1.

Pojam identifikacije
Identifikacija procesa je odredjivanje matematickog modela procesa na osnovu eksperimentalnih
podatka. U praksi identifikacija se vrsi na taj nacin sto se na osnovu podataka na ulazu i izlazu vrsi
odredjivanje matematickog modela.
Moze se odredjivati strukturni ili funkcionalni model procesa.Strukturni model je takav matematicki
model koji opisuje fizicku strukturu procesa., dok je funkcionalni model matematicki model koji sa
odredjenom tacnoscu opisuje ponasanje procesa.Funkcionalni model ima priblizno isti odziv na
odredjeni ulazni signal kao i realni proces.
Postoje dva osnovna nacina identifikacije: aktivna i pasivna identifikacija.
Pasivna identifikacija procesa se sastoji u tome sto se na ulaz dovodi poznati signal i snima se
odgovarajuci odziv, dok se aktivna identifikacija vrsi uz pomoc podesivog fizickog modela.
Ovaj model se vezuje paralelno sa procesom tako da se i u process i u model dovodi isti signal.
Na osnovu informacija o razlici izlaza iz procesa i modela vrsi se korekcija modela dok se njegov izlaz
u najvecoj meri ne poklopi sa izlazom iz procesa.
Da bi se izvrsila uspesna identifikacija potrebno je:
1.Obezbediti odgovarajuce eksperimentalne uslove
2.Izabrati odredjenu strukturu modela
3.Izabrati kriterijum za ocenu kvaliteta identifikacije
4.Usvojiti adekvatan metod identifikacije
5.Vrsiti proveru modela
2.Identifikabilnost
Identifikabilnost procesa predstavlja mogucnost odredjivanja matematickog modela procesa na
osnovu rezultata merenja izlaznih velicina u toku nekog vremenskog intervala.
Parametarska identifikabilnost predstavlja mogucnost odredjivanja parametara matematickog
modela sistema ili procesa takodje na osnovu rezultata merenja odredjenih izlaznih velicina.
Pri izracunavanju identifikabilnosti , u prvoj etapi razmatramo idealne uslove, kada nema sumova i
kada su parametri matematickog modela konstantni.U sledecim etapama se sukcesivno uvode nove
pretpostavke(npr. prisustvo sumova, pretpostavka o nelinearnosti itd.). Na taj nacin se u iteracijama
formira matematicki model koji sve vise odgovara realnom procesu.Broj iteracija zavisi od slozenosti
procesa.
Osnovni uslov identifikabilnosti je opservabilnost objekta cija se idetntifkacija vrsi.
Identifikabilnost predstavlja mogucnost odredjivanja strukture i parametara nekog sistema.
3.Aktivna identifikacija procesa
Aktivna identifikacija se vrsi na taj nacin sto se paralaleno sa procesom povezuje podesljivi fizicki
model.U najopstijem slucaju se kod modela mogu menjati i struktura i parametri(u praksi samo
parametri).Tokom identifiakcije se i u proces i u model dovodi isti signal i pri tome se istovremeno
mere izlazi iz procesa i modela i vrsi se njihovo uporedjivanje.
U zavisnosti od toga u kojoj se meri ovi izrazi razlikuju vrsi se podesavanje modela.Osnovni cilj je da
se model podesi tako da se izlazi modela i procesa sto manje razlikuju.
Ocitavanjem strukture i parametara modela dobija se matematicki model procesa koji se
identifikuje.U praksi se se obicno izlazni signali ne mogu sasvim poklopiti, pa se mora definisati
stepen njihovog odstupanja. Stepen poklapanja se moze definisati Cebisevljevom formulom:
J(e) = max[|y(t) – ym(t)|]
ili jos cesce kao srednje kvadratno odstupanje:
 4.Metod gradijenta
Gradijent identifikacije moze se realizovati na dva nacina: metodom varijacije i pomocu funkcija
osetljivosti.Metoda funkcija osetivljivosti je u osnovi pouzdanija i tacnije od metode varijacija.
Veliki nedostatak metode gradijenta je to sto se u izvesnim slucajevima indetifikacije iterativni
proces ne moze ni na kakav nacin ubrzati.

5.Regresiona analiza
Regresiona analiza je odredjivanje algebarskih relacija na osnovu numerickih podataka u smislu
najmanjeg kvadratnog odstupanja. Matematicki model dobijen na ovaj nacin naziva se regresioni
model.Ukoliko se odredjivanje koeficijenata u matematickom modelu svodi na resavanje sistema
linearnih algebarskih jednacina onda se radi o linearnoj regresionoj analizi, a ako ne onda je to
nelinearna regresiona analiza.
U slucaju linearne regresije matematicki model se odredjuje u obliku: y = ∑𝑘𝑖=1 𝑎 𝑓 (𝑥) + 𝑣
6.Identifikacija koriscenjem nelinearne regresije
U nekim slucajevima nije moguce izvrsiti identifikaciju statickih karakteristika procesa koriscenjem
linearne regresije sa zadovoljavajucom tacnoscu.U tim slucajevima je potrebno koristiti nelinearni
model.U ovom slucaju radi se o nelinearnoj regresiji : yj = ϕ(xj , a) + vj
Posto je u ovom slucaju resavanje problema veoma slozeno ako primenimo resavanje sistema
linearnih jednacina , umesto toga u praksi primenjujemo metod slucajnog pretrazivanja, simpleksni
metod ili gradijentni metod Gaus-Njutna.
7.Identifikacija statickog sistema sa vise ulaza i jednim izlazom
y = a1x1+a2x2+...+akxk
y = xTa
Y = Xa /*XT
XTXa = XTY
a = (XTX)-1XTY
8.Identifikacija linearnog statickog sistema sa vise ulaza i vise izlaza
XTXam = XTYm
am = (XTX)-1XTYm
9.Identifikacija statickih karakteristika koriscenjem polinomijalne aproksimacije
Polinomijalna aproksimacija se koristi pri identifikaciji statickih karakteristika sa zadovoljavajucom
tacnoscu ukoliko disperzija eksperimentalnih podataka nije velika.U prakticnim slucajevima izbegava
izbegava se koriscenje Lagranzove i Njutnove aproksimacije zbog njihove komplikovanosti vec se
koristi algoritam koji ima istu tacnost kao Lagranzova formula.
 10.Odredjivanje statickih karakteristika na osnovu tipicnih dijagrama
U praksi se cesto srecu odredjene staticke karakteristike koje imaju prepoznatljiv oblik , kao npr.
eksponencijalni, parabolicni, logaritamski...Ova cinjenica se moze iskoristiti za brzu identifikaciju
statickih karakteristika pojednih procesa.Pri tome se koristi tabela odredjenog broja poznatih
elemntarnih funkcija ili katalog njiovih grafika, a najcesce i jedno i drugo.
Identifikacija ovom metodom se vrsi u nekoliko koraka:
1.Crta se grafik zavisnosti y od x
2.Koriscenjem kataloga grafika tipicnih funkcija bira se onaj koji najvise odgovara eksperimentu.
3.Odredjuje se analiticka strukturna formula koja odgovara izabranom grafiku.
4.Vrsi se izravnavanje karakteristika (krivih) uvodjenjem smena: x = ϕ(x,y) y = Ψ(x,y)
5.Koristeci usvojene smene vrsi se vrsi se preracunavanje eksperimentalnih podataka odnosno
sracunavanje vrednosti za X i Y.
6.Na osnovu metoda najmanjih kvadrata ili nekog drugog metoda odredjuju se nepoznati parametri.
7.Koriscenjem izvornih sema odredjuje se konacni oblik trazene karakteristike.
11.Identifikacija koriscenjem deterministickog ulaza
Identifikacija procesa na osnovu deterministickog ulaza sastoji se u tome sto se na ulaz dovede
poznati , standardni signal i snimi odgovarajuci odziv.Na osnovu tih podataka se primenom
odgovarajucih metoda vrsi odredjivanje matematickog modela procesa.Kao standarni ulazi se koriste
najcesce sledeci signali: odskocni(Hevisajdova funkcija), impulsni ulaz konacnog trajanja i
modifikovani odskocni ulaz(on predstavlja realni odskocni signal jer je odskocni signal moguce samo
priblizno realizovati).Signali kao sto su periodicni pravougli, ili harmonijski retko se koriste.Ako se
desi da je proces nelinearan onda identifikacija nece biti uspesna.
12.Aproksimativno odredjivanje funkcije prenosa
U odredjenim slucajevima se moze vrsiti identifikacija procesa viseg reda na taj nacin sto se model
odredjuje u obliku funkcije prenosa nizeg reda sa cistim vremenskim kasnjenjem.
Eksperimentalno snimljen odziv y(t) se najpre normira tj. deli sa y(∞) .

14.Odredjivanje amplitudno-fazne karakteristike na osnovu odskocnog odziva-

metod Ajzermana
Metoda se sastoji u sledecem: Izvrsi se izbor konacnog broja tacaka na odzivu.Najpre je potrebno
izmeriti vrednosti yi i ti , a zatim izracunati : ∆yi = yi – yi-1 ; ∆ti = ti – ti-1

Na osnovu ovih vrednosti racunaju se :

Izraz za amplitudno-faznu karakteristiku odredjuje se u sledecem obliku :

 15.Primena splajnova u identifikaciji procesa
Ukoliko se radi o identifikaciji procesa sa relativno velikim konstantama onda se odziv sistema moze
sa visokom tacnoscu aproksimirati splajnovima odredjene klase. Pri tome se lako moze proceniti
greska koja nastaje pri identifikaciji.U tu svrhu se najcesce primenjuju kubni ili B splajnovi.
Postupak identifikacije koriscenjem splajnova sastoji se u tome sto se odziv sistema(najcesce
impulsni ili odskocni) aproksimira splajn-funkcijom.Tada se primenom Laplasove transformacije
odredjuje funkcija prenosa zamenom s=jω.
16.Identifikacija primenom linearne regresije
ϴ = (FTF)-1 FTy

−𝑦(𝑛 + 𝑚 + 1)
−𝑦(𝑛 + 𝑚 + 2)
.
y=
.
.
[ −𝑦(𝑁) ]
17.Parametarska identifikacija linearnih sistema
Matematicki model sistema moguce je dobiti poznavanjem fizike samog procesa i uz pretpostavku
da su komponente sistema idealne.Ovako dobijeni model naziva se “white-box”.
Kada je proces suvise slozen i kada na raspolaganju stoje samo merenja ulazno/izlaznih promenljivih
procesa tada moze da se izabere opasta struktura modela u kojoj se nepoznati parametri mogu
oceniti primenom odgovarajuceg algoritma.Ovakav model se naziva “black-box”.
Kada je moguce koristiti fizicke zakone za dobijanje modela ali kada su nepoznate numericke
vrednosti fizickih parametara onda je rec o modelu koji se naziva “grey-box”.
U opstem slucaju “black-box” identifikacija se obavlja u sledecim koracima:
1.Odredjuju se granice sistema.
2.Planiraju se merenja.
3.Prikupljaju se merni podaci.
4.Ispituje se linearnost tj. nelinearnost procesa.
5.Vrsi se izbor strukture modela.
6.Verifikuje se identifikovani model.
Najcesce koriscene strukture modela sistema su parametarska i neparametarska. Parametarska je sa
konacnim brojem parametara.Model kod primene parametarske identifikacije moze biti linearan i
nelinearan. Parametarska identifikacija podrazumeva procenu parametara izabranog modela
procesa tako da razlika izmedju izlaza procesa i modela bude sto manja.
U procesu parametarske identifikacije obavljaju se sledeci koraci:
1.Prikupljaju je ulazno/izlazni podaci
2.Bira se oblik modela
3.Vrsi se izbor kriterijumske funkcije
4.Bira se postupak za odredjivanje vektora parametara za koje ce kriterijumska funkcija biti
minimalna
5.Proverava se dobijeni model procesa.
Najcesce korisceni regresori kod parametarske identifikacije: FIR, ARX, ARMAX, OE, BJ.
 18.Parametarska identifikacija nelinearnih sistema
Odgovarajuci nelinearni modeli procesa dobijaju se primenom istih regresora kao i linearni modeli:
NFIR, NARX, NARMAX, NBJ
Struktura nelinearnih modela zavisi od izabranih regresora i oblika nelinearne funkcije sto nije slucaj
kod linearnih modela koji su u potpunosti odredjeni samo regresorom.
19.Ocena kvaliteta identifikacije
Pri identifikaciji tehnoloskih procesa nikada nije moguce odrediti apsolutno tacan matematicki
model procesa. Razlog tome su razni spoljni i unutrasnji poremecaji koji deluju na proces, zatim
nepostojanje informacije o strukturi procesa, stacionarnosti itd...Zbog toga je neophodno nakon
identifikacije izvrsiti ocenu u kojoj meri nadjeni model odgovara procesu , odnosno izvrsiti
validizaciju.
Pod validizacijom modela podrazumeva se provera korektnosti modela, odnosno cinjenice u kojoj
meri model odgovara procesu koji se identifikuje.Bilo bi idealno kada bi za svaki postupak
identifikacije mogla da se dokaze validnost modela. Posto to nije moguce u praksi se obicno dokazuje
“invalidnost” odnosno netacnost modela pa se na osnovu te informacije vrsi korekcija modela ili
promena metoda identifikacije.
Validizacija je posebno vazna pri primeni metoda za pasivnu identifikaciju. Kod aktivne se se
validizacija vrsi gotovo u svakom trenutku.
Jedan od najprostijih nacina za ocenu kvaliteta modela i najcesce primenjivan je primena simulacije.
Sustina ovog nacina je u tome da se nakon odredjivanja matematickog modela vrsi simulacija na
racunaru i to za isti test signal.Snima se odziv iz modela i uporedjuje sa odzivom iz procesa.
Uporedjivanje se vrsi najcesce u smislu srednjekvadratnog odstupanja, koje ujedno predstavlja
kriterijum kvaliteta modela.
Kriterijum za ocenu tacnosti modela moze biti :

1)Srednjekvadratno odstupanje:

2)Odstupanje u Cebisevljevom smislu: