Sunteți pe pagina 1din 12

2.

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

x= f(x, u, w, p, t)
unde: x - reprezint[ starea sistemului;
u - reprezint[ m[rimea de intrare;
w - zgomotul care afecteaz[ intrarea;
p - parametrii (@n general necunoscu\i);
1

(2.1)

t - variabila independent[ (timpul).


Presupunem c[ instala\ia ofer[ prin dispozitivul de masur[ a st[rii, la ie]ire,
o m[rime de forma:
z = h(x, u, w, p, v, t)
unde: h - este o func\ie specific[ dispozitivului de m[sur[;
v - reprezint[ zgomotul care afecteaz[ procesul de m[surare.

(2.2)

Problema identific[rii cuprinde dou[ etape:


I - adoptarea unei ecua\ii care s[ fie c`t mai apropiat[ de cea exact[ (ecua\ia
(2.1));
II - determinarea vectorului p m al coeficien\ilor necunoscu\i ai modelului propus
@n etapa I.
Schematic problema identific[rii se poate reprezenta astfel:
informa\ii cu
privire la zgomot
u

w
.
x=f(x,u,w,p,t)
Inst. de identificat

Dispozitiv
de masur[

x
Dispozitiv
de masur[

Algoritm de
identificare
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 M 1 ]i M 2 sunt echivalente dac[ valoarea func\iei de eroare
este aceeasi pentru ambele modele, adic[:
J(y, y M 1 ) = J(y, y M 2 )

(2.4)

Acest criteriu de eroare poate fi de exemplu un criteriu p[tratic integral unde


eroarea este de exemplu:
e = y yM

(2.5)

J = e 2 dt

(2.6)

T
0

#n cele ce urmeaz[ vom numi sistemul care se @ncearc[ simplu proces ]i


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

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

estimarea st[rilor. Determinarea celei mai bune estim[ri a st[rii se @nt`lne]te @n


reglarea optimal[. Se poate pune ]i problema combinat[ a estim[rii parametrilor ]i
st[rii. Figura de mai jos ilustreaz[ rela\ia dintre cunoa]terea structural[ (apriori) ]i
cunoa]terea prin m[sur[tori (aposteriori), @n stadiul de construire a modelului.
Secven\a de sus indic[ etapele de construire a modelului pentru un proces,
plec`nd de la legile fizice, aplic`nd liniarizarea ]i reducerea la ecua\ii diferen\iale
ordinare. Ecua\iile care rezult[ ofer[ o structur[ a modelului. La fiecare etap[ se
introduc erori. Secven\a de jos indic[ procedeul de estimare plec`nd de la
m[sur[tori ]i aplic`nd prelucrarea datelor ]i algoritmi de estimare ]i aici se
introduc diferite tipuri de erori. Se observ[ c[ estimarea (parametrilor ]i/sau
st[rilor) presupune o structur[ de model.
Erori de modelare
Erori de liniarizare
Erori de reducere
Legi
Ecua\ii dif. Liniarizare Ecua\ii dif. Reducere Ecua\ii dif.
fizice
par\iale
par\iale
ordinare
neliniare
liniare
Zgomot
proces

Structura
Cuno]tin\e structurale ( apriori )
PROCES

MODEL
Cuno]tin\e prin m[sur[tori ( aposteriori )

Stari

Parametri
Date de
m[surare

Tratarea
datelor

M[sur[tori

Zgomot de
m[surare

De ex.,
esantioane
cuantificate

De ex.:
zgomot de
cuantificare

S
T
R
U
C
T

Estimatori
de
parametri

Estimatori
de
stare

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

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

- timpul util de identificare este limitat (restric\ii tehnologice, posibilitatea


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

u(t)

Proces

y(t)

Metoda
activ[
Model neparametric

2) Metode pasive : acestea permit, pe baza varia\iilor aleatoare ale


m[rimilor de intrare ]i de ie]ire ale procesului @n func\ionarea lui normal[,
determinarea direct[ a unui model parametric:
u(t)

y(t)
Proces

Metoda
pasiv[
Model parametric

Clasificarea procedurilor de identificare


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

precum ]i pe alte procedee ce permit determinarea func\iei de densitate spectral[;


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

b) M[rimile externe sau interne neobservabile au un caracter de varia\ie


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

Model

+ y(t) e(t)
_

y (t)
M

Identificare

Dac[ comportarea procesului ]i a modelului sunt identice (@ntr-un sens care


trebuie precizat) se poate spune c[ s-a ob\inut un model al procesului. Dac[ nu,

structura modelului trebuie modificat[ pentru ob\inerea unei concordan\e mai


bune,
dup[ cum se vede @n figura de mai sus.
Valorile numerice ale parametrilor modelului sunt determinate astfel @nc`t
comportarea modelului s[ fie c`t mai apropiat[ de cea a procesului.
Aceast[ proximitate se m[soar[ cu ajutorul unui criteriu care s[ exprime
cantitativ distan\a dintre model ]i proces, notat[:
D = D(P, M)

(2.7)

Distan\a poate fi definit[ @n mai multe feluri, ca de exemplu:


T

D(P, M) = (y y M ) 2 dt

(2.8)

dar trebuie s[ satisfac[ @ntotdeauna:


D(P, M) > 0

(2.9)

D(P, M) 0 P M
Distan\a nici @n cazul teoretic nu poate fi nul[, dac[ nu se neglijeaz[
zgomotele de m[sur[, trebuind deci s[ fie redus[ sub o anumit[ valoare D0.
#n concluzie se poate afirma c[ am construit un model M al unui proces P,
dac[ se pot determina un grup de parametri structurali, astfel c[ dat[ fiind o intrare
u(t) se poate ob\ine o distan\[
D(P, M) D 0

(2.10)

Este evident c[ definind spa\iul parametric ca fiind spa\iul parametrilor qi de


determinat, modelul este reprezentat de un punct, iar sistemul de un alt punct,
criteriul fiind de fapt distan\a dintre cele dou[ puncte. Acest criteriu trebuie
minimizat.
Se definesc @n mod uzual urm[toarele distan\e:
i) distan\a de stare sau de ie]ire
Exprim[ diferen\a dintre ie]irea modelului ]i cea a procesului:
u(i)

Proces
Model

+
_

y(i)

(i)

Criteriu

y (i)
M
9

D[ (i) ]

unde: y(i) respectiv yM(i) reprezint[ ie]irea procesului, respectiv a modelului la


momentul i.
Un criteriu de distan\[ ar putea fi:
N

i=1

i=1

D = [y(i) y M (i)] = (i)

(2.11)

cu N - num[rul punctelor de m[sur[.


Se observ[ c[ deoarece (i) poate avea at`t valori pozitive c`t ]i negative, D
poate fi zero chiar dac[ distan\a dintre model ]i proces este mare.
O alegere mult mai convenabil[ este:
N

D = [y(i) y M (i)] 2
i=1

ii) distan\a de predic\ie


Este bazat[ pe diferen\a dintre ie]irea sistemului ]i ie]irea care prezice
modelul @n acela]i moment de timp.
Proces
u(i)

+
_
Model

y(i) ^ (i)

Criteriu

D[ ^ (i)]

y^ (i)

De exemplu:
N

D = [y(i) y(i)] 2

(2.12)

i=1

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

y(i) = h M (j)u(i j)

(2.13)

j=0

#n acest caz predic\ia ie]irii se confund[ cu ie]irea modelului:


y(i) = y M (i)
Dar dac[ modelul ales este o ecua\ie cu diferen\e, de exemplu de ordinul
@nt`i, se poate scrie:
y(i) = a 1 y(i 1) + b 1 u(i 1)

(2.14)
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:
y M (i) = a 1 y M (i 1) + b 1 u(i 1)

(2.15)

iii) distan\a de structur[


Este bazat[ pe distan\a dintre parametrii procesului ]i cei ai modelului.
u(i)

Proces
Model M

Criteriu

D( )

unde: respectiv M reprezint[ vectorul parametrilor procesului, respectiv


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

11

Proiectare
experiment

Informa\ie
aprioric[
Scop final

Date
intrare - ie]ire

Determinare
struct. model
Estimare
parametri
verificarea
modelului
DA
Model final

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

12