Identificación experimental con algoritmo genético de parámetros de modelo masa-muelle-amortiguador

Antonio Sala, UPV

Dificultad: *** ,       Relevancia: ,      Duración: 19:49

Resumen:

Este vídeo carga un fichero de datos (formato .mat) supuestamente experimentales, obtenidos en laboratorio, de un sistema mecánico del que se quiere estimar los parámetros físicos de un modelo masa-muelle-amortiguador lineal.

El vídeo describe una primera etapa de preprocesado de datos, donde se elimina el segmento inicial con efecto de condiciones iniciales y grandes desplazamientos (que podrían excitar no-linealidades presentes en casi todos los sistemas físicos), y se pone a “cero” alrededor del punto de funcionamiento donde se desea identificar el sistema lineal, como se hace de forma “teórica” en los ejercicios de linealización.

Luego, presenta el modelo de simulación paramétrico y la función que con ode45 hace la integración numérica para unos parámetros datos (interpolando la entrada linealmente en puntos intermedios si fuera necesario para ode45).

Las salidas simuladas y experimentales se comparan, estableciendo un índice de coste de mínimos cuadrados que debe ser lo más pequen~o posible.

La optimización en sí se ejecuta con un algoritmo genético ga de la Global Optimization toolbox de Matlab. Es un método global que, a cambio de ser mucho más lento en tiempo de ejecución (importante en problemas con muchas variables a optimizar), no se queda atascado en mínimos locales como otras rutinas (fminunc o fmincon) basadas en búsqueda local de dirección de máximo descenso; estas ideas se discuten con más detalle en el vídeo [optimfmga], aconsejable si no estás familiarizado con estas técnicas.

Se superpone el modelo identificado a datos de ajuste y de validación y se considera suficientemente preciso, con lo que se da por preliminarmente válido el modelo obtenido.

La extensión a identificación experimental de un modelo no lineal para estos mismos datos se aborda en el vídeo [identganl], continuación de éste. También se discute en el referido vídeo la posible utilización de métodos de búsqueda local (fmincon) para abordar este tipo de problemas.

Nota: en problemas complicados, existe una opción para acelerar los algoritmos genéticos usando mútliples núcleos de la CPU, ver documentación sobre la opción ‘UseParallel’.

Identificación experimental de parámetros físicos usando la System Identification Toolbox de un problema similar se aborda en el vídeo [idnlg]. las ideas de este vídeo están detrás de muchos problemas de ingeniería; en particular, la optimización de parámetros de controladores, como se discute en los vídeos [sdopid1], [optode1], [optode2], etc.

Colección completa [VER]:

• Anterior   Identificacion con ‘procest’ de modelos de primer y segundo orden + retardo

• Siguiente Identificación experimental modelo no-lineal masa-muelle-amortiguador: algoritmo genético, fmincon