Escolar Documentos
Profissional Documentos
Cultura Documentos
2.- Tratamiento previo de los datos registrados: Los datos registrados estn
generalmente acompaados de ruidos indeseados u otro tipo de imperfecciones que
puede ser necesario corregir antes de iniciar la identificacin del modelo. Se trata, por
tanto, de preparar los datos para facilitar y mejorar el proceso de identificacin.
Adquisicin de
datos
Pre- Eleccin de la
procesamiento estructura de
de los datos los datos
Eleccin del criterio
de ajustes de los
parmetros
Modelo no vlido
revisar
Modelo aceptado
Figura 1. Diagrama de flujo del proceso de identificacin.
Mtodos de identificacin
3.- Modelos de caja gris o hbridos: Combina las ventajas de las aproximaciones de caja
blanca y caja negra, de forma que las partes conocidas del sistema son modeladas
usando principios fsicos, y las partes desconocidas o con ms incertidumbre son
modeladas usando esquemas caja negra, empleando datos del proceso y estructuras de
modelado de caja negra.
4.- Modelos en lgica difusa: Son modelos lingsticamente interpretables los cuales
usan reglas si-entonces y operadores lgicos para establecer relaciones cualitativas
sobre las variables del sistema. Los modelos difusos integran el procesamiento lgico de
informacin con las atractivas propiedades de los aproximadores universales de
funciones. Es debido a esta propiedad de integracin, que son ideales para formalizar el
conocimiento experto, y al mismo tiempo, dadas sus estructuras matemticas flexibles,
pueden representar sistemas no lineales complejos a partir de datos de entrada-salida,
haciendo uso efectivo de algoritmos de aprendizajes en combinacin con tcnicas de
regresin convencionales.
Dependiendo de la aplicacin
2.- Mtodos de identificacin on-line (en lnea): Son utilizados en aquellos casos en que
los parmetros se van actualizando continuamente a partir de los nuevos datos de
entrada-salida obtenidos durante la evolucin del proceso. Estos mtodos son muy
utilizados en sistemas de control adaptativo.
Entre sus principales caractersticas se tiene que son mtodos que no asumen una
estructura de modelo especfica, no considera las perturbaciones a la hora de modelar, y
que se obtienen directamente de curvas o tablas. La estimacin de modelos no
paramtricos es mucho ms sencilla y ms eficiente, pero al mismo tiempo menos
acertada que la estimacin paramtrica.
Los modelos paramtricos, a diferencia del anterior, quedan descritos mediante una
estructura y un nmero finito de parmetros que relacionan las seales de inters del
sistema (entradas, salida y perturbaciones). En muchas ocasiones es necesario realizar la
identificacin de un sistema del cual no se tiene ningn tipo de conocimiento previo. En
estos casos, se suele recurrir a modelos estndar, cuya validez para un amplio rango de
sistemas dinmicos ha sido comprobada experimentalmente. Generalmente estos
modelos permiten describir el comportamiento de cualquier sistema lineal.
Consiste en simples modelos continuos del proceso, caracterizados por una ganancia
esttica, constante de tiempo dominante, y posibles retardos de tiempo. Estos son
variantes del modelo en estructura de la funcin de transferencia del tipo que se
muestra:
() = (1)
+ 1
= () + ()
(3)
() = () + ()
Donde x(t) es el vector de estados; A,B,C,D son las matrices del sistema con
dimensiones apropiadas.
Sistemas multivariables