Artículos

Identificación de un Sistema de Fijación de Tornillos con Ruido en Mediciones

Identification of a Screw Fastener System with Noises in Measurements

Raúl Ramírez López¹ y Roberto Salas Zúñiga²

1 Instituto Tecnológico de Querétaro Av. Tecnológico S/N, esq. Gral. Mariano Escobedo, Centro Histórico. 76000 Querétaro, Qro.
e–mail: raulramirezlopez@bigfoot.com

2 Calz. del Retablo 118b. El Retablo. 76000 Querétaro, Qro.
e–mail: cenit2005@prodigy.net.mx

Artículo recibido en Junio 06, 2005; aceptado en Septiembre 11, 2006

Resumen

La identificación de sistemas es una tarea anterior fundamental al control de los mismos. El estado del arte en la identificación ha permitido resolver el problema de conocer el modelo de los sistemas con alta precisión, considerando que las mediciones de las variables del sistema son realizadas sin error; o bien, efectuando algún tratamiento de filtrado. Sin embargo, existen casos donde habiendo ruido en las mediciones, este filtrado no es posible, o donde los errores son atribuibles a la modelación. Muchos de los esfuerzos hechos para resolver este problema giran alrededor de la idea de disminuir los efectos del ruido sobre las señales de interés, para después despreciar el ruido residual. Pero existen aplicaciones donde aún después de disminuir los efectos, es imposible ignorar su influencia. Como ejemplo se puede mencionar el caso de sistemas inestables, donde es necesario ejercer una acción de control mientras se efectúa la identificación, y la presencia de una señal de retroalimentación provoca polarización en los identificadores. En este trabajo, se presenta una solución al problema de identificación de sistemas con ruidos en mediciones, mediante una modificación al esquema de identificación clásico Mínimos Cuadrados Extendidos (ELS), llamada Mínimos Cuadrados Sobre–Extendidos (abreviado OELS del inglés), propuesta por el autor como tesis doctoral, es demostrada bajo ciertas condiciones y aplicada a la identificación de un sistema de fijación de tornillos, el cual está sometido constantemente a ruido en las mediciones, debido tanto a la forma de efectuar la medición, como a influencias electromagnéticas externas. Los resultados son obtenidos en simulación, pero están basados en datos directamente adquiridos del sistema atornillador, y muestran el adecuado desempeño del algoritmo OELS.

Palabras clave: Identificación, control, estocástico, ruido en mediciones, Mínimos Cuadrados Extendidos, ELS, Mínimos Cuadrados Sobre–Extendidos, OELS, atornilladora.

Abstract

System identification is a fundamental previous task to system control. State of art in system identification has allowed to solve the problem of knowing the system model with high precision, considering that the system variables measurements are made without error; or making some filtering treatment. However, there are cases where, even there exist noises in measurements, the filtering treatment is not possible, or where errors are attributable to the model. Many of the efforts made to solve this problem are around of the idea of diminishing the noise effects over the interest signals, and then depreciate the residual noise. But there are applications where even after diminishing the effects is impossible to ignore its influence. As an example, it can be mentioned the case of unstable systems, where is necessary a control action while the identification is carried out, and the presence of a feedback signal leads to have biased estimators. In this work, a solution to the problem of system identification with measurement noises is presented, by means of a modification of classical identification Extended Least Squares scheme (ELS), called Over–Extended Least Squares (OELS), proposed by the author in his PhD thesis, it is proved under certain conditions and it is applied to identify a screw fastener system, which is constantly submitted to measurement noises, as much by the form the measurement is made, as by external electromagnetic influences. Results are obtained in simulation, but are based on directly acquired data from the fastener system, and show the reliable performance of the OELS algorithm.

Keywords: Identification, Control, stochastic, noises in measurements, noisy measurements, Least Square, Extended Least Square, Over–Extended Least Square, fastener system.

DESCARGA ARTÍCULO EN FORMATO PDF

Agradecimientos

El autor expresa su agradecimiento a los Ingenieros Gilberto Barroso Gil y Juan Carlos Palos, de la empresa Ejes Tractivos, S. A. de C. V., por su colaboración para la toma de datos de las atornilladoras Cooper, así como por su autorización para presentarlos en este artículo.

Referencias

1. T. W. Anderson, Linear Latent Variable Models and Covariance Structures, Journal of Econometrics 41 (1989), 91–119. North–Holland.        [ Links ]

2. Anderson, T. W. The statistical analysis of time series. John Wiley & Sons, Inc. 1971.        [ Links ]

3. Aguado, A., Ramírez, R. Tópicos Especiales de Control Inteligente y Adaptable. Registro Público en SEP–INDAUTOR #03–2001– 053117024000–01.        [ Links ]

4. strom, K. J., Eykhoff, P. System Identification– A Survey. Automatica, Vol. 7, pp. 123–162. Pergamon Press, 1971.        [ Links ]

5. Neil J. Bershad, Stochastic Analysis of Gradient Adaptive Identification of Nonlinear Systems with Memory for Gaussian Data and Noisy Input and Output Measurements. IEEE Transactions on Signal Processing, Vol. 47, No. 3, pags. 675–689, March 1999.        [ Links ]

6. B. R. Bhat, On the Method of Maximum–Likelihood for Dependent Observations, J. R. Statist. Soc. B. 36, 48–53.        [ Links ]

7. A. M. Bloch, Identification and Estimation of Dynamic Errors–In– Variables Models, Journal of Econometrics 41 (1989), 145–158. North– Holland.        [ Links ]

8. Boutayeb, M. Identification of Nonlinear Systems in the Presence of Unknown but Bounded Disturbances. IEEE Transactions on Automatic Control, Vol. 45, No. 8, pags. 1503–1507, August 2000.        [ Links ]

9. Brillinger, D. R., Rosenblatt, M. Asymptotic theory of estimates of k–th order spectra, in Spectral analysis of time series, B. Harris, ed. New York: Wiley, 1967, pp. 153–188.        [ Links ]

10. Brillinger, D. R. Time series data Analysis and Theory. New York: Holt, Rinehart and Winston, 1975.        [ Links ]

11. Chen, Han–Fu; Guo, Lei. Identification and Stochastic Adaptative Control, Systems and Control: Foundations and Applications, Birkhäuser, 1991.        [ Links ]

12. Cramér, H. Mathematical methods of statistics. Princenton University Press, Princenton, N. J. 1946.        [ Links ]

13. M. J. Crowder, Maximum–Likelihood Estimation for Dependent Observations, Journal of the Royal Statistical Society, B. 38, 45–53.        [ Links ]

14. Deisler, M. Linear errors–in–variables models. Time Series and Linear Systems (Lecture notes in Control and Information Sciences) S. Bittanti, Ed. vol. 86. Berlin Spring Verlag, 1986, pp 37–86.        [ Links ]

15. Dempster, A. P., Laird, N. M., Rubin, D. B. Maximum likelihod from incomplete data via de EM algorithm. J. Royal Statistical Soc. Vol. 6, pp. 1–38, 1977.        [ Links ]

16. Fisher, R. A. On an absolute criterion for fitting frequency curves. Mess. Math, 1912, 41–155.        [ Links ]

17. Fisher, F. M. The Identification problem in Econometrics, New York, McGraw Hill Book Co., 1966.        [ Links ]

18. Gardner, W. Identification of systems with cyclostationary input and correlated input/output measurement noise. IEEE Transactions on Automatic Control, Vol. 35, No. 4, pags. 449–453, April 1990.        [ Links ]

19. Ghosh, D. Maximum Likelihood estimation of the dynamic shock–error model, Journal of Econometrics 41 (1989), 121–143. North–Holland.        [ Links ]

20. Gu, G. Modeling of Normalized Coprime Factors with v–Metric Uncertainty. IEEE Transactions on Automatic Control, Vol. 44, No. 8, pags. 1498–1511, August 1999.        [ Links ]

21. Hinich, M. J., Wilson, G. R., Time delay estimation using the cross bispectrum. IEEE Trans. Sig. Proc., vol. 40, pp 106–113, Jan. 1992.        [ Links ]

22. Vikram Krishnamurthy, On–Line Estimation of Dinamic Shock–Error Models based on the Kullback Liebler information Measure, IEEE Transactions on Automatic Control, Vol. 39 No. 5, May 1994.        [ Links ]

23. Ljung, Lennart. System Identification, Theory for the user. 2nd edition. Prentice Hall Ptr 1999.        [ Links ]

24. Jonathan H. Manton, Vikram Krishnamurthy. James–Stein State Filtering Algorithms. IEEE Transactions on Signal Processing, Vol. 46, No. 9, pags. 2431–2447, September 1998.        [ Links ]

25. A. Maravall, Identification in Dynamic Shock–Error Models, Lecture Notes in Economics and Mathematical Systems, Springer–Verlag, 1979.        [ Links ]

26. Min–Shin Chen, Jia–Yush Yen. Application of the Least Squares Algorithm to the Observer Design for Linear Time–Varying Systems. IEEE Transactions on Automatic Control, Vol. 44, No. 9, pags. 1742–1745 September 1999.        [ Links ]

27. Ramirez–López, R., Salas–Zúñiga, R., Identificación de Sistemas con Ruido en Mediciones. Memorias de la 5a. Conferencia de Ingeniería Eléctrica, Cinvestav–IPN, México, 1999.        [ Links ]

28. Ramirez–López, R., Salas–Zúñiga, R., Identificación bajo incertidumbres del modelo de un sistema combustor de biomasa, Memorias de ELECTRO 2000, pagina 169, XXII Congreso Internacional de Ingeniería Eléctrónica, Inst. Tecn. de Chihuahua, México, 2000.        [ Links ]

29. Ramírez, R., Aguado, A. Predictor de Smith Generalizado. Ingeniería Electrónica, No. 3, Vol. XXII, 2001. ISSN 0258–5944.        [ Links ]

30. Ramírez, R., Aguado, A. Control of a Biomass Combustor using the General Smith Predictor. Journal of Applied Research and Technology. Vol. 1. No. 1, 2003.        [ Links ]

31. Rosenblatt, M. Stationary sequences and random fields. Boston: Birkhäuser, 1985.        [ Links ]

32. Royden, H. Real Analysis. Prentice Hall; 3rd edition (February 2, 1988)        [ Links ]

33. Shiryaev, A. N. Probability. Graduate Text in Mathematics 95, Springer, 1996        [ Links ]

34. S. D. Silvey, A Note on Maximum–Likelihood in the case of Dependent Random Variables, J. R. Statist. Soc. B. 23, 444–452.        [ Links ]

35. P. Stoica, B. Friedlander, T. Söderström, High– Order Yule Walker Estimation of the Parameters of Autorregressions from Noise Meassure– ments.        [ Links ]

36. D. M. Titterington, Recursive Parameter Estimation using Incomplete Data, J. R. Statist. Soc. B. 46 No. 2, 257–267. 1984.        [ Links ]

37. J. K. Tugnait, Y. Ye, Stochastic System Identification with Noisy Input–Output Meassurements using Polyspectra, IEEE Transactions on Automatic Control, Vol. 40, No. 4, April 1995.        [ Links ]

38. Vasilis Tsoulkas, Panos Koukoulas, and Nicholas Kalouptsidis. Identification of Input–Output Bilinear Systems Using Cumulants. IEEE Transactions on Signal Processing, Vol. 49, No. 11, pags. 2753–2761, November 2001.        [ Links ]

39. Vandersteen, G., Rolain, Y., Schoukens, J. On the use of System Identification for accurate parametric modeling of nonlinear system using noisy measurements. IEEE Transactions on Instrumentation and Measurement, Vol. 45, No. 2, pags. 605–609, April 1996.        [ Links ]

40. Wald, A. Note on the consistency of the maximum likelihood estimate. Anti. Math. Statistics, 1949, 20:595–601.        [ Links ]

41. Weinstein, E. Sequential algorithms for parameter estimation based on the Kullback–Liebler Information measure. IEEE trans. Acustic, Speech, Sig. Proc. vol. 38, #9, Sept. 1990.        [ Links ]

42. Wilson, S. S., Carnal, C. L., System Identification with Disturbances. IEEE, 1994.        [ Links ]