Universitatea POLITEHNICA din Bucureti

Facultatea de Automatic i Calculatoare

Catedra de Automatic i Ingineria Sistemelor

FIA DISCIPLINEI
1. DATE DE IDENTIFICARE
Titlul Disciplinei: Identificarea Sistemelor
Titulari de disciplin: Prof. Dan TEFNOIU
Conf. Janetta CULI
Tipul: trunchi comun / pregtire de specialitate
Numr ore curs: 314 = 42 ore / 214 = 28 ore
Numr ore aplicaii: 214 = 28 ore/semigrup
Numrul de puncte de credit: 5 / 4
Semestrul: 7 / 6
Seria: Automatic / Pachetul B: Automatic i Ingineria Sistemelor
Precondiii parcurgerea i/sau promovarea urmtoarelor discipline:
Matematica i Fizica primilor 2 ani de studiu ntr-o universitate tehnic.
Metode Numerice.
Teoria Sistemelor.
Prelucrarea Semnalelor.
Modelare i Simulare.
Acest curs constituie o baz de cunotine pentru urmtoarele discipline:
Sisteme de Reglare Automat.
Sisteme de Conducere a Proceselor Industriale.
Tehnici Avansate de Identificare i Prelucrare a Semnalelor.
Tehnici de Identificare a Sistemelor Neliniare.
2. OBIECTIVELE DISCIPLINEI
Scopul acestui curs este de a introduce principalele concepte i terminologia
specific Teoriei Modelrii i Identificrii Sistemelor, cu deschidere ctre
aplicaii practice. Prezentarea urmrete familiarizarea studenilor cu
principalele tehnici de identificare experimental a sistemelor, bazate n special
pe Metoda Celor Mai Mici Ptrate. Fiind un curs matematici aplicate, acesta
urmrete n subsidiar familiarizarea studenilor cu o manier riguroas, dar
pragmatic de abordare a problemelor din inginerie.
Obiectivul lucrrilor de laborator asociate cursului este de a oferi posibilitatea
verificrii prin simulare a principalilor algoritmi de modelare numeric i
identificare experimental a sistemelor. Prin aceasta, n subsidiar, se urmrete
i mbuntirea capacitilor de proiectare a unui program optimizat ntr-un
limbaj de programare (MATLAB sau C++).
3. COMPETENE SPECIFICE
Cursul ofer competene n direcia utilizrii algoritmilor de baz din identificarea
sistemelor, n diferite aplicaii, cum ar fi: reglarea automat a proceselor,
simularea i predicia de fenomene stocastice.
IS-1

Fia cursului de Identificarea Sistemelor

(Dan tefnoiu & Janetta Culi)

4. CONTINUTUL TEMATIC (SYLABUS)

a. Curs:
Capitolul

Titlu i coninut succint

Introducere
Sistem i proces. Se efectueaz o comparaie ntre dou concepte

de baz din Automatic, avnd naturi diferite. Primul (sistemul) este

determinist, al doilea (procesul) nedeterminist. Din cursurile de
Teoria Sistemelor, studenii sunt obinuii cu abordri din contextul
entitilor deterministe i n timp continuu. Acest modul i va
introduce n abordarea nedeterminist, n timp discret, prin
comparaie i exemple. Este de asemenea introdus conceptul de
cutie neagr, ca obiect al identificrii.
Problema general a Identificrii Sistemelor. Se enun
problematica de baz din domeniul Identificrii (Experimentale a)
Sistemelor (IS) i se indic teoriile n cadrul crora se caut soluii
(n principal, Teoria Estimaiei i Teoria Optimizrilor).
Organigrama unui experiment de identificare. Pentru a rezolva
problema de baz din IS, este necesar o strategie constructiv
materializat ntr-un aa numit experiment de identificare. n cadrul
seciunii, se parcurg paii diagramei logice a unui astfel de
experiment, insistnd asupra caracteristicilor acestora.
Exemplu identificarea unei aeroterme. Experimentul de
identificare este organizat n cazul particular al unei aeroterme ce
se dorete identificat printr-un model liniar discret.

Durat
[ore]

Modele de identificare
Clasificri preliminare ale modelelor de identificare. Se pun n

eviden caracteristicile fiecrei clase de modele de identificare, cu

evidenierea celor care vor fi abordate n acest curs (n special
modele liniare parametrice discrete).
Modele statistice elementare. Sunt prezentate elementele de
baz din statistic i teoria probabilitilor, utilizate i n IS. Este
vorba despre: operatorul de mediere, ipoteza ergodic, medie,
corelaie, densitate spectral de putere, zgomot alb, zgomot colorat.
Modele neparametrice. Primele tehnici de identificare au fost
empirice. n acest modul, sunt trecute n revist astfel de tehnici,
care se bazeaz pe modele numerice de tip calitativ. Ele descriu
cutia neagr din perspectiv statistic. Sunt prezentate 4 tipuri de
analize neparametrice: analiza tranzitorie, analiza pe baz de
corelaie, analiza n frecven, analiza spectral.
Clase de modele parametrice. Sunt descrise principalele clase de
modele parametrice liniare utilizate n acest curs: modelul general,
clasa ARMAX, clasa RSISO, modele pe stare. Este introdus forma
de regresie liniar ca exprimare canonic a modelelor parametrice
liniare.
Problema identificrii modelelor parametrice. Problematica
general din IS este particularizat n cazul modelelor parametrice.
Sunt prezentate dou formulri ale problemei fundamentale, din
perspectiva celor dou teorii la intersecia crora se gsete IS:
Teora Estimaiei i Teoria Optimizrilor.
Proprieti statistice dezirabile ale estimaiilor parametrice.
Pentru a putea caracteriza estimaiile parametrilor modelelor de
identificare, sunt necesare cteva definiii care s releve proprietile
statistice posibile dar i de dorit a se verifica: nedeviere
(asimptotic), consisten, eficien.

IS-2

10

Fia cursului de Identificarea Sistemelor

(Dan tefnoiu & Janetta Culi)

Semnale de stimul
Alegerea unui semnal corect de stimul. Sunt prezentate cteva

exemple de identificare eronat sau imposibil, cauzat de alegerea

inadecvat a semnalului de stimul injectat la intrarea cutiei negre.
Este subliniat faptul c semnalul de tip treapt, intens utilizat n
Teoria Sistemelor, nu este unul adecvat pentru Identificarea
Sistemelor.
Conceptul de persisten. Proprietatea care permite discriminarea
i alegerea semnalelor de stimul este persistena. Aceast
proprietate este prezentat printr-un rezultat remarcabil, de tip
dac i numai dac, din dou perspective: timp i frecven.
Zgomotul alb ca semnal ideal n IS. Sunt evideniate proprietile
zgomotului alb (autocorelaie, densitate spectral, distribuie de
probabilitate). Se arat de ce acest semnal nu poate fi generat pe
cale artificial.
Secvene pseudo-aleatoare. Se ncearc aproximarea zgomotului
alb prin generarea de secvene pseudo-aleatoare uniform
distribuite. Sunt prezentai doi algoritmi de complexitate redus
pentru generarea unor astfel de secvene.

Metode de identificare i validare.

Scurt clasificare. Scopul acesteia este de a ilustra c metodele

de identificare se situeaz la intersecia dintre cele de optimizare i

cele de estimare statistic.
Metoda Celor Mai Mici Ptrate (MCMMP). Se pleac de la
problema lui Gauss i se generalizeaz treptat soluia propus de
acesta, la cazul modelelor de regresie liniar. Se prezint metoda
pseudo-inversei de rezolvare a sistemelor liniare incompatibile
supra-dimensionate, care, de fapt, este chiar Metoda Celor Mai Mici
Ptrate (MCMMP). Este prezentat o interpretare geometric
extrem de intuitiv a pseudo-soluiei.
Teorema fundamental a MCMMP. Se enun i se demonstreaz
Teorema fundamental a MCMMP, care stabilete condiiile
necesare de nedeviere, consisten i eficien statistic ale
estimaiilor parametrilor.
Variante de baz ale MCMMP. Se proiecteaz variante ale
MCMMP care au ca scop rectigarea proprietilor statistice n
cazul datelor afectate de erori sistematice (centrarea datelor pe
medie) sau al zgomotelor colorate (estimatorul Markov). Se
analizeaz proprietile parametrilor estimai cu ajutorul MCMMP n
cazul modelelor ARX, utilizate frecvent n controlul automat.
Metoda Variabilelor Instrumentale (MVI). Este prezentat o prim
generalizare a MCMMP Metoda Variabilelor Instrumentale (MVI).
Se enun Teorema fundamental a MVI. Se analizeaz
proprietile estimaiei MVI n cazul modelelor ARX, evideniindu-se
faptul c, pentru aceste modele, MVI este tehnica de identificare
recomandat.
Metode de optimizare. Se prezint dou metode de optimizare
clasic, frecvent utilizate n IS, atunci cnd MCMMP nu poate fi
aplicat cu succes: Metoda Newton-Raphson (cu particularizare la
Metoda gradientului) i Metoda Gauss-Newton. Sunt proiectai mai
muli algoritmi de optimizare, derivai din aceste metode.
Metode de estimare statistic. Se prezint dou metode
algoritmizabile desprinse din Teoria Estimaiei, utilizate n IS:
Metoda lui Bayes i Metoda Verosimilitii Maxime (MVM). Este dat
un exemplu simplu de aplicare a celei de-a doua metode (MVM).
MCMMP extins (MCMMPE). Este prezentat o alt variant a
MCMMP, n cazul modelelor cu vector al regresorilor parial
nemsurabil. Se analizeaz performana metodei.

IS-3

16

Fia cursului de Identificarea Sistemelor

(Dan tefnoiu & Janetta Culi)

Metoda Minimizrii Erorii de Predicie (MMEP). Aceasta este una

dintre cele mai complexe i precise metode de identificare, n

special pentru modelele din clasa ARMAX. Pe lng metod, este
prezentat i algoritmul de identificare aferent, nsoit de un exemplu.
Paradigma adaptabilitate-precizie. Se evideniaz compromisul
dintre adaptivitate i precizie, care trebuie atins n cazul modelelor
cu parametri variabili n timp.
MCMMP recursiv, n variant on-line (MCMMP-R). Este dedus
pas cu pas i, n final, prezentat algoritmul eficient al MCMMP-R,
nsoit i de o analiz a performanelor acestuia.
MVI recursiv, n variant on-line (MVI-R). Este propus spre
dezvoltare studenilor.
MCMMP/MVI-R cu fereastr exponenial (MCMMP/MVI-R). Se
arat de ce, n anumite aplicaii, datele trebuie ponderate cu
ferestre. Se generalizeaz algoritmii derivai din MCMMP-R i MVIR prin introducerea ferestrei exponeniale cu un anumit factor de
uitare.
MCMMP/MVI-R cu fereastr dreptunghiular (MCMMP/MVI-R).
Se generalizeaz algoritmii derivai din MCMMP-R i MVI-R prin
introducerea ferestrei dreptunghiulare cu o anumit deschidere.
Criterii de selecie a structurii optimale a modelelor. Sunt
trecute n revist principalele criterii de alegere a indicilor structurali
optimali ai unui model: criteriul aplatizrii, testul F, criteriul FPE,
criteriile lui Akaike i Rissanen.
Criterii de validare a modelelor. Sunt prezentate dou teste de
albire, aferente metodelor MCMMP, respectiv MVI.
Exerciii rezolvate. Acest capitol este dedicat exemplelor practice
de aplicare a metodelor de identificare din curs, cu ajutorul unor
modele de complexitate redus.

6
Total: 42

b. Aplicaii:
Not important. Dintre pachetele de teme de laborator care urmeaz, primul
este obligatoriu. Celelalte sunt opionale, dar semigrupele de studeni trebuie s
aleag unul sau mai multe dintre ele, astfel nct s se obin punctajul minim
necesar promovrii, 25 de puncte din 100. Cu toate acestea, indiferent de
opiune, punctajul acordat va fi limitat la valoarea maxim de 40 de puncte din
100.

Pachetul #1 Acomodarea cu funciile de IS din mediul de programare MATLAB

No.

Titlu

Punctaj

Cutia de instrumente de identificare a sistemelor

din cadrul mediului de programare MATLAB. Mediul
de programare MATLAB ofer un set de rutine extrem de utile
pentru domeniul IS, grupate ntr-o trus specializat. Dup
prezentarea trusei de IS, studenii sunt nvai cum s opereze
cu instrumentele din aceast trus, fie direct, fie prin
intermediul unei interfee grafice specializate, de asemenea
deja implementat n mediul de programare MATLAB.

Total:

IS-4

Durat
[ore]

Fia cursului de Identificarea Sistemelor

(Dan tefnoiu & Janetta Culi)

Pachetul #2 Identificare cvasi-empiric, neparametric

No.

Titlu

Caracterizri n timp i n frecven ale

proceselor stocastice. Acest tem de laborator

Punctaj

Durat
[ore]

urmrete acomodarea studenilor cu procesele stocastice. Un

program cu interfa grafic prietenoas, deja implementat, i
ajut pe studeni s disting ntre proprietile de filtrare ale
unui model ARX, n funcie de poziiile polilor i zerourilor.
Identificarea modelelor neparametrice. Studenii
sunt antrenai n dezvoltarea celor 4 analize neparametrice
prezentate la curs, n cazul unor procese de tip ARX i OE
(eroare de ieire).

Total:

Pachetul #3 Identificare parametric n manier off-line

No.

Titlu

Identificarea
modelelor
parametrice
prin
MCMMP. Obiectivul acestei teme este acela de a familiariza

Punctaj

studenii cu algoritmii de baz derivai din MCMMP. Este

efectuat o comparaie ntre dou tipuri de modele identificate
prin MCMMP: ARX i OE (pentru al doilea, presupunnd c
zgomotul a putut fi msurat separat).
Identificarea modelelor parametrice prin MVI. De
data aceasta, metoda n discuie este MVI. Este efectuat din
nou o comparaie ntre cele dou tipuri de modele identificate
(ARX i OE), iar performanele sunt comparate cu cele ale
modulului precedent.

Durat
[ore]

Algoritmul MMEP, fiind de complexitate ridicat, studenii sunt

nvai cum s utilizeze funcia MATLAB deja implementat,
armax. Sunt din nou reluate exemplele modelelor ARX i OE.

12

Total:

30

20

Identificarea modelelor parametrice prin MMEP.

Pachetul #4 Identificare parametric n manier on-line

No.

Titlu

Algoritmii rapizi CMMP-R i VI-R, fr fereastr.

Punctaj

Se urmrete implementarea algoritmilor derivai din

MCMMP-R i MVI-R, n variantele lor eficiente de baz (fr
fereastr). Testarea lor se efectueaz n cazul unor modele
ARX i OE, cu parametri variabili n timp.
Algoritmii rapizi CMMP-R i VI-R, cu fereastr. Se
reia modulul anterior, dar n cazul algoritmilor cu fereast
exponenial i cu fereastr dreptunghiular.

Total:

IS-5

Durat
[ore]

12

18

12

30

20

Fia cursului de Identificarea Sistemelor

(Dan tefnoiu & Janetta Culi)

Pachetul #5 Identificare de procese SISO uzuale

No.

Titlu

Identificarea unui usctor de pr. Studenii sunt

angrenai n identificarea unui prim proces real un usctor de
pr, de la care s-au achiziionat date n prealabil. Ei trebuie s
utilizeze trusa de instrumente din MATLAB i, eventual, interfaa
grafic a acesteia. Demersul se ncheie cu validarea modelului
identificat.
Identificarea unui manipulator cu un bra. Ca i n
cadrul modulului precedent, studenii ncearc identificarea
celui de-al doilea proces real. Aici, este vorba despre un
manipulator cu un bra, de la care s-au achiziionat date n
prealabil.
Identificarea unui schimbtor de cldur. n spiritul
ultimelor dou module, studenii ncearc identificarea celui
de-al treilea proces real. n acest caz, este vorba despre un
schimbtor de cldur, de la care s-au achiziionat date n
prealabil.

10

11

12

Punctaj

Durat
[ore]

modelelor n timp continuu. Studenii sunt ghidai pas cu pas n

identificarea parametrilor unui motor electric, vzut ca sistem
de timp continuu.

14

11

Total:

38

26

Identificarea parametrilor fizici ai unui motor

electric. Acest modul este dedicat unei teme de identificare a

Pachetul #6 Modelare i predicie AR/ARMA a unor serii de timp

No.

Titlu

Punctaj

13

Identificarea componentei deterministe a unei

serii de timp. n cazul datelor achiziionate de la diferite
fenomene naturale sau artificiale, adic al seriilor de timp, se
poate construi un model determinist al acestora, format din
tendina polinomial i componenta sezonier (periodic), dac
exist. Mai mult, acestea sunt optimizate n sensul unui criteriu
numit calitatea extrapolrii. Studenii sunt angrenai n
implementarea i testarea algoritmilor afereni identificrii
acestor componente. Este folosit un corpus de 25 de serii de
timp achiziionate din diferite domenii (economie, meteorologie,
sociologie, astronomie, medicin etc.).

14

Durat
[ore]

19

13

19

13

38

26

Identificarea componentei nedeterministe a unei

serii de timp. Continund modulul precedent, partea
rezidual rmas dup nlturarea componentelor deterministe
ale unei serii de timp va fi modelat ca un proces auto-regresiv.
n plus, este definit un nou criteriu de optimizare, numit
calitatea prediciei, n raport cu care este selectat predictorul
optimal din clasele AR i ARMA.

Total:

IS-6

Fia cursului de Identificarea Sistemelor

(Dan tefnoiu & Janetta Culi)

5. EVALUAREA CURSANILOR
a) Activitile evaluate i ponderea fiecreia
Cele 100 de puncte de baz alocate n vederea examinrii studenilor sunt
mprite n 3 categorii: 40 de puncte pentru proiect, 10 puncte pentru
participarea (inter)activ la curs i laborator, elaborarea de lucrri tiinifice
de cercetare i idei originale (din aria curslui), premii/distincii i 50 de puncte
pentru prestaia din timpul examenului. n cazul nepromovrii, punctajul de la
proiect i cel suplimentar se conserv pn la promovare, dar punctajul de la
examen se reconstruiete de la 0 (zero) la fiecare reexaminare. Studenii au
posibilitatea de a-i mri punctajul de la laborator (dar n limita celor 40 de
puncte), ntre reexamnri successive, cu respectarea termenelor de predare,
prin efectuarea unor lucrri de laborator suplimentare.
b) Cerinele minimale pentru promovare
Elaborarea i predarea laboratoarelor la termenele specificate n cursul
semestrului.
Rezultatele obinute de un student trebuie s fie originale i nu copiate sau
preluate de la alte persoane.
Punctajul minim de admitere n examen: 25 de puncte (laborator+activitate).
Punctajul minim necesar promovrii (laborator+activitate+examen) este de
50 de puncte (din cele 100).
c) Calculul notei finale
Punctajul total (proiect+activitate+examen), dac este de cel puin 50 de
puncte, se mparte la 10 i se rotunjete la ntregul cel mai apropiat. n caz
contrar, dup mprirea la 10, nota obinut este trunchiat la ntreg. Astfel,
nota variaz ntre 0 i 10, iar un punctaj de 49 de puncte este convertit la
nota 4 (care nu asigur promovarea).
Ca excepie de la regula de mai sus, nota 10 poate fi obinut i de ctre
studenii care ating sau depesc pragul de 90 de puncte.
6. REPERE METODOLOGICE
Cursul i laboratorul sunt prezentate ntr-o manier hibrid: la baz se afl o
prezentare PowerPoint, dar pasajele de complexitate ridicat sau care necesit
un ritm suficient de lent, sunt reluate sau dezvoltate n detaliu pe tabl.
Toat informaia relativ la curs, laboratoare, punctaje, termene, examene, etc se
regsete pe pagina WEB a cursului:
http://acs.curs.pub.ro/ .

IS-7

Fia cursului de Identificarea Sistemelor

(Dan tefnoiu & Janetta Culi)

7. BIBLIOGRAFIA MINIMAL A CURSULUI

[LuSt08] Culi J., tefnoiu D. Modelare analitic i experimental a sistemelor, Editura
Printech, Bucureti, Romnia, 2008.
[LjL99]
Ljung L. System Identification - Theory for the User, Prentice Hall, Upper Saddle
River, N.J., 2nd edition,1999.
[PrMa96] Proakis J.G., Manolakis D.G. Digital Signal Processing. Principles, Algorithms
and Applications., third edition, Prentice Hall, Upper Saddle River, New Jersey,
USA, 1996.
[SoSt89] Sderstrm T., Stoica P. System Identification, Prentice Hall, London, UK, 1989.
[StD96a] tefnoiu D. Identificarea Experimental a Sistemelor Serii de Timp,
Tipografia Universitii Politehnica din Bucureti, Romnia, 1996.
[StD96b] tefnoiu D. Identificarea Experimental a Sistemelor Probleme de Seminar,
Tipografia Universitii Politehnica din Bucureti, Romnia, 1996.
[SMS04] tefnoiu D., Matei I., Stoica P. Aspecte practice n Modelarea i Identificarea
Sistemelor, Editura Printech, Bucureti, Romnia, 2004.
[SCS05] tefnoiu D., Culi J., Stoica P. Fundamentele Modelrii i Identificrii
Sistemelor, Editura Printech, Bucureti, Romnia, 2005.
[SCT12] tefnoiu D., Culi J., Tudor F.S. Abordri aplicative de modelare i identificare
a sistemelor, Editura Printech, Bucureti, Romnia, 2012.
[TeSt80] Tertico M., Stoica P. Identificarea i Estimarea Parametrilor Sistemelor, Editura
Didactic & Pedagogic, Bucureti, Romnia, 1980.
[TeSt85] Tertico M., Stoica P. Modelarea i Predicia Seriilor de Timp, Editura Academiei
Romne, Bucureti, Romnia, 1985.
[TSP87] Tertico M., Stoica P., Popescu Th. Identificarea Asistat de Calculator a
Proceselor Industriale, Editura Tehnic, Bucureti, Romnia, 1987.
Not: Pe fond albastru, sunt indicate publicaiile echipei de curs i laborator, care
constituie suport pentru nvare. Prima i ultima conin teme de laborator, iar a
doua note de curs in extenso.

EF DE CATEDR

TITULARI DE DISCIPLIN

Prof. Ioan DUMITRACHE

Prof. Dan TEFNOIU

Conf. Janetta CULI

IS-8