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[:
(2.1)
.
x= f(x, u, w, p, t)
unde: - reprezint[ starea sistemului; x
- reprezint[ m[rimea de intrare; u
- zgomotul care afecteaz[ intrarea; w
- parametrii (@n general necunoscu\i); p
1
- variabila independent[ (timpul). t
Presupunem c[ instala\ia ofer[ prin dispozitivul de masur[ a st[rii, la ie]ire,
o m[rime de forma:
(2.2) z = h(x, u, w, p, v, t)
unde: - este o func\ie specific[ dispozitivului de m[sur[; h
- reprezint[ zgomotul care afecteaz[ procesul de m[surare. v
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 al coeficien\ilor necunoscu\i ai modelului propus p
m
@n etapa I.
Schematic problema identific[rii se poate reprezenta astfel:
informa\ii cu
privire la zgomot
u x
w
x=f(x,u,w,p,t)
Dispozitiv
de masur[
Dispozitiv
de masur[
Algoritm de
identificare
Inst. de identificat
.
p
m
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 ]i sunt echivalente dac[ valoarea func\iei de eroare M
1
M
2
este aceeasi pentru ambele modele, adic[:
(2.4) J(y, y
M
1
) = J(y, y
M
2
)
Acest criteriu de eroare poate fi de exemplu un criteriu p[tratic integral unde
eroarea este de exemplu:
(2.5) e = y y
M
(2.6) J =
T
0

e
2
dt
#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:
3
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
fizice
Liniarizare Reducere
Ecua\ii dif.
par\iale
neliniare
Ecua\ii dif.
par\iale
liniare
Ecua\ii dif.
ordinare
Structura Zgomot
proces
PROCES MODEL
Cuno]tin\e structurale ( apriori )
Cuno]tin\e prin m[sur[tori ( aposteriori )
Stari
M[sur[tori
Date de
m[surare
De ex.,
esantioane
cuantificate
S
T
R
U
C
T
Estimatori
de
stare
Tratarea
datelor
Zgomot de
m[surare
De ex.:
zgomot de
cuantificare
Erori de estimare, de
ex. datorate trunchierii,
ordinului modelului prelucr[rii datelor
Parametri
Estimatori
de
parametri
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;
5
- 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
Metoda
pasiv[
y(t)
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.

u(t)
Sistem
Model
Identificare
y(t)
y (t)
e(t)
_
+
M
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,
8
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[:
(2.7) D = D(P, M)
Distan\a poate fi definit[ @n mai multe feluri, ca de exemplu:
(2.8) D(P, M) =
T
0

(y y
M
)
2
dt
dar trebuie s[ satisfac[ @ntotdeauna:
(2.9) 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 D
0
.
#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\[
(2.10) D(P, M) D
0
Este evident c[ definind spa\iul parametric ca fiind spa\iul parametrilor q
i
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)
y(i)
y (i)
Proces
Model
Criteriu
_
M
(i)
D[ ] (i)
9
unde: y(i) respectiv y
M
(i) reprezint[ ie]irea procesului, respectiv a modelului la
momentul i.
Un criteriu de distan\[ ar putea fi:
(2.11) D =

i=1
N
[y(i) y
M
(i)] =

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

i=1
N
[y(i) y
M
(i)]
2
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.
y(i)
Proces
Model
Criteriu
+
u(i)
_
y (i)
D[ (i)]
(i)
^
^
^
De exemplu:
(2.12) D =

i=1
N
[y(i) y(i)]
2
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
h
M
(j) j=[0,N], elementele acestui ]ir), cunoa]terea intr[rii u(j), j=[i-N, i], permite
predic\ia:
(2.13) y(i) =

j=0
N
h
M
(j)u(i j)
#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:
(2.14) y(i) = a
1
y(i 1) + b
1
u(i 1)
10
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:
(2.15) 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
Criteriu
+
_
D( )

M
M
unde: respectiv reprezint[ vectorul parametrilor procesului, respectiv
M
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
verificarea
modelului
Proiectare
experiment
Date
intrare - ie]ire
Informa\ie
aprioric[
Scop final
Determinare
struct. model
Estimare
parametri
Model final
DA
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