1.

Introducere în identificarea
sistemelor

1.1. Consideraţii generale

Domeniul identificării sistemelor este de mare interes şi actualitate în

cercetarea şi tehnica modernă [1], [5], [9], [11], fiind considerat drept o
componentă de bază a ansamblului de preocupări ştiinţifice şi inginereşti care
lansează şi susţin domenii cum sunt: analiza sistemelor dinamice, conducerea
automată avansată a proceselor tehnologice, investigarea din punct de vedere
experimental a relaţiilor de tip cauză-efect, diverse procese naturale.

Identificarea este o „construcţie a modelului matematic optim în raport cu

un criteriu impus pentru obiectele automatizate, pe baza datelor experimentale
obţinute prin test sau din funcţionarea normală” [7 ]. Pe scurt, identificarea
este o tehnică experimentală pentru determinarea modelului dinamic al unui
sistem şi cuprinde patru etape:
 achiziţia datelor de intrare/ieşire cu un protocol de experimentare;
 alegerea structurii modelului, respectiv determinarea complexităţii sale;
 estimarea parametrilor modelului;
 validarea modelului identificat (validarea structurii şi a valorii
parametrilor).
8 Identificarea sistemelor

O operaţie de identificare completă trebuie în mod necesar să conţină cele

patru etape indicate. Metodele specifice utilizate în fiecare etapă depind de
tipul modelului cercetat: parametric / neparametric, continuu / discontinuu,
etc. Prin model se înţelege o reprezentare a aspectelor esenţiale ale unui
sistem, care prezintă cunoştinţele asupra acelui sistem într-o formă utilizabilă,
adecvată scopului pentru care este necesar modelul. Un proces pentru care este
posibilă construirea şi determinarea unui model adecvat/valid folosind tehnici
de modelare şi/sau identificare se numeşte proces identificabil.

Interesul pentru această disciplină a crescut foarte mult în ultimul timp

deoarece identificarea este implicată în domenii dintre cele mai diverse, cum
sunt:
 modelarea proceselor industriale în scopul cunoaşterii şi/sau conducerii;
 modelarea proceselor economice;
 investigarea proceselor biologice (de exemplu a sistemului circulator);
 studiul fenomenelor descrise prin serii de timp.

În acest context, dintre scopurile identificării pot fi evidenţiate:

 cunoaşterea ştiinţifică a modelului studiat;
 conducerea şi reglarea procesului respectiv (determinarea funcţiilor de
transfer sau a ecuaţiilor de stare pentru determinarea parametrilor unui
sistem);
 prognoza sau predicţia evoluţiei procesului studiat;
 simularea procesului (de exemplu, funcţionarea unui reactor în anumite
regimuri);
 recunoaşterea de forme (domeniu al inteligenţei artificiale).
La aplicarea procedurilor de identificare, problemele de bază se referă la:
 alegerea tipului de model;
 alegerea criteriilor ce măsoară adecvanţa modelului în raport cu
instalaţia;

1. Introducere în identificarea sistemelor

 Identificarea sistemelor 9

 alegerea metodei de identificare;

 prelucrarea datelor conform algoritmului impus.
Satisfacerea acestor probleme impune determinarea unor modele de calitate
care să reprezinte interfaţa dintre lumea reală şi formalismul matematic.

Un concept cu un impact deosebit asupra problematicii identificării este acela

de model matematic. Modelul matematic este un set de relaţii între
variabilele fizice ale sistemului analizat care se prezintă sub forma unor
structuri matematice de tip ecuaţii algebrice, ecuaţii diferenţiale sau sisteme de
ecuaţii diferenţiale.

Un model matematic care să descrie întocmai comportarea sistemului analizat

este o cerinţă nerealistă. Este suficient ca acesta să descrie cu o anumită
precizie comportarea sistemului. Cea mai bună strategie de modelare a unui
sistem complex constă în modelarea separată a diferitelor sale componente şi
„asamblarea” ulterioară a modelelor parţiale determinate.

Pentru determinarea modelului matematic al unui sistem se utilizează o

combinaţie de procedee teoretice şi experimentale, succesiunea acestora fiind
determinată de obiectivul modelării şi de caracteristicile sistemului. Aceste
procedee sunt:
 analiza teoretică - construcţia modelului;
 analiza experimentală - identificarea propriu-zisă.

Pentru realizarea analizei teoretice trebuie parcurse următoarele etape:

 stabilirea unor ipoteze simplificatoare asupra sistemului care reduc
efortul de analiză;
 stabilirea ecuaţiilor de bilanţ pentru masele, energiile, impulsurile care
apar în sistem; eventual pentru entropii în cazul proceselor ireversibile;
 stabilirea ecuaţiilor de stare fizico-chimice.

1. Introducere în identificarea sistemelor

10 Identificarea sistemelor

Se obţine astfel un sistem de ecuaţii diferenţiale ordinare şi/sau cu derivate

parţiale, numit modelul teoretic al procesului, de regulă foarte complex, care
trebuie simplificat prin:
 liniarizarea ecuaţiilor neliniare cu derivate parţiale, când funcţionarea
sistemului are loc în vecinătatea unui punct nominal;
 aproximarea prin ecuaţii diferenţiale ordinare a ecuaţiilor cu derivate
parţiale;
 reducerea ordinului ecuaţiilor diferenţiale ordinare.
Modelul teoretic prezintă legătura funcţională dintre datele fizice ale
sistemului şi parametrii săi (se recomandă utilizarea lui în cazul în care trebuie
simulată comportarea sistemului).

Identificarea propriu-zisă îşi propune determinarea modelului matematic pe

baza măsurătorilor efectuate asupra variabilelor ce caracterizează evoluţia
procesului într-un anumit regim.

Modelul experimental conţine ca parametri valori numerice a căror legătură

funcţională cu datele fizice rămâne necunoscută. Acesta descrie comportarea
dinamică momentană a sistemului şi este folosit în scopuri de conducere sau
de predicţie a variabilelor. Modul de lucru poate fi descris sintetic după cum
urmează:
 se pleacă de la cunoştinţele à priori despre proces;
 se măsoară mărimile de intrare şi de ieşire ale sistemului şi se evaluează,
printr-o procedură de identificare, legătura dintre variabilele măsurate.

Modelele rezultate în urma analizei teoretice şi experimentale pot fi

comparate, eventualele neconcordanţe fiind eliminate prin refacerea unor
etape. Modelele asociate sistemelor dinamice reprezintă instrumente pentru
mai multe scopuri, şi anume: predicţie, reglare, simulare şi altele.

1. Introducere în identificarea sistemelor

 Identificarea sistemelor 11

Câteodată, este susţinută afirmaţia conform căreia necesitatea obţinerii unui

model poate fi eliminată prin recurgerea la soluţii mult mai complexe şi mai
exacte, la care parametrii de decizie sunt ajustaţi direct sau prin structuri
robuste care sunt foarte exacte în ceea ce priveşte modelul în discuţie. Trebuie
remarcat, însă, că schemele tipice adaptive pot fi interpretate ca algoritmi de
identificare recursivi (modelul parametrizat corespondent unui regulator
optimal). În concluzie, construcţia modelului este la fel de importantă şi
apare, de asemenea, şi la mecanismele adaptive. De asemenea, structurile
robuste au la bază un model nominal şi sunt determinate astfel încât buna
operare să fie asigurată chiar şi în situaţia în care sistemul în cauză îşi schimbă
punctul de funcţionare. Uzual, se poate specifica o vecinătate a punctului de
funcţionare în care schimbarea acelui punct este acceptată. Acest lucru este de
o importanţă majoră, dat fiind faptul că modelele obţinute în urma procesului
de identificare prezintă erori: erorile estimate faţă de valorile reale ale
domeniilor valorilor parametrilor sau ale domeniului rezultat în urma
identificării în frecvenţă. Astfel de modele sunt, în consecinţă, adecvate
structurilor robuste.

1.2. Abordări în identificarea sistemelor

Identificare statică / dinamică

 identificare statică: descrie funcţionarea sistemului, presupus stabil,
pentru intrări constante (modelul static permite, de exemplu,
determinarea diferitelor puncte de funcţionare);
 identificare dinamică: se urmăreşte determinarea relaţiei dintre evoluţia
în timp a ieşirii şi cea a intrării sistemului.
Identificare continuă / discretă
 identificare continuă: urmăreşte evoluţia continuă în timp a intrării şi
ieşirii, obţinându-se un model continuu;

1. Introducere în identificarea sistemelor

12 Identificarea sistemelor

 identificare discretă: urmăreşte evoluţia discretă în timp a intrării şi

ieşirii, obţinându-se un model discret.
Identificare monovariabilă / multivariabilă
 identificare monovariabilă: se aplică sistemelor monovariabile,
caracterizate de o intrare şi o ieşire;
 identificare multivariabilă: se aplică sistemelor caracterizate de mai
multe intrări şi una sau mai multe ieşiri.
Identificare parametrică / neparametrică
 identificare parametrică: modelul este de natură parametrică, descris de
ecuaţii diferenţiale sau ecuaţii cu diferenţe (sisteme cu parametri
concentraţi) sau de ecuaţii cu derivate parţiale (sisteme cu parametri
distribuiţi) ;
 identificare neparametrică: sistemul este descris de modele
neparametrice (funcţia pondere, caracteristici de frecvenţă:
amplitudine-frecvenţă, fază-frecvenţă şi funcţiile asociate).
Identificare deterministă / stochastică
 identificare deterministă: reprezentarea sistemului este deterministă,
ceea ce înseamnă că perturbaţiile nu sunt considerate funcţii aleatoare
ci semnale deterministe, măsurabile sau nu;
 identificare stochastică: reprezentarea sistemului este stochastică,
modelul incluzând elemente aleatoare.
Identificare staţionară / adaptivă
 identificare staţionară: sistemul este invariant, deci funcţionarea sa nu
variază în timp, adică parametrii modelului sunt constanţi, scopul
identificării fiind estimarea parametrilor;
 identificare adaptivă: sistemul nu este invariant şi parametrii sistemului
variază în timp, scopul identificării fiind estimarea cât mai precisă a
evoluţiei în timp a acestor parametri.

1. Introducere în identificarea sistemelor

 Identificarea sistemelor 13

Identificare în timp real / în timp diferit

 identificare în timp real: prelucrarea datelor de măsurare se face în
timpul funcţionării procesului, fiind necesară o identificare adaptivă
pentru o conducere adaptivă a sistemului;
 identificare în timp diferit: prelucrarea datelor de măsurare se face
deconectat de funcţionarea procesului fiind deci necesară o identificare
staţionară.

Fiecăreia dintre aceste abordări îi corespunde un număr important de metode

de identificare: analiza Fourier, analiza de corelaţie, analiza spectrală,
procedee care utilizează modele ajustabile, estimare de parametri.

1.3. Procedura de identificare

Procedura de identificare experimentală presupune în general o etapă de

formare a datelor şi o alta de procesare a datelor în vederea obţinerii modelului
[20]. În timpul desfăşurării experimentului de identificare este necesar să se
aibă în vedere următoarele aspecte:
 variabilele de intrare influenţează ieşirea;
 se pot aplica semnale de probă sau este necesară observarea în
funcţionare normală a procesului;
 care sunt limitele admise ale semnalului de probă;
 ce semnal de probă trebuie ales pentru a obţine informaţii cât mai
bogate despre proces;
 dacă procesul se identifică în buclă închisă sau în buclă deschisă;
 care este timpul maxim de experimentare admis;
 care este clasa de modele prin care se aproximează procesul;
 care este ponderea zgomotului în semnalul de ieşire al sistemului;
 care este procedura prin care se stabileşte structura modelului şi care
este metoda de procesare a datelor.

1. Introducere în identificarea sistemelor

14 Identificarea sistemelor

Modul general de desfăşurare a procedurii de identificare este prezentat

schematic în figura 1.1. Din structura schemei care ilustrează procedura de
identificare pot fi subliniate următoarele aspecte definitorii:
 înţelegerea fenomenului, bazată pe deţinerea unor informaţii à priori
reale asupra sistemului. Rezultă că foarte importantă este delimitarea
sistemelor în părţi componente: sistem, mediu, intrări măsurabile,
perturbaţii;
 caracteristicile modelului ales conform celor prezentate anterior;
 obiective şi sarcini, de exemplu:
o Ce tip de model este adecvat pentru tipul particular de aplicaţie
avută în vedere?
o Care este gradul de complexitate indicat al modelului?
o Pot fi aplicate semnale de test sistemului ? Care este alegerea
lor optimă ?
 proiectarea experimentului, care se referă la proiectarea semnalelor de
intrare în experimentul de identificat;
 alegerea setului de modele - cea mai importantă şi mai dificilă etapă;
 determinarea modelului: dispunând de datele măsurate şi de setul de
modele fixat, se poate trece la determinarea structurii modelului şi a
parametrilor acestuia;
 validarea modelului - aceasta presupune:
o autovalidarea / verificarea rezultatelor: se verifică dacă toată
informaţia conţinută în datele de intrare - ieşire ale sistemului se
regăseşte în model;
o cross–validarea care are în vedere verificarea capacităţii de
predicţie a modelului rezultat, pentru un set independent de date
de intrare-ieşire;
o verificarea consistenţei: verificarea concordanţei modelului cu
informaţiile disponibile referitoare la sistem.

1. Introducere în identificarea sistemelor

 Identificarea sistemelor 15

- Informatii preliminare despre proces A

- Formularea scopului identificarii

Proiectare Alegerea clasei

experiment de modele

B C
Achizitia si Alegerea
prelucrarea modelului
datelor

{u[n]} Alegerea M
{y[n]} metodei

- se det. parametrii modelului ales,m

- se evalueaza precizia modelului (V()
sau P())

Alegerea modelului adecvat , M(o) D

NU DA
Validarea Model
modelului E

Fig. 1.1. Procedura de identificare

A. Prima operaţie care se efectuează este precizarea procesului care trebuie

identificat. Aceasta include informaţii despre: tipul procesului (liniar sau
neliniar – dar liniarizabil în jurul unui punct nominal de funcţionare),
timpul tranzitoriu (necesar pentru determinarea perioadei de
eşantionare TS), timpul mort intrinsec al procesului (cunoaşterea
timpului mort reduce numărul parametrilor necunoscuţi ai modelului),
variabilitatea parametrilor (dacă parametrii variază sesizabil în timp,
modelul va fi unul adaptat des la dinamica procesului – cazul identificării

1. Introducere în identificarea sistemelor

16 Identificarea sistemelor

recursive), clase de semnale de probă acceptate de proces (pentru a da

informaţii consistente în scopul identificării, fără a produce instabilitate),
clasele de perturbaţii la care este expus procesul (în scopul alegerii unui
model adecvat al zgomotelor).

B. Proiectarea experimentului are în vedere stabilirea modalităţilor de

măsurare şi achiziţie a datelor folosite în identificare. Soluţia de
eşantionare va fi aleasă în funcţie de dinamica sistemului (perioada de
eşantionare TS mică pentru procese rapide) şi de compromisul între
precizie şi preţ. Totodată, eşantionarea trebuie realizată cu o frecvenţă
care să conserve cât mai bine caracteristicile procesului (potrivit teoremei
de eşantionare, frecvenţa de eşantionare minimă este egală cu dublul
frecvenţei de tăiere – cea pentru care amplitudinea în domeniul frecvenţei
este aproape nulă, nepermiţând transferul consistent al informaţiei).
Datorită faptului că echipamentele de achiziţie sunt preponderent
numerice, cuantificarea valorilor măsurate introduce erori de conversie
care scad cu mărirea plajei de reprezentare. Prelucrarea primară a datelor
permite extragerea informaţiei utile prin eliminarea zgomotelor (se
folosesc filtre şi este necesar ca raportul semnal-zgomot (SNR) să aibă o
valoare suficient de mare).

C. Alegerea clasei de modele pentru identificare se face în conformitate cu

datele a priori despre proces şi despre scopul identificării (pasul A).
Particularizarea unui model, ca structură, se face ţinând cont de precizia
impusă şi de simplitate. Modelul matematic pentru care s-a optat
determină şi metoda pentru determinarea parametrilor săi.

D. Modelele de identificare de acelaşi tip, dar de structuri diferite, sunt mai

întâi determinate şi apoi comparate între ele, din punctul de vedere al

1. Introducere în identificarea sistemelor

 Identificarea sistemelor 17

preciziei, în vederea alegerii celui adecvat. Precizia este evaluată în funcţie

de metodele asociate modelului, utilizând criterii specifice (P() sau V()).

E. Numai modelele adecvate şi valide pot fi returnate dupa desfăşurarea

experimentului de identificare. Validarea modelului este o operaţie care
constă în testarea functionalităţii modelului comparativ cu cea a
procesului, atunci când se iniţializează o nouă sesiune de simulare a
ambelor entităţi (validarea trebuie să se efectueze pe un alt set de date
decât cel utlilizat pentru determinarea modelului, pentru a asigura
generalitatea modelului, în condiţiile enunţate).

Datele de intrare – ieşire sunt, de obicei, prelevate în timpul unui experiment

de identificare specific, unde utilizatorul poate stabili care semnale trebuie
măsurate şi momentul în care se fac aceste măsurători, dar poate alege şi
semnalele de intrare.

Obiectivul proiectării experimentului este, deci, acela de a lua decizii şi a

alege opţiuni astfel încât datele prelevate să ofere informaţii cât mai precise.
În alte aplicaţii, utilizatorul nu are posibilitatea de a influenţa experimentul,
dar este nevoit să utilizeze datele prelevate în timpul funcţionării normale a
sistemului.

O mulţime de modele posibile este obţinută printr-o specificare a clasei de

modele, în care va fi căutat un model convenabil. Aceasta este cea mai
importantă şi, în acelaşi timp, cea mai grea parte a procedurii de identificare
a sistemelor. Aici, informaţia a priori şi intuiţia inginerească trebuie să fie
combinate cu proprietăţile cunoscute ale modelelor. Uneori, mulţimea
modelelor este obţinută după un atent proces de modelare. În continuare, un
model cu parametri fizici necunoscuţi este construit pe baza legilor fizicii şi alte
relaţii şi legi binecunoscute. În alte situaţii, modelele liniare standard sunt o
opţiune bună, fără a se face vreo referire la fenomene fizice. O astfel de

1. Introducere în identificarea sistemelor

18 Identificarea sistemelor

mulţime de modele ai căror parametri sunt, practic, văzuţi ca nişte ponderi

care realizează potrivirea datelor, dar care nu reflectă proprietăţile şi
fenomenele fizice, se numeşte cutie neagră (black box). Mulţimile de modele
cu parametri ajustabili în funcţie de interpretarea fizică dată se numesc cutii
gri (gray boxes).

Determinarea celui mai bun model din mulţime, pe baza datelor - aceasta este
procedura de identificare. Testul calităţii modelului este, de obicei, bazat pe
comportarea modelelor atunci când se încearcă reproducerea experimentului.

După ce s-au parcurs etapele enumerate mai sus, s-a ajuns la un model
particular şi anume acel model din mulţime care descrie cel mai bine
comportamentul datelor prelevate conform unui criteriu stabilit. Mai rămâne
de testat dacă acest model este suficient de bun, adică dacă poate fi validat
pentru scopul pentru care a fost conceput.

Problema identificării sistemelor poate fi formulată şi analizată din diverse

perspective, cele mai relevante fiind cele referitoare la identificarea prin
optimizarea unui criteriu (figura 1.2.) şi identificarea prin minimizarea
matricei de covarianţă (figura 1.3.). Succint, în continuare sunt descrise
aspectele definitorii ale acestor abordări.

 Formularea problemei IS din perspectiva Teoriei Optimizării

*
P( ) y[n]
proces [n, ]
u[n]
 V()
M()
model yM [n, ]

Optimizare

Fig.1.2. Identificare prin optimizarea unui criteriu

1. Introducere în identificarea sistemelor

 Identificarea sistemelor 19

În acest caz, atât procesul cât şi modelul sunt simulate cu aceeaşi intrare, care
constituie colecţia de date de intrare măsurate {u[n]}n=1,N ( N se numeşte
dimensiunea orizontului de măsură). Procesul oferă datele de ieşire măsurate
{y[n]}n=1,N , iar modelul oferă datele simulate {yM[n]}n=1,N, care depind de
vectorul parametrilor necunoscuţi  determinaţi din datele măsurate.
Diferenţa dintre datele măsurate şi cele simulate constituie erorile dintre
proces şi model ([n,] = y[n] – yM[n, ] ). Ansamblul erorilor este folosit
pentru a defini criteriul de adecvanţă V() care trebuie optimizat în vederea
determinării parametrilor necunoscuţi .

Pentru rezolvarea acestei probleme se adoptă o strategie iterativă, numărul de

parametri ai modelului fiind mărit treptat. Eficienţa şi complexitatea operaţiei
de optimizare depind de criteriul de adecvanţă ales (V()). Prin optimizare se
urmăreşte atingerea unei erori globale minime (dintre proces şi model), care
corespunde unei soluţii de forma (1.1).

ˆN  arg min V ( ) (1.1)

 S  R n

unde ˆN este valoarea optimă a vectorului parametrilor necunoscuţi, iar S este
domeniul de stabilitate al modelului.

 Formularea problemei IS din perspectiva Teoriei Estimaţiei

P(*) y[n]
proces
u[n]
P()

M()
model yM[n, ]

Minimizare

Fig.1.3. Identificare prin minimizarea matricei de covarianţă

1. Introducere în identificarea sistemelor

20 Identificarea sistemelor

Teoria Estimaţiei reprezintă un ansamblu de metode pentru determinarea

parametrilor necunoscuţi folosind concepte statistice.

Deoarece datele furnizate de proces au un caracter stochastic (datorită

perturbaţiilor, considerând faptul că sistemul dinamic este liniar), acesta se
transferă şi parametrilor determinaţi, care se mai numesc în acest context şi
parametri estimaţi.
Soluţionarea problemei este similară celei din cazul anterior, şi anume
minimizarea (în sensul proprietăţii de pozitiv semi-definire) a matricii de
covarianţă a erorii estimate

ˆN  arg min P( ) (1.2)

 S  R n

Criteriul matriceal (1.2) abordează direct parametrii adevăraţi * (care sunt

necunoscuţi) şi poate fi evaluat numai utilizând estimatori adecvaţi. Calitatea
unui estimator poate fi analizată în raport cu trei caracteristici: complexitate,
consistenţă (convergenţă statistică) şi eficienţă (viteză de convergenţă),
definite şi comentate în Capitolul A1.3.

Indiferent de perspectiva din care a fost formulată problema identificării, un

model poate fi deficitar din mai multe puncte de vedere:
 procedura numerică nu a reuşit să găsească cel mai bun model potrivit
criteriului introdus;
 criteriul de alegere nu a fost corect;
 mulţimea de modele nu a fost corespunzătoare, în sensul că nu conţinea
nici un model care să descrie într-o bună măsură sistemul;
 setul de date prelevate nu conţinea informaţii suficiente pentru a putea
ghida alegerea modelelor bune.

Partea majoră a unei aplicaţii de identificare constă, de fapt, din adresarea

acestor probleme şi, în particular, a celei de-a treia, într-o manieră interactivă,

1. Introducere în identificarea sistemelor

 Identificarea sistemelor 21

folosind ghidajul prin informaţia apriorică şi realizările anterioare. Evident,

procedura de identificare este optim condusă şi finalizată prin utilizarea unui
software interactiv, caracterizat esenţial de următoarele elemente:

1. Specificarea structurii modelului;

2. Obţinerea celui mai bun model pe această structură folosind pachete
software specializate;
3. Evaluarea proprietăţilor modelului;
4. Testarea unei noi structuri (întoarcere la pasul 1.).

În figura 1.4., care este o procedură mai complexă decât procedura de

identificare descrisă în figura 1.1, prima etapă necesară este aceea de a ajuta
calculatorul în găsirea modelului şi în evaluarea proprietăţilor lui.

Construirea
experimentului şi
prelevarea datelor

Date

Datele trebuie Retuşări şi

filtrate? prezentarea
datelor

Date
Alegerea structurii Suprapunere Model
modelului model peste
date

Structura
Datele nu modelului nu Validarea
sunt bune este bună modelului

Nu Poate fi acceptat
modelul?
Da

Fig.1.4. Procedura de identificare cu software interactiv

(în dreptunghi – acţiuni calculator; în oval– acţiuni utilizator)

1. Introducere în identificarea sistemelor

22 Identificarea sistemelor

Există la momentul actual foarte multe pachete de programe comerciale

pentru identificare, care oferă, între altele, următoarele rutine:

 Prelucrarea datelor, trasarea graficelor şi alte asemenea posibilităţi;

 Metode de identificare neparametrică (estimarea covarianţelor,
transformatele Fourier, corelări şi analize spectrale etc.);
 Metode de estimare parametrică (calculul parametrilor estimaţi ai
diferitelor structuri de modele);
 Prezentarea modelelor (simularea modelelor, estimarea şi trasarea
graficelor asociate polilor şi zerourilor, calcularea funcţiilor de frecvenţă
şi trasarea diagramelor Bode, etc.);
 Validarea modelului (calcularea şi analizarea reziduurilor de forma

 
 t ,ˆN ; compararea mai multor proprietăţi ale modelelor, etc.).

Etapele acestei proceduri pot fi parcurse folosind funcţii specifice

implementate în MathWork’s System Identification Toolbox (SIT) din cadrul
pachetului de programe MATLAB®. Structura comenzii este dată de mediul de
programare al MATLAB®, cu conceptul de spaţiu de lucru şi posibilităţi
MACRO în realizarea fişierelor cu extensia .m. SIT este o bibliotecă avansată
de programe pentru identificarea sistemelor, alcătuită dintr-o colecţie de
tehnici de bază, organizate în fişiere de tip m. care pune la dispoziţie unelte
pentru construcţia de modele de sisteme dinamice pe baza datelor de intrare-
ieşire (I-E) experimentale măsurate, oferind posibilitatea folosirii tuturor
structurilor de modele de tipul black –box, cu un număr arbitrar de intrări.

SIT utilizează structuri de date specifice, fiind puse la dispoziţia utilizatorului

modelele ARX şi modele de tip intrare–stare–ieşire cu un număr arbitrar de
intrări şi de ieşiri.

Funcţiile specifice SIT sunt prezentate succint în tabelul 1.1.

1. Introducere în identificarea sistemelor

 Identificarea sistemelor 23

Tabelul 1.1.

FUNCŢII SPECIFICE SIT

1. SIMULARE
1.1. ldsim simulează un sistem liniar general
1.2. mktheta creează un model standard
2. ESTIMARE PARAMETRICĂ
2.1. armax estimează un model de tip Armax
2.2. arx estimează un model tip Arx folosind metoda celor mai mici pătrate
2.3. bj estimează un model de tip Box-Jenkins
2.4. iv estimează un model de tip Arx folosind metoda variabilelor
instrumentale
2.5. iv4 estimează un model de tip Arx folosind metoda variabilelor
instrumentale în patru etape
2.6. oe estimează un model de tip eroare de ieşire
2.7. pem estimează un model liniar general
3. ESTIMARE NEPARAMETRICĂ
3.1. covf estimează funcţia de covarianţă
3.2. spa estimează funcţia de transfer şi spectrele folosind analiza spectrală
4. CONVERSIE DE MODELE
4.1. cont calculează modelul continuu în timp
4.2 polyform calculează funcţia de transfer polinomială
4.3. trf calculează funcţiile de frecvenţă şi spectrele
4.4. zp calculează amplificarea statică aferentă reprezentării poli-zerouri
5. PREZENTARE MODEL
5.1. bodeplot reprezintă grafic funcţiile Bode
5.2. present afişează modelul pe ecran
5.3. zpplot afişează polii şi zerourile
6. VALIDARE MODEL
6.1. idsim simulează modelul
6.2. pe calculează erorile prognozate
6.3. resid calculează şi analizează reziduurile

1. Introducere în identificarea sistemelor

24 Identificarea sistemelor

În Anexa 1 este făcută o prezentare a SIT (inclus în MATLAB®) şi a bibliotecii

de rutine BibIS - Biblioteca pentru Identificarea Sistemelor – elaborată sub
coordonarea autoarei, pentru identificarea modelelor de I-E liniare. În
continuare, în Anexa 2 sunt prezentate implementări ale unor aplicaţii
reprezentative pentru conceptele teoretice prezentate pe parcursul lucrării,
atât în BibIS, cât şi în SIT- MATLAB®.

Alte pachete de programe de uz general, folosite în identificarea sistemelor,

includ: PIM - Landau (1990), Modulul de identificare prin matrice X, van
Overschee et.al. (1994), AdaptX, - Larimore (1997), Pachetul de identificare în
domeniul frecvenţei (Frequency–Domain Identification Toolbox) din MatLab
- Kollàr (1994).

1. Introducere în identificarea sistemelor