Revista Colombiana de Fı́sica, vol. 45 No.1, 2013. Identificación en lazo cerrado de sistemas dinámicos Closed Loop Identification of Dynamical Systems D. Bravo-Montenegro a,c ⋆ , C. Rengifo-Rodas b , E. Franco-Mejı́a c a Grupo de Investigación en Sistemas Dinámicos, Instrumentación y Control SIDICO, Universidad del Cauca, Popayán, Colombia. b Grupo de Investigación en Automática Industrial, Universidad del Cauca, Popayán, Colombia. c Grupo de Investigación en Control Industrial GICI, Universidad del Valle, Cali, Colombia. Recibido septiembre 19 de 2011; aceptado junio 7 de 2013. Resumen En este trabajo se muestra un estudio comparativo de los métodos utilizados en el modelado, a partir de datos experimentales, de sistemas dinámicos que operan en lazo cerrado, se propone y se valida una metodologı́a para el diseño de experimentos de identificación en lazo cerrado en una planta de control de procesos. Palabras clave: lazo cerrado, datos experimentales, identificación, modelos, señales, sistemas dinámicos. Abstract In this paper, we show a comparative study of methods used in modeling, from experimental data, of dynamical systems operating in closed loop. A methodology to design experiments of closed loop identification in a process control plant, is proposed and validated. Keywords: closed loop, experimental data, identification, models, signals, dynamical systems. 1. Introducción La Identificación consiste en la determinación del modelo matemático de un sistema dinámico a partir de medidas entrada-salida. El conocimiento del modelo es necesario para el diseño y la implementación de un sistema de control de alto desempeño. La identificación de sistemas es una aproximación experimental para determinar el modelo dinámico de un sistema fı́sico, estas técnicas de identificación se clasifican ası́: toma de datos y posterior procesamiento (offline), y toma de datos y procesamiento continuo (online). Cuando estas variantes entregan modelos lineales, los resultados provenientes de técnicas offline solo son válidos alrededor del punto de operación donde se realizó la toma de datos; la identificación online en cambio, con- tinuamente está comparando la salida del sistema con la salida predecida por el modelo y, si hay variaciones el modelo, se recalcula; a su vez la identificación, ya sea offline u online, puede hacerse en lazo abierto o en lazo abierto cerrado. Existe gran cantidad de investigación desarrollada en identificación de sistemas desde los trabajos de estimación [Marquart, 1963; Astrom, 1968] hasta los trabajos más recientes en identificación de sistemas dinámicos multivariables en lazo cerrado. En este artı́culo se presentan de manera concisa los conceptos fundamentales de la identificación de sistemas dinámicos de lazo cerrado. En los numerales dos y tres se presentan aspectos teóricos de la identificación de los sistemas que operan en lazo cerrado, en el numeral cuatro se desarrolla la metodologı́a seguida para la experimentación, en la sección cinco se presentan los ⋆ [email protected] Este trabajo es publicado por la Sociedad Colombiana de Fı́sica y distribuido en open acces según los términos de la licencia Creative Commons Attribution. Rev. Col. Fı́s., 45 No.1, 2013. e(k) M odelo de ruido H(q) v(k) u(k) G(q) Σ y(k) Figura 1. Esquema general para la representación de un sistema dinámico. Los diferentes tipos de estructuras para la representación de sistemas dinámicos LTI como: FIR(Finite Impulse Response), ARX(Auto-Regresive with eXternal input), ARMAX(Autoregresive Moving Average with eXternal input), OE(Output Error), BJ(Box and Jenkins), son casos especiales de (Ec. 3). resultados de la experimentación y, finalmente, se presentan las conclusiones del trabajo. 2. Representación de sistemas dinámicos en el dominio del tiempo La figura 1 muestra la estructura a utilizar para la representación del sistema dinámico a identificar. La parte determinı́stica de la señal de salida y(k) se expresa como la respuesta de G(q), un sistema lineal de tiempo discreto gobernado por una señal determinı́stica u(k) que representa las entradas al sistema. v(k), la parte estocástica de y (k), representa el ruido que afecta cualquier tipo de medición: y(k) = G(q)u(k) + υ(k). 3. Identificación en lazo cerrado En algunas situaciones prácticas es imposible remover la realimentación, tal es el caso de procesos con integradores o procesos inestables en lazo abierto o simplemente se hace necesario identificar la dinámica de lazo abierto sin necesidad de abrir el lazo, ya que esta operación puede causar pérdidas de producción. La principal diferencia entre identificacı́on en lazo abierto e identificacı́on en lazo cerrado es el origen de los datos y no las técnicas de estimación empleadas [Ljung, 1987]. El problema fundamental con los datos de lazo cerrado es la influencia del ruido presente en la medición de la señal de salida sobre la señal de entrada al sistema. En la figura 2 se observa que si el sistema no estuviese realimentado no habria ninguna influencia de la señal υ(t) sobre u(t). En identificación en lazo cerrado existen tres enfoques [4]: (1) Aquı́ suponemos que la planta es un sistema lineal alrededor del punto de operación donde se obtuvieron los datos para la identificación, también que la señal de ruido que afectó al proceso de medición, se puede representar como la respuesta de estado estacionario de un sistema lineal excitado por una señal de ruido blanco e(k). υ(k) = H(q)e(k). (2) En identificación, la estimación del modelo se hace a partir de muestras de las señales de entrada y de salida, las funciones de transferencia G(q) y H(q) serán de tiempo discreto. Se debe tener en cuenta que no es fácil ajustar datos muestreados a modelos de tiempo continuo (5), las anteriores consideraciones implican que H(q) debe tener todos sus polos y ceros dentro del cı́rculo unitario. El modelo (Ec. 1) puede representarse en términos de polinomios de grado finito como: A(q)y(k) = C(q) B(q) u(k) + e(k). F (q) D(q) Identificación directa : se estiman los parámetros del modelo de lazo abierto con base en la medición de u(k) y y(k), (ver figura 2). Cuando se hace identificación directa no se requiere conocer el modelo del controlador. Identificación indirecta : para identificar los parámetros del modelo de lazo abierto primero se realiza una estimación del modelo de lazo cerrado con base en r(k) y y(k). A partir del modelo del controlador y el modelo de lazo cerrado, se obtiene mediante simple (3) 46 D. Bravo-Montenegro et al.: Identificación en lazo cerrado... x(k) r(k) + Controlador - P υ(k) u(k) P lanta P b y(k) T ransductor Figura 2. Identificación en lazo cerrado. álgebra de bloques el modelo de lazo abierto. Identificación conjunta : utiliza un enfoque totalmente distinto a los dos anteriores, aquı́ se supone el sistema de lazo cerrado como una craga negra cuyas entradas son r(k) y υ(k), y salidas u(k) y y(k). La representación en bloques de la identificación conjunta se ilustra en la figura 3. Tabla 1. Comparación de los modelos estimados. Ident. Directa Ident. Indirecta Ident. Conjunta 1,002q −1 + 0,5041q −2 1,002q −1 + 0,5041q −2 1,003q −1 + 0,5134q −2 1 − 1,103q −1 + 0,1766q −2 1 − 1,103q −1 + 0,1789q −2 1 − 1,099q −1 + 0,165q −2 GDC = 20,4633 GDC = 19,8432 GDC = 22,9758 En la figura 4 se compara la respuesta en frecuencia de los tres métodos, donde se corrobora la diferencia entre las ganancias de D.C. para cada uno de los sistemas. Los diferentes modelos identificados son válidos, las diferencias se deben a la varianza asociada con la estimación de cada parámetro. Para identificar la función de transferencia de lazo abierto (Figura 3) a partir de un conjunto de datos de lazo cerrado, r(k), u(k) y y(k) representan la señal de referencia, la ley de control y la salida, respectivamente. Para ilustrar los tres casos anteriores supongamos que se desea identificar el siguiente sistema mediante toma de datos en lazo cerrado de r(k), u(k) y y(k): Se observa que cuando se parte de una correcta selección de la estructura del modelo los resultados obtenidos en general son buenos para cualquiera de los métodos utilizados, se nota sin embargo la complica2 ción adicional en la identificación indirecta para hacer z z + 0,5 U (z) + U (z).el despeje de los parámetros de lazo abierto, aún en un Y (z) = (z − 0,9)(z − 0,2) (z − 0,9)(z − 0,2) caso sencillo como el aquı́ presentado. La identificación conjunta con respecto a la directa presenta la ventaja La ecuación anterior puede expresarse como una estrucde no necesitar la estructura del modelo de ruido. tura Arx: En el caso de la identificación conjunta es posible realizar una validación de solo la parte determinı́stica, −1 −2 −1 −2 (1−1,1q +0,18q )y(k) = (q +0,5q )u(k)+υ(k), ya que esta equivale a utilizar datos provenientes de un experimento sin realimentación. En la figura 5 se oby por lo tanto puede escribirse como un modelo de reserva que los residuos (aquellas partes de los datos que gresión lineal. Para objetivos de control del sistema solo no pueden ser explicadas por el modelo) son estadı́stinos interesa identificar la parte determinı́stica del mocamente independientes de la señal de entrada u(k) utidelo G(q), en este caso: lizada, por tanto el modelo puede ser aceptado. q −1 + 0,5q −2 . G(q) = 1 − 1,1q −1 + 0,18q −2 4. Metodologı́a para la identificación de sistemas En la configuración utilizada para la toma de datos, la señal r(k) se eligió como una secuencia binaria aleaLa identificación de sistemas es una aproximación toria y para la simulación de la señal de ruido e(k) se experimental para determinar el modelo dinámico de un utilizó una secuencia de variables aleatorias, normalsistema, que incluye cuatro pasos: mente distribuidas, con media cero y varianza 0.1. Los 1. Adquisición de datos entrada-salida bajo un proresultados obtenidos fueron los siguientes: tocolo experimental. 47 Rev. Col. Fı́s., 45 No.1, 2013. r(k) υ(k) u(k) SIST EM A y(k) Figura 3. Identificación conjunta. Bode Diagram 30 Sistema Real Ident. Directa Ident. Indirecta Ident. Conjunta 25 Magnitude (dB) 20 15 10 5 0 −5 −1 10 0 10 Frequency (rad/sec) 1 10 Figura 4. Respuesta en frecuencia del sistema real y los modelos estimados. 2. Selección o estimación de la estructura del modelo. 3. Estimación de los parámetros del modelo. 4. Validación del modelo identificado (estructura y valores de los parámetros). pruebas de validación. En este caso, es necesario reconsiderar los algoritmos de estimación, la complejidad (estructura) del modelo o las condiciones experimentales. La identificación de sistemas debe ser considerada como un procedimiento iterativo como el de la figura 6. Un experimento de identificación necesita la comprensión de todos los cuatro pasos indicados. Los métodos especı́ficos utilizados en cada etapa dependen del tipo del modelo deseado (parámetrico o no parámetrico, de tiempo continuo o tiempo discreto) y de las condiciones experimentales (por ejemplo: hipótesis sobre el ruido, identificación en lazo cerrado o abierto). La validación es el paso obligatorio para decidir si el modelo identificado es aceptable o no. No existe un único algoritmo de estimación de parámetros ni un único protocolo experimental que siempre nos entregue un buen modelo a partir de identificación, los modelos obtenidos no siempre pasan las En resumen, los elementos esenciales que caracterizan los diferentes pasos de identificación son: Adquisición de datos E/S bajo un protocolo experimental Se debe seleccionar una señal de excitación con un espectro de frecuencia adecuado para cubrir el ancho de banda del proceso o planta a identificar, pero con una magnitud (factor de cresta) pequeña. Selección o estimación de la estructura del modelo El problema tı́pico es definir los órdenes de los polinomios (numerador, denominador) de la función de 48 D. Bravo-Montenegro et al.: Identificación en lazo cerrado... Correlation function of residuals. Output y1 1 0.5 0 −0.5 −1 0 5 10 15 20 25 lag Cross corr. function between input u1 and residuals from output y1 0.06 0.04 0.02 0 −0.02 −0.04 −0.06 −25 −20 −15 −10 −5 0 lag 5 10 15 20 25 Figura 5. Validación del modelo estimado por identificación conjunta. transferencia pulso que representa el modelo de la planta. salida se obtuvieron de mediciones hechas a un sistema real. El sistema consta de las variables de control son potencia calorı́fica (QB) y la tasa de refulo (R). El flujo (LF) y la concentración (XF) del producto de entrada son asumidos constantes. Las variables controladas son la rata de flujo del producto (LD) y la concentración del producto (XD). Las variaciones de la entrada y la salida están alrededor de un punto de operación, el modelo es lineal y está caracterizado por una matriz de transferencia de 2 × 2: ω R H11 (q −1 ) H12 (q −1 ) LD + 1 (4) = QB ω2 H21 (q −1 ) H22 (q −1 ) XD Estimación de los parámetros del modelo La metodologı́a de identificación clásica usada para obtener modelos paramétricos o no-paramétricos no presenta un buen desempeño por ser de baja exactitud y la carencia de un m´étodo de validación del modelo, por lo que el autor (Landau,[ 2]) presenta los métodos recursivos que ofrecen posibilidades de indentificación on line de sistemas dinámicos. Validación del modelo Diferentes puntos de vista pueden ser considerados para la escogencia de un procedimiento de validación del modelo. El objetivo es verificar que el modelo de salida excitado por la misma entrada aplicada a la planta,reproduce las variaciones de la salida causadas por las variaciones de la entrada,indiferentes al efecto del ruido. donde ω1 y ω2 representan los disturbios no modelados. Este modelo corresponde a la forma: A(q −1 )y(t) = q −d B(q −1 )u(t) + ω(t). El archivo de entrada-salida contiene 256 muestras, la figura 8 muestra la señal de entrada, una secuencia binaria pseudoaleatoria (SBPA), el perı́odo de muestreo es de 10 segundos. El modelo identificado utilizando un método de identificación recursiva es: 5. Experimento de identificación multivariable El objetivo de este ejemplo es realizar la identificación de una columna de destilación binaria (aguametanol), un digrama ISA de la planta y el diagrama en bloques se muestran en la figura 7.Los datos de entrada- A(q) = 1 − 0, 7096q −1 B(q) = 0,0839q 49 −1 + 0,1415q (5) −2 + 0,0528q −3 Rev. Col. Fı́s., 45 No.1, 2013. Adquisición de datos E/S bajo un protocolo experimental Estimación de la estructura del modelo Estimación de parámetros Validación del modelo No Si Diseño del Controlador Figura 6. Metodologı́a para la identificación de sistemas. modelos de ruido para obtener estimaciones sin ”Bias”. La identificación indirecta a pesar de su simplicidad tiene el inconveniente de que necesita un conocimiento exacto de la realimentación, en sistemas de control con elementos no lineales, el despeje de los parámetros de lazo abierto puede ser muy complejo, esto imposibilita su uso en muchas situaciones prácticas. En identificación para control, la identificación conjunta es la técnica más recomendable porque no se necesita conocer la estructura del modelo ruido para obtener una estimación consistente de la parte determinı́stica. La respuesta al escalón para 2 modelos estimados se muestra en la figura 9. 6. Conclusiones La principal diferencia entre identificación en lazo cerrado e identificación en lazo abierto es el origen de los datos y no las técnicas de estimación empleadas. Como se mostró, la identificación directa, indirecta y conjunta se basan en algoritmos de estimación de parámetros desarrollados para lazo abierto. El problema fundamental con los datos tomados en lazo cerrado es que contienen menos información que los obtenidos en lazo abierto, ya que el propósito de la realimentación es disminuir la sensibilidad del sistema ante los cambios en los parámetros de lazo abierto. En este hecho radica la dificultad de identificar sistemas dinámicos que operan en lazo cerrado. A diferencia de la identificación en lazo abierto, donde a partir de modelos de ruido incorrectos y estructuras con parametrización independiente se pueden obtener modelos bastante aproximados, en identificación directa e indirecta en lazo cerrado es imperiosa la necesidad de buenos Agradecimientos Los autores desean agradecer a la Universidad del Cauca por la comisión académica concedida para la presentación de este trabajo y a la Universidad del Valle, por su permiso para trabajar en el Laboratorio de Automática. 50 D. Bravo-Montenegro et al.: Identificación en lazo cerrado... Figura 7. Columna de destilación binaria (planta). Salida QXD 0.6 0.4 0.2 0 −0.2 −0.4 −0.6 −0.8 50 100 150 200 250 200 250 Entrada QXD 0.6 0.4 0.2 0 −0.2 −0.4 50 100 150 Muestras Figura 8. Datos entrada-salida de la columna de destilación. Referencias [3] L. Lennart. System Identification, Theory for the User. Prentice Hall, 1999. [1] D. Bravo. Revista Colombiana de Fı́sica, 40, 2008. pp. 411-413. [2] I. Landau, Digital Control Systems. Springer. 2006. [4] Rengifo C.F. Identificacion de sistemas dinámicos en lazo cerrado. Santiago de Cali, 1995. Tesis de Maestrı́a. (Magı́ster 51 Rev. Col. Fı́s., 45 No.1, 2013. Columna de Destilacion : Respuesta al escalon OEEPM nA=2 1.2 OEEPM nA=1 1 0.8 0.6 0.4 0.2 0 0 2 4 6 8 10 12 14 16 18 20 Tiempo (t/Ts) Figura 9. Respuesta escalón: para dos modelos identificados. 1989. [6] Y. Zhu, Multivariable Identification for Process Control. Elsevier Science, 2001. en Automática) Universidad del Valle. Escuela de Ingenierı́a Eléctrica y Electrónica. [5] T. Soderstrom, P. Stoica. System Identification. Prentice Hall, 52