2. IDENTIFICAREA SISTEMELOR 2.

1 Considera\ii generale cu privire la instala\iile automate #n ultimele decenii, instala\iile industriale au cunoscut o dezvoltare considerabil[, ceea ce a condus la realizarea unor sisteme de conducere corespunz[toare. Impedimentul major @n realizarea unei conduceri calitativ superioare a unor instala\ii industriale complexe este reprezentat @n primul r`nd de imposibilitatea stabilirii prin metode analitice at`t a modelului lor dinamic, c`t ]i a celui sta\ionar. Acest lucru se explic[ prin aceea c[ fenomenele care se desf[]oar[ @n instala\iile industriale sunt extrem de complicate, iar @n multe cazuri nu se poate p[trunde suficient @n intimitatea lor, astfel @nc`t modelul stabilit pe cale analitic[ s[ reprezinte cel pu\in satisf[c[tor realitatea fizic[. Un alt aspect legat de problema conducerii instala\iilor complexe const[ @n aceea c[ modelul lor nu este constant @n raport cu condi\iile de func\ionare. Aceasta @nseamn[ c[ chiar dac[ ar putea fi stabilit prin metode pur analitice, modificarea sa @n timpul func\ionarii necesit[ ob\inerea unor informa\ii curente cu privire la structura sa, astfel @nc`t s[ se poat[ interveni @n mod corespunz[tor @n sistemul de conducere pentru a putea asigura performan\ele impuse. Din cele de mai sus rezult[ necesitatea cunoa]terii unor metode care, utiliz`nd rezultatele unor m[sur[tori efectuate asupra instala\iei studiate, s[ permit[ stabilirea unui model al acesteia c`t mai aproape de cel real. Aceasta constituie @n esen\[ problema identific[rii. 2.2 Conceptul de identificare S[ presupunem c[ instala\ia al c[rei model trebuie stabilit este descris[ de urm[toarea ecua\ie diferen\ial[ stochastic[: x= f(x, u, w, p, t) unde: x - reprezint[ starea sistemului; u - reprezint[ m[rimea de intrare; w - zgomotul care afecteaz[ intrarea; p - parametrii (@n general necunoscu\i);
1
.

(2.1)

t - variabila independent[ (timpul). Presupunem c[ instala\ia ofer[ prin dispozitivul de masur[ a st[rii, la ie]ire, o m[rime de forma: z = h(x, u, w, p, v, t) unde: h - este o func\ie specific[ dispozitivului de m[sur[; v - reprezint[ zgomotul care afecteaz[ procesul de m[surare. Problema identific[rii cuprinde dou[ etape: I - adoptarea unei ecua\ii care s[ fie c`t mai apropiat[ de cea exact[ (ecua\ia (2.1)); II - determinarea vectorului p m al coeficien\ilor necunoscu\i ai modelului propus @n etapa I. Schematic problema identific[rii se poate reprezenta astfel:
informa\ii cu privire la zgomot u Dispozitiv de masur[ Algoritm de identificare p m w . x=f(x,u,w,p,t) Inst. de identificat Dispozitiv de masur[

(2.2)

Fig. 2.1 Analiza sistemelor, ca problematic[ general[, se ocup[ de studiul evolu\iei semnalului de ie]ire, determinat at`t de varia\ia m[rimilor de intrare, c`t ]i de propriet[\ile acestuia. Problema identific[rii putem s-o privim ca problema invers[ a analizei sistemelor: fiind cunoscut[ evolu\ia semnalelor de intrare ]i ie]ire (prin m[sur[tori), s[ se determine modelul matematic care s[ descrie comportarea sistemului (ecua\ii diferen\iale, ecua\ii cu diferen\e, func\ia pondere, func\ia indicial[, func\ia de transfer etc.). Identificarea const[ deci @n determinarea, pe baza intr[rii ]i ie]irii, a unui sistem dintr-o clas[ de sisteme, fa\[ de care sistemul care se @ncearc[ s[ fie echivalent. Defini\ia implic[ specificarea unei clase de sisteme S = {S}, a
2

clasei semnalelor de intrare U = {U} ]i a unei rela\ii de echivalen\[. Echivalen\a se define]te @n func\ie de un criteriu sau de o func\ie de eroare J care depinde at`t de ie]irea sistemului, c`t ]i de ie]irea modelului: (2.3) J = J(y, y M ) Dou[ modele M 1 ]i M 2 sunt echivalente dac[ valoarea func\iei de eroare este aceeasi pentru ambele modele, adic[: J(y, y M 1 ) = J(y, y M 2 ) eroarea este de exemplu: e = y yM J = e 2 dt
0 T

(2.4)

Acest criteriu de eroare poate fi de exemplu un criteriu p[tratic integral unde (2.5) (2.6)

#n cele ce urmeaz[ vom numi sistemul care se @ncearc[ simplu proces ]i elementele lui S se vor numi modele. 2.3 Metode de identificare a proceselor Identificarea unui proces poate fi par\ial[ sau total[. #n primul caz, consider`ndu-se cunoscut[ structura modelului, se pune doar problema determin[rii parametrilor. #n al doilea caz, structura ]i parametrii modelului necunosc`ndu-se apriori, urmeaz[ s[ fie determina\i prin identificare. Acesta reprezint[ cazul cel mai complex ]i mai general de identificare. Un asemenea proces a c[rui fizic[ a procesului care se estructur[ ]i parametri sunt complet necunoscu\i este denumit simbolic cutie neagr[ (black box). Abordarea prin cutie neagr[ nu este realist[, deoarece exist[ @ntotdeauna cuno]tin\e disponibile apriori, dob`ndite printr-o @ntelegerexamineaz[. Simplul fapt c[ se ]tie despre un sistem c[ este vorba de un grup hidroenergetic ]i nu de un reactor nuclear, implic[ o cunoa]tere, f[c`nd cutia mai mult sau mai pu\in cenu]ie. Deci, problema identific[rii se traduce @n fapt @n problema ob\inerii unui model adecvat pentru proces, lucru care se poate realiza @n dou[ moduri:

1. Identificarea analitic[ Aceasta presupune determinarea modelului pornind de la cunoa]terea legilor fizice care guverneaz[ dinamica proceselor. Aplicarea acestui procedeu este limitat[ de faptul c[ de multe ori conduce la ob\inerea unor modele complexe, care nu pot fi utilizate @n sinteza analitic[ a sistemului de conducere. Pe de alt[ parte acest procedeu este limitat ]i de faptul c[ @n practic[ exist[ multe procese ale c[ror legit[\i nu sunt suficient cunoscute. 2. Identificarea experimental[ Aceasta presupune determinarea modelului pe baza unor date intrare - ie]ire ob\inute prin m[sur[tori. i aici exist[ limit[ri: dificult[\i @n proiectarea experimentului, @n prelucrarea datelor, @n filtrarea perturba\iilor. Identificarea analitic[ este util[ pentru elaborarea principial[ a modelului care aproximeaz[ cel mai bine structura procesului studiat. Ea nu este adecvat[ pentru evaluarea parametrilor procesului chiar ]i @n cazuri simple, situa\ie c`nd se face apel @n mod necesar la metode experimentale. F[r[ a reduce importan\a cuno]tin\elor apriorice teoretice, se poate considera c[ identificarea experimental[ constituie partea de baz[ a identific[rii proceselor, fie c[ este vorba de evaluarea parametrilor sau chiar de determinarea formei modelului matematic. #n practic[ se prefer[ o identificare mixt[, adic[ dac[ din cunoa]terea par\ial[ a func\ion[rii procesului se dispune de o asemenea informa\ie @nc`t s[ putem fixa structura modelului, problema care mai r[m`ne de rezolvat este cea a determin[rii valorilor numerice a coeficien\ilor, care este o problem[ de estimare a parametrilor. Estimarea se define]te ca fiind problema determin[rii experimentale a valorilor parametrilor, care guverneaz[ comportarea dinamic[ a procesului, presupun`nd c[ structura modelului acestuia este cunoscut[. #n unele cazuri ne intereseaz[ o cunoa]tere mai detaliat[ a st[rii procesului; aceasta conduce la
4

estimarea st[rilor. Determinarea celei mai bune estim[ri a st[rii se @nt`lne]te @n reglarea optimal[. Se poate pune ]i problema combinat[ a estim[rii parametrilor ]i st[rii. Figura de mai jos ilustreaz[ rela\ia dintre cunoa]terea structural[ (apriori) ]i cunoa]terea prin m[sur[tori (aposteriori), @n stadiul de construire a modelului. Secven\a de sus indic[ etapele de construire a modelului pentru un proces, plec`nd de la legile fizice, aplic`nd liniarizarea ]i reducerea la ecua\ii diferen\iale ordinare. Ecua\iile care rezult[ ofer[ o structur[ a modelului. La fiecare etap[ se introduc erori. Secven\a de jos indic[ procedeul de estimare plec`nd de la m[sur[tori ]i aplic`nd prelucrarea datelor ]i algoritmi de estimare ]i aici se introduc diferite tipuri de erori. Se observ[ c[ estimarea (parametrilor ]i/sau st[rilor) presupune o structur[ de model.
Erori de modelare Erori de liniarizare Erori de reducere Legi Ecua\ii dif. Liniarizare Ecua\ii dif. Reducere Ecua\ii dif. fizice par\iale par\iale ordinare neliniare liniare Zgomot proces PROCES Cuno]tin\e prin m[sur[tori ( aposteriori ) Parametri Date de m[surare M[sur[tori Tratarea datelor De ex., esantioane cuantificate S T R U C T Estimatori de parametri Structura Cuno]tin\e structurale ( apriori ) MODEL

Stari

Zgomot de m[surare

De ex.: zgomot de cuantificare

Erori de estimare, de ex. datorate trunchierii, ordinului modelului prelucr[rii datelor

Estimatori de stare

Fig. 2.2 Este evident c[ desf[]urarea procedurii de identificare este influen\at[ de o serie @ntreag[ de factori, cum ar fi: - posibilitatea de a scoate procesul din func\ionare normal[ sau necesitatea de a efectua @ncerc[ri asupra procesului func\ion`nd @n bucla @nchis[; - @n cazul posibilit[\ii utiliz[rii unor semnale de prob[ se pune problema alegerii tipului optim de semnal;

- timpul util de identificare este limitat (restric\ii tehnologice, posibilitatea varia\iei @n timp a caracteristicilor dinamice ale procesului); - disponibilit[\ile de aparatur[ influen\eaz[ procedura de identificare adoptat[; - @n cazul conducerii adaptive a procesului este necesar[ o identificare @n timp real. Metodele de identificare se @mpart @n dou[ mari categorii: 1) Metode active :presupun aplicarea unor semnale de prob[ conduc`nd @n general la ob\inerea unui model neparametric:
Generator de semnal u(t) Proces y(t)

Metoda activ[ Model neparametric

2) Metode pasive : acestea permit, pe baza varia\iilor aleatoare ale m[rimilor de intrare ]i de ie]ire ale procesului @n func\ionarea lui normal[, determinarea direct[ a unui model parametric:
u(t) Proces y(t)

Metoda pasiv[ Model parametric

Clasificarea procedurilor de identificare Varietatea foarte mare a situa\iilor @n care se cere modelarea unui proces a condus la elaborarea unui mare num[r de procedee de identificare. Procedurile pot fi grupate astfel: 1) Procedee frecven\iale Acestea permit determinarea caracteristicilor de frecven\[, amplitudine pulsa\ie ]i faz[ - pulsa\ie. Aceste proceduri se @mpart @n: - procedee frecven\iale indirecte: se bazeaz[ @n esen\[ pe transformata Fourier,
6

precum ]i pe alte procedee ce permit determinarea func\iei de densitate spectral[; - procedee frecven\iale directe: se bazeaz[ pe aplicarea unor semnale armonice la intrarea procesului ale carei caracteristici de frecven\[ se determin[. 2) Procedee de corela\ie Se bazeaz[ pe calculul func\iilor de corela\ie at`t @n cazul stochastic c`t ]i determinist. Cu ajutorul acestor func\ii de corela\ie se pot determina func\ia pondere, densitatea spectral[ sau caracteristica amplitudine - frecven\[. Observa\ie At`t procedeele frecven\iale c`t ]i cele de corela\ie conduc la modele neparametrice (caracteristica de frecven\[ ]i func\ia pondere) motiv pentru care nu pot fi folosite dec`t @n cazul proceselor liniare. 3) Procedee bazate pe minimizarea erorii Achizi\ia valorilor numerice ale m[rimilor de intrare ]i ie]ire ale unui proces @n urma unui experiment adecvat ]i prelucrarea lor primar[ (@n scopul elimin[rii celei mai mari p[r\i a valorilor eronate) conduce @n final la existen\a unui set de perechi de valori care reprezint[ rela\ia intrare - ie]ire. Adopt`nd un model dintr-o clas[ dat[ se pune problema ca aplic`nd la intrarea sa acelea]i valori ale m[rimii de intrare utilizate @n cadrul procesului, s[ se determine prin procedee corespunz[toare at`t ordinul, c`t ]i valoarea parametrilor s[i. #n legatur[ cu aceast[ problem[ se fac observa\iile: a) #n mod practic aproape @n toate cazurile exist[ cel pu\in o m[rime de intrare sau o cauz[ intern[ a procesului care nu poate fi observat[ (m[surat[). Efectul acestei m[rimi se caracterizeaz[ printr-o anumit[ influen\[ asupra ie]irii. Prin urmare ie]irea reprezint[ de obicei o combina\ie @ntre efectul determinat de intrarea m[surabil[ (observabil[) ]i cauza nem[surabil[. Rezult[ c[, chiar dac[ modelul ar reprezenta cu exactitate procesul, exist[ @ntotdeauna o anumit[ diferen\[ @ntre ie]irea sa ]i cea a procesului.
7

b) M[rimile externe sau interne neobservabile au un caracter de varia\ie aleator cu anumite caracteristici statistice printre care cea de medie nul[ joac[ un rol foarte important. Aceasta pentru c[ f[c`nd media @n timp a diferen\ei dintre ie]irea modelului ]i cea a procesului, se ]tie c[ aceast[ diferen\[ trebuie s[ tind[ la zero pe m[sur[ ce distan\a dintre model ]i proces tinde la zero. c) Rezult[ c[ diferen\a (eroarea) dintre ie]irea modelului ]i ie]irea procesului poate servi ca un indicator pentru determinarea at`t a ordinului c`t ]i a parametrilor modelului. Acestea sunt motivele pentru care procedeele de acest fel, se spune c[ se bazeaz[ pe minimizarea erorii. Schimbarea reprezent[rii Varietatea mare a tipurilor de modele pe de o parte, iar pe de alta existen\a unui bogat arsenal de procedee de identificare reclam[ existenta unor metode care s[ permit[ transformarea unui model de un anumit tip, @ntr-un alt model de alt tip. Rezult[ c[ e necesar s[ st[p`nim procedee de schimbare a reprezent[rii. #n acest fel devine posibil ca identificarea s[ se fac[ printr-un procedeu mai simplu dintr-un anumit punct de vedere aplicabil unui anumit tip de model, dup[ care se trece la alt tip de model mai potrivit de exemplu pentru rezolvarea unor probleme de sintez[. 2.4 Validarea modelelor Este evident c[ odat[ modelul determinat, trebuie testat[ abilitatea lui de a se comporta identic cu procesul sub efectul acelora]i stimuli.
Sistem u(t) + y(t) e(t) _ y (t) M

Model

Identificare

Dac[ comportarea procesului ]i a modelului sunt identice (@ntr-un sens care trebuie precizat) se poate spune c[ s-a ob\inut un model al procesului. Dac[ nu,

structura modelului trebuie modificat[ pentru ob\inerea unei concordan\e mai bune, dup[ cum se vede @n figura de mai sus. Valorile numerice ale parametrilor modelului sunt determinate astfel @nc`t comportarea modelului s[ fie c`t mai apropiat[ de cea a procesului. Aceast[ proximitate se m[soar[ cu ajutorul unui criteriu care s[ exprime cantitativ distan\a dintre model ]i proces, notat[: D = D(P, M) Distan\a poate fi definit[ @n mai multe feluri, ca de exemplu: D(P, M) = (y y M ) 2 dt
0 T

(2.7)

(2.8)

dar trebuie s[ satisfac[ @ntotdeauna: D(P, M) > 0 D(P, M) 0 P M Distan\a nici @n cazul teoretic nu poate fi nul[, dac[ nu se neglijeaz[ zgomotele de m[sur[, trebuind deci s[ fie redus[ sub o anumit[ valoare D0. #n concluzie se poate afirma c[ am construit un model M al unui proces P, dac[ se pot determina un grup de parametri structurali, astfel c[ dat[ fiind o intrare u(t) se poate ob\ine o distan\[ D(P, M) D 0 (2.10) Este evident c[ definind spa\iul parametric ca fiind spa\iul parametrilor qi de determinat, modelul este reprezentat de un punct, iar sistemul de un alt punct, criteriul fiind de fapt distan\a dintre cele dou[ puncte. Acest criteriu trebuie minimizat. Se definesc @n mod uzual urm[toarele distan\e: i) distan\a de stare sau de ie]ire Exprim[ diferen\a dintre ie]irea modelului ]i cea a procesului:
u(i) Proces Model + _ y(i) (i) Criteriu

(2.9)

D[ (i) ]

y (i) M
9

unde: y(i) respectiv yM(i) reprezint[ ie]irea procesului, respectiv a modelului la momentul i. Un criteriu de distan\[ ar putea fi: D = [y(i) y M (i)] = (i)
i=1 i=1 N N

(2.11)

cu N - num[rul punctelor de m[sur[. Se observ[ c[ deoarece (i) poate avea at`t valori pozitive c`t ]i negative, D poate fi zero chiar dac[ distan\a dintre model ]i proces este mare. O alegere mult mai convenabil[ este: D = [y(i) y M (i)] 2
i=1 N

ii) distan\a de predic\ie Este bazat[ pe diferen\a dintre ie]irea sistemului ]i ie]irea care prezice modelul @n acela]i moment de timp.
Proces u(i) Model + _ y(i) (i) ^

Criteriu

^ D[ (i)]

^ y (i)

De exemplu: D = [y(i) y(i)] 2

i=1 N

(2.12)

Predic\ia f[cut[ cu modelul dat depinde de forma aleas[ pentru el. Astfel, dac[ se alege ca model forma discret[ a func\iei pondere (]irul de ponderare cu hM(j) j=[0,N], elementele acestui ]ir), cunoa]terea intr[rii u(j), j=[i-N, i], permite predic\ia: y(i) = h M (j)u(i j)
j=0 N

(2.13)

#n acest caz predic\ia ie]irii se confund[ cu ie]irea modelului: y(i) = y M (i) Dar dac[ modelul ales este o ecua\ie cu diferen\e, de exemplu de ordinul @nt`i, se poate scrie: y(i) = a 1 y(i 1) + b 1 u(i 1)
10

(2.14)

Deci pentru prezicerea ie]irii la momentul i se utilizeaz[ doar informa\ia disponibil[ la momentul i-1. Ie]irea corespunz[toare a modelului este: y M (i) = a 1 y M (i 1) + b 1 u(i 1) iii) distan\a de structur[ Este bazat[ pe distan\a dintre parametrii procesului ]i cei ai modelului.
u(i) Proces Model M + _ M Criteriu D( )

(2.15)

unde: respectiv M reprezint[ vectorul parametrilor procesului, respectiv modelului.De exemplu: (2.16) D = ( M ) T A( M ) unde A este o matrice de ponderare simetric[, pozitiv definit[; (de exemplu matricea I). Se observ[ c[ aceast[ distan\[ nu este direct m[surabil[ dat fiind c[ nu se cunoa]te vectorul parametrilor . El se m[soar[ numai prin efectul s[u asupra ie]irii, ceea ce conduce @n fapt la considerarea unuia dintre primele dou[ tipuri de distan\e amintite. Pe de alt[ parte dac[ modelul este ob\inut prin m[sur[tori (nu din legi fizice) semnifica\ia fizic[ a acestei distan\e devine mai pu\in clar[. O proprietate important[ care se cere criteriului @n vederea faciliz[rii minimiz[rii lui, este liniaritatea @n raport cu parametrii (care este independen\a de liniaritatea modelului @n raport cu intrarea). Pe l`ng[ informa\ia aprioric[, @ntotdeauna disponibil[, identificarea trebuie considerat[ @n raport cu scopul final, @n func\ie de care se alege modelul necesar. O @ncercare de a sintetiza un algoritm general de identificare este f[cut[ @n figura de mai jos:

11

Proiectare experiment Date intrare - ie]ire

Informa\ie aprioric[ Scop final Determinare struct. model Estimare parametri verificarea modelului DA Model final

Fig. 2.3 Observa\ii: 1) Scopul identific[rii fiind acela de a ob\ine modelul matematic al instala\iei automatizate, ea se poate @ncadra @n problema mai larg[ a model[rii proceselor. Dar identificarea nu poate fi confundat[ cu modelarea, @n accep\iunea curent[ a acestei no\iuni. Modelarea se refer[ mai ales la realizarea unui model fizic al procesului, care s[ permit[ studiul acestuia @n condi\ii tehnico - economice avantajoase. Ea se efectueaz[ adesea @n perioada proiect[rii instala\iilor ]i agregatelor. 2) Identificarea se refer[ la determinarea caracteristicilor unei instala\ii existente, potrivit condi\iilor reale de func\ionare, pentru ca @n raport cu aceste caracteristici efective s[ se aleag[ dispozitivul de automatizare corespunz[tor performan\elor urm[rite.

12

3. SEMNALE DE INTRARE 3.1 Considera\ii generale. Influen\a semnalului de intrare asupra metodei ]i preciziei modelului De o importan\[ esen\ial[ pentru realizarea identific[rii este faptul c[ procesul trebuie s[ fie excitat. Semnalul de intrare, al[turi de modelul ales ]i de metoda (abordarea) utilizat[, condi\ioneaz[ decisiv rezultatele oric[rui experiment de identificare. #n cazurile @n care se admite aplicarea unui semnal de prob[, la alegerea acestuia se va \ine cont de: - l[rgimea de band[ a semnalului; - energia ]i amplitudinea maxim admise; - posibilit[\ile de generare ]i prelucrare a informa\iei. G[sirea unui semnal de prob[ optimal este o problema foarte delicat[ (semnalul de prob[ optimal este acel semnal cu o amplitudine maxim[ prescris[ care furnizeaz[ cuno]tin\ele necesare cu o precizie specificat[ @ntr-o perioad[ de timp minim[). Metodele de identificare utiliz`nd semnale de prob[ sunt metode active, care caut[ ca prin aplicarea unor semnale de test speciale s[ ob\in[ informa\ii, care f[r[ un efort de calcul deosebit s[ conduc[la modelul c[utat. Ele utilizeaz[ semnale de test deterministe sau aleatoare.
13

Identificarea cu semnale de prob[ tip treapt[, sinusoidal sau binar se complic[ @n cazul proceselor supuse perturba\iilor. Tehnicile de corela\ie sunt mult mai bine adaptate pentru eliminarea zgomotelor, iar semnalul de prob[ @n acest caz este un proces aleator de tipul zgomotului alb.

14