznd algoritmul dat de ecuaia

(2. 4) pentru u(t) < 0.

Se observ c, pentru u(t) > 0, aciunea algoritmului de adaptare parametric este
bun. Din contr, dac se schimb semnul lui u(t) (u(t) < 0), algoritmul de adaptare
parametric face ca
) t b

1
s evolueze ntr-un sens nedorit (lucru ilustrat n fig. 2.5).
Trebuie deci modificat algoritmul dat prin ecuaia (2.4) pentru a ine cont de semnul
lui u(t) (trebuie inversat aciunea atunci cnd u(t) este negativ). Dar:
sign u =
u
u
, (2.5)

i algoritmul de adaptare parametric devine:

) 1
1
+ t b

= ) t b

1
+
) t ( u
k
u(t)
0
(t+1) , t N , (2.6)

Acest nou algoritm acioneaz ntr-un sens bun asupra lui ) t b

1
, oricare ar fi
semnul lui u(t). Se obine:

u (t) > 0 ; ) t b

1
< b
1
; u(t)
0
(t) > 0 ;
1
b

o
u (t) < 0 ; ) t b

1
< b
1
; u(t)
0
(t) > 0 ;
1
b

o
u (t) > 0 ; ) t b

1
> b
1
; u(t)
0
(t) < 0 ;
1
b

q
u (t) < 0 ; ) t b

1
> b
1
; u(t)
0
(t) < 0 ;
1
b

q
Se pot aduce o serie de ameliorri la algoritmul de adaptare parametric (AAP)
dat de ecuaia (2.6) [23, 24, 25]. O prim mbuntire se poate face prin reducerea
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
40

sensibilitii algoritmului n raport cu amplitudinea lui u(t) i a valorii amplificrii k.
Din ecuaiile (2.1), (2.2) i (2.3) se obine:
k
0
(t+1) = (b
1
(t) - ) t b

1
)ku(t), tN , (2.7)
Astfel spus, termenul de corecie este proporional cu produsul ku(t). Este convenabil
ca termenul de corecie s fie normalizat, mprindu-l cu k`u(t)`. n aceast situaia
algoritmul de adaptare va devine:
) 1
1
+ t b

= ) t b

1
+
2
) t ( u k
k
u(t)
0
(t+1) , t N , (2.8)

A doua mbuntire se refer la situaiile cnd u(t)}0, ceea ce conduce la
o mprire cu 0. Pentru a o evita, algoritmul din ecuaia (2.8) se modific
astfel:
) 1
1
+ t b

= ) t b

1
+
0
(t+1), tN . (2.9)
n ecuaia (2.9) se poate pune n eviden un termen de forma
0
(t+1)/(1+
k`u(t)`
2
) ce are o interpretare foarte interesant. Pentru aceasta, n ecuaia (2.2)
) t b

1
se nlocuiete cu ) 1
1
+ t b

i se noteaz noua ieire a modelului (t+1)

(model de predicie a posteriori):
(t+1) = -a
1
y(t) + ) 1
1
+ t b

u(t), tN. (2.10)

Utiliznd ecuaia (2.9), ecuaia (2.10) se poate rescrie sub forma:
(t+1) = -a
1
y(t) +

+ s
+
+ ) t (
) t ( u k
) t ( ku
) t ( b 1
1
0
2
1

u(t) =
=
0
(t+1) +
2
2
1 ) t ( u k
) t ( ku
+

0
(t+1) , tN . (2.11)
Se definete:
(t) = y(t) - (t) , t N . (2.12)
Utiliznd relaiile (2.11) i (2.3) n aceast definiie, se obine:


(t+1) =
0
(t+1) -
2
2
1 ) t ( u k
) t ( ku
+

0
(t+1) =
2
0
1
1
) t ( u k
) t (
+
+ s
, t N . (2.13)
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
41

n acest context,
0
(t+l) este numita eroare de prediceie a priori, pentru c
depinde de parametrii estimai la momentul t. Analog, (t+1) este numit eroare
de predicie a posteriori, deoarece ea depinde de parametrii estimai la momentul
t+1, adic dup ce algoritmul de adaptare parametric a acionat. Ecuaia (2.13)
d relaia dintre eroare, de predicie a priori i eroarea de predicie a posteriori.
Se constat c (t+1)e
0
(t+1) (egalitatea avnd loc pentru valori nule ale lui k
sau u). De asemenea, ecuaia (2.13) permite s se rescrie algoritmul de
adaptare parametric dat de ecuaia (2.9) sub forma:
) 1
1
+ t b

= ) t b

1
+k u(t)(t+1), tN, (2.14)
unde (t+1) este dat de ecuaia (2.13), depinznd astfel numai de parametrii
estimai la momentul t [27].
2.2.2 Algoritmul gradientului
Algoritmul de adaptare parametric al gradientului are ca obiectiv
minimizarea unui criteriu ptratic n funcie de eroarea de predicie [9]. Se va
considera acelai exemplu ca n paragraful precedent, dar, de aceast dat, cei doi
parametri ai modelului procesului, a
1
i b
1
, sunt necunoscui.
Modelul discretizat al procesului este descris de relaia:
y(t+1) = -a
1
y(t) + b
1
u(t) = U
T
J(t), t N , (2.15)
unde:
U
T
= [a
1
, b
1
], (2.16)
este vectorul parametrilor (necunoscui) i
J
T
(t) = [-y(t) , u(t)] , t N, (2.17)
este vectorul msurilor (sau al observaiilor).
Modelul de predicie ajustabil (a priori) va fi descris de ecuaia:

0
(t+1) = (t+1) U

(t) = -
1
(t)y(t) +
1
b

(t)u(t) = U

T
(t)J(t), tN, (2.18)
unde
0
(t+1) reprezint predicia a priori ce depinde de valorile parametrilor
estimai la momentul t i

U

T
(t) = [
1
(t), ) t b

1
] , tN, (2.19)

este vectorul parametrilor estimai.
Ieirea a posteriori a predictorului va fi dat de ecuaia:

Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
42

(t+1)=(t +l` U

(t +1))=-
1
(t+1)y(t)+ ) 1
1
+ t b

u(t)= U

T
(t+1)J(t), tN (2.20)

Se definete o eroare de predicie a priori prin:

0
(t) = y(t) -
0
(t), tN, (2.21)

i o eroare de predicie a posteriori prin:
(t) = y(t) - (t), tN. (2.22)
i se caut un algoritm de adaptare parametric recursiv i cu memorie.
Structura unui astfel de algoritm este:

U

(t+1)= U

(t)+( U

(t+1)= U

(t)+k( U

(t)J(t)
0
(t+1)), tN. (2.23)

Termenul de corecie k() trebuie s depind numai de informaiile disponibile la
momentul t+1 (ultima msurare y(t+l), parametrii U

(t)) i eventual un numr

finit de informaii la momentele (t, t-1, t-2, . . . , t-n). Termenul de corecie
permite minimizarea la fiecare pas a criteriului:
J(t+1) = [
0
(t+l)]
2
, tN, (2.24)

minimizarea efectundu-se n raport cu U

(t) la momentul (t+1). Soluia se

obine utiliznd metoda gradientului. Dac se reprezint curbele de izocriteriu
(pentru care J este constant) n planul parametrilor a
1
i b
1
, se obin curbe
nchise concentrice n jurul valorii minimale a criteriului corespunztoare
punctului a
1
, respectiv b
1
(parametrii modelului procesului). Curbele de
izocriteriu se deprteaz de minim pe msur ce valoarea lui J crete (fig.
2.6).






Fig. 2.6 Principiul metodei gradientului.

Pentru a minimiza valoarea criteriului, se va efectua o deplasare n direcia invers
gradientului curbei de izocriteriu corespunztoare. Aceasta va conduce la o curb
corespunztoare lui J constant de valoare mai mic (precum este ilustrat n fig. 2.7).
Algoritmul de adaptare parametric corespunztor va avea forma:

Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
43

U

(t+1) = U

(t) - K
) t (
) t ( J
U x
+ x

1
, tN , (2.25)

unde K=EI cu E > 0, este amplificarea de adaptare matricial, I este o matrice
diagonal unitar, i
) t (
) t ( J
U x
+ x

1
este gradientul criteriului ecuaiei (2.24) n raport cu
U

(t). Din ecuaia (2.24), rezult:

2
1
) t (
) t ( J
U x
+ x

1
=
) t (
) t (
U x
+ s x

1
0

0
(t+1) , tN. (2.26)
Cum:

0
(t+1)=y(t+1)-
0
(t+1)= y(t+1)-
T

U (t)J(t), tN, (2.27)

rezult c:

) t (
) t (
U x
+ s x

1
0
= -J(t), tN. (2.28)
Introducnd ecuaia (2.28) n ecuaia (2.26), algoritmul de adaptare parametric din
ecuaia (2.25) devine:
U

(t+1)= U

(t)+KJ(t)
0
(t+1), tN , (2.29)
unde K este amplificarea matricial de adaptare. n acaest situaie sunt posibile dou
alegeri [17]:
1. K = EI , E > 0;
2. K > 0 (matrice pozitiv definit - este caracterizaii prin faptul c: toate
elementele de pe diagonal sunt pozitive, este simetric iar determinanii tuturor
minorilor principali sunt pozitivi).
Interpretarea geometric a algoritmului de adaptare parametric din ecuaia
(2.29) este ilustrat n fig. 2.7. Algoritmul de adaptare parametric dat de ecuaia
(2.29) prezint riscuri de instabilitate dac amplificarea de adaptare (respectiv E)
este mare (aceast lucru se poate nelege cu ajutorul fig. 2.6).






Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
44

Fig. 2.7 Interpretarea geometric a algoritmului de adaptare al gradientului.

Pentru a evita aceast problem de instabilitate, se utilizeaz aceeai abordare a
gradientului dar se consider un alt criteriu:

J(t+1) = [(t+1)]
2
, tN, (2.30)
de unde se obine:

2
1
) t (
) t ( J
1
1
+ U x
+ x
=
) t (
) t (
1
1
0
+ U x
+ s x
(t+1) , tN. (2.31)
Din ecuaiile (2.20) i (2.22) se obine:
(t+1)=y(t+1) (t+1)=y(t +1)-U
T
(t+1) J(t), tN, (2.32)
respectiv:

) t (
) t (
1
1
+ U x
+ s x
= -J(t)

, tN. (2.33)
Introducnd ecuaia (2.33) n ecuaia (2.31), algoritmul de adaptare parametric din
ecuaia (2.25) devine:
U

(t+1)= U

(t) + KJ(t)(t+1) , tN. (2.34)

Acest algoritm depinde de (t+1), care este o funcie de U

(t+1). Pentru a se putea

implementa acest algoritm, trebuie exprimat (t+1), n funcie de
0
(t+1),
(adic: (t+1)=f( U

(t), J(t),
0
(t+1)).
Ecuaia (2.32) se poate rescrie sub forma:

(t+1) = y(t+1)-
T
U

(t)J(t) -[ U

(t+1)- U

(t)]
T
J(t), t N. (2.35)
Primii doi termeni ai membrului drept corespund lui
0
s (t+1), i, din ecuaia (2.4),
rezult:
U

(t+1) - U

(t) = K J(t) (t+1), tN. (2.36)

ceea ce permite scrierea ecuaiei (2.25) sub forma:

(t+1) =
0
(t+1) J
T
(t) K J(t) (t+1), tN. (2.37)
de unde se obine relaia ntre (t+1) i
0
(t+1) :
(t+1) =
)
) ) t K t
t
T
J J +
+ s
1
1
0
, t N . (2.38)
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
45

Algoritmul din ecuaia (2.34) devine:

U

(t+1) =U

(t)
) )
) ) t K t
t t K
T
J J +
+ s J
+
1
1
0
, tN . (2.39)

Acesta este un algoritm stabil oricare ar fi amplificarea K (pozitiv). mprirea prin
1+J
T
(t)KJ(t) introduce o normalizare (ca n paragraful anterior), care reduce sensi-
bilitatea algoritmului n raport cu K i J(t). Dac parametrul a
1
este cunoscut, acest
algoritm este identic celui dat de ecuaia (2.9), obinut prin consideraii euristice.

2.2.3 Algoritmul celor mai mici ptrate recursiv

Utiliznd algoritmul gradientului, se minimizeaz la fiecare pas
2
(t+1) sau
deplasarea se efectueaz n direcia de descretere cea mai rapid a criteriului, cu un
pas ce depinde de K. Minimizarea lui
2
(t+1) la fiecare pas nu implic n mod necesar
minimizarea sumei:

!
1
0
) (
2
N
i
i s , tN .
pe un orizont de t pai (fig. 2.8). De fapt, n apropierea optimului, dac amplificarea
nu este destul de slab, pot exista oscilaii n jurul minimului. Pe de alt parte, pentru
a avea o vitez de convergen bun de la nceput, cnd diferena fa de optim este
mare, ar fi de preferat o amplificare de adaptare mare. Algoritmul celor mai mici
ptrate recursiv ofer un astfel de profil de variaie a amplificrii de adaptare.









Fig. 2.8 Explicativ privind evoluia unui algoritm de adaptare de tip gradient.

Se consider aceleai ecuaii pentru proces, modelul de predicie i erorile de
predicie utilizate n algoritmul gradientului, i anume ecuaiile (2.15), ... , (2.22).
Scopul este de a gsi un algoritm recursiv avnd forma ecuaiei (2.23) care s
minimizeze criteriul celor mai mici ptrate [23, 43]:
J(t) =

!
t
i
) i ( y [
1
-
T
U

(t) J(i-1)]
2
, tN *. (2.40)
Termenul
T

U (t) J(i-1) corespunde lui:

Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
46


T

U (t) J(i-1) = -
1
(t)y(i-1)

+ ) t b

1
u(i-1)

= (i ` U

(t)) , tN . (2.41)
Astfel, predicia ieirii la momentul i (i e t) este bazat pe estimarea parametrilor la
momentul t obinut cu ajutorul a t msurri.
Se pune problema estimrii unui parametru U

la momentul t ce minimizeaz
suma ptratelor distanelor dintre proces i modelul de predicie pe un orizont de t
msurri. Valoarea lui U

(t) care minimizeaz criteriul (2.40) se obine cutnd

valoarea care anuleaz xJ(t)/xU

(t):

) t (
) t ( J
U x
x
= -2

!
t
i
) i ( y [
1
-
T
U

(t) J(i-1)] J
T
(i-1) = 0 , t N *. (2.42)

Dup aplicarea operatorului de transpunere rezult imediat ecuaia liniar n U

J J

!
t
1 i
T
1) (i 1) (i U

(t) =

!
J
t
1 i
) 1) (i i ( y , t N*.

Multiplicnd la stnga cei doi termeni ai acestei ecuaii cu termenul:


1
t
1 i
T
1) (i 1) (i

J J

,
va rezulta:
U

(t)=
1
t
1 i
T
1) (i 1) (i

J J

!
J
t
1 i
) 1) (i i ( y =K(t)

!
t
1 i
) 1) (i i ( y , tN*, (2.43)

unde:
[K(t)]
-1
=

!
U J
t
1 i
) 1 1) (i i (
T

, t N*. (2.44)
Acest algoritm de estimare nu este recursiv, i ca urmare, pentru a obine un algoritm
recursiv, se consider estimaia lui ) 1 + U t

:

U

(t+1) = K(t+1)

+
!
J
1 t
1 i
) 1) (i i ( y , tN*. (2.45)
[K(t+1)]
-1
=

+
!
U J
1 t
1 i
) 1 1) (i i (
T

= [K(t)]
-1
+ J(t) J
T
(t) , tN*. (2.46)

Se urmrete exprimarea lui ) 1 + U t

n funcie de ) t

U :

U

(t+1) = U

(t) + (U

(t+1) , tN*. (2.47)

Din ecuaia (2.45) se obine:
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
47

+
!
J
1 t
1 i
) 1) (i i ( y =

!
J
t
1 i
) 1) (i i ( y + J(t)y(t+1)= [K(t)]
-1
U

(t) + J(t)y(t+1), tN*.

(2.48)

innd cont de relaia de recuren (2.46), ecuaia (2.48) se poate rescrie sub forma:

+
!
J
1 t
1 i
) 1) (i i ( y = [K(t+1)]
-1
U

(t+1) =
= [K(t+1)]
-1
U

(t) + J(t) [y(t+1) - J

T
(t) U

(t)] =
= [K(t+1)]
-1
U

(t) + J(t)
0
(t+1), tN*. (2.49)

nmulind la stnga cu K, rezult:

U

(t+1) = U

(t) + K(t+1)J(t)
0
(t+1), tN*. (2.50)

Algoritmul de adaptare din ecuaia (2.50) are o form recursiv similar algoritmului
gradientului dat de ecuaia (2.29), cu deosebirea c matricea de amplificare K(t+1)
este variabil n timp, ntruct depinde de msurri (aceasta corecteaz automat
direcia gradientului i lungimea pasului). Acum, se urmrete o formul recursiv
pentru K(t+1) plecnd de la formula recursiv pentru K
-1
(t+1) dat de ecuaia (2.46).
Aceasta se obine utiliznd o lem a inversrii matriciale (dat mai jos ntr-o form
simplificat), rezultat preluat din Teoria calculului matricial:
Lem. Fie K o matrice ptrat de dimensiune (nxn) i J un vector de
dimensiune n, atunci:

(K
-1
+ JJ
T
)
-1
= K -
J J +
JJ
K
K K
T
T
1
. (2.51)

Aplicnd aceast lem, din ecuaiile (2.46) i (2.51) se obine:

K(t+1

)

= K(t) -
) t ( ) t ( K ) t (
) t ( K ) t ( ) t ( ) t ( K
T
T
J J +
J J
1
, tN*. (2.52)

Regrupnd ecuaiile, o prim form a algoritmului de adaptare parametric (AAP) a
celor mai mici ptrate recursiv (CMMPR) este dat mai jos:
U

(t+1) = U

(t) + K(t+1)J(t)
0
(t+1), tN. (2.53)
K(t+1

)=K(t)-
) t ( ) t ( K ) t (
) t ( K ) t ( ) t ( ) t ( K
T
T
J J +
J J
1
, t N. (2.54)

0
(t+1) = y(t+1) - U

T
(t )J(t) , tN. (2.55)
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
48

Argumentul t din aceste relaii, pleac de la 0, mrimile K(0) i U

(0) constituind
iniializarea predefinit a algoritmului.
O form echivalent a acestui algoritm se obine introducnd expresia lui
K(t+1)dat de ecuaia (2.54) n ecuaia (2.53):
U

(t+1)- U

(t)=K(t+1)J(t)
0
(t+1)=K(t)J(t)
) t ( ) t ( K ) t (
) t (
T
J J +
+ s
1
1
0
, t N. (2.56)
Dar, din ecuaiile (2.21) i (2.22) rezult sucesiv:
(t+1)=y(t+1)-J
T
(t) U

(t+1)=y(t+1) - J
T
(t) U

(t) - J
T
(t)[ U

(t+1)- U

(t)]=

=
0
(t+1) -J
T
(t)K(t)J(t)
) t ( ) t ( K ) t (
) t (
T
J J +
+ s
1
1
0
=

=
) t ( ) t ( K ) t (
) t (
T
J J +
+ s
1
1
0
, tN*, (2.57).

care exprim relaia ntre eroarea de predicie a posteriori i eroarea de predicie a
priori. Utiliznd relaia n ecuaia (2.56), se obine o form echivalent a algoritmului
de adaptare parametric a celor mai mici ptrate, recursiv:
U

(t+1) = U

(t) + K(t+1)J(t)(t+1), tN ; (2.58)

K(t+1)
-1
= K(t)
-1
+ J(t)J
T
(t) , tN ; (2.59)
K(t+1)

= K(t)

-
) t ( ) t ( K ) t (
) t ( K ) t ( ) t ( ) t ( K
T
T
J J +
J J
1
, tN ; (2.60)
(t+1) =
) t ( ) t ( K ) t (
) t ( ) t ( ) t ( y
T
T
J J +
J U +
1
1

, tN. (2.61)
i aici rmne valabil observaia anterioar privind iniializarea algoritmului. Pentru
ca algoritmul celor mai mici ptrate recursiv s fie riguros echivalent cu algoritmul
nerecursiv al celor mai mici ptrate ar trebui demarat la momentul t
0
=dimU

, pentru ca
inversa lui K(t
0
) (dat prin ecuaia (2.44) pentru t=t
0
) s fie bine definit. n practic,
algoritmul este iniiat de la momentul t=0, considernd:
K(0) = I
H
1
= (GI)I , 0 < H << 1 , (2.62)

o valoare tipic fiind ! H 0,001 (GI=1000). Se poate vedea din expresia lui [K(t+l)]
-1

dat prin ecuaia (2.46) c influena acestei erori iniiale descrete n timp. O analiz
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
49

riguroas (pornind de la teoria stabilitii) arat totui c pentru orice K(0) pozitiv
definit (K(0) > 0), are loc proprietatea asimptotic: ) 0 1 ! + s

t lim
t
.
Algoritmul celor mai mici ptrate recursiv este un algoritm cu amplificare de
adaptare descresctoare, lucru evident dac se consider estimaia unui singur
parametru. n acest caz K(t) i J(t) sunt scalari i ecuaia (2.60) devine:

K(t+1) =
)
) ) t K t
t K
2
1 J +

e

K(t) ,
tN*.
De fapt, algoritmul celor mai mici ptrate recursiv aloc ponderi din ce n ce mai mici
noilor erori de predicie, deci noilor msurri. Aadar, acest tip de variaie al
amplificrii de adaptare nu este indicat pentru estimarea parametrilor variabili n
timp. Va trebui, s se considere alte profile de variaie a amplificrii de adaptare.
Algoritmul celor mai mici ptrate care a fost prezentat pentru U

(t) i J(t) de
dimensiune 2 se generalizeaz pentru orice dimensiune rezultnd din descrierea
sistemelor discrete de forma:


y(t) =
)
)
) t u
q A
q B q
d
1
1

, t
N, (2.63)

unde:
A(q
-1
) = 1 + a
1
q
-1
+...+ a
nA
q
-nA
, (2.64)
B(q
-1
) = 1 + b
1
q
-1
+...+ b
nB
q
-nB
. (2.65)
Acesta se scrie n forma detaliat care urmeaz:

) ) ) ) t

i d t u b i t y a t y
T
n
i
n
i
i i
A B
J U ! + + + ! +

! ! 1 1
1 1 1 , tN . (2.66)
unde:
U
T
= [a
1
,...,a
nA
,b
1
,...,b
nB
], (2.67)

J
T
(t) = [-y(t), ..., -y(t-n
A
+1), u(t-d),..., u(t-d-i+1)] , tN. (2.68)

Predictorul ajustabil a priori este dat, n cazul general, de ecuaia:

) t ( ) i d t ( u b ) n t ( y a ) t ( y
T
n
i
i A
n
i
i
B A
J U ! + + + ! +

! !


1 1 1
1 1
0
, tN, (2.69)

unde:

U

T
= [ a

1
,..., a

nA
, b

1
,..., b

nB
]. (2.70)

Pentru estimarea lui U

(t), se utilizeaz algoritmul dat de ecuaiile (2.58), (2.59),

(2.60), (2.61) cu o dimensiune adecvat pentru U

(t), J(t) i K(t).

Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
50


2.2.4 Alegerea amplificrii de adaptare

Formula inversei amplificrii de adaptare [K(t+l)]
-1
, dat prin ecuaia (2.59), se
generalizeaz introducnd dou secvene de ponderare
1
(t) i
2
(t), astfel:
[K(t+l)]
-1
=
1
(t)[K(t)]
-1
+
2
(t)J(t)J
T
(t) , tN

;
0 <
1
(t) e 1 ; 0 e
2
(t) < 2 ; K(0) > 0 . (2.71)
De notat c
1
(t) i
2
(t), din ecuaia (2.71) au un efect contradictoriu. Parametrul

1
(t)<1 tinde s creasc amplificarea de adaptare (inversul amplificrii crete). Pentru
fiecare alegere a secvenelor
1
(t) i
2
(t) va corespunde un anume profil de variaie a
amplificrii de adaptare i o anume interpretare n funcie de criteriul de eroare ce
este minimizat prin AAP. Utiliznd lema de inversare matricial dat de ecuaia
(2.51) i plecnd de la ecuaia (2.71), se obine:

J J +

J J

! +
) t ( ) t ( K ) t (
) t (
) t (
) t ( K ) t ( ) t ( ) t ( K
) t ( K
) t (
) t ( K
T
T
2
1
1
1
1 , tN. (2.72)

n cele ce urmeaz, sunt prezentate att un anumit numr de alegeri posibile pentru

1
(t) i
2
(t) ct i interpretrile lor.

2.2.4.1 Amplificare descresctoare (MCMMP)

n acest caz:

1
(t) =
1
=1 ;
2
(t) = 1 t N. (2.73)

i [K(t)]
-1
este dat de ecuaia (2.59), cea ce conduce la o amplificare de adaptare
descresctoare. Criteriul de minimizat este cel din ecuaia (2.40). Acest tip de profil
este recomandat pentru identificarea sistemelor staionare.

2.2.4.2 Factor de uitare fix (pondere fix)

n acest caz:

1
(t) =
1
; 0 <
1
< 1;
2
(t) =
2
= 1, (2.74)
i valorile tipice pentru
1
sunt:
1
= 0,92 ... 0,99.
Criteriul minimizat va fi:


2
1
1
1)] i ( ) t ( ) i ( y [ ) t ( J
T
t
i
) i t (
J U !

, t N. (2.75)

Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
51

Parametrul
1
< 1 introduce o ponderare din ce n ce mai mic asupra datelor vechi (i
< t). De aceea
1
este numit factor de uitare. Ponderea maxim este dat ultimei
erori. Acest tip de profil este recomandat pentru identificarea sistemelor lent
variabile.
2.2.4.3 Factor de uitare variabil (pondere variabil)
n acest caz:

2
(t) =
2
= 1 , t N *. (2.76)
i factorul de uitare este dat prin:

1
(t) =
0

1
(t -1) + 1-
0
; t N *, 0 <
1
(t) < 1, (2.77)
valorile tipice fiind:

1
(0) = 0,92...0,99 ;
0
(0) = 0,92...0,99.
Relaia (2.77) conduce la un factor de uitare care tinde asimptotic la 1. Criteriul
minimizat va fi:

2
1
1
1)] i ( ) t ( ) i ( y [ ) t ( J
T
t
i
) i t (
J U !

, t N *. (2.78)
Cum
1
tinde la 1 pentru t mare, rezult doar o uitare a datelor iniiale (amplificarea
tinde spre o amplificare descresctoare). Acest tip de profil este recomandat pentru
identificarea sistemelor staionare, ntruct se evit o descretere prea rapid a
amplificrii de adaptare, aceast lucru conducnd n general la o accelerare a
convergenei (meninerea unei amplificri ridicate cnd distana fa de optim este
mare).
2.2.4.4 Urm constant
n acest caz,
1
(t) i
2
(t) sunt alese automat la ficare pas pentru a asigura o urm
constant a matricii de amplificare (sum constant a elementelor de pe diagonal):
trK(t+1) = trK(t) = trK(0) = nGI , t N. (2.79)
unde n este numrul de parametri i GI amplificarea iniial (ale crei valorile tipice
sunt: GI {0, 1, 2, 3, 4}), matricea K(0) avnd forma:

!
GI
GI
) ( K
0
0
0 1 . (2.80)
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
52

Criteriul minimizat este de forma:

2
1
1)] i ( ) t ( ) i ( y [ ) i , t ( k ) t ( J
T
t
i
J U !

,t N *. (2.81)
unde k(t, i) reprezint criteriul uitrii.
Prin aceast tehnic, deplasarea se efectueaz la fiecare pas n direcia optim
a CMMP i, n acelai timp, se menine amplificarea aproximativ constant
(redresarea amplificrii CMMP). Valorile lui
1
(t) i
2
(t) se determin pornind de la
ecuaia:
) t ( TrK
) t ( ) t ( K ) t ( ) t (
) t ( K ) t ( ) t ( ) t ( K
) t ( K Tr
) t (
) t ( TrK
T
T
!

J J + E
J J

! +
1
1
1 , t N, (2.82)
fixnd raportul E(t) =
1
(t)/
2
(t) (ecuaia (2.82) este obinut din ecuaia (2.72)).
Acest tip de profil se recomand pentru identificarea sistemelor cu pacametri variabili n
timp.
2.2.4.5 Amplificare descresctoare i urm constant

n acest caz, se trece de la tehnica din descris n paragraful 2.2.4.1 la
tehnica din paragraful 2.2.4.4 cnd:

trK(t) e nG; G {0, 1, 2, 3, 4}, (2.83)

unde G este a priori fixat. Acest profil este recomandat pentru identificarea
sistemelor variabile n timp n absena informaiei iniiale asupra parametrilor.
2.2.4.6 Factor de uitare variabil i urm constant

n acest caz, se trece de la tehnica din paragraful 2.2.4.3 la tehnica din
paragraful 2.2.4.4 cnd:

trK(t) e nG. (2.84)

Utilizarea este aceeai ca pentru tehnica din paragraful 2.2.4.2.
2.2.4.7 Amplificare constant (algoritmul gradientului mbuntit)

n acest caz:


1
(t) =
1
= 1;
2
(t) =
2
= 0 , t N. (2.85)

Astfel, din ecuaia (2.71) rezult:
K(t+1) = K(t) = K(0) , t N. (2.86)



Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
53


Se obine algoritmul de adaptare al gradientului mbuntit dat prin ecuaia (2.34)
sau ecuaia (2.39). Se poate utiliza acest algoritm pentru identificarea sistemelor stai-
onare sau variabile n timp, dar cu numr sczut de parametri (e 3), i n prezena
unui nivel de zgomot redus. Acest tip de amplificare de adaptare conduce la
performane inferioare celor date prin profilele descrise n paragrafele 2.2.4.1, 2.2.4.2,
2.2.4.3 i 2.2.4.4, ns implementarea sa este mult mai simpl.
n finalul, se impun cteva observaii privind alegerea amplificrii iniiale, K(0).
Amplificarea de adaptare iniial K(0) are forma dat de ecuaia (2.62), respectiv
(2.80). n absena informaiei iniiale asupra parametrilor de estimat (valoarea tipic
a estimrilor iniiale este zero), se alege o amplificare iniial (GI) mare, din cauza
motivelor prezentate n paragraful 2.2.3 (ecuaia (2.62)). O valoare tipic este GI =
1000. Din contr, dac se dispune de o estimaie iniial a parametrilor (rezultnd,
de exemplu, dintr-o identificare anterioar), se alege o amplificare iniial mic (n
general, n acest caz, GI < 1).
Deoarece amplificarea de adaptare descrete (o msur semnificativ este
urma sa) pe msur ce se apropie de estimaiile corecte ale parametrilor
modelului, se poate interpreta amplificarea de adaptare ca o msur a preciziei
estimaiei (sau a prediciei). Aceasta explic alegerile lui K(0) propuse
anterior. De notat c, n anumite ipoteze, K(t) este efectiv o msur a calitii
estimaiei (covariana vectorului de eroare parametric).
Pe de alt parte, aceast proprietate poate da indicaii asupra evoluiei unei
proceduri de estimare. Dac urma lui K(t) nu descrete ntr-un mod
semnificativ, estimaia parametrilor este n general nesatisfctoare. Acest
fenomen apare, de exemplu, atunci cnd nivelul i tipul de comand utilizate
nu sunt adecvate. Importana naturii intrrii procesului pentru identificare va
fi discutat n cele ce urmeaz.

2.3 ALEGEREA INTRRILOR PENTRU IDENTIFICARE

2.3.1 Formularea problemei
Convergena ctre zero a erorii de predicie (t) nu implic n majoritatea
cazurilor convergena parametrilor estimai ai modelului spre parametrii reali
ai modelului. Se va prezenta situaia pe un exemplu. Fie modelul discret al
procesului descris prin:
y(t+1) = -a
1
y(t) + b
1
u(t) , tN. (2.87)
i un model estimat descris prin:
(t+1) = -
1
a

y(t) +
1
b

u(t), tN. (2.88)

unde (t+1) este ieirea predictiv prin modelul estimat.
Se presupune c u(t) este constant i c parametrii a
1
, b
1
,
1
,
1
b

verific
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
54

relaia urmtoare:

1
1
1
1
1 1 a
b
a
b

+
!
+
, (2.89)
adic amplificrile statice ale procesului i ale modelului estimat sunt egale,
fr ca n mod necesar
1
b

= b
1
i
1
= a
1
.
Sub efectul intrrii constante u(t) =u, ieirea procesului va fi dat de relaia:
y(t+1) = y(t) =
1
1
1 a
b
+
u , tN, (2.90)
iar ieirea modelului estimat de predicie va fi dat de relaia:
(t+1) = (t) =
1
1
1 a
b

+
u , tN. (2.91)
Dar, innd cont de relaia (2.89), rezult:
(t+1) = y(t+1) - (t+1) = 0 , pentru u(t) = u,
1
{a
1
,
1
b

{ b
1
(2.92)
Pentru acest exemplu, aplicarea unei intrri constante nu permite s se disting
cele dou modele, pentru c au aceeai amplificare static.








Fig. 2.9 Caracteristicile in frecven a dou sisteme avned aceeai amplificare static.

Dac se reprezint caracteristica de frecven a celor dou sisteme, se vor
obine curbele reprezentate n fig. 2.9. Din figur se observ c, pentru a pune n
eviden diferena dintre cele dou modele (adic ntre parametri), trebuie aplicat un
semnal u(t)=sin([t) ([ { 0) i nu un semnal u(t) constant.
Analiznd acest fenomen mai n detaliu, se observ c, atunci cnd eroarea de
predicie este nul, din ecuaiile (2.87) i (2.88) se obine:
(t+1) = y(t+1)- (t+1) = -[a
1
-
1
] y( t ) + [b
1
-
1
b

]u(t)=0 , tN. (2.93)

Plecnd de la ecuaia (2.87), se poate exprima y(t) n funcie de u(t)
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
55

y(t) =
1
1
1
1
1

+ q a
q b
u(t) , t N. (2.94)
Introducnd expresia lui y(t) dat prin ecuaia (2.94) n ecuaia (2.93), se obine
relaia echivalent:
[(
1
- a
1
)b
1
q
-1
+ ( b
1
-
1
b

) (1 + a
1
q
-1
)] u(t) = 0
[( b
1
-
1
b

) + q
-1
( b
1

1
- a
1
1
b

)] u(t) = 0 , tN. (2.95)

Se urmrete gsirea unei structuri a lui u(t) pentru ca verificarea ecuaiei (2.95) s
conduc la erori parametrice nule. Se noteaz:
b
1
-
1
b

= E
0
; b
1

1
- a
1
1
b

= E
1
. (2.96
Ecuaia (2.95) se rescrie sub forma:
(E
0
+ E
1
q
-1
) u(t) = 0 , tN. (2.97)
care este o ecuaia recurent avnd o soluie de tip exponenial discret.
Fie:
u(t) = z
t
=
t sT
e
e , tN. (2.98)
unde T
e
este perioada de eantionare. Ecuaia (2.97) se scrie sub forma:
(E
0
+ z
-1
E) z
t
= (zE
0
+ E) z
t-1
= 0 , tN. (2.99)
i va fi verificat pentru z, soluie a ecuaiei caracteristice:
zE
0
+ E
1
= 0. (2.100)
Se obine:

0
1
E
E
! z =
e
T
e
W
, ( ) (2.101)
i soluia neperiodic:
u(t) =
t T
e
e
W
, tN. (2.102)
conduce la verificarea ecuaiei (2.97) i, respectiv, a ecuaiei (2.93) fr ca
1
b

=b
1
i
1
=a
1
. De fapt, semnalul u(t) constant, considerat anterior,
corespunde la =0, adic -E
1
=E
0
. Dar -E
1
=E
0
b
1
-
1
b

=a
1
1
b

-b
1

1

Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
56

1
1
1
1
1 1 a
b
a
b

+
!
+
. Altfel spus, dac u(t) este constant, nu se va identifica dect
amplificarea static. Ca urmare, trebuie gsit u(t), astfel nct
1
=a
1
i
1
b

= b
1
.
Acesta va fi obinut dac u(t) nu este o soluie posibil a ecuaiei (2.97).
Fie:
u(t) =
t T j
e
e
[ s
, tN. (2.103)
Ecuaia (2.97) devine (pentru u(t) =
t T j
e
e
[
):
[
e
T j
e
[
E
0
+ E
1
]
) t T j (
e
e
1 [
= 0 , tN. (2.104)
Cum E
0
i E
1
sunt variabile reale,
e
T j
e
[
nu poate fi o rdcin a ecuaiei
caracteristice i rezult c (t)=0 va fi obinut numai dac:
E
0
= E
1
= 0
1
=a
1
,
1
b

= b
1
. (2.105)
Aceste observaii conduc la tipul de intrare care a fost propus anterior,
examinnd caracteristicile frecveniale. Aadar, este necesar o sinusoid de
frecven nenul pentru a identifica cei doi parametri din exemplul prezentat.
Aceast abordare pentru determinarea intrrii u(t) (permite o bun identificare
a parametrilor modelului) se aplic i pentru sisteme de forma general:
y(t) = - ) i t ( y a
A
n
i
i

!1
+ ) i d t ( y b
B
n
i
i

!1
, tN. (2.106)
pentru care numrul total al parametrilor de identificat este:
B A
n n + . n acest
caz, se poate alege u(t) ca o sum de p sinusoide de frecvene distincte:
u(t) = t T sin
e
p
i
i

!
[
1
, tN. (2.107)
iar o valoarea lui p ce permite o bun identificare a tuturor parametrilor este dat de
condiia (2.108) prin care se asigur c

!
J
t
i 1
(i-1)
T
J (i-1) este o matrice ireversibil i
pozitiv definit pentru t u n
A
+n
B
=dimJ (vezi ecuaiile (2.42),,(2.46)):

+ +
u ! +
+
u ! +
2
1
2
B A
B A
B A
B A
n n
p impar numar n n
n n
p par numar n n
. (2.108)

Altfel spus, pentru o bun identificare trebuie aplicat o intrare bogat n
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
57

frecvene. Soluia standard n practic este furnizat priit utilizarea secvenelor pseudo-
aleatoare SPAB).

2.3.2 Secvene pseudoaleatoare binare

Secvenele pseudoaleatoare binare sunt succesiuni de impulsuri
dreptunghiulare, modulate n lrgime, care aproximeaz un zgomot alb discret i care
are un coninut bogat n frecvene. Se numesc pseudoaleatoare pentru c sunt
caracterizate printr-o lungime de secven n interiorul creia variaiile lrgimii
impulsurilor variaz n mod aleator, dar, pe un orizont mare de timp, ele sunt
periodice, perioada fiind definit prin lungimea secvenei [23, 40].
Secvenele SPAB sunt generate cu ajutorul unor registre de deplasare (realizate
hard sau soft) cu bucle. Lungimea maxim a unei secvene este 2
N
-1, unde N este
numrul de celule ale registrului de deplasare.
n fig. 2.10.a este ilustrat generarea unui SPAB de lungime 31=2
5
-1 obinut cu
ajutorul unui registru de deplasare cu 5 celule. De notat c trebuie evitat valoarea
logic iniial a registrului diferit de 0 (n general, se fixeaz valorile logice iniiale
ale tuturor celulelor la 1).









a) b)

Fig. 2.10 SPAB: a) exemplu de generarea a unui SPAB de lungime 2
5
-1=31 perioade de
eantionare; b) alegere a duratei maxime a unui impuls de secven SPAB.

n tabelul 2.1 se prezint pentru diferite numere de celule structura buclelor
care permit generarea unor secvene SPAB de lungime maxim.
Tab. 2.1 Generarea secvenelor SPAB de lungime maxim.
Numr de celule Lungimea secvenei Bii n sum
N L=2
N
-1 B
i
, i B
j

2
3
4
5
6
7
8
9
10
3
7
15
31
63
127
255
511
1023
1 i 2
1 i 3
3 i 4
3 i 5
5 i 6
4 i 7
1,3,4 i 8
5 i 9
7 i 10

De notat c un element caracteristic foarte important al secvenelor SPAB: durata
maxim a unui impuls (t
im
) al unei secvene SPAB este egal cu NT
e
(unde N este
+
B
1
adunare modulo 2
B
2

B
3

B
4

B
5

t
M

NT
e

Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
58

numrul celulelor i T
e
este perioada de eantionare). Aceast proprietate intervine n
alegerea secvenelor SPAB pentru identificare.
Dimensionarea secvenelor SPAB. Pentru o bun identificare a amplificrii
statice, trebuie ca durata a unui impuls (de exemplu, impulsul de durat maxim) cel
puin s fie mai mare dect timpul de cretere t
e
al procesului. Durata maxim a unui
impuls fiind NT
e
, rezult condiia (fig. 2.10.b):


M e im
t T N t " v ! . (2.109)

Pornind de la aceast condiie (2.109), se determin N i lungimea secvenei, care este
2
N
-1. Pe de alt parte, pentru a asigura o baleiere a ntregului spectru de frecvene,
trebuie ca lungimea unei ncercri s fie cel puin egal lungimii secvenei. n
majoritatea cazurilor, se alege durata ncercrii (L) egal cu lungimea secvenei. Dac
durata ncercrii este precizat, atunci trebuie s se asigure condiia:

L T
e
N

1
2 , (2.110)

unde L este durata ncercrii. Condiia (2.109) poate conduce la valori destul de mari
ale lui N care corespund la lungimi ale secvenei de durat prohibitiv, fie pentru c
T
e
este foarte mare, fie pentru c sistemul de identificat risc s evolueze n timpul
duratei ncercrii. Acesta este motivul pentru care, n multe situaii practice, se alege
ca frecven de tact pentru secvena SPAB un submultiplu al frecvenei de
eantionare. Dac:
,
p
f
f
e
SPAB
! tN
*
, (2.111)
Aceast abordare este mai interesant dect prelungirea lungimii secvenei
(creterea lui N). De fapt, dac se trece de la N la N' =N + 1, durata maxim a unui
impuls trece de la NT
e
la (N + l)T
e
, dar durata secvenei se dubleaz L'=2L. Din
contr, dac se alege f
spab
= f
e
/2, durata maxim a unui impuls trece de la NT
e
, la
2NT
e
, pentru o durat a secvenei dublat L'=2L. Din compararea celor dou situai,
rezult c a doua abordare (divizarea frecvenei) permite obinerea unui impuls de
durat mai mare pentru o durat identic a secvenei i deci a ncercrii. Dac se
noteaz cu p ntregul divizeaz frecvena, se obine (n cazul divizrii frecvenei de
tact):

t
im
= pNT
e
; L = pL = p(2
N
- 1)T
e
, ; p N
*
,

(d
max
este durata maxim a impulsului). n cazul creterii numrului de registre N prin
(p - 1), fr a schimba frecvena tact, se obine:

t
im
= (N+p-1)T
e
; L = 2
p-1
L, ; p N
*
,

De notat c, utilizarea unui divizor de frecven pentru frecvena de tact a
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
59

secvenei SPAB va reduce banda de frecven corespunztoare unei densiti
spectrale de energie constant. n general, aceasta nu va afecta calitatea identificrii
fie pentru c procesul ce trebuie identificat are o band de trecere redus n raport cu
frecvena de eantionare, fie pentru c efectul reducerii raportului semnal/zgomot la
frecvene nalte poate fi compensat prin utilizarea tehnicilor de identificare adecvate.
Totui, este recomandat alegerea pe 4.
Alegerea amplitudinii secvenelor SPAB. Amplitudinea secvenei SPAB trebuie
s fie mic, dar trebuie s fie superioar nivelului de zgomot rezidual. Dac raportul
semnal/zgomot este prea mic, trebuie prelungit lungimea de ncercare pentru a se
putea obine o bun estimaie a parametrilor. De notat c, n numeroase aplicaii,
creterea semnificativ a nivelului amplitudinii secvenei SPAB nu este dorit din
cauza caracterului neliniar al proceselor de identificat (identificarea unui model liniar
se face n jurul unui punct de funcionare).

2.4 EFECTUL PERTURBAIILOR ALEATOARE ASUPRA
IDENTIFICRII PROCESELOR

Ieirea msurat a proceselor este n general afectat de zgomot, fie din cauza
efectului perturbaiilor aleatoare care acioneaz asupra procesului, fie din cauza
zgomotelor de msur. Aceste perturbaii cu caracter aleator sunt modelate adeseori prin
modele ARMAX (descriu procese cu perturbaiilor aleatoare). Perturbaiile introduc
erori n identificarea parametrilor modelelor procesului atunci cnd se utilizeaz
algoritmul celor mai mici ptrate recursiv (sau nerecursiv). Acest tip de eroare se
numete deviaie a parametrilor.
nainte de a se prezenta algoritmii care permit eliminarea deviaiei parametrilor
estimai, se analizeaz mai nti efectul perturbaiilor aleatoare asupra algoritmului
celor mai mici ptrate. n acest caz, se consider un model de proces i perturbaia de
tip ARMAX (model utilizat pentru a reprezenta simultan efectul comenzii i al
perturbaiilor asupra ieirii procesului):

y(t+1) = -a
1
y(t) + b
1
u(t) +c
1
e(t) + e(t+1) , t N. (2.113)

unde termenul e(t+1)+c
1
e(t) modeleaz perturbaia.
Predictorul ajustabil a priori pentru metoda celor mai nud ptrate recursiv (vezi
seciunea 2.2) se scrie n acest caz:

(t+1) = -
1
y(t+1) +
1
b

u(t +1)u(t) , t N. (2.114)

Perturbaia nu este modelat n modelul ajustabil al procesului.
Eroarea de predicie a posteriori este dat prin:

(t+1) = y(t+1) - (t+1) =
) ) )
) ) ) t t K t
t t

t y
T
T
J J +
J U +
1
1
, t N. (2.115)
unde:
) ) ) . J t u , t y t
T
! J ; ) ) ) . J t b

, t a t

1 1
! U , t N. (2.116)

Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
60

Algoritmul de adaptare parametric este urmtorul:

U

(t+1) =U

(t) +K(t)J(t)(t+1) , t N. (2.117)

n absena perturbaiilor, pentru U

(t)=0, eroarea de predicie a posteriori este nul

((t+1)=0) iar algoritmul (2.117) las neschimbat valoarea parametrilor estimai.
ns, n prezena perturbaiilor, chiar dac U

(t)=0, se obine:

(t+1)
) 0 ! U t

= c
1
e(t) +e(t+1) , t N. (2.118)

Pe de alt parte, J(t) dat de ecuaia (2.116) conine y(t), care potrivit ecuaiei (2.113)
(rescris la momentul t) depinde de e(t) i e(t -1), de unde rezult:

J(t) = f(e(t), e(t+1)...) , t N. (2.119)

n consecin, corelaia dintre J(t) i (t+1) este nenul:

E{J(t)(t+1)}
) 0 ! U t

{ 0. (2.120)

Chiar dac se iniializeaz algoritmul celor mai mici ptrate recursiv cu U

(0)=U,
aceasta implic faptul c termenul de corecie al ecuaiei (2.117) va introduce o
eroare (deviaie) proporional cu E{J(t)(t+1)}. De fapt, din ecuaia (2.117) se
obine:

U

(t+N)=U

(t) + )

!
+
1
0
N
i
i t K J(t+i)(t+i+1) , t N. (2.121)

Pentru N suficient de mare, rezult :

!
J
1
0
1
N
i
N
(t+i)(t+i+1) } E{J(t)(t+1)} , (2.122)

i ca urmare termenul de corecie din ecuaia (2.117) va introduce o derivaie. Pentru
a elimina derivaia,vor trebui alei vectori de observaie, ali predictori i alte erori de
adaptare astfel nct:
E{J(t)(t+1)}
) 0 ! U t

= 0 (2.123)
Pentru a genera algoritmii care s satisfac condiia (2.123) i care s conduc
asimptotic la estimaii nedeviate ale parametrilor sunt reinute dou criterii.
1. (t+1) (sau (t+1) = eroarea de adaptare ) este un zgomot alb pentru U | U

.
2. J(t) i (t+1) (sau (t+1)) sunt necorelate (sau independente) pentru U | U

.
Eliminarea derivaiei asupra parametrilor estimai n prezena perturbaiilor este
la originea dezvoltrii majoritii metodelor de identificare.
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
61



2.5 STRUCTURA METODELOR DE IDENTIFICARE RECURSIV

Toate metodele de identificare recursiv corespund schemei de principiu
ilustrate n fig. 2.12. Acestea utilizeaz aceeai structur pentru alogoritmul de
adaptare parametric, dar cu diferite alegeri posibile pentru amplificarea de
adaptare i se difereniaz prin [25, 39]:
- structura predictorului i natura componentelor vectorului de observaie (J);
- dimensiunea vectorului parametrilor ajustabili U

(t) i a vectorului observaiilor

J(t);
- modul de generare al erorilor de predicie, respectiv, al erorilor de adaptare.










Fig. 2.12 Structura general a metodelor de identificare recursive.

Proprietile de convergen n prezena perturbaiilor aleatoare vor
depinde de alegerile indicate mai sus. Se disting trei tipuri de metode:
1. Metode de ecuaie de eroare (MCMMP recursiv i diferitele variante ale
acesteia: MCMMP extins, MCMMP generalizat, metoda maximului de
verosimilitate recursiv). Fiecare metod are ca obiectiv obinerea unei erori de
predicie albe (zgomot alb) pentru o clas de modele de perturbaie ce modeleaz
perturbaia.
2. Metode de variabil instrumental (cu observaii ntrziate sau cu
model auxiliar). Obiectivul fiecrei metode este obinerea anulrii lui
E{J(t)(t+1)}, prin modificarea vectorului de observaie J(t) al algoritmului
CMMP.
3. Metode de eroare de ieire (cu compensator fix, cu compensator ajustabil,
cu model de predicie extins). Aceste metode au ca obiectiv obinerea n mod
asimptotic fie a anulrii lui E{J(t)(t+1)}, fie a albirii erorii de adaptare, prin
modificarea predictorului i a metodei de obinere a erorii de adaptare.
Exist n total 9 metode de identificare fundamentale, cu numeroase
variante n funcie de amplificarea de adaptare aleas. Se disting patru structuri
de modele de reprezentare a ansamblului proces+perturbaie" (fig.
2.12 z2.15). n aceste figuri, s-au utilizat notaiile obinuite:
u(t)

Predictor
adaptiv
Algoritm de adaptare
parametric
+
-
y(t)

q
-1
PROCES

Perturbaie
s
0
(t)

) t y
) t

U
) 1 J t
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
62

A(q
-1
) = 1 + a
1
q
-1
+ ... + a
nA
q
-nA
,
B(q
-1
) = 1 + b
1
q
-1
+...+ b
nB
q
-nB
,
C(q
-1
) = 1 + c
1
q
-1
+...+ c
nC
q
-nC
.

Cele patru structuri sunt urmtoarele [24]:
S1. A(q
-1
)y(t) = q
-d
B(q
-1
)u(t) + e(t), t N .2
Metodele ce pot fi utilizate pentru aceast structur sunt:
- cele mai mici ptrate recursiv (MCMMPR);
- variabile instrumentale cu model auxiliar;
- variabile instrumentale cu observaii ntrziate;
- eroare de ieire cu compensator fix;
- eroare de ieire cu compensator ajustabil.







Fig. 2.12 Structura modelului proces+perturbaie de tip S1.
S2. A(q
-1
)y(t) = q
-d
B(q
-1
)u(t) + A(q
-1
)w(t), t N.
Structura corespunde unui model de forma (fig. 2.13):

y(t) =
)
)
1
1

q A
q B q
d
u(t)

+ w(t)
, tN .

unde w(t) este o perturbaie nemodelat asupra creia se fac doar ipotezele: este de
medie nul, putere finit i independent de intrare.






Fig. 2.13 Structura modelului proces+perturbaie de tip S2.

Metodele ce pot fi utlizate pentru aceast structur sunt:
- metoda celor mai mici ptrate recursiv (dac A(q
-1
)w(t) = e(t));
+
A
B q
d

) t y ) t u
) t e
A
1

+
A
B q
d

) t y ) t u
) t w
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
63

- metoda variabilelor instrumentale cu model auxiliar;
- metoda variabilelor instrumentale cu observaii ntrziate;
- metoda cu eroare de ieire cu compensator fix (MEICF);
- metoda cu eroare de ieire cu compensator ajustabil (MEICA).
S3. A(q
-1
)y(t) = q
-d
B(q
-1
)u(t) + C(q
-1
)e(t) , tN.
Metodele ce pot fi utilizate pentru aceast structur sunt (fig. 2.14):
- metoda celor mai mici ptrate extins (MCMMPE);
- metoda maximului de verosimilitate recursiv (MMVR);
- metoda cu eroare de ieire cu model de predicie extins (MEIMPE).







Fig. 2.14 Structura modelului proces+perturbaie de tip S3.
S4. A(q
-1
)y(t) = q
-d
B(q
-1
)u(t) +
)
1
1

q C
e(t), tN.









Fig. 2.15 Structura modelului proces+perturbaie de tip S4.
Metoda care poate fi utilizat pentru aceast structur este (fig. 2.15):
- metoda celor mai mici ptrate generalizat (MCMMPG).
Nu exist o structura unic proces + perturbaie" pentru a descrie toate
situaiile ntlnite n practic. De asemenea, nici o metod de identificare nu poate
fi utilizat cu toate structurile posibile proces+perturbaie" pentru a obine
ntotdeauna estimaii nedeviate. Aa cum s-a vzut, toate aceste metode de
identificare se clasific n dou categorii, dup criteriul considerat pentru
dezvoltarea lor (cu scopul de a se obine parametri estimai nedeviai).
I Metode de identificare bazate pe albirea erorii de predicie ().
II Metode de identificare bazate pe decorelarea vectorului de observaie ) J i
+
A
B q
d

) t y ) t u
) t e
A
C

+
A
B q
d

) t y ) t u
) t e
CA
1

Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
64

a erorii de predicie () (E{J(t)(t+1)} 0).
Cum diferitele metode au fost dezvoltate cu scopul de a verifica cele dou
criterii menionate, modelul identificat printr-o metod trebuie s fie validat
utiliznd criteriul ce a fost folosit pentru a defini obiectivul metodei. Rezult c
exist dou tehnici de validare ce permit verificarea, dup caz, a celor dou criterii.
Cum nu exist o structur unic model+perturbaie" care s descrie toate
situaiile ce pot fi ntlnite n practic, i pentru c nu exist o metod de identificare
unic pentru a se obine ntotdeauna estimaii nedeviate ale parametilor, rezult c,
pentru a efectua o bun identificare a unui proces, este necesar un sistem interactiv
de identificare. Un astfel de sistem trebuie s furnizeze:
- diferite structuri tip model + perturbaie";
- diferite metode de identificare i AAP;
- metode de validare a modelelor identificate;
- un sistem de achiziie i prelucrare de date de intrare-ieire (capabil s
genereze i secvene SPAB);
- analiza modelelor;
- un sistem de vizualizare grafic.
Un program interactiv de identificare a modelelor parametrice ale sistemelor i
semnalelor ce rspunde criteriilor indicate mai sus este PIM - Adaptech [ ], care
conine:
- 4 structuri de model proces + perturbaie";
- 9 metode de identificare (cu preselecie n funcie de structura aleas);
- 7 tipuri de amplificare de adaptare;
- 2 tehnici de validare (n funcie de structur i de metoda de identificare) ce au
fost menionate;
- achiziia fi prelucrarea datelor de intrare-ieire plus faciliti de generare de
SPAB;
- analiza modelelor (rspunsuri n frecven i n timp, poli i zerouri);
- sistem grafic.
De asemenea, n acelai scop se poate utiliza i pachetul de programe
MATLAB-SIMULINK (care actualmete a ajuns la versiunea 7.0).
2.5.1 Concluzii privind identificarea proceselor
n concluzie, identificarea sistemelor se desfoar n 4 etape:
1. Achiziia intrrilor/ieirilor printr-un protocol de experimentare.
2. Alegerea structurii modelului (stabilirea complexitii acestuia).
3. Estimarea parametrilor modelului.
4. Validarea modelului identificat (ca structur i ca valori ale parametrilor).
Algoritmii de identificare recursivi sau nerecursivi pot fi utilizai pentru
estimare parametrilor unui model pornind de la datele de intrare-ieire. Algoritmii
recursivi sunt preferai pentru c:
- estimarea parametrilor modelului se efectueaz n timpul evoluiei procesului
- diferite structuri model + perturbaie";
Estimarea i identificarea proceselor Principii de baz privind identificarea proceselor
65

- diferite metode de identificare i AAP;
- metode de validare a modelelor identificate;
- un sistem de achiziie i prelucrare de date intrare-ieire (care s permit inclusiv
generarea secvenelor SPAB);
- un modul de analiz a modelelor;
- un sistem de vizualizare