1.

Introducere
Exemplu Identificarea unei aeroterme

• Principala caracteristică a unei aeroterme: capacitatea

de a păstra temperatura constantă a aerului ventilat la
ieşire, în pofida temperaturii aerului absorbit.
• Aceasta se realizează cu un sistem de compensare a
temperaturii bazat pe o buclă simplă de reglare.
Problemă
Identificarea aerotermei în buclă deschisă, în
vederea proiectării regulatorului care să asigure
rejecţia perturbaţiilor şi menţinerea temperaturii în
jurul unei valori dorite.

Curenţi de aer de diferite temperaturi.

Desfăşurarea experimentului de identificare Sistem electro-mecanic, ale cărui ecuaţii

de funcţionare bazate pe legile dinamicii,
 Precizarea informaţiilor preliminare
electricităţii şi termodinamicii conduc la
Aeroterma concluzia că ordinul maxim al modelului
Schema funcţională de identificare este 2 .
36
pagina următoare
 1. Introducere
Desfăşurarea experimentului de identificare (continuare)

 Precizarea informaţiilor preliminare (continuare)

Schema funcţională a aerotermei

AC ~

intrarea
procesului
u Amplificator
de putere
 Senzor de
temperatură
y
ieşirea
procesului

Termostat

• Aerul rece este ventilat către o rezistenţă electrică alimentată prin intermediul unui
amplificator de putere, care poate varia tensiunea şi/sau intensitatea curentului electric
ce o traversează. Temperatura aerului cald este măsurată prin intermediul unui senzor.
• Pe circuitul de la intrare la ieşire există 4 componente ale procesului:
amplificatorul de putere, rezistenţa electrică, fluxul de aer cald şi senzorul de temperatură.
• Procesul este neliniar, dar liniarizabil în jurul fiecărei temperaturi din plaja 37
admisibilă pe care o poate asigura rezistenţa electrică (avînd o putere maximă).
 1. Introducere
 Precizarea informaţiilor preliminare (continuare)

poate fi considerat ca avînd un tip mediu de variaţie, deoarece timpul de stabilizare

• Procesul
a unei temperaturi fixate este de circa 2s .
• Se poate considera că parametrii procesului sunt constanţi.
• Aeroterma poate fi comandată cu o gamă largă de semnale de intrare, inclusiv de persistenţă
ridicată, dar cu amplitudinea limitată de capacitatea amplificatorului de putere.
• Perturbaţia provine de la fluxul de aer rece, care poate avea atît temperatură cît şi debit variabile.
Determinarea unui model matematic necesar proiectării unui regulator automat
Scopul
identificării
care să asigure atît o bună rejecţie a perturbaţiilor, cît şi menţinerea temperaturii
fluxului de aer cald în jurul unei valori precizate prin intermediul termostatului.

Referinţă Regulator u Cutie y

+-
r automat neagră
Ieşire

Date de

Date de
intrare
y

ieşire
Model de identificare
adecvat, valid
38
 1. Introducere
Desfăşurarea experimentului de identificare (continuare)
 Stimularea procesului şi achiziţia datelor

• Frecvenţa de tăiere a filtrului analogic: Fc  50 [Hz]

• Frecvenţa de eşantionare: Fs  100 [Hz]
• Timpul mort normalizat: nk  10
• Se renunţă pre-filtrarea digitală, deoarece SNR este suficient de mare.
• Colectarea datelor se poate realiza fie cu o placă de achiziţie de uz general,
fie cu un sistem de achiziţie dedicat.
Capabilităţi principale
LMS Roadrunner (Belgia)  pre-filtrarea datelor
 cuantificarea datelor pe 12 biţi
(numărul maxim de biţi: 32)
 achiziţie de date simultană pe cel puţin 2 canale
(dispune de 4 canale cu extensie la 16 canale)
 plajă largă de frecvenţe de eşantionare
(între 1 Hz şi 100 kHz)
 compatibilitate cu un mare număr de senzori
 posibilitatea de a trasa spectre şi chiar spectrograme
(spectre varibile în decursul timpului)
• Semnalul de stimul (de persistenţă ridicată):10Pseudo-Aleator (Binar) (SPA(B)). 39
• Dimensiunea orizontului de măsură: N  2  1024
 1. Introducere
Desfăşurarea experimentului de identificare (continuare)
 Alegerea clasei de modele şi a modelului specific Clasa de modele
ARMAX [na,nb,bc]
1 1 1 e
A( q ) y[ n]  B( q )u[ n ]  C ( q )e[ n]
 n N Filtru de zgomot
AR X MA
G º C/A
Auto-Regresiv Control Medie
eXogen Alunecãtoare Filtru de sistem
v
q 1 Operatorul de întîrziere cu un pas.
u y
 q f [n]  f [n  1]
1
 n Z H º B/A +
 A( q 1 )  1  a1q 1   ana q  na
 1  nk 1 nk  nb
 B ( q )  b1 q   b nb q intrarea nu se transmite instantaneu la ieşire
C ( q 1 )  1  c q 1   c q  nc zgomotul se transmite instantaneu la ieşire
 1 nc

e 0.1
0.1

v 1.5
1.5
22
Period:
Period: NN == 500
500

 coeficienţii polinoamelor
11

? 0.05
0.05
0.5
0.5

 numărul coeficienţilor
00
00

-0.5
-0.5

-0.05 -1
-1
-0.05

-1.5
-1.5
** Variance:
Variance: 0.697359
0.697359
-0.1

Modelele posibile ale aerotermei:

-0.1 -2
-2
00 500
500 1000
1000 1500
1500 2000
2000 2500
2500

00 50
50 100
100 150
150 200
200 250
250 300
300 350
350

• ARX[2,2] ARX[2,3]
Zgomot alb Zgomot colorat

proces stocastic total necorelat, zgomot alb

ARX[3,2] ARX[3,3] impredictibil filtrat 40
 1. Introducere
Desfăşurarea experimentului de identificare (continuare)
 Alegerea metodei de identificare

ARX MCMMP sau MVI mai bine adaptată modelului

 Determinarea modelului adecvat

 Informaţie preliminară despre proces

ARX[2,3] A( q 1 ) y[ n]  B( q 1 )u[ n]  e[ n]
 Scopul identificării procesului

Organizarea
experimentului
econometric
Alegerea clasei
de modele de
identificare
 n Z
p r i m
Achiziţia şi
p r

a
e

r
l

ă
u c

a
r a

d
r

a
e

t
a

e l o r
M ()
Alegerea
modelului de
identificare
AR X
Alegerea

 A( q 1 )  1  a1q 1  a2 q 2
U metodei de M ()
identificare
Y


Pentru fiecare structură de model din ce în ce m a i

bogată (m{1,2,…,M):
 se determină parametrii modelului ales, m;

1 10 1 2
 B( q )  q (b1  b2 q  b3 q )
 se evaluează precizia modelului (V (m) sau P(m)).

Alegerea modelului
adecvat datelor
achiziţionate

M (o)

NU Validarea
modelului
DA
nk  10
Model valid

• •Comparînd coeficienţii polinomului B între ei, se constată că termenul ARX[2,2]

de grad maxim ar putea fi neglijat în raport cu ceilalţi termeni. model adecvat
 Modelul parsimonios trebuie determinat din nou. parsimonios
Nu este suficientă anularea coeficientului termenului neglijat în
modelul adecvat mai puţin parsimonios.

 Validarea modelului adecvat

 Testul de validare eşuează. Modelul perturbaţiilor este probabil inadecvat. 41
 1. Introducere
Desfăşurarea experimentului de identificare (continuare)
 Reconsiderarea modelului matematic şi a metodei de identificare

ARMAX[2,2,nc] MMEP Nc  10  indicele structural maxim al

modelului de zgomot
 Redeterminarea modelului adecvat

A( q 1 ) y[ n]  B( q 1 )u[ n ]  C ( q 1 )e[ n]
 Informaţie preliminară despre proces
 Scopul identificării procesului

Organizarea
experimentului
Alegerea clasei
de modele de
ARMAX[2,2,2]
econometric identificare

p r i m
Achiziţia şi
p r

a
e

r
l

ă
u c

a
r a

d
r

a
e

t
a

e l o r
M ()
Alegerea
modelului de
identificare
AR X MA  n Z
 A( q )  1  a1q  a2 q
Alegerea
U
Y
metodei de
identificare
M ()
1 1 2
Pentru fiecare structură de model din ce în ce m
bogată (m{1,2,…,M):
a i

 1 10 1
 B( q )  q (b1  b2 q )
 se determină parametrii modelului ales, m;
 se evaluează precizia modelului (V (m) sau P(m)).

C ( q 1 )  1  c q 1  c q 2
Alegerea modelului
adecvat datelor
achiziţionate


M (o)

NU DA
1 2
Validarea
modelului

Model valid

• Comparînd coeficienţii polinomului C între ei, se constată că termenul ARMAX[2,2,1]

de grad maxim ar putea fi neglijat în raport cu ceilalţi termeni.
 Modelul parsimonios trebuie determinat din nou. model adecvat
parsimonios
 Validarea modelului adecvat  A( q 1 )  1  a1q 1  a2 q 2

 Modelul este validat.  B( q 1 )  q 10 (b1  b2 q 1 )
M ( o)  1 1
 C ( q )  1  c 1 q 42
 Metode
Metodedede
identificare
8/23
 Modele de identificare
identificare

. Scurtă clasificare IS

M
Semnale
Semnale
Semnale
de
destimul
stimul

Modele
Modele de
de
identificare
identificare

Analitice
• Au un caracter mai mult teoretic şi se obţin, de
regulă, prin aplicarea legilor fizico-chimice care
caracterizează funcţionarea unui proces.
• Dovedesc o mare aplicabilitate practică, sunt
destul de generale, şi precise, dar, de multe ori,
ridică pragul de complexitate dincolo de o limită
admisibilă.
 în acest curs
Experimentale
• Se obţin din seturi de date furnizate de către
proces şi sunt, în general, uşor de implementat.
• Suferă de lipsă de generalitate, fiind specifice
anumitor tipuri de procese sau chiar puncte de
funcţionare ale aceluiaşi proces.
• Precizia lor este modestă.

M
în acest curs 
Liniare
• Procesele local liniarizabile în jurul anumitor
puncte de funcţionare sunt cele mai răspîndite.
• Modelele matematice liniare, eventual cu
parametri variabili în timp reprezintă adesea
procesele liniare sau local liniarizabile.
Neliniare
• Majoritatea proceselor din natură sunt neliniare,
dar cu diferite grade de neliniaritate.
• Procesele profund neliniare sunt dificil de
identificat, ele necesitînd modele matematice
relativ complexe, avînd tot caracter neliniar.
43
 9/23
 Modele de identificare
. Scurtă clasificare

M
dar mai mult 
Parametrice  în acest curs  Neparametrice
• Mai precise. • Mai puţin precise.
• Oferă mai mult descrieri calitative ale procesului
M ()
de interes, dar pot fi utilizate pentru a stabili
anumite caracteristici ale experimentului de
identificare parametrică desfăşurat ulterior
(întîrziere intrinsecă, frecvenţă de eşantionare,
numărul maxim de parametri etc.).

M
Invariante în timp  în acest curs  Variabile în timp

Multi(ple) Input(s) Multi(ple) Output(s)

Single Input Single Output M
în acest curs  SISO MIMO  dar şi
Multi(ple) Input(s)
SIMO MISO 44
Single Input Multi(ple) Output(s) Single Output
 10/23
 Modele de identificare
. Scurtă clasificare

M
 în acest curs
În timp continuu În timp discret
• Procesele care trebuie identificate au de regulă o • De regulă, sunt modele experimentale.
evoluţie în timp continuu. • Uşor de implementat şi de determinat.
• Sunt mai degrabă modele analitice decît
experimentale.
• Pentru procesele de complexitate redusă, este
posibilă determinarea parametrilor funcţiilor de
transfer (numiţi şi parametri fizici) sau chiar a
parametrilor de stare.

M
în acest curs 
Cu parametri concentraţi Cu parametri distribuiţi
• Cu un număr finit de parametri. • Cu un număr infinit de parametri.
dar mai mult 
M
În domeniul timpului În domeniul frecvenţei 45
 în acest curs 
Vezi Anexele A si B

46
 22/23
 Modele de identificare
. Modele uzuale de identificare (scurtă recapitulare)

Forma de regresie liniară y[n]  T [n]θ  e[n]

 n N
 Ieşirea depinde liniar de vectorul
parametrilor necunoscuţi. Vectorul regresorilor
ARMAX[na,nb,nc] Format din date măsurate şi, eventual, estimate.
 T def
  [ n]    y[ n  1]  y[ n  2]  y[ n  na ] u[ n  1] u[ n  2] u[ n  nb] ...
 3 componente, ... e[ n  1] e[ n  2] e[ n  nc ]
 ca şi vectorul parametrilor
 T def  Ultima componentă
θ   a1 a2 ana b1 b2 bnb c1 c2 cnc 
nu este măsurabilă.  n N
Exerciţiu • Să se indice toate modelele din clasa ARMAX Dar poate fi estimată, fapt care
pentru care vectorul regresorilor conţine complică metoda de identificare
numai componente măsurabile. şi reduce precizia modelului.
Stabilitatea modelelor parametrice raţionale
• Testarea stabilităţii revine adesea la verificarea proprietăţii unui polinom Coeficient
de a avea zerourile în interiorul discului unitar din planul complex.
A  z 1   1  aM ,1z 1   aM ,M z  M  z  M  z M  aM ,1z M 1   aM ,M 
de reflexie
def
k M  aM , M
• Acest lucru se poate realiza cu ajutorul Criteriului de stabilitate Schür-Cohn.
A  z 1   z  M A  z 1   z  M  aM ,1z1 M 
def
Polinomul  aM ,M 47
reciproc
 23/23
Sisteme continue  Modele de identificare
Criteriul . Modele uzuale de identificare (scurtă recapitulare)
Hurwitz
Criteriul de stabilitate Schür-Cohn (Sisteme discrete)

Date de intrare A  z 1   1  aM ,1z 1   aM ,M z  M (coeficienţii polinomului)

m  M (primul indice)
Iniţializare kM  aM , M (primul coeficient de reflexie)
A M  z 1   A  z 1  (primul polinom furnizor de coeficient de reflexie)

Buclă iterativă
 Cît timp km  1 & m0

 Dacă m  1
a. Se evaluează polinomul următor, care foloseşte atît polinomul curent,
cît şi polinomul reciproc asociat:
Am  z 1   km Am  z 1 
Am1  z 1
  am1,0  am1,1 z 1   am1,m1 z1m am1,0  1
1 k 2
m

b. Se extrage coeficientul următor de reflexie: km1  am1,m1

 Se decrementează indicele curent: m  m 1  Toţi coeficienţii de
reflexie se situează
m0 km  1  Polinomul este instabil. în discul unitar.
Test final
m0 k 
i i1, M
 [0,1)  Polinomul este stabil. 48