Observabilidad y redundancia

Un estado de proceso xi se dice que es observable o estimable si se puede calcular utilizando simultáneamente
los valores de medición y las limitaciones de conservación, o parte de ellas. Por lo tanto, el problema es
encontrar una estimación única de las variables xi del vector X que satisface el siguiente sistema:

(2,32)
F(X) =0
G(X) =Z,

donde Z es conocida y es el valor exacto de las variables medidas. La ecuación 2.32 representa la restricción
y de observación de ecuaciones de (2.30) donde las variables de incertidumbre se fijan a sus valores más
probables, es decir, cero. Una variable de estado, tal como una concentración de metal, que se mide
directamente, es obviamente observable desde una posible estimación es su valor medido. Por lo tanto, el
concepto de observabilidad sólo es importante para las variables de estado que no se miden directamente.
Cuando, en el sistema (2.32), hay al menos una de las ecuaciones (ecuación medición estado o) que no se
puede quitar sin perder xi observabilidad, Xi es dicho para ser no-redundante. Cuando hay más de una forma
posible estimar el valor de un estado, utilizando diferentes ecuaciones del sistema (2.32), se dice que esta
variable de estado a ser redundante. Cuando el estado se mide directamente, es redundante cuando todavía es
posible estimar su valor en el caso de la medición no está disponible. Debido a las incertidumbres inherentes
de los valores de Y, el valor de estimación obtenida del siguiente sistema para un estado redundante x i:

F(X) =0
G(X) =Z,

depende del subconjunto de ecuaciones que se mantiene para el cálculo de la variable de estado.
Cuando todas las variables de estado son estimables, se dice que el proceso sea observable. Cuando al menos
una variable de estado es redundante la información del proceso se dice que es redundante. Cuando todas las
variables de estado son observables y no redundante, se dice que el sistema sea de observabilidad mínima.
Se puede definir la información del proceso grado general de redundancia como el mayor número de
ecuaciones que se pueden eliminar del sistema sin perder observabilidad proceso. Por lo general se relaciona
con el número de ecuaciones menos el número mínimo de ecuaciones requeridas para obtener observabilidad
mínima. grados de redundancia para los estados individuales también se pueden definir [64].
El grado de redundancia está fuertemente acoplada a la conciliación de datos Mance perfor-: cuanto mayor es
la redundancia, mayor será la fiabilidad valor reconciliados (para la fiabilidad estimación de estado, véase la
Sección 2.9). Por otra parte, cuanto mayor es la redundancia, mayor es la robustez del observador. Esto
significa más o menos que el número de fallos de sensores posible que no impida el proceso de aumento de
observabilidad con el grado de redundancia [64]. Suponiendo que todas las variables son observables, un grado
de redundancia se puede definir como

q + m − nX
𝜌𝑟 = 𝑞, (2.34)
q
donde q y m son, respectivamente, el número de ecuaciones de estado y ecuaciones de observación, y n Xel
número de variables de estado. Este índice varía entre 0 y 1 de la observabilidad mínimo global para el caso
en que se miden di- rectamente o indirectamente todos los estados. La determinación de una observabilidad
estado no medida puede ser una tarea difícil para las funciones F y G no lineales. Vamos a echar un vistazo
en el caso lineal.

El caso lineal.
El sistema de ecuaciones que contiene la información de la planta es

MX = 0,
CX = Z, (2.35)

Se puede volver a escribir como a nivel mundial

ΨX = ΦZ (2.36)
Un estado variable xi es observable si hayal menos un subconjunto de las ecuaciones en (2.36) que permite el
cálculo de xi cuando se conoce Z. El vector de estado sería observable capaz si el rango de la matriz Ψ es nX,
El número de variables de estado. Si el proceso es globalmente en observabilidad mínimo, entoncesΨes una
matriz invertible (matriz regular).
ecuaciones redundancia.
De otra manera de mirar redundancia es eliminar la variable de estado X desde el sistema (2.32) (o (2.35)) en
el caso lineal). El conjunto restante de ecuaciones es

R(Zr) =0 o RZr=0 en el caso lineal. (2,37)

R(.) es el conjunto de ecuaciones redundantes, y Zr es aquí el vector genérico de las variables de proceso
medidos que son (Z o un subconjunto de Z). El número de ecuaciones que contiene es por lo general m+q-nX,
Donde nX= (n+1) × p el caso lineal con(n+1)componentes y flujos p. El número de ecuaciones redundantes
está por lo tanto directamente relacionado con el grado de redundancia del problema reconciliación. Cuando
reemplazando Zr por los valores de medición Yr, El sistema (2,37) ya no se verifica debido a los errores de
medición inevitables. El vector resultante es un residual, que es un vector de un espacio denominado espacio
de paridad, física relacionada a nodos o nodos desequilibrios conjuntos. Es una función de los errores de
medición y modelo incertidumbres en cuanto se asumen condiciones estacionarias. Se desvanece cuando las
incertidumbres tienen valores de cero:

R(Yr) =r=S(mir) +T(ε)o RYr=Rer+Tεen el caso lineal. (2,38)

El caso estacionario lineal con Z=Xm.Consideremos, como un caso ilustrativo, la situación en la que las
variables medidas son variables de estado (Xmetro), y las limitaciones estacionarias de conservación
son lineales, y se reunieron en
𝑀𝑋 = 𝜀. (2,39)
El vector X puede ser reorganizado como

(2, 40)

donde Xm es el conjunto de variables medidas, es decir, el vector Z de este caso particular, y X um el conjunto
de variables no medidas. La matriz H también se puede descomponer en dos sub-matrices, una para Xm,y el
otro para Xum:

M= (Mm,Mum). (2,41)
Esto permite que la ecuación 2.39 a escribirse como

MmXm+MumXum=ε. (2,42)
Siempre queque el sistema está en observabilidad mínima, es decir, que los valores medidos se colocan
correctamente en el vector de estado, Mum es invertible y X um calculable

Xum= (Mum)-1(ε-MmXm). (2,43)

Esta última situación se corresponde con nX-m=qY Xum es estimado configurando

ε=0 y Xm=Y.
cuando nX-m>q, hay más variables no medidas que las restricciones de conservación. El proceso no es
completamente observable (algunos estados o incluso todos los estados son no estimables).
cuando nX-m<q, Hay más ecuaciones que los estados no medidos. Es altamente improbable que, debido a las
incertidumbres de medición, un valor de Xumque satisfaga podrían existir todas las limitaciones de
conservación de forma simultánea. Dado que el número
de ecuaciones en Ψ,m+q, Es mayor que el número de estados que estimarse nX, el
sistema de observación es redundante. La eliminación de Xum a partir de (2.42) conduce a la
ecuaciones de redundancia lineales:

RXmr=Tε, (2,44)

donde Xmr es el vector de los estados redundantes medido. Mediante la sustitución de Xmr por la medida Yr,
Se obtiene los valores del vector de paridad:
r=RYr=Rer +Tε. (2,45)

Esta ecuación muestra claramente que la redundancia ecuaciones de residuos no son cero debido a las
incertidumbres que prevalecen en la medición y las limitaciones de conservación de masa. Para manejar este
problema, una posibilidad podría ser la eliminación de las mediciones redundantes. Pero este es el enfoque
equivocado, ya que la información experimental se pierde y, por otra parte, los valores de estimación
dependerían de los datos que se habrían eliminado. El enfoque correcto es conciliar la información por los
procedimientos tratados en este capítulo.
Clasificación de las variables de proceso: la condición nX-m≤q es no suficiente para asegurar observabilidad
proceso. Puede suceder que el proceso sólo es observable parcial, es decir que algunos estados son no
observables. También puede ocurrir que, aunque el sistema no es redundante, algunas variables son
redundantes observables, mientras que, como consecuencia, otros no son observables. De hecho, cualquier
sistema de observación tal como se representa por la ecuación 2.32 o 2.35 se puede descomponer en partes no
observables y observables. Por otra parte, los estados observables también se pueden clasificar en
observabilidad mínimo y clases de observabilidad redundantes. La figura 2.6 muestra el árbol de clasificación
que puede ser
dibujadopara las variables Z medidos y los estados de proceso. El caso particular en que las variables de
proceso medidos son variables de estado (Z=Xmetro) Se da entre paréntesis.
La clasificación de las variables de proceso y la descomposición de la ecuación
sistema(2.32), o (2.35) en el caso lineal, en su parte redundancia de la Ecuación 2.37 son dos problemas
relacionados. La Ecuación inicial 2.32 se puede reescribir como

R(Zr) =0,
Q(Xo ) =Qt(Zr) +Qtt(Znr), (2,46)
Xno,
donde la segunda ecuación corresponde a la parte deducible del sistema, al- cálculo bramido de los estados
observables Xo.Varios métodos están disponibles para este descomposición del sistema inicial y la
clasificación del proceso de variabilidad. Han sido desarrollados principalmente para sistemas lineales, pero
también se extiende a los sistemas multilineales. La teoría de grafos se utiliza en [65] y [66]. La técnica de
eliminación de Gauss Jordan se utiliza en [67], las matrices de proyección en [68] y [69], una mezcla de la
teoría de grafos y el álgebra lineal en [70], y la factorización QR en [71]. El uso de combinaciones de variables
de proceso adaptado, estos métodos se han extendido a los sistemas bilineales e incluso para sistemas
multilineal [72].

RedundanteZr No redundante Znr RedundanteZr No redundante Znr

(O Xseñor) (O XMNR) (O Xseñor) (O XMNR)

Valor Valor Valor Valor

medido medido medido medido
Ynr Ynr
Figura 2.6Esquema que muestra el estado de los diversos procesos las variables

Principios generales para el Estado Estimado Cálculo

El problema de conciliación de datos a ser resuelto se representa esquemáticamente en la Figura 2.5, donde se
da la información conocida a la entrada del procedimiento de reconciliación y los estados de proceso a ser
estimada en la salida procedimiento. Cuando f y g son funciones lineales y restricciones de desigualdad están
inactivos, la solución a este problema es analítica. Esto ocurre cuando las variables de proceso medidos son
estados de la central o combinaciones lineales de ellos, y representan caudales de componentes. A partir de las
estimaciones del estado, se puede corregir posteriormente los valores de las variables medidas y estimar las
variables de proceso no medidos.
El método de optimización que puede ser usado para resolver el problema sin restricciones definida por (2.30)
es el enfoque habitual donde los estados reconciliados son los valores X que cancelan los derivados de J con
respecto a x. Los métodos de resolución son ligeramente diferente para los casos degenerados cuando
cualquiera εo e es cero.
Cuandoε=0, el problema de optimización

𝑚𝑖𝑛𝐽(𝑋)𝑠𝑢𝑏𝑗𝑒𝑐𝑡 𝑡𝑜 𝑓(𝑋) = 0 (2.47)

puede ser procesado por uno de los dos enfoques principales. El método de sustitución consiste en la
explotación de las restricciones de igualdad para disminuir el número de variables tiene que ser minimizado
con respecto a. El método de Lagrange, por el contrario, aumenta el número de variables de búsqueda para
optimizar el criterio mediante la incorporación las restricciones de igualdad en ella. nuevas variables λ,
Llamado los multiplicadores de Lagrange, se asociado a estas limitaciones.

El método de sustitución consiste en los siguientes pasos:

Seleccionar un conjunto de variables independientes entre X. Tal conjunto se compone del menor número de
variables XI que, si se midieron, permitiría al resto de las variables del sistema f(X) =0 (de los dependientes
XDEP) tomar valores únicos. En otras palabras, el nX-q variables independientes XI son seleccionado de tal
manera que las variables Q xDEPestán en observabilidad mínima.

expreso XDEP como una función de XInd resolviendo

F(XInd,XDEP ) =0 (2,48)
Con respecto a Xdep:
Xdep = h(Xind). (2.49)

Reemplazar X en el criterio J por su expresión como una función de XIndiana. El problema de minimización
constreñido inicial con respecto a X se transforma así en un problema de minimización sin restricciones con
respecto a XIndiana:

min J(XInd). (2,50)

El método de Lagrange consiste en la integración de la restricción f(X) =0 en el J
a criterio formar una nueva función, la función de Lagrang el Que tiene que ser óptima con respecto a las
variables X yλ, Siendo este último los multiplicadores de Lagrange:

L=J(X) + Σ λyo Fyo(X), (2,51)

donde fyo representa la restricción de conservación i en el sistema f(X),para i=1 a q. El problema restringido
inicial ha sido reemplazado por un nuevo problema de optimización con nX+q parámetros desconocidos.
Estos problemas de optimización pueden ser resueltos mediante técnicas numéricas clásicas. Cuando J es
cuadrática y las restricciones son lineales, una solución analítica se puede obtener por resolución del sistema
de expresión de que los derivados del criterio de reconciliación, o la función de Lagrange, tienen los valores
cero. En otros casos, cualesquiera de los métodos de programación no lineales se pueden utilizar para
minimizar el criterio, o métodos numéricos utilizados para la resolución de las ecuaciones no lineales que
expresa que los derivados del criterio son cero. cuando electrónico=0, el problema de optimización
min J(X) =F(X)TV-1F(X)sujeto a g(X) =Y (2,52)

de nuevo puede ser procesado por uno de los dos enfoques anteriores: métodos de sustitución y Grange La-.
Este método de reconciliación es una práctica común en el caso bilineal. Permite estimar caudales medidos
mediante el uso de concentraciones de especies en las corrientes de mineral. Se llama el método desequilibrio
nodo.

Los casos lineales: en estado estacionario, estacionario y el desequilibrio Nodo

Métodos de reconciliación de datos

El caso en el estado estacionario

El problema SSR sin restricciones puede formularse como el siguiente caso particular de (2.30):

Xˆ = argminX [(Y −CX)TV −1(Y −CX)],

Y = CX +e; e ∼ N(0,V). (2.53)

En el método de sustitución, nX-q variables independientes son seleccionadas usando métodos ya sea
heurísticos o sistemáticas, y el vector X se reestructura como (X Ind,XDEP),mientras que la matriz M se divide
en bloques compatibles, tales que la conservación restricciones pueden reescribirse como
MIndXInd+MDEPX DEP=0. (2,55)
Las variables dependientes XDEP a continuación, se puede expresar como funciones de x Ind:

XDEP = - (MDEP)-1MIndXInd (2,56)

Asumiendo que las variables independientes se han seleccionado para asegurar MDEP- Por lo tanto, X se
puede expresar como

El criterio de reconciliación lineal:

J= (CX-Y)TV-1(CX-Y) (2,58)
entonces puede ser escrita como una expresión cuadrática de XIndiana:

J(XIndiana)In=X T LTdo T V-1CLXIndiana-2Y T V -1CLXIndiana+Y T V -1Y. (2,59)

dia
na
J se reduce al mínimo con respecto a XIndianapor escrito que los derivados de J con respecto a X Indiana tener
valores cero. Se obtiene un sistema de nX-q sistema de ecuaciones con nX-q estados desconocidos, los cuales
tiene la siguiente solución:

X̂IND = (LTdoT V-1CL)-1 LTdoT V-1Y. (2,60)

Conociendo XInd, Las estimaciones de las variables dependientes pueden calcularse a partir de la ecuación
2.56:

X̂Dep = - (MDEP)-1 MDepX̂dep. (2,61)

El método de Lagrange también se puede aplicar para resolver el problema SSR lineal. La función de
Lagrange es

L= (CX-Y) TV -1(CX-Y) +λTMX. (2,62)

Los L condiciones de estacionalidad son:

La solución X de este nX+q sistema de ecuaciones con nX+q variables desconocidas es

Xˆ = Π−1(I − MT (MΠ−1MT ) −1MΠ−1)CTV −1 Y, (2.65)

dónde
Π=doT V-1do. (2,66)

Hay otras alternativas a la solución del problema de la reconciliación. Dos de ellos debe mencionarse, en el
caso particular donde las variables medidas son estados
(Z=Xmetro):
La más simple, para el desarrollo de software, consiste en seleccionar C=yo, Es decir, ASsuming que todos
los estados se miden. Para los estados que no son realmente medida,
varianzas correspondientesde errores de medición son simplemente dan muy grandes ues Val-. La solución
se así directamente obtenido a partir de (2.65) como

X= (yo-V M T(MVMT)-1 M)Y. (2,67)

Este método se utiliza en el algoritmo de Bilmat ™ [22], y nunca ha fallado numéricamente.
• El sistema de restricciones de conservación se puede dividir utilizando las ecuaciones de redundancia
como sigue (versión lineal de la ecuación 2.46):

se obtiene entonces la solución en dos etapas. En primer lugar, los valores conciliados de los estados
redundantes medidos son estimadas por

X̂m= (yo-VmRT(RVmrRT)-1 R)Ym, (2,69)

donde Vre yr se formatean para que coincida con Xmr. En segundo lugar, la siguiente ecuación se resuelve
para Xo:
QXˆo=Qt X̂m+QttYmr. (2,70)
Sintonización de la medición de matriz de covarianza de error. Antes de utilizar el método de estado
estacionario, siempre es necesario para la prueba: (1) que la contribución principal a la variabilidad de las
variables de proceso se relaciona con los Rors de medición y ER- muestreo; y (2) que no es un régimen de
estado estacionario subyacente durante el período de tiempo correspondiente al proceso de medición y
muestreo. En este caso, los errores de medición debido a las variaciones en el tiempo de proceso, como el
error de integración, deben ser incorporados en el error de medición. En otras palabras, los datos obtenidos
durante un régimen transitorio de gran magnitud en comparación con los errores de medición no deben ser
utilizados para la SSR. Métodos para encontrar la matriz de varianza de medición han sido discutidos por [41],
[73-78].
cuatro métodos se proponen para estimar la matriz de covarianza V:
• Estimación de las propiedades de los equipos involucrados en el proceso de medición y las propiedades
del material que fluye en la corriente. Por ejemplo, la teoría de muestreo material particulado [56, 79, 80]
se puede aplicar como se ve en la Sección 2.4, en conjunción con un análisis estadístico de la fiabilidad
de los dispositivos de medición para la propiedad del material específica medida.
• La estimación directa de la varianza de la medición Y de un gran conjunto de datos para la misma planta
operado bajo las mismas condiciones operativas. En este caso, el Estimar de V se obtiene de los registros
Y por técnicas estándar de estimación estadística, y se observa Var(Y) .Esta estimación de V no consiste
estrictamente de errores de medición, ya que también incluye algunas perturbaciones dinámicas del
proceso, tales como el error de integración. Sin embargo, este es el enfoque correcto, ya que la
reconstrucción
Los valoresse espera para dar una estimación de la (es decir, promedio) comportamiento de la planta
subyacente de estado estacionario.
• estimación indirecta de los residuos de restricción (los desequilibrios de nodo) en el caso particular en
C=yo(La matriz de identidad). Los residuos de restricción r se calcula para cada valor de Y del conjunto
 de datos y su varianza estimada:

técnicas tienen ha propuesto [77] para la extracción de V de esta última ecuación. La principal ventaja de esta
técnica es que toma en cuenta las limitaciones de conservación de masa.
• estimación simultánea de V y de un modelo aproximado de la planta. Por ejemplo, una planta de
separación de mineral puede ser simplemente modelado por coeficientes de separación de mineral en cada
nodo separación del diagrama de flujo. El modelo de planta se expresa entonces como

X = B(s)Xf (2,72)
donde XF es el vector de estado de las corrientes de alimentación y S el vector de coeficientes de separación.
La varianza de Y estimada a partir de un conjunto de datos de medición es entonces

Var(Y) = B(s)Var(Xf)B(s) T +V (2,73)

De la ecuación2.73, la varianza V se pueden extraer simultáneamente a s y Var(X F)

por un procedimiento de mínimos cuadrados [78].

El caso estacionario

El problema reconciliación estacionaria sin restricciones se formula como el siguiente caso particular de
(2.30):

La solución se obtiene mediante la cancelación de los derivados de J:

𝑑𝑗
𝑑𝑥
= 2CTV −1 CX −2CTV −1 Y +2MTV −1 ε MX = 0, (2.75)

lo que lleva a
X= (doTV-1do+M T V-1 M)-1doT V-1
εY (2,76)

o alternativamente, usando una inversión de la matriz lemma,

X=Π -1 [yo-M T(Vε+MΠ -1 M T)-1 MΠ -1 ]doTV-1Y, (2,77)

dóndeΠ es definida en la ecuación 2.66. La ecuación 2.77 da la ecuación 2.65 cuando V εes
ajustado a0.
Sintonización de la matriz de covarianza tasa de acumulación. Se proponen tres métodos para estimar la Vε
covarianza matriz:
• Medición de las variables de estado por una combinación adecuada de instrumentación para un período
suficientemente largo de tiempo. Esto puede requerir la instalación transitoria de los instrumentos en los
arroyos. Puesto que puede suceder que no hay suficientes sensores están disponibles para medir
simultáneamente todas las variables de estado, las diferentes partes del circuito pueden estudiarse
secuencialmente, suponiendo que las propiedades estadísticas de la operación no cambian mucho de una
prueba en una sub-red de la planta a una prueba en otra sub-red. Para un subconjunto de X tal, la ecuación
de medición es

Y=X+mi. (2,78)
Multiplicando la ecuación 2.78 por la matriz de incidencia M de la sub-red correspondientes a la parte
completamente instrumentado de la planta, se obtiene

MI=MX+Yo=ε+Yo. (2,79)

Suponiendo que no hay ninguna correlación entre las variables de estado y sus errores de medicion, la matriz
de varianza-covarianza viene dada por:

M(Y)MT =Vε+MV MT, (2,80)

donde Var(Y)es la matriz de varianza-covarianza de medición de Y, los elementos de que pueden ser evaluados
por los métodos usuales de estimación estadística. V εa continuación, se puede calcular
Vε=MVar(Y)MT-MV MT. (2,81)
El total Vεpor lo tanto, la matriz puede ser construido mediante el ensamblaje de forma consistente los diversos
términos de las matrices de varianza parciales. Obviamente no se evaluarán algunos términos de covarianza,
pero ya que se corresponden necesariamente con las corrientes distantes en la planta, que se pueden despreciar.
• Alternativamente, uno puede evaluar la Vε matriz por una aproximación de la dinámica de las plantas,
utilizando por ejemplo las funciones de transferencia de primer orden con la evaluación aproximada de
sus constantes de tiempo. Las dinámicas del proceso se recogen posteriormente en un modelo de espacio
de estado de la planta (véase la Sección 2.10 para explicaciones más detalladas). Este modelo permite una
estimación de VX, La varianza variable de estado la caracterización de las variaciones dinámicas aleatorias
desconocidos subyacentes del proceso. Vεfinalmente, puede estimarse
Vε=MVXMETROT. (2,82)
Una tercera opción es utilizar Vεcomo un factor de ajuste que se puede ajustar de forma heurística si- lowing
una evaluación del rendimiento de conciliación de datos en comparación con un comportamiento deseado. De
hecho, este es el método subjetivo que se adoptó en su mayoría, por ejemplo, cuando se sintoniza
incertidumbre del modelo varianzas relativas y las incertidumbres de medición en las técnicas de filtrado de
Kalman

Ejemplo.Figura2.7 muestra una disposición de circuito de flotación estándar.

II
Alimenta
r
y III
o IV

Figura 2.7Un circuito de flotación separación mineral

El vector de estado X se compone de los caudales de minerales valiosos en los ocho flujos. Hay cuatro nodos,
dos corrientes de reciclaje y dos salidas de la planta, el concentrado, que contiene el mineral valioso para ser
vendido para la extracción de metal, y la rechazan. Tabla 2.2 da los valores de medición Y de los caudales del
mineral a ser concentrado, así como su fiabilidadσmi (desviaciones estándar de E). Tabla 2.2 muestra
también los valores de los valores X reconciliarse. Los valores reconciliados no satisfacen exactamente
las ecuaciones de conservación masiva de estado estacionario ya que la planta se supone que es
operado en un régimen dinámico estacionaria donde Vεes diferente de cero.

Tabla 2.2Los datos para el circuito de la figura 2.7 (quinta columna se explicará en la sección 2.9)