UNIDAD DIDÁCTICA I Teoría de Filtrado Óptimo 1

Índice PRÓLOGO IX UNIDAD DIDÁCTICA I Teoría de Filtrado Óptimo 1 1 Representación de Estado de Sistemas Lineales 5 11 Representación de Estado en Tiempo Continuo 5 12 Matriz de Transición 1 121 Definición y Propiedades 1 122 Matriz de Transición en Sistemas de Dinámica Invariante 13 13 Evolución del Vector de Estado en Sistemas Forzados 15 14 Formulación Discreta 17 141 Representación de Estado en Tiempo Discreto 17 142 Representaciones equivalentes 18 15 Observabilidad y Controlabilidad de Sistemas 2 151 Observabilidad 2 152 Controlabilidad 23 153 Multiplicidad de Modelos 25 16 Matriz de Covarianza 26 17 Propagación de errores 29 2 Filtro de Kalman 33 21 Introducción 33 22 Filtros Recursivos 34 23 Formulación Discreta del Filtro de Kalman 36 231 Descripción del Problema e Hipótesis 36 v

vi Filtrado, Estimación e Identificación 232 Deducción de la Solución 38 233 Compendio de los Resultados Obtenidos 42 24 Ejemplo de Aplicación 44 25 Aplicación a la Identificación de Procesos 46 EI Ejercicios de la Unidad Didáctica I 5 UNIDAD DIDÁCTICA II Identificación de Procesos desde la Perspectiva de la Optimización 63 3 Identificación por Mínimos Cuadrados 67 31 Introducción 67 32 Formulación General 68 321 Planteamiento del problema mediante un ejemplo ilustrativo 68 322 Generalización del planteamiento 69 323 Solución del problema 7 324 Cambio de notación 71 325 Solución al ejemplo ilustrativo 71 33 Interpretación Geométrica 72 34 Forma Recursiva de los Mínimos Cuadrados 74 341 Planteamiento 74 342 Resolución general 75 343 Una forma práctica para la inicialización del algoritmo 78 35 Implementación del Método por Computador 79 36 Interpretación Estadística 79 79 362 Estimador de máxima verosimilitud 82 363 Ejemplo ilustrativo de un estimador de máxima verosimilitud 83 364 Máxima verosimilitud en el estimador por mínimos cuadrados 84 37 Conexiones con el Filtro de Kalman 84 38 Conclusiones 87 4 Problemática de la Aplicación Real 89 41 Introducción 89

Índice vii 42 Parámetros Variables con el Tiempo 9 421 Naturaleza del proceso real 9 422 El factor de olvido 91 423 Formulación recursiva 92 424 Análisis del algoritmo 94 43 Correlación en las Variables del Modelo 95 431 Naturaleza de la correlación 95 432 Métodos de la Respuesta Impulsional y de los Mínimos Cuadrados Extendidos 96 44 Identificación en Lazo Cerrado 99 441 Correlación debido a la realimentación 99 442 Elección de una realimentación con vistas a la identificación 1 45 Conclusiones 11 EI Ejercicios de la Unidad Didáctica II 13 UNIDAD DIDÁCTICA III Identificación de Procesos desde la Perspectiva de la Estabilidad 111 5 Introducción a los Sistemas Adaptativos desde la Perspectiva de la Estabilidad 115 51 Introducción 115 52 Escenarios para el Análisis y el Diseño 116 53 Descripción del Sistema Adaptativo en el Caso Ideal 119 531 Ejemplo de proceso sin retardos puros 12 532 Ejemplo de proceso con retardos puros 122 54 Descripción del Sistema Adaptativo en el Caso Real 126 541 Descripción del proceso 126 542 Descripción de las Ecuaciones del Modelo Adaptativo 128 55 Diseño desde una perspectiva de estabilidad 13 6 Análisis y Síntesis del Sistema Adaptativo en el Caso Ideal133 61 Introducción 133 62 Una estrategia para la resolución del problema de síntesis 134 63 Ejemplo de síntesis del sistema adaptativo 135 64 Relación entre los Errores de Estimación a priori y a posteriori138

viii Filtrado, Estimación e Identificación 65 Una Expresión General para el Mecanismo de Adaptación 139 66 Secuencia de Operaciones en un Ejemplo Ilustrativo 14 67 Convergencia de los parámetros del modelo adaptativo 141 68 Análisis de los resultados 143 7 Análisis y Síntesis del Sistema Adaptativo en el Caso Real sin Diferencia de Estructuras 147 71 Introducción 147 72 Estrategia para la solución 148 73 Ejemplo de solución al problema de síntesis 151 74 Propiedades del sistema adaptativo 154 75 Conclusiones 157 EI Ejercicios de la Unidad Didáctica III 16 APÉNDICES A Operaciones con Vectores y Matrices 177 A1 Operaciones con Vectores 177 A2 Operaciones con Matrices 18 A3 Operaciones con Vectores y Matrices 189 B Probabilidad y Procesos Aleatorios 193 B1 Probabilidad 193 B2 Variables Aleatorias 197 B3 Procesos Aleatorios 25

Capítulo 1 Representación de Estado de Sistemas Lineales 11 Representación de Estado en Tiempo Continuo Los primeros trabajos en la teoría de control y estimación consideraron la descripción y el análisis de sistemas en el dominio de las frecuencias En contraste, trabajos posteriores (Pontryagin, Belman, Lyapunov, Kalman y otros) consideraron la descripción de sistemas en el dominio temporal, y particularmente la denominada representación de estado que ofrece la ventaja de una gran simplicidad matemática y es especialmente útil en la descripción estadística del comportamiento de los sistemas La evolución dinámica de sistemas lineales puede ser representada genéricamente por una ecuación diferencial vectorial-matricial de primer orden, tal como: ẋ(t) = F (t)x(t) + G(t)w (t) + L(t)u(t) (11) donde x(t) es el vector estado del sistema, w (t) es una perturbación aleatoria, u(t) es una entrada (señal de control) determinística que actúa sobre el sistema, y F (t), G(t), L(t) son matrices que determinan la dinámica en cuestión Esta ecuación ha sido comúnmente empleada en la denominada teoría de estimación y control óptimo El vector de estado esta compuesto 5

6 Filtrado, Estimación e Identificación por un conjunto de variables suficientes para describir completamente la evolución autónoma del sistema en cuestión El vector de estado en un instante de tiempo, y una descripción de la perturbación aleatoria y la señal de control, a partir de ese instante, permiten calcular el vector de estado en cualquier tiempo futuro El vector de estado no es único en el sentido de que cualquier otro conjunto de variables x (t) obtenido a partir de una transformación no singular de x(t) tal como: x (t) = A(t)x(t) (12) responde asimismo a las propiedades que definen al vector de estado u L(t) w G(t) + + + x F(t) Figura 11: Diagrama de Bloques de la Evolución Dinámica de Sistemas Lineales Dada la ecuación diferencial lineal de orden n: [ d n dt n + a n 1 (t) dn 1 dt n 1 + + a 1 (t) d ] dt + a (t) y (t) = w (t) (13) podemos definir un conjunto de variables de estado x 1 (t),,x n (t) tal que: x 1 (t) = y (t) x 2 (t) = x n (t) = ẋ 1 (t) = dy(t) dt ẋ n 1 (t) = dn 1 y(t) dt n 1 (14)

Representación de Estado de Sistemas Lineales 7 Estas relaciones pueden ser escritas como un conjunto de n ecuaciones diferenciales de primer orden ẋ 1 (t) = x 2 (t) ẋ 2 (t) = x 3 (t) ẋ n (t) = a (t)x 1 (t) a 1 (t) x 2 (t) a n 1 (t) x n (t) + w (t) (15) Las primeras n 1 ecuaciones anteriores se deducen directamente de la definición de las variables de estado y la última se deriva a partir de dicha definición y la ecuación (13) Expresando las ecuaciones (15) en su forma vectorial-matricial, obtenemos: ẋ 1 1 ẋ 2 1 = ẋ n 1 1 ẋ n a a 1 a 2 a n 2 a n 1 x 1 x 2 x n 1 x n + w (16) Figura 12: Representación de Diagrama de Bloques de la Ecuación 16 La ecuación (16) es un caso particular de la ecuación genérica (11), es equivalente a la ecuación (13), y se conoce como forma canónica de esta

8 Filtrado, Estimación e Identificación última La matriz del sistema dinámico F es cuadrada y de dimensión n, correspondiendo al orden de la ecuación diferencial En algunos sistemas lineales de interés, las funciones de perturbación y de control son multivariables, es decir, algunas componentes individuales de w (t) y u(t) pueden ser funciones no nulas que influyen en varias variables de estado simultáneamente, haciendo G(t) y L(t) ser matrices con elementos significativos en localizaciones fuera de la diagonal principal La ecuación dinámica que sigue el comportamiento de un sistema queda determinada generalmente por su naturaleza física La expresión de la ecuación genérica (11) puede generalizarse en la forma: ẋ 1 ẋ 2 ẋ n = f 11 f 12 f 1n f 21 f 22 f 2n f n1 f n2 f nn + x 1 x 2 x n l 11 l 12 l 1s l 21 l 22 l 2s l s1 l s2 l ss + g 11 g 12 g 1n g 21 g 22 g 2r g r1 g r2 g rr u 1 u 2 u s w 1 w 2 w r (17) Donde las funciones w y u no necesariamente han de ser de dimensión n, por ejemplo en (17) se considera que la dimensión de w es r y la de u es s Sin embargo, es necesario que los productos de Gw y Lu sean de dimensión n Ejemplo 11-1 Consideremos el contenedor de la Figura 13, donde una masa m esta conectada a la pared izquierda por un muelle con constante de elasticidad k y por un amortiguador con constante de amortiguación c La masa se apoya sobre ruedas en la base, pero no consideraremos los efectos de fricción de las ruedas El desplazamiento x se medirá (sentido positivo hacia la izquierda) entre los indicadores, tal y como se representa en la figura El contenedor está sometido a una aceleración w(t) dirigida hacia la derecha Entonces, el

Representación de Estado de Sistemas Lineales 9 sistema está sometido a un movimiento de traslación unidimensional, por lo que el desplazamiento x y la velocidad ẋ son apropiadas para tomarlas como variables de estado Figura 13: Sistema Físico de Segundo Orden La ecuación del movimiento del sistema se obtiene a partir de la segunda ley de Newton fx = ma Las fuerzas que actuan en el sistema son f x = k x c ẋ, correspondientes al muelle y al amortiguador La aceleración total es a = ẍ w(t) Sustituyendo estos valores, la ecuación del movimiento resulta: mẍ + cẋ + kx = mw(t) Si definimos el vector de estado como: [ x ẋ la ecuación de estado del sistema será: [ ẋ ẍ ] [ = ] 1 k/m c/m ][ x ẋ ] [ + w(t) ]

1 Filtrado, Estimación e Identificación 12 Matriz de Transición 121 Definición y Propiedades En esta sección analizaremos la solución de la ecuación de estado previamente considerada para la descripción de los sistemas físicos En primer lugar, analizaremos la solución en el caso de un sistema autónomo, sobre el que no actúan ni perturbaciones, ni entradas o señal de control, y por tanto descrito por: ẋ(t) = F (t)x(t) (18) Supongamos que en un instante de tiempo, t, todas las variables de estado menos una valen cero También supongamos que la variable de estado distinta de cero es igual a 1 La evolución del vector de estado para todo instante de tiempo t, donde t t, puede expresarse en términos de un vector de evolución variable con el tiempo, ϕ i (t,t ), donde el subíndice indica la variable de estado no nula ϕ i (t,t ) = x 1 (t,t ) i x 2 (t,t ) i x n (t,t ) i (19) Si la condición inicial de la variable de estado no nula fuera diferente de la unidad (consideremos que fuera c, por ejemplo) debido al comportamiento lineal del sistema, puede escribirse: ϕ i (t,t,c) = c ϕ i (t,t ) (11) Ahora, aplicando el principio de superposición de los sistemas lineales, si dos variables de estado i y j tienen valores iniciales no nulos c i y c j en el instante t, la evolución del sistema resulta de la suma de los vectores de evolución previamente considerados para cada una de las variables en cuestión y, en consecuencia, puede escribirse: ϕ i (t,t,c i,c j ) = c i ϕ i (t,t ) + c j ϕ j (t,t ) (111) La ecuación (111) puede expresarse como el producto de la matriz:

Representación de Estado de Sistemas Lineales 11 [ ϕi ϕ j ] y el vector: [ ci ] c j En general, cada variable de estado tendrá un valor distinto de cero en t ; este conjunto de valores definirán el vector de estado x(t ) La evolución del vector de estado será la suma de los vectores de evolución para cada una de las variables, que puede escribirse en la forma: x(t) = [ ϕ 1 (t,t ) ϕ 2 (t,t ) ϕ n (t,t ) ] x(t ) (112) que en forma compacta puede escribirse: x(t) = Φ (t,t )x(t ) (113) La matriz Φ (t,t ) es llamada matriz de transición Como hemos visto la matriz de transición permite calcular en ausencia de perturbaciones el vector estado en el instante t, si se conoce el vector de estado en t A partir de (18) y (19), podemos deducir que los vectores de evolución en esta última considerados obedecen a ecuaciones diferenciales de la forma: donde dϕ i (t,t ) dt ǫ 1 = 1 = F (t) ϕ i (t,t ) (114) ϕ i (t,t) = ǫ i, ǫ 2 = 1, etc (115) De forma similar, la matriz de transición, compuesta por los vectores ϕ i, obedece a la ecuación d dt Φ (t,t ) = F (t)φ(t,t ), Φ (t,t) = I (116)

12 Filtrado, Estimación e Identificación La matriz de transición Φ (t 1,t ) determina el cambio de x(t ) a x(t 1 ); x(t 1 ) = Φ (t 1,t )x(t ) (117) Figura 14: Representación gráfica de la evolución del vector de estado De la misma forma, para un segundo instante de tiempo t 2, tenemos que: x(t 2 ) = Φ (t 2,t 1 )x(t 1 ) En consecuencia, = Φ (t 2,t 1 )Φ(t 1,t )x(t ) (118) Φ (t 2,t ) = Φ (t 2,t 1 )Φ(t 1,t ) (119) lo que es una propiedad general de la matriz de transición de estados, independientemente del orden de t, t 1 y t 2 Dado que para todo t, Φ (t,t) = Φ (t,t ) Φ (t,t) = I (12) premultiplicando por Φ 1 (t,t ) obtenemos la relación: Φ 1 (t,t ) = Φ (t,t) (121) Puesto que la inversa de Φ (t,t ) debe existir, se cumple que: Φ (t,t ) (122)

Representación de Estado de Sistemas Lineales 13 Otras propiedades del determinante de la matriz de transición que presentamos sin demostración son; y d dt Φ (t,t ) = traza [F (t)] Φ (t,t ) (123) [ t ] Φ (t,t ) = exp traza [F (τ)]dτ t (124) 122 Matriz de Transición en Sistemas de Dinámica Invariante Para un sistema de dinámica invariante la matriz F es constante en el tiempo y la matriz de transición depende solo del intervalo de tiempo considerado, es decir: Φ (t,t ) = Φ (t t ) (125) Expandiendo x(t) en un desarrollo en serie de Taylor, alrededor del instante de tiempo t, obtenemos: x(t) = x(t ) + ẋ(t ) (t t ) + ẍ(t ) (t t ) 2 + (126) 2! Siendo F constante, a partir de (18) podemos deducir: ẋ(t ) = F x(t ) ẍ(t ) = F ẋ (t ) = F 2 x(t ) etc (127) A partir de (126) y (127) obtenemos: x(t) = x(t ) + F (t t )x(t ) + F 2 (t t ) 2 x(t ) + 2! = [ I + F (t t ) + 1 ] 2! F 2 (t t ) 2 + x(t ) (128)

14 Filtrado, Estimación e Identificación Como se ha considerado en el Apéndice B una matriz exponencial puede expandirse en la forma: e A = I + A + A2 2! + A3 + (129) 3! En consecuencia, a partir de (128) y (129) la matriz de transición para sistemas de dinámica invariante puede expresarse en la forma: Φ (t t ) = e F(t t ) (13) la cual depende únicamente de la dinámica del sistema estacionario F y el intervalo t t Ejemplo 12-1 Consideremos el circuito de la Figura 15, compuesto por una fuente de tensión v, una resistencia R, y un inductor L Aplicando la primera ley de Kirchhoff al circuito obtenemos: v = ir + L di dt Figura 15: Circuito Eléctrico Asumimos que i = i en t = t y v = en cualquier instante de tiempo t Si aplicamos estas condiciones a la ecuación que rige nuestro circuito obtenemos: di dt = R L i (131) La matriz del sistema F es en esta ecuación la cantidad escalar R/L Empleando técnicas básicas de resolución de ecuaciones diferenciales obtenemos: i(t) = i e R L (t t )

Representación de Estado de Sistemas Lineales 15 como solución a la ecuación 131 En esta solución identificamos la matriz de transición: Φ(t,t ) = e R L (t t ) Verificaremos a continuación las propiedades de la matriz de transición vistas en la sección 121 Para los instantes de tiempo t, t 1, t 2, tenemos: consecuentemente podemos escribir: Φ(t 2,t 1 ) = e R L (t 2 t 1 ) Φ(t 1,t ) = e R L (t 1 t ) Φ(t 2,t 1 )Φ(t 1,t ) = e R L (t 2 t 1 ) e R L (t 1 t ) = e R L (t 2 t ) = Φ(t 2,t ) 13 Evolución del Vector de Estado en Sistemas Forzados En esta sección consideraremos la evolución del vector de estado en un sistema forzado descrito por la ecuación: ẋ(t) = F (t)x(t) + L(t)u(t) (132) A partir de (132) podemos considerar que el efecto de la entrada u(t) en la variable de estado i del vector x(t), sobre un pequeño intervalo (τ τ, τ), es un impulso cuya área es la fila i del segundo sumando de (132) en τ, L(τ)u(τ), por el intervalo τ El cambio en la variable de estado i, debido a este impulso puede escribirse: x i (τ) = [L(τ)u(τ)] i τ (133) El cambio en el conjunto del vector de estado puede ser expresado como: x 1 (τ) x 2 (τ) x (τ) = = L(τ)u(τ) τ (134) x n (τ)