C3 Identificarea Sistemelor

Capitolul
Elemente de Identificarea Sistemelor

Acest capitol constituie o trecere n revist a elementelor de baz din
domeniul Identificrii (experimentale a) Sistemelor. Este evideniat
importana etapelor de achiziie a datelor, alegerea modelului de
identificare i a metodei pentru estimarea parametrilor acestuia.
Discuia este focalizat pe o serie de metode de identificare bazate pe
tehnici recursive, nrudite cu Metoda Celor Mai Mici Ptrate. Aceste
metode sunt utilizate pentru identificarea att n bucl deschis, ct i
nchis i se bazeaz pe principiul adaptrii parametrice n manier
recursiv. Sunt evideniate performanele i limitrile acestor metode,
precum i mijloacele statistice de validare ale modelelor identificate.
Capitolul se ncheie cu prezentarea unor tehnici de identificare n bucl
nchis, utilizate cu prioritate n controlul adaptiv.
3.1 Principiul adaptrii parametrice
Posibilitile recente oferite de calculul numeric permit dezvoltarea i
implementarea algoritmilor de identificare a modelelor discrete ale proceselor [14],
[18], [52], [55]. Identificarea modelelor parametrice prin tehnici recursive de
prelucrare [26] ofer numeroase avantaje raportat la alte proceduri de identificare
cunoscute.
Algoritmi de identificare performani, avnd o exprimare recursiv convenabil
calcului numeric, au fost dezvoltai cu prioritate n ultima perioad. Principiul de
estimare a parametrilor unui modelul discret cu ajutorul unei proceduri recursive
este ilustrat n Figura 3.1. Un model parametric discret este implementat pe un
calculator. Diferena ntre ieirea procesului y i ieirea predictat cu ajutorul
modelului, y , diferen numit eroare de predicie, este folosit de o procedur de
adaptare recursiv, care, la fiecare moment de eantionare, va modifica parametrii
modelului pentru a minimiza un criteriu de optimizare ptratic exprimat n funcie
de eroarea de predicie. Intrarea u folosit n experimentul de identificare ca
semnal de stimul al procesului, este n general o secven binar pseudo-aleatoare
(SPAB), generat de calculator (succesiune de impulsuri rectangulare de durat
variabil, cu amplitudinea determinat de caracteristicile procesului). Odat
AUTOMATIC INDUSTRIAL 70
modelul identificat, o validare obiectiv poate fi efectuat cu ajutorul unor teste
statistice aplicate erorii de predicie y y = i ieirii predictate y . Testul de
validare permite ca, pentru un proces dat, s se aleag cel mai bun algoritm,
respectiv cel mai bun model ca structur pentru estimarea parametrilor.
Figura 3.1. Principiul estimrii parametrice adaptive.
Aceast abordare modern de identificare elimin toate defectele metodelor
clasice i ofer n plus alte posibiliti, cum ar fi: urmrirea variaiilor parametrilor
procesului n timp real, identificarea modelelor de perturbaie, validarea rezultatelor
experimentului de identificare, etc.
Elementul cheie pentru abordarea prin recuren a mecanismului de identificare
a modelelor dinamice discrete, este algoritmul de adaptare parametric (aap), care
ajusteaz parametrii modelului de predicie pe baza informaiilor primite din
proces, la fiecare pas de eantionare. Acest algoritm are o structur recursiv, adic
noua valoare a parametrilor se obine din valoarea precedent la care se adaug un
termen de corecie dependent de ultimele msuratori, dup urmtorul principiu
general:
(3.1)
n (3.1), vectorul care conine mrimile msurate la intrarea i ieirea
procesului, se numete vector al regresorilor (observaiilor).
Reamintim c exist algoritmi nerecursivi de identificare parametric, care
trateaza n bloc fiierele de date I/O obinute pe o perioad de timp. Raportat la
aceste tehnici, identificarea recursiv ofer avantajele urmtoare: obinerea unei
Proces discretizat
CNA
+
EOZ
PROCES CAN
Model discret
ajustabil
Algoritm de adaptare
parametric
Parametrii
modelului
u
y

y
^
Parametrii
estimai
urmtori
(vector)
Parametrii
estimai
cureni
(vector)
= +
Amplificare
de
adaptare
(matrice)
Mrimi
msurate
regresate
(vector)

Eroare
de
predicie
(scalar)
3. ELEMENTE DE IDENTIFICAREA SISTEMELOR 71
estimri a modelului pe msur ce procesul evolueaz, o compresie important de
date, deoarece algoritmii recursivi nu trateaz n fiecare moment dect o pereche
I/O, necesitatea unei memorii i a unei puteri de calcul sensibil mai reduse,
posibilitatea realizrii unei identificri n bucl nchis, posibilitatea de identificare
a sistemelor cu parametri variabili n timp.
Paragraful urmtor este dedicat prezentrii algoritmilor de identificare bazai pe
mecanismul de adaptare parametric.
3.2 Algoritmi de identificare recursiv pe baz de gradient
Algoritmul de adaptare parametric poate fi proiectat cu ajutorul unor tehnici de
optimizare de tip gradient, mpreun cu un criteriu ptratic exprimat n funcie de
eroarea de predicie. Obiectivul const n determinarea parametrilor optimali prin
minimizarea acestui criteriu.
Considerm un proces cu parametri necunoscui. Modelul discret al procesului
este de tip ARX i poate fi exprimat prin ecuaiile (1.12) (detaliat) sau (1.15)-(1.16)
(n form polinomial), da pentru k N n loc de 1 k + . Dac se introduc
notaiile:

1 2 1 2

T
nA nB
a a a b b b
(
=

i

( ) [ ( 1) ( 2) ( )
( 1) ( 2) ( ) ,
T
T
k y k y k y k nA
u k d u k d u k d nB
=
(
(3.2)
unde
este vectorul parametrilor necunoscui ai modelului ARX, iar este

vectorul regresorilor (format din date I/O msurate), modelul ARX se poate
exprima simplu sub forma:
( )
( )
T
y k k = , k N. (3.3)
Plecnd de la exprimarea (3.3), n care se consider c i vectorul parametrilor
variaz n timp, se poate construi un model de predicie ajustabil ca n ecuaiile
(1.12) sau (1.13). Mai precis:

( )
0
1
1
( 1) ( ) ( ) ( ) ( 1)

( ) ( ) ( ) ( 1)
1 ( ), .
nA
nB
T
y k a k y k a k y k nA
b k u k d b k y k nB d
k k k
+ = + +
+ + + + =
= +
N
(3.4)
De notat c ( ) 1 k + depinde de valori I/O msurate pn la momentul k , dar nu i
la momentul 1 k + (a se vedea definiia (3.2)). Se consider c expresia (3.4)
reprezint un predictor a priori. Se poate arta c acesta este optimal [52], [55], n
sensul c minimizeaz eroarea de predicie a priori, definit prin:
( )
0 0
( 1) ( 1) ( 1) ( 1) 1 ( )
T
k y k y k y k k k + = + + = + + , k N. (3.5)
n mod similar, se poate defini eroarea de predicie a posteriori, folosind
vectorul de parametri estimai la pasul urmtor (i nu la pasul curent, ca n definiia
(3.5)):
( )
1
( 1) ( 1) ( 1) ( 1) 1 ( 1)
T
k y k y k y k k k + = + + = + + + , k N. (3.6)
Plecnd de la aceste definiii, se caut un algoritm de adaptare parametric
recursiv, cu memorie. Structura general a unui astfel de algoritm este urmtoarea
(n concordan cu principiul general (3.1)):

( )
0

( 1) ( ) ( 1) ( ) ( ), ( ), ( 1) k k k k k k k + = + + = + + f , k N, (3.7)
unde funcia f care definete corecia aditiv depinde de informaiile
disponibile la momentul 1 k + , cel mult.
Pentru e deduce expresia termenului de corecie, se poate rezolva o problem de
minimizare a ptratului erorii de predicie a priori, la fiecare pas de eantionare:

( )
0
2
0
( )
( )
( 1) argmin ( 1)
k
k
k k ( + = +

J
, k N. (3.8)
Soluia problemei (3.8) se poate obine printr-o procedur iterativ de tip
gradient. n acest caz, algoritmul de adaptare parametric are forma:
( )
0
( )

( 1) ( ) ( )
k
k k k + =
P J , k N, (3.9)
unde 0 > P este matricea de adaptare parametric (strict pozitiv definit). De
exemplu,
2
= P I , cu
R (matrice diagonal constant).

Prin derivarea definiiei (3.5), se obine:

( )
0 0
( )
0

( 1) ( ) 2 ( 1) ( 1)
( ) 2 1 ( 1), .
k
k k k k
k k k k
( + = + + =

= + + +
P
P N
(3.10)
Algoritmul de adaptare parametric exprimat de ecuaia (3.10) prezint riscul de
oscilaie, dac amplificarea de adaptare este mare. Pentru a evita acest risc, folosim
aceeai abordare a gradientului, dar considerm varianta care folosete un criteriu
exprimat n funcie de eroarea de predicie a posteriori. Cu alte cuvinte, se poate
rezolva o problem de minimizare aletrnativ:

( )
1
2
1
( 1)
( 1)
( 1) argmin ( 1)
k
k
k k
+
+
( + = +

J
, k N. (3.11)
Soluia problemei (3.11) are aceeai form ca i soluia problemei de optimizare
(3.8), dar adaptat la noul criteriu de optimizare (cu definiia (3.6)):
( ) ( )
1 1
( 1)

( 1) ( ) ( 1) ( ) 2 1 ( 1)
k
k k k k k k
+
+ = + = + + +
P P J ,
k N. (3.12)
Pentru a compara cele dou metode de gradient (exprimate de relaiile recursive
(3.10), respectiv (3.12)), poate fi pus n eviden o corelaie ntre cele dou erori
de predicie. Prin combinarea definiiei (3.6) cu relaia recursiv (3.12), se obine:
( ) ( ) ( )
0
1 1
( 1)
( 1) ( 1) 1 ( ) 2 1 1 ( 1)
T T
k
k y k k k k k k
+
+ = + + + + + P
,
k N, (3.13)
de unde rezult:

( ) ( )
0
1
( 1)
( 1)
1 2 1 1
T
k
k
k k
+
+ =
+ + + P
, k N. (3.14)
nlocuind ecuaia (3.14) n relaia recursiv (3.12), se obine:

( )
( ) ( )
0
2 1 ( 1)

( 1) ( )
1 2 1 1
T
k k
k k
k k
+ +
+ = +
+ + +
P

P
, k N. (3.15)
Algoritmul de gradient (3.15) este mai stabil dect (3.10), pentru orice matrice
de amplificare strict pozitiv definit, datorit factorului de normare care nsoete
corecia.
3.3 Metoda Celor Mai Mici Ptrate n variant recursiv (MCMMP-R)
Folosind algoritmii pe baz de gradient, se minimizeaz ptratul erorii de
predicie la fiecare moment de eantionare. Aceasta se realizeaz printr-o deplasare
dup cea mai rapid direcie de descretere a oricruia dintre criteriile
0
J sau
1
J ,
cu un pas dependent de matricea de adaptare P. Cu toate acestea, deoarece pasul
de naintare ctre optim este constant, viteza de convergen este modest. Ar trebui
gsit o manier de a opera cu pas variabil. O posibilitate este dat de reeta
general a algoritmilor de gradient cu pas variabil pentru criterii ptratice, cum este
cea a Algoritmului Gauss-Newton [52], [55]. Complexitatea acestei metode este
ns relativ ridicat.
Pentru a obine un pas variabil cu efort sczut de calcul, se poate considera
problema minimizrii erorii ptratice de predicie globale, evaluate pe ntregul
orizont de msur curent. Aceasta se formueaz nsumnd ptratele erorilor de
predicie a priori pe orizontul de msur, calculate cu ajutorul vectorului curent de
parametri:
( )
( )
2
( )
0
( )
( 1) argmin ( 1) 1 ( )
k
T
k
n
k
k y n n k
=
( + = + +

J
, k N. (3.16)
Soluia problemei (3.16) este oferit de Metoda Celor mai Mici Ptrate n
variant recursiv (MCMMP-R). Exist dou strategii de determinare a soluiei: fie
utiliznd o metoda de gradient (ca n seiunea precedent), fie printr-o abordare
matricial, ingenioas. Vom descrie a doua strategie (prima menionat putnd
constitui un exerciiu util pentru cititor).
Pentru a deduce relaiile recursive ale algoritmului aferent MCMMP-R (care
concur la determinarea vectorului corector ( 1) k + din (3.7)), se pleac de la
expresia estimaiei parametrilor necunoscui n variant nerecursiv [52], [55].
Aceasta poate fi exprimat astfel nct s fie pus n eviden pasul curent de
eantionare:

1
0 0
( ) ) ( ) ) ( )
k k
T
n n
k n n n y n
= =
| | | |
=
| |
\ \

( ( ( ( ( ( ( ( , k N. (3.17)
Teorema fundamental a MCMMP ofer, printre altele, posibilitatea de a
determina matricea de auto-covarian a erorii de estimare relative la vectorul
parametrilor din (3.17), tradiional notat prin
( )
( ) k P . Astfel, conform teoremei,

ea este proporional chiar cu matricea inversat din ecuaia (3.17). Aceasta
sugereaz notarea matricii inversate din (3.17) prin ( ) k P . Aadar, prin definiie:

1
0
( ) ) ( )
k
T
n
k n n
=
| |
=
|
\
P ( ( ( ( , k N. (3.18)
De notat c matricile ( ) k P sunt toate simetrice i (strict) pozitiv definite, deoarece
matricile care au fost inversate au i ele aceast proprietate.
Un prim pas n calea deducerii unei relaii recursive ntre vectorii parametrilor l
constituie utilizarea unei recurene evidente pe care o verific matricile
1
( ) k
P :

1
1
0 0
1
( ) ) ( ) ) ( ) ) ( )
( 1) ) ( ), ,
k k
T T T
n n
T
k n n n n k k
k k k k
= =

= = + =
= +

P
P N
( ( ( ( ( ( ( ( ( ( ( (
( ( ( (
(3.19)
unde (0) P este o matrice iniial arbitrar aleas, cu condiia s fie simetric i
(strict) pozitiv definit.
Folosind recurena (3.19) (i acelai artificiu ca n deducerea acestei recurene)
egalitatea (3.17) devine (pentru k

N ):

( )
( )
( )
1
0 0
1
1
1
( ) ( ) ) ( ) ( ) ) ( ) ) ( )
( 1) ( 1)
( ) ( 1) ( 1) ) ( )
( ) ( ) ) ( ) ( 1) ) ( )

( 1) ( ) ) ( ) ( ) ( 1) .
k k
n n
T
T
k k n y n k n y n k y k
k k
k k k k y k
k k k k k k y k
k k k y k k k
= =
| |
|
| | |
= = + =
|
|
\
|
|

\
= + =
(
= + =

= +

P P
P
P P
P P
P
( ( ( ( ( ( ( ( ( ( ( (
( ( ( (
( ( ( ( ( ( ( (
( ( ( (
(3.20)
n relaia recurent (3.20), este remarcabil faptul c estimaia curent a vectorului
parametrilor necunoscui se exprim prin simpla adugare a unui vector corector.
Procesul recursiv pleac de la o valoare iniial
(0) oarecare. Rezult c vectorul

corector este definit prin:

( )
( ) ( ) ) ( ) ( ) ( 1)
T
k k k y k k k = P ( ( ( ( , k

N (3.21)
i pune n eviden doi factori remarcabili. Primul dintre ei este chiar eroarea de
predicie a priori a modelului de regresie de la pasul anterior (a se vedea definiia
(3.5)):

0
( ) ( ) ( ) ( 1)
T
k y k k k = , k

N . (3.22)
Pentru a reactualiza parametrii este aadar necesar prognozarea ieirii procesului
furnizor de date folosind istoria valorilor acesteia pn la pasul curent. Al doilea
factor este un vector definit prin:
( ) ( ) ) k k k = P ( ( ( ( , k

N . (3.23)
i se numete ctig (de senzitivitate). Rolul su este de a pondera eroarea de
predicie pentru fiecare component a vectorului parametrilor estimai. Nu toi
parametrii sunt la fel de sensibili la reactualizare, acest lucru justificnd prezena
ctigului n expresia vectorului corector.
Cu definiiile (3.22) i (3.23), ecuaia recurent (3.20) devine:

0

( ) ( 1) ( ) ( ) k k k k = + , k

N . (3.24)
n acest moment, ecuaiile (3.22)-(3.24) ar putea constitui esena algoritmului
aferent al MCMMP-R. Acest algoritm sufer ns de un inconvenient major: pentru
evaluarea ctigului cu definiia (3.23) este necesar inversarea unei matrici la
fiecare pas de reactualizare. Aa cum se tie, efortul de calcul necesar acestei
operaii este proporional cu puterea a treia a dimensiunii matricii , adic a lungimii
vectorului parametrilor modelului de identificare. Chiar dac se exploateaz
Formatted: Font: 11 pt, Romanian
(Romania), Lowered by 5 pt
proprietile de simetrie ale acestor matricilor, efortul de calcul nu se reduce
semnificativ. n anumite situaii (de exemplu cnd perioada de eantionare are
valori mici, iar numrul de parametri are valori mari), este posibil ca urmtorul set
de date achiziionate s fie disponibil nainte de ncheierea calculelor pentru
reactualizarea vectorului de parametri, din cauza operaiei de inversare, care este
mare consumatoare de timp. Din acest motiv, algoritmul trebuie optimizat, n
sensul evitrii operaiei de inversare, dac este posibil.
Din fericire, un rezultat remarcabil din Teoria Matricilor permite optimizarea
algoritmului n sensul dorit. Este vorba despre lema de inversare matricial
exprimat prin:

( )
1 1
1
1
1
1
T
T
T

+ =
+
A bb A
A bb A
b A b
, (3.25)
pentru orice matrice inversabil A i orice vector b cu dimensiune
corespunztoare acesteia. Astfel, relaia de recuren (3.19) poate fi exprimat cu
ajutorul lemei (3.25), n mod echivalent, astfel:

1
1
( 1) ) ( ) ( 1)
( ) ( ) ) ( ) ( 1)
1 ( ) ( 1) )
T
T
T
k k k k
k k k k k
k k k

( = + =

+
P P
P P P
P
( ( ( (
( ( ( (
( ( ( (
,
k

N . (3.26)
Matricea ( 1) k P fiind (strict) pozitiv definit, numitorul fraciei din ecuaia
(3.26) este ntotdeauna strict pozitiv, deci inversabil. Relaia de recuren (3.26)
ilustreaz un aspect remarcabil: la fiecare pas de reactualizare, efortul depus pentru
inversarea matricii la pasul anterior este conservat, fiind necesar doar o corecie n
care nu se mai inverseaz o matrice, ci un scalar. Se poate observa cu uurin c,
datorit simetriei matricii ( 1) k P , efortul de calcul implicat de relaia (3.26) este
acum proporional cu ptratul lungimii vectorului parametrilor, ceea ce poate
conduce la o mbuntire semnificativ (n special n cazul modelelor complexe).
Algoritmul aferent MCMMP-R poate fi i mai mult optimizat, dac relaia
recurent (3.26) este folosit n evaluarea ctigului (3.23). Astfel, se constat
verificarea urmtoarei proprieti remarcabile (pentru k

N ):

( 1) ) ( ) ( 1) )
( ) ( ) ) ( 1) )
1 ( ) ( 1) )
( 1) ) ( 1) ) ( ) ( 1) )
T
T
T
k k k k k
k k k k k
k k k
k k k k k k k

= = =
+
+
=
P P
P P
P
P P P
( ( ( ( ( ( ( (
( ( ( ( ( ( ( (
( ( ( (
( ( ( ( ( ( ( ( ( ( ( (
1 ( ) ( 1) )
( 1) ) ( ) ( 1) )
T
T
k k k
k k k k k
P
P P
( ( ( (
( ( ( ( ( ( ( (
1 ( ) ( 1) )
( 1) )
.
1 ( ) ( 1) )
T
T
k k k
k k
k k k
=
+
=
+
P
P
P
( ( ( (
( ( ( (
( ( ( (
(3.27)
Rezult c relaia recursiv a matricilor inverse (3.26) poate fi simplificat:
( ) ( 1) ( ) ( ) ( 1)
T
k k k k k = P P P , k

N . (3.28)
Varianta de baz a algoritmului aferent MCMMP-R este aadar constituit din
relaiile (n aceast ordine): (3.22) (eroarea de predicie a priori), (3.27) (ctigul de
senzitivitate), (3.28) (matricile de auto-covarian a erorii de estimare) i (3.24)
(vectorul urmtor al parametrilor estimai).
Pentru iniializarea algoritmului, exist dou strategii. Dac nu sunt disponibile
informaii referitoare la procesul furnizor de date nainte de iniierea calculului
recursiv, se apeleaz la o iniializare neutr, care const n:

(0) ales arbitrar (eventual nul) i

0
(0) = P I , cu
0
+
R . (3.29)
Altfel, se apeleaz la o iniializare personalizat. Astfel, mai nti, se iniiaz
achiziia datelor furnizate de proces n manier off-line, pe un orizont de msur
redus (cel mult de ordinul zecilor de date aciziionate). Apoi, se apeleaz la una
dintre metodele de identificare nerecurente, de preferin din clasa MCMMP,
pentru a evalua matricea (0) P i vectorul
(0) . De notat c matricea se obine

prin inversare, de aceast dat. Operaia de inversare se execut ns numai o
singur dat, n etapa de iniializare. De exemplu, n cazul utilizrii MCMMP,
iniializarea personalizat const n:

1
1
0
(0) ) ( )
N
T
n
n n
=
| |
=
|
\
P ( ( ( ( i
1
0
(0) (0) ) ( )
N
n
n y n
=
| |
=
|
\
P ( ( ( ( . (3.30)
De regul, iniializrile personalizate conduc la timpi tranzitorii mai mici n
procesul recursiv de adaptare a parametrilor dect iniializrile neutre, numai c ele
necesit un set de date achiziionate a priori. Dei nu se specific explicit, dac este
disponibil, setul redus de date achiziionate trebuie centrat pe medie, pentru
evitarea pierderii consistenei din cauza erorilor sistematice de msur. De notat
totui c iniializarea acestui algoritm este important doar n stabilirea timpului
tranzitoriu necesar pentru ca parametrii estimai s nceap s i urmreasca pe cei
adevrai, dar, aa cum s-a demonstrat, ea nu are influen asupra consistenei
estimaiei [55]. Cu toate acestea, este recomandat ca matricea iniial (0) P s fie
(strict) pozitiv definit i simetric. Dac ea nu verific aceste proprieti,
algoritmul continu s funcioneze, dar rezultatele sale pot fi extrem de eronate n
zona tranzitorie.
MCMMP-R este folosit n numeroase aplicaii, de exemplu de reglare adaptiv
sau de filtrare adaptiv. (Alte versiuni ale acestei metode sunt descrise n [55].)
Algoritmul de identificare aferent arat c ecuaia de reactualizare (3.24) are o
form similar ecuaiei (3.15) obinut prin Metoda Gradientului. Cu toate acestea,
matricea de amplificare este acum variabil n timp i corecteaz automat att
direcia gradientului, ct i lungimea pasului de avans.
Mai mult, acest n cadrul acestui algoritm, amplificarea de adaptare este
descresctoare, n sensul c matricea ( 1) ( ) k k P P este pozitiv semi-definit la
orice pas de adaptare k

N (a se vedea relaia (3.26)). Aceasta implic faptul
c, n cursul reatualizrii parametrilor, este acordat din ce n ce mai puin pondere
noilor erori de predicie, deci noilor msurtori. Alte tipuri de ponderare a erorilor
de predicie n vederea evalurii coreciei pot fi de asemenea considerate.
3.4 Variante ale MCMMP-R utilizate n comanda numeric
Formula de reprezentare a inversei amplificrii de adaptare (3.19) se
generalizeaz prin introducerea a dou ponderi
1
i
2
care variaz n intervalul
(0,1], aa cum este indicat n continuare:

1 1
1 2
( ) ( 1) ( 1) ( 1) ) ( )
T
k k k k k k

= + P P ( ( ( ( , k

N . (3.31)
Cele dou ponderi din ecuaia (3.31) au efecte opuse: creterea lui
1
provoac o
cretere a amplificrii de adaptare, n timp ce creerea lui
2
conduce la
diminuarea acesteia. Pentru fiecare alegere a ponderilor se produce un profil de
variaie a amplificrii de adaptare i o interpretare difereniat n termenii criteriului
ptratic de eroare.
Prin aplicarea lemei de inversare matricial (3.25) asupra relaiei recursive
(3.31), se obine o relaie recursiv generalizat verificat chiar de amplifcarea de
adaptare:

1
1
2
1 ( 1) ) ( ) ( 1)
( ) ( 1)
( 1)
( 1)
( ) ( 1) )
( 1)
T
T
k k k k
k k
k
k
k k k
k
(
(

= (

(
+
(

P P
P P
P
( ( ( (
( ( ( (
,
k

N . (3.32)
Criteriul de minimizare trebuie de asemenea generalizat, astfel nct s se in
cont de ponderile
1
i
2
. O generalizare frecvent utilizat n aplicaii conduce la
urmtoarea problem de minimizare:
( )
( )
,
1 2
2
1 2
( )
0
( )
( 1) argmin ( ) ( ) ( 1) 1 ( )
k
k n n T
k
n
k
k k k y n n k

=
( + = + +

J
,
k N. (3.33)
Practic, asupra erorilor de predicie acioneaz acum dou ferestre exponeniale
alunectoare: una, cu baza
1
, care amplific datele recente, depondernd datele
nvechite i alta, cu baza
2
, care, din contr, amplific datele mai vechi,
depondernd datele recente.
n continuare, vor fi precizate cteva alegeri posibile pentru cele dou ponderi,
alegeri nsoite de interpretri corespunztoare, referitoare la aplicabilitatea
algoritmului asociat MCMMP-R generalizate (MCMMP-RG).
3.4.1 MCMMP-RG cu amplificare descresctoare
n acest caz:

1 2
( ) ( ) 1 k k = = , k N. (3.34)
Acesta este cazul particular care conduce la MCMMP-R n varianta de baz.
Amplificarea de adaptare are un profil descresctor, recomandat n identificarea
proceselor (cvasi-)staionare.
3.4.2 MCMMP-RG cu factor de uitare constant
n acest caz:

1
( ) (0,1) k = &
2
( ) 1 k = , k N, (3.35)
Valorile tipice ale constantei (numit i factor de uitare) sunt:
[0.95,0.999] . Criteriul de minimizare trebuie de asemenea adaptat profilului
amplificrii de adaptare prin ponderarea ptratelor erorilor de predicie cu o
fereastr alunectoare de tip exponenial, avnd baza egal cu factorul de uitare:
( )
( )
2
( )
0
( )
( 1) argmin ( 1) 1 ( )
k
k n T
k
n
k
k y n n k
=
( + = + +

J
, k N. (3.36)
Efectul premeditat al factorului de uitare este acela de a introduce o atenuare
din ce n ce mai puternic asupra datelor nvechite, care trebuie s fie din ce n ce
mai repede uitate. Ponderea maxim este deinut de ultimul termen al sumei din
definiia criteriului
J , adic de ultima eroare de predicie. Acest profil al

amplificrii de adaptare este recomandat n identificarea proceselor cu parametri
lent variabili n timp.
3.4.3 MCMMP-RG cu factor de uitare variabil
n acest caz:

1 1 2
( ) ( 1) (1 ) ( 1) k k k = + &
2
( ) 1 k = , k N. (3.37)
unde [0.95,0.999] este un factor de compromis. Procesul recursiv al ponderii
1
(factorul de uitare variabil) debuteaz cu o valoare iniial aleas tot n
intervalul [0.95,0.999]. Se observ c irul factorilor de uitare este cresctor,
limita sa fiind egal cu 1.
n acest context, problema de optimizare se reformuleaz astfel:
( )
( )
( )
2
( )
0
( )
( 1) argmin ( ) ( 1) 1 ( )
k
k
k n T
k
n
k
k k y n n k
=
( + = + +

J
, k N. (3.38)
Cum factorul de uitare tinde asimptotic la 1, rezult c efectul de uitare este mai
pronunat pentru datele iniiale dect pentru datele ndeprtate de momentul iniierii
adaptrii. Profilul amplificrii de adaptare tinde spre un comportament
descresctor.
Acest tip de algoritm este recomandat n identificarea proceselor cu parametri
care se stabilizeaz la valori staionare, dup o anumit durat de timp.
3.4.4 MCMMP-RG cu urm constant
n acest caz, ponderile sunt alese automat la fiecare pas de adaptare, astfel nct
s se asigure o valoare constant a urmei matricii de amplificare (suma termenilor
diagonali ai acesteia trebuie s fie constant):
[ ] [ ]
0
Tr ( ) Tr (0) k n = = P P , k N. (3.39)
n ecuaia (3.35), n este numrul de parametri ai vectorilor
( ) k , iar
0
1, 4
este ctigul iniial.
Pentru deducerea restriciei verificate de cele dou ponderi, se poate aplica
operatorul Tr (urm = trace, n limba englez) asupra recurenei (3.32):
[ ] [ ]
0
1
1
2
2
0
1
1
2
Tr ( 1) ) ( ) ( 1)
1
Tr ( ) Tr ( 1)
( 1)
( 1)
( ) ( 1) )
( 1)
1 ( ) ( 1)) )
, .
( 1)
( 1)
( ) ( 1) )
( 1)
T
T
T
T
k k k k
k n k
k
k
k k k
k
k k k
n k
k
k
k k k
k
(
( (

= = = (

(
+
(

(
(
= (

(
+
(

P P
P P
P
P
P
N
( ( ( (
( ( ( (
( ( ( (
( ( ( (
(3.40)
Relaia (3.40) s-a obinut innd cont de cteva proprieti elementare ale
operatorului Tr , cum ar fi: liniaritate, urma unui scalar este egal cu acel scalar i
[ ] [ ] Tr Tr = AB BA , chiar dac produsul matricilor nu este comutabil (n general,
AB BA). Dup cteva calcule algebrice elementare, din (3.40) rezult restricia:

[ ]
2
0 1
2
0 1
1 ( )
( )
( 1) ( ) ( ) ( ) 1)
T
n k
k
k k n k k k
(

=
+ + + P I P ( ( ( (
, k N. (3.41)
Evident, n (3.39), numitorul nu se poate anula, fiind strict pozitiv.
De aceast dat, ambele ponderi intervin n exprimarea criteriului de minimizare
(de exemplu, ca n ecuaia (3.33)), ntre ele existnd corelaia (3.41). Acest profil
asigur o vitez de convergen suficient de mare, cu pstratea unei amplificri de
adaptare aproximativ constante (mai ales dac se pleac de la o matrice diagonal).
Metoda este recomandat n identificarea proceselor ai cror parametri prezint o
variabilitate medie sau rapid n timp.
3.4.5 MCMMP-RG cu amplificare descresctoare i urm mrginit
n acest caz, se realizeaz o combinaie ntre condiiile (3.34) i (3.39), cu
nlocuirea celei din urm prin:
[ ]
0
Tr ( ) k n P , k N. (3.42)
Profilul de atenuare rezutat este recomandat n identificarea proceselor cu parametri
variabili n timp, atunci cnd lipsesc informaiile cu ajutorul crora s-ar putea
construi o iniializare a algoritmului de adaptare.
3.4.6 MCMMP-RG cu factor de uitare variabil i urm mrginit
n acest caz, se realizeaz o combinaie ntre condiiile (3.37) i (3.42), eventual,
cu eliminarea condiiei ca
2
s fie unitar. Dac s-ar impune condiia de urm
constant (adic inegalitatea (3.42) s-ar verifica la limit, pentru fiecare pas de
adaptare), atunci ecuaiile (3.37) i (3.41) ar constitui un sistem cu dou
necunoscute (cele dou ponderi). Dac sistemul este compatibil, cu cel puin o
soluie valid (ambele ponderi subunitare), atunci MCMMP-RG rezultat este cu
factor de uitare variabil i urm constant.
Ambele variante sunt recomandate n identificarea proceselor cu varibilitate
medie sau rdicat, srace n informaii preliminare capabile s conduc la o
iniializare personalizat a procedurii de adaptare parametric.
3.4.7 MCMMP-RG cu amplificare constant
n acest caz:

1
( ) 1 k = &
2
( ) 0 k = , k N, (3.43)
ceea ce, mpreun cu (3.32), produce imediat:
( ) (0) k = P P , k N, (3.44)
de unde i numele metodei. De fapt, am revenit la algoritmul rezultat prin aplicarea
Metodei de Gradient i cercul se nchide. Acest algoritm este recomandat n
identificarea proceselor staionare sau variabile n timp, dar cu puini parametri i n
prezena unui nivel sczut de zgomot. Performanele sunt eident inferioare celor
oferite de cazurile anterioare, dar complexitatea este mai mic.

Din prezentarea anterioar, rezult c matricea de amplificare ( ) k P (sau urma
acesteia) constituie o msur a vitezei de convergen. Acest fapt era de ateptat,
deoarece matricea de auto-covarian a erorii de estimare joac acelai rol. Practic,
ambele matrici msoar gradul de grupare a parametrilor estimai n jurul valorilor
adevrate. Cu ct ele se grupeaz mai rapid, cu att matricile descresc mai rapid (la
fel ca i urmele lor). Dac descreterea matricilor ( ) k P este nesemnificativ,
atunci fie s-a ajuns la valori staionare ale parametrilor, fie identificarea a euat (n
special din cauza semnalelor de stimul alese inadecvat). Oricum, dac iniializarea
procedurii de reactualizare nu poate fi dect neutr, se recomand alegerea unui
ctig iniial
0
suficient de mare (de ordinul miilor). Pentru iniializrile
personalizate, chiar dac (0) P este produs automat (de exemplu, ca n (3.30)),
uneori se prefer nlocuirea acesteia cu o matrice diagonal constant, ca n cazul
iniializrii neutre, dar alegnd un ctig iniial subunitar.
3.5 Validarea modelelor de identificare
Adecvana unui model de identificare trebuie testat n finalul experimentului de
identificare. Nu este suficient ca modelul s fie corect determinat att ca structur
ct i ca parametri. El poate s nu fie un model valid, n special din cauza
caracterului su particular pronunat, n raport cu datele achiziionate. Inadecvana
sa se manifest n special atunci cnd datele simulate sunt foarte diferite de datele
achiziionate de la procesul furnizor de date ntr-un nou experiment econometric,
altul dect cel n urma cruia au rezultat datele de identificare, dar efectuat n
aceleai condiii.
Aadar, odat determinat, orice model de identificare trebuie validat. Validarea
const practic n comparaia dintre un set de date achiziionate i setul de date
simulate cu ajutorul modelului, ambele fiind generate prin stimularea cu acelai
semnal de intrare. Setul de date trebuie s fie produs ntr-un experiment
econometric diferit de cel n urma cruia au rezultat datele utilizate pentru
determinarea modelului, dar ambele experimente se desfoar n aceleai condiii
sau foarte asemntoare. n aceast seciune, va fi prezentat una dintre metodele
cele mai cunoscute de validare, corespunztoare MCMMP, numit i test de albire.
Presupunerea de la care se pleac n definirea testului de albire este c datele
achiziionate din proces au o distribuie Gaussian. Dac testul de albire este trecut
cu succes, atunci se consider c:
modelele de sistem util (filtru raional cu poli i zerouri) i de perturbaie
(filtru raional avnd aceiai poli ca i sistemul util) sunt adecvate i valide,
adic reprezentative pentru procesul de identificat;
metoda de identificare corespunde modelului de identificare propus;
structura polinoamelor A i B (gradele lor), precum i valoarea ntrzierii
pure d au fost corect specificate.
Principiul care st la baza testului de albire este urmtorul: dac modelul
determinat este adecvat, eroarea de predicie dintre datele simulate i cele
achiziionate tinde s fie un zgomot alb Gaussian pe msur ce orizontul de msur
crete (de unde i numele de test de albire). Proprietatea de necorelare se exprim
prin:

( ) ( ) { }
0 0

lim , , 0
N N
N
E n n k
= , , n k

N , (3.45)
unde
0
este eroarea de predicie a priori definit n (3.5), iar
N
(specificat acum
explicit ca variabil de care depinde
0
) reprezint estimaia vectorului
parametrilor pe un orizont de msur de dimensiune N .
Condiia (3.45) are dou dezavantaje majore. n primul rnd, ea este greu (dac
nu imposibil) de verificat n practic. n al doilea rnd, nu se face referire la tipul de
distribuie a erorii de predicie. De aceea, o form practic a Testului de albire se
bazeaz pe proprietile distribuiei Gaussiene de medie nul i deschidere
0
/
N
N = (adaptiv, n funcie de dimensiunea orizontului de msur).
Parametrul
0
este determinat de gradul de corelaie existent ntre valorile
variabilelor aleatoare avnd aceast distribuie. Orice astfel de variabil aleatoare
produce valori ntr-un interval oarecare [ , ] + cu un nivel de ncredere ( ) N .
Nivelul de ncredere exprim de fapt probabilitatea ca variabila aleatoare s
produc valori n intervalul specificat, deci este egal cu aria de sub graficul
distribuiei peste acel interval.
Zgomotului alb Gaussian i corespund intervalele i nivelele de ncredere tipice
asociate din Tabelul 3.1.
Tabelul 3.1. Intervale i nivele de ncredere tipice pentru validarea modelelor.
[ , ] +
2.17 2.17
,
N N
(
+
(

1.96 1.96
,
N N
(
+
(

1.808 1.808
,
N N
(
+
(

( ) N 97% 95% 93%
Informaia din tabel poate fi fructificat n proiectarea versiunii practice a
testului de albire. Pentru aceasta, se evalueaz mai nti un numr de valori ale
secvenei de auto-corelaie
asociate erorii de predicie:

( ) ( )
1
1

( ) , ,
N
N N
n k
r k n n k
N k
= +
=

, 0,
4
N
k
(

(
(
(auto-covarian);

( )
( )
(0)
r k
k
r
= ,
(
(
(

4
, 0
N
k (auto-corelaie). (3.46)
Evaluarea din (3.46) se oprete la aproximativ un sfert din dimensiunea
orizontului de msur, deoarece, dincolo de acest prag, erorile de calcul acumulate
devin importante. (n suma de definiie a funciei de auto-covarian rmn din ce n
ce mai puini termeni.) La pasul urmtor trebuie contorizat numrul de valori ale
secvenei de auto-corelaie
ce aparin fiecruia din intervalele de ncredere ale

tabelului anterior. Acestea se normalizeaz apoi cu numrul total de valori calculate
ale lui
(adic / 4 1 N + (
(
) i se exprim n procente. n final, se compar
procentajele obinute cu nivelele de ncredere ale tabelului. Pentru un interval de
ncredere ales, Testul de albire este pozitiv (adic modelul este validat) dac
procentul de valori ale lui
din interval este cel puin egal cu nivelul de ncredere

corespunztor. Astfel, criteriul ofer 4 nivele de validare:
Nivelul 0: nici unul dintre cele 3 teste de albire nu este pozitiv (model i/sau
metod de identificare invalide).
Nivelul 1: doar unul dintre cele 3 teste de albire este pozitiv (model i/sau
metod de identificare la limita de validitate).
Nivelul 2: dou dintre cele 3 teste de albire sunt pozitive (model i/sau
metod de identificare valide, dar cu validitate limitat; pentru
anumite tipuri de intrri, modelul s-ar putea s nu funcioneze
corect).
Nivelul 3: toate cele 3 teste de albire sunt pozitive (model i/sau metod de
identificare valide, cu validitate extins la majoritatea covritoare
a tipurilor de intrri, dac procesul furnizor de date a fost stimulat
cu semnale din clasa SPAB).
Dac testul de albire a fost trecut cu succes de ctre mai multe modele de
identificare, se va alege modelul de complexitate minim (conform Principiului
parsimoniei [52], [55]).
Subliniem nc o dat o validare complet i corect a modelului de identificare
se efectueaz utiliznd o nou secven de I/O achiziionat din proces, diferit de
cea care a servit pentru identificare.
Exist un alt aspect al validrii care trebuie considerat. Dac raportul dintre
energia erorilor de predicie rezidual i cea a datelor de ieire este foarte sczut (de
exemplu, sub -60 dB), testul de albire devine inutil. Aceasta, pe de o parte, pentru
c nivelul de zgomot este att de mic nct efectul asupra estimaiilor parametrilor
determinai cu ajutorul MCMMP este neglijabil i, pe de alt parte, pentru c
zgomotul rezidual poate s conin, n acest caz, o component semnificativ care
nu este gausian (de exemplu, zgomotul provocat de propagarea erorii de rotunjire).
Aceast situaie apare, de exemplu, la identificarea pornind de la fiiere de date I/O
utilizate n simulri ale modelelor fr zgomot.
3.6 Algoritmi de identificare n bucl nchis
n practic, exist multe situaii n care identificarea n bucl deschis este
dificil sau imposibil de realizat (de exemplu, un proces cu un comportament
integrator sau instabil n bucl deschis, etc.). Exist de asemenea sisteme automate
n care procesul are parametri variabili n timp i prezena unui regulator pentru
controlul unui astfel de proces este obligatorie; n acest caz se impune, n mod
evident, utilizarea identificrii n bucl nchis pentru configuraii de sisteme
adaptive de reglare.
Importana practic a identificrii n bucl nchis este recunoscut n literatura
de specialitate i dovedit prin apariia i dezvoltarea unor metode specifice [26].
Ideea central este de a utiliza, pe ct posibil, aceleai tehnici de identificare
folosite n bucl deschis (spre exemplu, algoritmii afereni MCMMP), n timpul
exploatrii sistemului n bucl nchis, cu precauii suplimentare. Dou puncte de
vedere pot fi evideniate.
n primul, se ncearc reducerea problemei identificrii n bucl nchis la
proceduri aferente MCMMP-R pentru bucl deschis, din motive de ordin practic,
algoritmii i metodele de identificare n bucl deschis fiind bine cunoscute i
validate la ora actual. Acest punct de vedere a condus la apariia metodelor CLOE
(closed-loop output-error) care, n locul erorii de predicie din algoritmul de
adaptare bazat pe MCMMP-R, utilizeaz eroarea de ieire
CL
pentru ajustarea
parametrilor modelului de predicie, n cazul sistemelor n bucl nchis. Aceste
metode furnizeaz ns estimri nedeviate numai pentru anumite tipuri de
perturbaii.
Al doilea punct de vedere poate fi considerat o extensie a primului i se bazeaz
pe observaia conform creia, ntr-o configuraie de sistem n bucl nchis,
comanda i perturbaia sunt corelate. Metodele prezentate au la baz aceeai
utilizare a algoritmilor n bucl deschis, ns n cadrul unor scheme particulare,
care permit o decuplare virtual a comenzii de perturbaie. Aceste metode sunt
cunoscute sub denumirea de metode directe i metode indirecte de identificare n
bucl nchis.
Vom trata cele dou abordri i vom acorda o atenie mai mare primului caz,
deoarece algoritmii cu care se opereaz sunt prezentai n formula cunoscut de la
identificarea n bucl deschis i n consecin sunt mai simplu de implementat.
3.6.1 Principiul algoritmilor de identificare n bucl nchis
Algoritmii prezentai n aceast seciune funcioneaz dup principiul adaptrii
parametrice, bazat pe eroarea de predicie de la identificarea n bucl deschis.
Aceti algoritmi prelucreaz, de fapt, eroarea de ieire, ca diferen ntre ieirea
sistemului de calcul, cu modelul ajustabil inclus, i ieirea sistemului fizic de
reglare care include procesul.
O schem de principiu pentru identificarea n bucl nchis este prezentat n
Figura 3.2, unde regulatorul numeric este de tip RST.

Figura 3.2. O schem de identificare n bucl nchis.
Obiectivul identificrii este de a minimiza un criteriu exprimat n funcie de
eroarea dintre ieirea procesului i cea a modelului adaptiv (AAP = algoritm de
adaptare parametric), obinnd estimri mai bune pentru noile modele, care sunt
utilizate eventual la algoritmul de reglare.
n aceast schem putem evidenia dou tipuri de algoritmi de identificare n
bucl nchis:
1. Algoritmi recursivi de identificare n bucl nchis de tip eroare de ieire,
unde parametrii modelului sunt ajustai printr-un AAP care utilizeaz
eroarea
CL
n locul erorii de predicie standard
0
. Aa cum ilustreaz i
Figurile 3.1 i 3.2, cele dou erori nu sunt formal diferite (se definesc la fel),
ns ieirea modelului y se evalueaz cu intrri diferite. n bucl deschis
(Figura 3.1), procesul i modelul funcioneaz cu aceeai intrare u , de aceea
ieirea modelului y este o valoare predictat a ieirii procesului. n bucl
nchis (Figura 3.2), intrarea modelului u este fabricat de ctre regulatorul
RST plecnd de la ieirea modelului y i nu a procesului y , de aceea ea
este doar o ieire simulat.
2. Algoritmi recursivi de identificare n bucl nchis cu date filtrate. Ecuaiile
predictorului se pot exprima utiliznd mrimile de comand u , de ieire y
PROCES
i eroarea de ieire
CL
. Acest fapt conduce la o exprimare a erorii de
predicie utilizat de algoritmul aferent MCMMP-R pentru identificarea n
bucl deschis, calculat cu date filtrate.
Pentru ambele categorii de algoritmi, scopul este acelai: estimarea parametrilor
procesului, exprimat ca i modelul, dar cu parametrii adevrai
n locul
parametrilor necunoscui sau estimai. Spre deosebire de cazul buclei deschise,
procesul este acum un model de tip eroare de ieire (OE output error) i nu de tip
ARX. Dac se noteaz prin A
i B
cele dou polinoame ale funciei de sistem

care descrie procesul (definite ca n (1.16), dar cu simbolul adugat n notaia
coeficienilor), atunci, conform Figurii 3.2, ecuaia ieirii se poate exprima ca mai
jos:
( )
( )
( )
( )
* 1
* 1
( )
d
B q
y k q u k w k
A q
= + , k N (3.47)
unde w reprezint perturbaiile care afecteaz procesul. Echivalent, ecuaia (3.47)
se poate exprima prin:

( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
* 1 * 1 * 1
* 1
1
, .
T
y k A q y k B q u k d A q w k
k A q w k k

(
= + + =

= + N
(3.48)
Vectorul regresorilor din (3.48) este definit prin:
( ) ( ) ( ) ( ) ( ) 1 ... 1 ...
T
k y k y k nA u k d u k d nB ( =

,
k N. (3.49)
Comanda procesului este produs de regulatorul RST (exprimat prin cele 3
polinoame din definiia (1.25)):
( )
( )
( ) ( ) ( )
( )
( )
( )
1
1 1
1 1
1
( ) ( )
u
R q
u k T q r k R q y k r k y k
S q S q

(
= =

, k N, (3.50)
unde r este mrimea de referin, iar cu
u
r este un semnal de excitaie extern
aplicat aditiv la ieirea regulatorului.
n acest context, ecuaia modelului de predicie cu parametri variabili n timp
este:

( ) ( ) ( ) ( ) ( )
( )
1 1

1 1 1 1
1 ( ), ,
k k
T
y k A q y k B q u k d
k k k

(
+ = + + + =

= + N
(3.51)
cu notaii naturale.
Comanda modelului de predicie este fabricat de ctre acelai regulator RST,
dar opernd cu ieirea predictat n locul celei msurate din proces:
( ) ( )
( )
( )
( )
1
1

u
R q
u k r k y k
S q
= , k N. (3.52)
Eroarea de predicie/ieire este definit atunci n mod natural exact ca n (3.5):
( ) ( ) ( ) ( ) ( )
1 1 1 1 1 ( )
T
CL
k y k y k y k k k + = + + = + + , k N. (3.53)
Diferena dintre definiiile (3.5) i (3.53) este dat de maniera n care se evalueaz
ieirea predictat.
Se observ c, pentru valori constante ale parametrilor estimai, vectorul curent
al regresorilor modelului, ( ) k , depinde (implicit) numai de semnalele de referin
extern ( r sau
u
r ). Dac acestea nu sunt corelate cu perturbaia w, nici vectorul
regresorilor nu este curelat cu aceasta.
Pentru toate metodele de identificare n bucl nchis, algoritmul de adaptare
parametric are aceeai form general de exprimare, obinut prin combinarea
Metodei de Gradient cu MCMMP-RG, pentru orice k N:

1 1
1 2
( 1) ( ) ( ) ( ) 1) ( 1)
T
k k k k k k

+ = + + + P P ( ( ( ( ; (3.54)

1
1
2
1 ( ) 1) ( 1) ( )
( 1) ( )
( )
( )
( 1) ( ) 1)
( )
T
T
k k k k
k k
k
k
k k k
k
(
(
+ +
+ = (
(
+ + +
(

P P
P P
P
( ( ( (
( ( ( (
; (3.55)

( ) ( )
0
1
( 1)
( 1)
1 1 ( ) 1
T
k
k
k k k
+
+ =
+ + + P
; (3.56)

1

( 1) ( ) ( 1) 1) ( 1) k k k k k + = + + + + P ( ( ( ( . (3.57)
n grupul de ecuaii recursive (3.54)-(3.57), dei
0
este tot eroarea de predicie
a priori i
1
tot eroarea de predicie a posteriori, ele se evalueaz diferit fa de
cazul proceselor n bucl deschis. Ceilali parametri ai reetei recursive (ponderile
1
,
2
i iniializrile) sunt precizai ns n aceeai manier ca n cazul proceselor
funcionnd n bucl deschis (dei, uneori,
2
(0, 2) ). De altfel rolul lor este
acelai, precizat n cadrul seciunilor precedente. Pentru fiecare metod de
identificare n bucl nchis se va preciza maniera de calcul a celor dou erori de
predicie i a parametrilor algoritmului.
De notat c, pentru acest algoritm, este necesar ca regulatorul RST s fie
cunoscut. Aceasta nu constituie o restricie, avnd n vedere strategia prezentat n
primul capitol, sumarizat de diagrama logic din Figura 1.2. Pe baza modelului de
identificare rezultat, se va proiecta ulterior o variant mbuntit a regulatorului
RST, urmat de o nou identificare, apoi de o nou mbuntire a regulatorului,
etc.
n paragrafele care urmeaz, sunt descrii o serie de algoritmi particulari, n care
se precizeaz maniera de calcul a erorii de predicie a priori,
0
(de regul, n
funcie de eroarea de ieire
CL
sau de o estimaie a acesteia).
De altfel, uneori se apeleaz la urmtoarea terminologie natural. Astfel, se pot
defini doi predictori cu ajutorul vectorilor estimai ai regresorilor i parametrilor.
Primul este predictorul a priori, definit prin:
( ) ( )
( )
( ) ( )
0

1 1 1
T
y k y k k k k
(
+ = + = +

, k N, (3.58)
iar al doilea este predictorul a posteriori, definit prin:
( ) ( )
( )
( ) ( )
1

1 1 1 1 1
T
y k y k k k k
(
+ = + + = + +

, k N. (3.59)
Acestora le corespund eroarea de ieire (predicie) a priori:
( ) ( ) ( )
0 0
( 1) ( 1) 1 ( 1) 1
T
CL
k y k y k y k k k + = + + = + + , k N, (3.60)
(definit ca n (3.53)) i eroarea de ieire (predicie) a posteriori:
( ) ( ) ( )
1 1
( 1) ( 1) 1 ( 1) 1 1
T
CL
k y k y k y k k k + = + + = + + + , k N. (3.61)
3.6.2 Algoritmul CLOE n varianta de baz
Aa cum am menionat deja, numele algoritmului descris n acest paragraf
provine din limba englez: CLOE = Closed Loop Output Eror (model de tip eroare
de ieire integrat n bucl nchis).
Pentru construcia acestui tip de algoritm, se pleac de la faptul c ieirea
sistemului n bucl nchis (3.48) poate fi exprimat n funcie de eroarea de ieire
(3.53). Astfel, prin combinarea ecuaiilor (3.48), (3.50) i (3.53), se obine:

( )
( ) ( )
( )
( ) ( )
( )
* 1 1
* 1
1
* 1 * 1
* 1
( 1) ( 1) ( 1)
1 ( 1)
( 1) ( 1)
( 1), .
CL
d
CL
d
k y k y k
B q R q
A q q k
S q
A q y k q B q u k
A q w k k

+ = + + =
(
= + (
(

+ + + +
+ + N
(3.62)
Grupnd termenii care conin eroarea de ieire din (3.62) i invocnd ecuaia (3.51),
n care vectorul parametrilor este cel adevrat i nu cel estimat, se obine:

( )
( ) ( )
( )
( )
* 1 1
* 1 *
1
* 1
( 1) ( 1) ( 1)
( 1), .
d T
CL
B q R q
A q q k k y k
S q
A q w k k

(
+ + = + + + (
(

+ +

N

(3.63)
Operatorul raional care se aplic erorii de ieire poate fi exprimat mai simplu prin:
( )
( ) ( )
( )
( ) ( ) ( ) ( )
( )
( )
( )
* 1 1 * 1 1 * 1 1 * 1
* 1
1 1 1
d
d
B q R q A q S q q B q R q P q
A q q
S q S q S q

+
+ = = ,
(3.64)
unde polinomul de la numrtor are simbolul specific polinoamelor cu parametri
adevrai deoarece acestea intr n componena sa.
Folosind notaia (3.64) i (nc o dat) ecuaia (3.51), o exprimare echivalent a
relaiei (3.63) este urmtoarea:
( )
( )
( ) ( )
( )
( )
( )
( )
1 1 * 1
*
* 1 * 1
1
* * 1
* 1
( 1) ( 1) ( ) ( 1)
( 1) ( 1) ( 1) ( ) , .
T
CL
T T
S q S q A q
k k k w k
P q P q
S q
k A q w k k k k
P q

(
(
+ = + + + = (

(

(
= + + + +

N

(3.65)
Dac n primul termen al sumei vectorul regresorilor ar fi cel din definiia (3.49)
i nu cel estimat, acesta, mpreun cu termenul de zgomot ar produce chiar ieirea
msurat a ieirii procesului la momentul urmtor, caz n care polinoamele P
i
S ar fi identice. Aadar, s-ar putea spune c eroarea de ieire n bucl nchis se
obine prin filtrarea unei pseudo-erori de predicie. Filtrul utilizat are polii definii
de numrtorul operatorului raional (3.64).
Ecuaia (3.65) sugereaz maniera n care ar putea fi definit eroarea de predicie
a priori n algoritmul general (prin estimarea erorii de ieire):

( )
( )
1
0
1
( 1) ( 1) ( 1) ( 1) ( )
T
CL
k
S q
k k y k k k
P q
(
+ = + = + +

, k N. (3.66)
Polii filtrului estimat din (3.66) sunt rdcini ale polinomului (de asemenea
estimat):

( ) ( ) ( ) ( ) ( )
1 1 1 1 1

d
k k k
P q A q S q q B q R q

= + , k N. (3.67)
Cu aceast precizare, se obine varianta de baz a algoritmului CLOE, constituit,
n ordine, din ecuaiile (3.67), (3.66) i grupul de relaii recursive (3.54)-(3.57).
Convergena acestui algoritm (exprimat prin anularea asimptotic a erorii de
ieire a priori) este asigurat dac referina i perturbaiile nu sunt corelate.
Perturbaiile intervin indirect n algoritm, prin ecuaia (3.66), care opereaz cu
valorile msurate la ieirea procesului.
Pentru alegerea ponderii
2
, se impune unerori restricia ca filtrul din (3.66) s
poat fi exprimat prin:

( )
( )
( )
1
1 2
1
2
S q
H q
P q
= + , k N. (3.68)
unde H este o funcie de sistem precizat. Restricia (3.68) poate contribui la
creterea vitezei de convergen a algoritmului.
De altfel, acest filtru joac un rol important i n exprimarea funciei de sistem
n bucl nchis (pentru structura din Figura 3.2). Dup cteva calcule elementare,
se poate ajunge la expresia ieirii y , n funcie de cea a referinei filtrate
u
r i
perturbaiei w:

( )
( )
( ) ( )
1
1 1
1
( ) ( ) ( )
d
u
S q
y k q B q r k A q w k
P q

(
= +

, k N. (3.69)
3.6.3 Algoritmul CLOE filtrat
Pentru a mbunti precizia Algoritmului CLOE de baz, vectorul estimat al
regresorilor se poate nlocui cu versiune a sa filtrat. Astfel, plecnd de la expresia
(3.65) a erorii de ieire n bucl nchis, primul factor poate fi exprimat echivalent
prin:

( )
( )
( )
( )
( )
( )
( )
( )
1 1 1 1
* 1 * 1 * 1 1

( 1) ( 1) ( 1)
T T T
f
S q Q q S q Q q
k k k
P q P q P q Q q

+ = + = + ,
k N, (3.70)
unde polinomul
Q este definit prin:

( ) ( ) ( ) ( ) ( )
1 1 1 1 1

d
Q q A q S q q B q R q

= + , (3.71)
cu polinoamele
A i
B estimate n manier off-line, eventual pe sistemul n bucl

deschid, naintea iniierii procedurii de adaptare parametric. Dac estimaia off-
line este suficient de precis, polinoamele
Q i P
au coeficieni apropiai ca
valoare.
Folosind identitatea (3.70), ecuaia (3.65) devine:
( )
( )
( ) ( )
( )
( )
( )
( )
1 1 * 1
*
* 1 * 1
1
* * 1
* 1
( 1) ( 1) ( ) ( 1)
( 1) ( 1) ( 1) ( ) ,
T
CL f
T T
f f f
Q q S q A q
k k k w k
P q P q
Q q
k A q w k k k
P q

(
(
+ = + + + = (

(

(
= + + + +

k N, (3.72)
unde
f
w este versiunea filtrat a zgomotului (folosind) tot filtrul cu zerourile S i
polii
Q . Practic, dac locul vectorului estimat filtrat al regresorilor ar fi luat chiar

de vectorul filtrat al regresorilor, n (3.72) ar apare o eroare de predicie a priori,
filtrat. n aceste condiii, eroarea de predicie a priori definit n (3.66) poate fi
nlocuit de:

( )
( )
1
0
1
( 1) ( 1) ( 1) ( )
T
f f
k
Q q
k y k k k
P q
(
+ = + +

, k N, (3.73)
unde:

( )
( )
1
1
( ) ( )
f
S q
y k y k
Q q
= &
( )
( )
1
1
( ) ( )
T T
f
S q
k k
Q q
= , k N. (3.74)
3.6.4 Algoritmul CLOE extins (X-CLOE)
De regul, perturbaia w este asimilat ca un zgomot colorat produs prin
filtrarea unui zgomot alb Gaussian e . Se poate chiar considera c filtrul de zgomot
are polii dai de polinomul A
, iar zerourile de un polinom C
, cu aceeai form
ca i A
(termen liber unitar), stabil. Aadar:

( )
( )
1
1
( ) ( )
C q
w k e k
A q

= , k N. (3.75)
Filtrul adaug un set de parametri care trebuie de asemenea estimai (coeficenii
polinomului C
). Ecuaia (3.63), care exprim eroarea de ieire, poate fi rescris

lund n considerare modelul de zgomot (3.75) (i definiia (3.64)):

( )
( )
( )
* 1
* * 1
1
( 1) ( 1) ( 1) ( 1)
T
CL
P q
k k y k C q e k
S q
+ = + + + + , k N.
(3.76)
Adugnd termenul
( )
* 1
( 1)
CL
C q k
+ n ambii membri ai ecuaiei (3.76), se

obine:

( )
( )
( )
( )
( )
* 1 *
* 1
* 1 * 1
1
( 1) ( 1) ( 1)
( 1) ( 1),
T
CL
CL
C q k k y k
P q
C q k C q e k
S q
+ = + + +
(
+ + + + (
(

k N (3.77)
Ecuaia (3.77) pune n eviden un nou filtru aplicat erorii de ieire:

( )
( )
( )
( )
( )
( ) ( ) ( )
( )
* 1 * 1 * 1 1 * 1
* 1
1 1 1
H q P q C q S q P q
C q
S q S q S q

= = . (3.78)
Polinomul
*
H din definiia (3.78) poate fi exprimat detaliat ca mai jos:

( ) ( ) ( ) ( ) ( ) ( ) ( )
* 1 * 1 1 * 1 1 * 1 1
1 2
1 2
,
d
nH
nH
H q C q S q A q S q q B q R q
h q h q h q

= =
= + + +
(3.79)
termenul liber fiind anulat de diferena
( ) ( )
* 1 * 1
C q A q

(unde fiecare polinom
are termenul liber unitar).
Cu definiia (3.78), expresia (3.77) devine:

( )
( )
( )
( )
* 1
* 1 *
1
* 1
( 1) ( 1) ( 1) ( 1)
( 1), .
T
CL CL
H q
C q k k y k k
S q
C q e k k
+ = + + + + +
+ +

N
(3.80)
Noua expresie, (3.80), sugereaz considerarea urmtorului model extins de
predicie (n locul modelului (3.51)), cu notaii naturale:

( )
( )
1
1
( 1) ( 1) ( ) ( 1)
k
T
CL
H q
y k k k k
S q
+ = + + + , k N. (3.81)
Coeficienii polinomului estimat
k
H pot extinde vectorul curent estimat al
parametrilor modelului de predicie. n acelai timp, vectorul estimat al regresorilor
poate fi extins cu valori regresate ale erorii de ieire filtrate cu
( )
1
1/ S q
, notate
prin
, CL f
. Mai precis, cu extensiile:

1 2
, , ,

( ) ( ) ( ) ( ) ( )
( 1) ( 1) ( ) ( 1) ( 1)
T T
e nH
T T
e CL f CL f CL f
k k h k h k h k
k k k k k nH
(
=
( + = + +

,
k N, (3.82)
modelul de predicie se poate exprima din nou ca n definiia (3.51), dar cu vectori
extini:

( 1) ( 1) ( )
T
e e
y k k k + = + , k N. (3.83)
Vectorul parametrilor adevrai poate fi extins ntr-o manier similar, astfel c
din combinaia ecuaiilor (3.80) cu (3.83), rezult:
( ) ( )
* 1 * 1
( 1) ( 1) ( ) ( 1)
T
CL e e e
C q k k k C q e k

(
+ = + + +

, k N. (3.84)
Noua exprimare a erorii de ieire este acum:

( )
* 1
1
( 1) ( 1) ( ) ( 1)
T
CL e e e
k k k e k
C q
(
(
+ = + + + (

(

, k N. (3.85)
Se poate arta cu uurin c ieirea msurat a procesului are urmtoarea
exprimare remarcabil (n care intervin vectorii extini i eroarea de ieire):

( ) ( )
* 1 * 1
( 1) ( 1) 1 ( 1) ( 1)
T
e e CL
y k k C q k C q e k

(
+ = + + + + +

, k N.
(3.86)
Din (3.86), rezult:
( ) ( )
( )
( )
* 1
* 1 * 1 * 1
1
1 1
( 1) ( 1) ( 1) ( 1)
T
e e CL
C q
k e k y k k
C q C q C q

(

+ + + = + + + (
(

,
k N, (3.87)
care, nlocuit n (3.85), permite nlturarea zgomotului alb (nemsurabil!) din
expresia erorii de ieire i simplificarea evalurii:

( 1) ( 1) ( 1) ( )
T
CL e e
k y k k k + = + + , k N. (3.88)
Nu mai rmne dect s fie precizat eroarea de predicie a priori pentru
algoritmul geeral, plecnd de la (3.88):

0
( 1) ( 1) ( 1) ( 1) ( )
T
CL e e
k k y k k k + = + = + + , k N. (3.89)
Algoritmul X-CLOE const n ecuaiile: (3.89), (3.54)-(3.57), cu evaluarea
coeficienilor polinomului
( )
1
k
C q
dintr-o identitate polinomial similar lui

(3.79) (n care, practic, se nlocuiesc valorile adevrate ale parametrilor cu valorile
curent estimate). De notat c procedura (3.54)-(3.57) funcioneaz acum cu
vectorul parametrilor extini
e
n locul celui tradiional.
3.6.5 Algoritmul CLOE generalizat (G-CLOE)
Generalizarea pleac de la introducerea unui set suplimentari de poli n filtrul de
zgomot, diferi de cei dai de polinomul A
. Mai precis, ipoteza (3.75) se

generalizeaz prin:

( )
( ) ( )
1
1 1
( ) ( )
C q
w k e k
A q D q

= , k N, (3.90)
unde polinomul D
este de asemenea stabil i are aceeai exprimare ca

polinoamele A
i C
(termenul liber este unitar).

Raionamentul pentru deducerea expresiei erorii de predicie a priori este similar
celui din paragraful precedent. Astfel, ecuaia (3.63) poate fi rescris echivalent,
lund n considerare modelul de zgomot (3.75) (i definiia (3.64)):

( )
( )
( )
( )
* 1 * 1
*
1 * 1
( 1) ( 1) ( 1) ( 1)
T
CL
P q C q
k k y k e k
S q D q

+ = + + + + , k N.
(3.91)
Adugnd termenul
( ) ( )
* 1 * 1
/ ( 1)
CL
C q D q k

(
+

n ambii membri ai ecuaiei
(3.91), se obine:

( )
( )
( )
( )
( )
( )
( )
( )
* 1
*
* 1
* 1 * 1 * 1
* 1 1 * 1
( 1) ( 1) ( 1)
( 1) ( 1),
T
CL
CL
C q
k k y k
D q
C q P q C q
k e k
D q S q D q

+ = + + +
(
+ + + + (
(

k N (3.92)
Predictorul care va fi utilizat poate fi exprimat cu ajutorul unui semnal de eroare
definit prin:

( ) ( )
1 1

( 1) ( 1) ( 1)
d
k k
v k A q y k q B q u k

+ = + + , k N. (3.93)
Folosind (3.93), dup o serie de calcule elementare, se poate arta c ieirea
msurat poate fi exprimat n aa fel nct polinomul D
s nu mai apar la
numitor. Expresia care urmeaz pare complicat, ns realizeaz acest efect:

( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( )
( ) ( ) ( )
( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
* 1 * 1
* 1 1 1 * 1
* 1
1
* 1
* 1 * 1 1
* 1 * 1 1
1 1 1 1
1
1 1
+ 1 1
1 1
1 1 , ,
d
CL
k
d
k
y k A q y k q B q u k
H q S q S q C q
k C q e k
S q
D q v k
D q A q A q y k
q D q B q B q u k k

(
+ = + + + +

+
+ + + + +
(
+

( (
+ +

( (
+ +

N

(3.94)
unde:

( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( )
1 1 1 1 1
1 1 1 1
1 1 1
1 1
1 2
1
1
1 ,
d
nH
nH
H q C q S q D q P q
C q A q D q S q
q B q D q R q
h q h q h q

= + =
(
= + +

+ =
= + + + +
. (3.95)
avnd n vedere c termenul liber al polinomului C A D

este nul.
Polinomul (3.95) este utilizat alturi de semnalul de eroare (3.93) pentru a defini
predictorul generalizat:

( ) ( ) ( ) ( ) ( )
( ) ( )
( )
( )
( )
1 1
1
1
1

1 1 1 1
1 1 1 , .
d
k k
k
k CL
y k A q y k q B q u k
H q
D q v k k k
S q

(
+ = + + + +

(
+ + + +

N
(3.96)
Combinnd ecuaiile (3.92), (3.94) i (3.96), se obine o nou expresie a erorii de
ieire:

( )
( )
( ) ( )
( ) ( )
( ) ( )
( )
* 1
* 1
* 1 1
* 1 1
* 1 1
* 1
( 1) ( 1) ( )
( 1)
( 1) ( 1), .
T
CL
k
CL
k
D q
k k k
C q
H q H q
k
C q S q
D q D q
v k e k k
C q
(
(
+ = + + (

(

+ +
+ + + +

N
(3.97)
Pentru a putea defini eroarea de predicie a priori, trebuie eliminat zgomotul alb
din expresia (3.97). Aceasta se poate realiza cu ajutorul ecuaiei originale a ieirii
msurate (3.48), n care zgomotul colorat este exprimat prin (3.90). Rezult:

( )
( )
( )
( )
* 1 * 1
* 1 * 1
( 1) ( 1) ( 1)
T
D q D q
k e k y k
C q C q

(
+ + + = + (
(

, k N, (3.98)
expresie care, introdus n (3.97) produce:

( )
( )
( )
( )
( ) ( )
( ) ( )
( ) ( )
( )
* 1 * 1
* 1 * 1
* 1 1
* 1 1
* 1 1
* 1
( 1) ( 1) ( 1) ( )
( 1)
( 1), .
T
CL
k
CL
k
D q D q
k y k k k
C q C q
H q H q
k
C q S q
D q D q
v k k
C q

(
+ = + + + (
(

+ +
+ +

N
(3.99)
Introducnd vectorii extini:

]
1 2 1 2
, , ,

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( 1) ( 1) ( ) ( 1) ( 1)
( ) ( 1) ( 1)
T T
e nH nD
T T
e CL f CL f CL f
k k h k h k h k d k d k d k
k k k k k nH
v k v k v k nD
(
=
+ = + +

+

k N (3.100)
(unde eroarea de ieire filtrat
, CL f
este produs cu ajutorul filtrului
( )
1
1/ S q
),
din (3.99) rezult chiar ecuaia (3.88), adic:

( 1) ( 1) ( 1) ( )
T
CL e e
k y k k k + = + + , k N (3.101)
(dar cu vectorii extini definii ca n (3.100)). Evident, eroarea de predicie a priori
are tot forma (3.89), iar algoritmul G-CLOE este format din ecuaiile (3.89), (3.54)-
(3.57). Cum parametrii polinoamelor H
i D
sunt estimai explicit (aa cum

arat vectorul extins
e
definit n (3.100)), rezult c parametrii polinomului C
se
pot identifica folosind identitatea (3.95), n care se folosesc parametrii estimai n
locul celor adevrai.
3.6.6 Algoritmul CLOE cu date filtrate
Posibilitatea utilizrii algoritmului de identificare n bucl deschis pentru
identificarea n bucl nchis este determinat de faptul c expresia predictorului,
dat de (3.51), poate fi rescris sub forma:
( ) ( ) ( )
( )
( )
( ) ( )
( ) ( )
( )
1
1
1 1
1
1

1 1 ( ) 1 ( ) ( 1)

1 ( ) ( 1), ,
k
T T
CL
d
k
T
k CL
P q
y k k k k k k
S q
q B q R q
k k A q k k
S q
+ = + = + + + =
| |
= + + + + |
|
\

N

(3.102)
unde expresia polinomului estimat
k
P rezult direct din definiia (3.64). Pentru
deducerea egalitii (3.102) s-au utilizat ecuaiile (3.50), (3.52) i (3.53), care pot fi
exprimate compact dup cum urmeaz:

( )
( )
[ ]
1
1
( 1) ( 1) ( 1) ( 1) ( 1)
CL
S q
k y k y k u k u k
R q
+ = + + = + + , k N.
(3.103)
Scznd ecuaia (3.102) din ecuaia (3.48), exprimat pentru 1 k + , se obine o
nou expresie a erorii de ieire:

( )
( ) ( )
( )
( ) ( )
( )
( ) ( )
( ) ( )
1
1 1
1
1 1
1
* * 1
1 1
( 1) ( 1) ( 1) ( )
( 1)
( 1) ( ) ( 1) ,
T
CL
k
OL
k
T
k
S q
k y k k k
S q P q
S q
k
S q P q
S q
k k A q w k
S q P q

(
+ = + + =

+
= + =
+
(
= + + +

+

,
k N, (3.103)
n care diferena
( 1) ( 1) ( 1) ( )
T
OL
k y k k k + = + + joac rol de eroare de
predicie n bucl deschis (OL = open loop, n limba englez), deoarece din
valoarea msurat se scade valoarea simulat cu aceeai intrare ca a procesului i
parametrii curent estimai.
Aadar, o prim semnificaie a ecuaiei (3.103) este aceea c eroarea de ieire n
bucl nchis poate fi evaluat prin filtrarea erorii de ieire n bucl deschis
(evaluat cu ajutorul unei metode de identificare n bucl deschis, cum ar fi
MCMMP-R). O alt semnificaie rezult din ultima expresie, care poate fi rescris
astfel:
( )
( ) ( )
( ) ( )
1 * 1
*
1 1
( 1) ( 1) ( ) ( 1)
T
CL f
k
S q A q
k k k w k
S q P q

+ = + + +
+
, k N, (3.104)
unde ( 1)
f
k + este vectorul regresorilor filtrat:

( )
( ) ( )
1
1 1
( 1) ( 1)
f
k
S q
k k
S q P q

+ = +
+
, k N. (3.105)
Cu alte cuvinte, pentru evaluarea erorii de ieire, este posibil utilizarea unei
metode de identificare n bucl deschis (de exemplu, MCMMP-R), care s opereze
cu un vector filtrat al regresorilor. Filtrul trebuie ns reactualizat la fiecare pas de
adaptare, deoarece polii si depind de polinomul
k
P . Acest filtru are o
caracteristic interesant: sunt atenuate semnalele de frecven nalt care depesc
lrgimea de band a modelului estimat al buclei nchise. Dac regulatorul conine
un integrator (de exemplu,
( ) ( ) ( )
1 1 1
0
1 S q q S q

= ), atunci componentele
continue vor fi de asemenea filtrate.
Estimaii consistente ale parametrilor modelului pot fi obinute pentru anumite
tipuri de zgomote i filtre. De exemplu, consistena este asigurat dac zgomotul
colorat este produs prin filtrarea unui zgomot alb sub forma:

( ) ( )
( ) ( )
1 1
1 * 1
( ) ( )
S q P q
w k e k
S q A q

+
= , k N. (3.106)
Pentru observarea efectului zgomotului asupra estimrilor parametrilor, putem
utiliza alte metode recursive de identificare cunoscute, n bucl nchis: Metoda
Celor Mai Mici Patrate Extins, Metoda Erorii de Ieire cu Model de Predicie
Extins, Metoda Verosibilitii Maxime, Metoda Minimizrii Erorii de Predicie, etc.
[52], [55].
Ecuaia (3.104) sugereaz de asemenea maniera n care se poate defini eroarea
de predicie a priori. Astfel, o posibilitate este de a opera n bucl nchis cu:

0
( 1) ( 1) ( 1) ( )
T
f f
k y k k k + = + + , k N, (3.107)
unde
f
y sunt datele de ieire filtrate:

( )
( ) ( )
1
1 1
( 1) ( 1)
f
k
S q
y k y k
S q P q

+ = +
+
, k N. (3.108)
n acest caz, ecuaiile algoritmului sunt (n ordine): (3.64) (pentru reactualizarea
polinomului
k
P ), (3.108), (3.105), (3.107), (3.54)-(3.57).
O alt posibilitate este de a apela la un algoritm de identificare n bucl
deschis. n urma unui astfel de algoritm, se poate evalua eroarea de predicie
OL
,
astfel c eroarea de predicie a priori (n bucl nchis) se determin prin filtrare:

( )
( ) ( )
1
0
1 1
( 1) ( 1)
OL
k
S q
k k
S q P q

+ = +
+
, k N. (3.109)
Algoritmul de adaptare este constituit n acest caz din procedura de identificare n
bucl deschis, urmat de evaluarea erorii de predicie
OL
i de ecuaiile (3.109),
(3.54)-(3.57). Consistena estimaiilor astfel determinate este asigurat dac
regulatorul RST ajunge s realizeze o rejecie performant a perturbaiilor.
3.6.7 Validarea modelelor de identificare n bucl nchis
Spre deosebire de cazul modelelor identificate n bucl deschis, testul de
validare a unui model de bucl nchis depinde i de regulatorul integrat n sistemul
global. De aceea, scopul validrii este, n acest caz, acela de a determina acel model
care ofer o predicie mai bun pentru procesul integrat n sistemul n bucl nchis,
deci n prezena regulatorului implicat n operaiunea de identificare.
Testul de validare se desfoar ntr-o manier similar cu testul pentru
identificarea n bucl deschis, dar eroarea de predicie este obinut cu ajutorul
unui model de predicie al buclei nchise. Cea mai natural alegere este eroarea de
predicie a priori,
0
. Poate fi ns utilizat i eroarea de predicie a posteriori
1
,
determinat de ecuaia (3.56) din cadrul algoritmului de adaptare parametric.
Indiferent de tipul de eroare de predicie ales, testul de validare este cel descris n
seciunea 3.5. Acesta se poate desfura la sfritul procesului de adaptare
parametric pentru un regulator dat, nainte de a propune modelul obinut etapei
urmtoare de adaptare, focalizat pe regulator.
Practic, pentru a opri procesul de adaptare parametric, se impune un prag de
precizie 0 > i se testeaz norma diferenei dintre doi vectori succesivi ai
parametrilor estimai:

( 1) ( ) k k + . Dac aceasta este inferioar pragului ,
procesul de adaptare parametric nceteaz. n acel moment, exist K
valori ale
erorii de predicie a priori ( K
fiind egal cu numrul de iteraii efectuale pn la

stoparea procedurii de adaptare). Aceste valori (care trebuie memorate n prealabil)
se introduc n testul de validare al modelului.
3.6.8 Algoritmi van der Hof
O alt abordare a problemei de identificare n bucl nchis, a fost propus de
Paul Van den Hof i a generat dou categorii de metode de identificare: directe i
indirecte [20]. Abordarea se sprijin pe schema de proces n bucl nchis,
reprezentat n Figura 3.3, unde
0
G este filtrul util al procesului,
0
H este filtrul de
zgomot exogen, C este un compensator (de regul, un sistem raional), u este
mrimea de comand, y este mrimea de ieire, w este un zgomot colorat obinut
prin filtrarea zgomotului alb e (de regul, Gaussian),
1
r este semnalul exogen de
comand i
2
r este referina de ieire.

Figura 3.3. Structura van der Hof de identificare n bucl nchis.
Ecuaiile de baz care caracterizeaz funcionarea sistemului din Figura 3.3 sunt
urmtoarele:

( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( )
1
2 1
1
0
1
0
u n C q r n y n r n
y n G q u n w n
w n H q e n
= +
= +
, n N . (3.110)
Din (3.110), rezult cu uurin expresiile funciilor de sistem asociate, n raport
cu fiecare pereche de semnale intrare-ieire:

( )
( ) ( )
( )
( )
( ) ( )
( )
( ) ( )
( ) ( )
( )
( )
( )
( ) ( )
( )
( ) ( )
( ) ( )
( )
( )
( ) ( )
( )
1
1 1
0
1 1 1
0
2
1 1 1 1
0 0
1
0
1
1 1
0
1 1 1
0 0
2
1 1 1 1
0 0
1
1
1 1
1
1 1
u n r n
C q G q
C q C q H q
r n e n
C q G q C q G q
G q
y n r n
C q G q
C q G q H q
r n e n
C q G q C q G q

= +
+ +
= +
+ +
+ +
,
n N. (3.111)
Dac se introduce funcia de sensibilitate:

( )
( ) ( )
1
0
1 1
0
1
1
S q
C q G q

=
+
, (3.112)
ecuaiile (3.111) pot fi scrise sub forma compact:

( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( )
1 1 1 1 1 1
0 1 0 2 0 0
1 1 1 1 1
0 0 1 0 0 2
1 1
0 0
u n S q r n C q S q r n C q H q S q e n
y n G q S q r n C q G q S q r n
H q S q e n

= +
= + +
,
n N . (3.113)
Lund ca punct de plecare ecuaii le (3.113), avem dou tipuri de metode de
identificare n bucl nchis:
identificarea direct, care utilizeaz perechea de semnale msurate { , } u y i
identific modelul ca i n cazul identificrii n bucl deschis;
dentificarea indirect, care estimeaz modelul sistemului n bucl nchis i
apoi utilizeaz modelul cunoscut al regulatorului pentru calculul modelului
procesului.
Pentru operaia de identificare n bucl nchis, aceste metode dispun de
informaii despre:
comanda u i ieirea (msurabil) y ;
resursele de caracterizare pentru semnalele
1
r i
2
r i valorile lor msurate;
structura regulatorului C .
Obiectivul procedurii de identificare n bucl nchis, este n acest caz
determinarea modelelor pentru funciile de sistem
0
G i
0
H .
3.6.8.1. Tehnici directe de identificare
Aceste tehnici utilizeaz semnale msurate u i y pentru a identifica modelul
procesului, fr s se fac apel la informaiile asupra regulatorului. Modelul de
identificare are n acest caz, forma general tradiional [SoSt89], [SCS05]:
( ) ( ) ( ) ( ) ( )
1 1
, , , y n G q u n H q n

= + , n N, (3.114)
unde ( ) , n exprim eroarea dintre procesul furnizor de date i model, exprimat
prin:
( ) ( ) ( ) ( ) ( )
1 1 1
, , , n H q y n G q u n

(
=

, n N. (3.115)
Vectorul parametrilor necunoscui, a fost specificat intenionat n notaiile
funciilor de sistem, el nglobnd coeficienii modelului parametric.
O estimare parametric poate s fie obinut prin minimizarea unui criteriu
ptratic uzual:
( )
2
1
1
argmin ,
n
N
N
n
n
N
=

=
`
)

R
. (3.116)
innd cont de expresiile (3.313), eroarea dintre proces i model (3.115) poate fi
exprimat n aa fel nct s fie pus n eviden corelaia care exist cu semnalele
de intrare
1
r ,
2
r i zgomotul alb e :
( )
( ) ( )
( )
( )
( ) ( ) ( )
( )
( )
( ) ( )
( )
( )
( ) ( )
( )
( )
( ) ( ) ( )
( )
( )
( ) ( ) ( ) ( )
( )
( )
( ) ( ) ( )
( )
( )
( ) ( ) ( ) ( )
1 1 1 1 1 1 1
0 0 0 0 0 0
1 2
1 1 1
1 1 1 1 1
0 0
1 2
1 1
1 1 1 1
0 0
1
1 1 1
0 0
1
1
1 1 1 1
0 0
,
, , ,
, ,
, ,
,
,
,
,
,
G q S q C q G q S q H q S q
n r n r n e n
H q H q H q
G q S q G q C q S q
r n r n
H q H q
G q C q H q S q
e n
H q
S q G q G q
r n
H q
C q S q G q G q

= + +
+
+ =
(

= +

+
( )
( )
( ) ( ) ( ) ( )
( )
( )
2
1
1 1 1 1
0 0
1
,
1 ,
, .
,
r n
H q
H q S q G q C q
e n n
H q
(

+
(
+

+
N

n N . (3.117)
Problema este relativ complex, dat fiind exprimarea (3.117) a erorii de model,
dar ea poate fi simplificat prin specificarea unor modele particulare. n general
mrimea exogen este nul n abordrile directe, fapt care produce simplificare
important. O abordare direct interesant este descris n [55], unde, dac
regulatorul i procesul se exprim prin funcii de sistem raionale, cele 4 polinoame
(deci i cele dou ale regulatorului) pot fi identificate separat cu ajutorul unui
model global cu 2 intrri i 2 ieiri, folosind MCMMP multi-dimensional.
3.6.8.2. Tehnici indirecte de identificare
Principala diferen ntre metodele indirecte i cele directe de identificare n
bucl nchis este dat de faptul c metodele indirecte utilizeaz un semnal exogen
1
r , suficient de persistent pentru identificarea dinamicii procesului, avnd n vedere
c principalul obstacol de identificare n bucl nchis este c u i w sunt mrimi
corelate.
n acest caz, spre deosebire de abordarea din paragraful precedent,
1
r devine una
dintre intrrile principale ale sistemului global. Funcia de sistem corespunztoare
acestei intrri este exprimat de modelul urmtor:
( ) ( ) ( ) ( ) ( )
1 1
1
, , , y n R q r n K q n

= + , n N , (3.118)
unde ( ) , n exprim tot eroarea dintre procesul furnizor de date i model (ca n
abordarea direct). Cele dou funcii de sistem din modelul (3.118) corespund
urmtoarelor funcii de sistem din cadrul schemei de bucl nchis (a se vedea
Figura 3.3 i ecuaiile (3.111)):

( )
( )
( ) ( )
1
0
1
0
1 1
0
1
G q
R q
C q G q

=
+
&
( )
( )
( ) ( )
1
0
1
0
1 1
0
1
H q
K q
C q G q

=
+
. (3.119)
Atunci se poate construi un model n bulc deschis care s reflecte ecuaiile
(3.119). Mai precis:

( )
( )
( ) ( )
1
1
1 1
,
,
1 ,
G q
R q
C q G q

=
+
&
( )
( )
( ) ( )
1
1
1 1
,
,
1 ,
H q
K q
C q G q

=
+
. (3.120)
O metod de estimare n bucl deschis poate conduce la identificarea cu o
anumit precizie a perechii { , } R K . Folosind informaiile despre regulatorul C ,
din (3.120) (cu
R i
K estimate n bucl deschis) se pot determina estimaiile

funciilor de sistem
0
G i
0
H (prin rezolvarea unui sistem de dou ecuaii cu dou
necunoscute):

( )
( )
( ) ( )
1
1
0
1 1
1
R q
G q
C q R q
&
( )
( )
( ) ( )
1
1
0
1 1
1
K q
H q
C q R q
. (3.121)
Astfel, folosind un semnal exogen aplicat ntre regulator i proces, se ajunge la o
identificare n bucl deschis, pentru c intrarea i zgomotul sunt acum necorelate.
n cazul n care referina
2
r este nul, pot fi puse n eviden dou metode
indirecte remarcabile, descrise succint n continuare: Metoda pasului dublu i
Metoda factorilor coprimi.
A. Metoda pasului dublu
Ecuaiile (3.113) se pot particulariza n noile condiii prin:

( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( )
1 1 1 1
0 1 0 0
1 1 1 1
0 0 1 0 0
u n S q r n C q H q S q e n
y n G q S q r n H q S q e n

=
= +
, n N . (3.122)
Mrimea exogen filtrat ( )
1
0 1
S q r
se poate nota prin

1
u , astfel c ecuaiile
(3.122) se exprim simplificat ca mai jos:

( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
1 1 1
1 0 0
1 1 1
0 1 0 0
u n u n C q H q S q e n
y n G q u n H q S q e n

=
= +
, n N. (3.123)
Pentru identificarea funciilor de sistem
0
G i
0
H se adopt o strategie
compus din doi pai.
La primul pas, se efectueaz dou operaii, dup cum urmeaz.
a) Se caut o conexiune n structura sistemului nchis pentru care intrarea este
necorelat cu zgomotul. Pentru aceasta, se identific ansamblul care asigur
transferul de la semnalul exogen
1
r , la comanda u . Avnd n vedere
expresia lui u din (3.123), se poate considera modelul de ideintificare n
bucl deschis:
( ) ( ) ( ) ( ) ( )
1 1
1
, , , u n S q r n T q n

= + , n N , (3.124)
unde u este ieirea i
1
r este intrarea. n urma identificrii cu o metod de
bucl deschis, se poate astfel estima sensibilitatea
0
S (modelul ei estimat
fiind notat prin
0
S ).
b) Se utilizeaz sensibilitatea estimat pentru evaluarea mrimii exogene
estimate:
( )
1
1 0 1
( ) ( ) u n S q r n
= , n N , (3.125)
La pasul al doilea, se efectueaz alte dou operaii:
a) Se stabilete un nou model de identificare n bucl nchis, n care intrarea
este
1
u , iar ieirea este y . Avnd n vedere a doua ecuaie din (3.123), i
ecuaia (3.118), modelul este exprimat prin:
( ) ( ) ( ) ( ) ( )
1 1
1
, , , y n G q u n K q n

= + , n N. (3.126)
n urma identificrii cu o metod de bucl deschis, se poate astfel estima
funcia de sistem
0
G (modelul ei estimat fiind notat prin
0
G ). De notat c
sensibilitatea estimat
0
S nu servete deocamdat dect la evaluarea intrrii

1
u , n vederea identificrii lui
0
G .
b) Pentru estimarea celei de-a doua funcii de sistem,
0
H , se va utiliza
estimaia lui K din (3.126), avnd n vedere similitudinea acesteia cu
(3.118). Astfel, conform rezultatului din (3.121), ar trebui s se obin:

( )
( )
( ) ( )
1
1
0
1 1
0
1
K q
H q
C q G q
. (3.127)
Cu toate acestea, dac regulatorul C este necunoscut, ecuaia (3.127) nu
poate fi implementat. Din fericire, dac revedem definiia (3.112) a
sensibilitii, se poate considera c factorul care nmulete estimaia lui K
este chiar sensibilitatea estimat
0
S . Astfel, o estimaie implementabil a lui

0
H este urmtoarea:

( ) ( ) ( )
1 1 1
0 0

H q K q S q

= . (3.128)
Mai mult, tot din definiia sensibilitii, se poate determina chiar i o
estimaie a funciei de sistem a regulatorului:

( )
( )
( ) ( )
1
0
1
1 1
0 0

S q
C q
G q S q
= , (3.129)
B. Metoda factorilor coprimi
n ecuaiile (3.122) , se introduc urmtoarele notaii:

( ) ( ) ( )
1 1 1
0 0 0
N q G q S q

= &
( ) ( )
1 1
0 0
D q S q

= , (3.130)
care pun n eviden perechea de funcii de sistem ce acioneaz asupra intrrii
1
r .
Dac s-ar opera cu polinoame, atunci
0
D (care continu s joace rolul de
sensibilitate) l-ar divide pe
0
N , adic ar fi constituit dintr-un ansamblu de factori
primi ai acestuia.
Cu noile notaii, ecuaiile de baz ale sistemului n bucl nchis (3.122) se pot
exprima echivalent prin:

( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
1 1 1 1
0 1 0 0
1 1
0 1 0 0
u n D q r n C q H q S q e n
y n N r n H q S q e n

=
= +
, n N. (3.131)
n cazul n care
0
N i
0
D nu prezint zerouri instabile, ele ar putea fi estimate
prin metode de identificare n bucl deschis, utiliznd mrimile
1
r , u i y .
Modelele de identificare sunt de forma:
( ) ( ) ( ) ( ) ( )
1 1
1
, , ,
y
y n N q r n K q n

= + , n N, (3.132)
pentru
0
N , respectiv:
( ) ( ) ( ) ( ) ( )
1 1
1
, , ,
u
u n D q r n T q n

= + , n N, (3.133)
pentru
0
D .
Odat
0
N i
0
D identificate, se obine imediat:

( )
( )
( )
1
0
1
0
1
0
N q
G q
D q
= . (3.134)
Pentru a identifica i cea de-a doua funcie de sistem,
0
H , se apeleaz din nou la
reeta dat de (3.118) (similar lui (3.132)) i (3.121). Astfel, rezult imediat:

( )
( )
( ) ( )
1
1
0
1 1
0
1
K q
H q
C q N q
. (3.135)
Implementabilitatea soluiei (3.135) depinde de cunoaterea regulatorului C . n
cazul n care acesta nu este cunoscut, el poate fi estimat folosind estimaia
factorului
0
D (care, de fapt este o estimaie a sensibilitii, conform definiiilor
(3.130)). Mai precis, funcia de sistem a regulatorului poate fi estimat cu ajutorul
definiiei (3.112):

( )
( )
( ) ( )
( )
( )
1 1
0 0
1
1 1 1
0 0 0

1 1

D q D q
C q
G q D q N q

= = . (3.136)
Din (3.135) i (3.136), rezult o soluie implementabil pentru estimaia funciei
de sistem
0
H :

( )
( )
( ) ( )
( )
( )
1 1
1
0
1 1 1
0 0

1
K q K q
H q
C q N q D q

= =
. (3.137)
Ecuaiile (3.134) i (3.137) arat c inversa sensibilitii estimate constituie un
factor comun al estimaiilor funciilor de sistem util
0
G i parazit
0
H .
Acest tip de identificare n bucl nchis permite accesul la factorii procesului
prin utilizarea semnalului exogen
1
r , al referinei
2
r (creia i se poate atribui alt rol
dect cel de referin) i al transferului u r
1
, respectiv y r
2
. Identificarea
acestor factori poate s fie fcut cu ajutorul metodelor de identificare n bucl
deschis. Semnalul
1
r poate fi uor calculat dac se cunoate regulatorul C , cu
ajutorul relaiei:
( ) ( ) ( ) ( )
1
1
r k u k C q y k
= + , n N. (3.138)

Cele mai performante dintre metodele prezentate pentru identificarea n bucl
deschis i nchis sunt implementate sub forma unor produse software dedicate
sau integrate n alte produse standard, existente pe pia, larg utilizate n unele
aplicaii industriale.

C3 Identificarea Sistemelor

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

C3 Identificarea Sistemelor

Încărcat de

Drepturi de autor:

Formate disponibile

Capitolul

Elemente de Identificarea Sistemelor

este vectorul parametrilor necunoscui ai modelului ARX, iar este

R (matrice diagonal constant).

( ) k P . Astfel, conform teoremei,

(0) oarecare. Rezult c vectorul

(0) ales arbitrar (eventual nul) i

(0) . De notat c matricea se obine

J , adic de ultima eroare de predicie. Acest profil al

asociate erorii de predicie:

ce aparin fiecruia din intervalele de ncredere ale

din interval este cel puin egal cu nivelul de ncredere

cele dou polinoame ale funciei de sistem

Q este definit prin:

B estimate n manier off-line, eventual pe sistemul n bucl

Q . Practic, dac locul vectorului estimat filtrat al regresorilor ar fi luat chiar

, iar zerourile de un polinom C

(termen liber unitar), stabil. Aadar:

). Ecuaia (3.63), care exprim eroarea de ieire, poate fi rescris

+ n ambii membri ai ecuaiei (3.76), se

dintr-o identitate polinomial similar lui

. Mai precis, ipoteza (3.75) se

este de asemenea stabil i are aceeai exprimare ca

(termenul liber este unitar).

sunt estimai explicit (aa cum

fiind egal cu numrul de iteraii efectuale pn la

K estimate n bucl deschis) se pot determina estimaiile

se poate nota prin

S nu servete deocamdat dect la evaluarea intrrii

S . Astfel, o estimaie implementabil a lui

S-ar putea să vă placă și