Identificacin paramtrica de sistemas dinmicos

Eric Vallejo R.*

Resumen
El avance alcanzado por los sistemas computacionales,

tanto en Hardware

como en Software, hapermitido el desarrollo de sistemas de control deprocesos

muy eficientes. La implementaci6n de algoritmos fcilmente manejables por
computadores o procesadores dedicados al control ha dejado atrs a los
controladores tradicionales. LA continua aparicin de nuevos controladores

algebraicos yformulaciones de algoritmos de control han impulsado el estudio

y la teorizaci6n sobre mltiples tpicos y herramientas matemticas relacionadas. Este artculo muestra In teora bsica sobre Identificaci6n de Sistemas
dinmicos en los cuales resulta dificil. si no imposible, obtener de antemano un
modelo matemtico.

Abstracl
The advance reaclled by computers systems, liIeeHardware as-well as Software, tlley have permitted development of very afficient Process control
systems. Algoritllms to microcomputers and embedded microicontrolers,
devoted to tl12control of processes, llave /et back to tl12traditional controllers.
The appearance 01 new algebraic controllers and control algorithms have

impelled tl12study on multiple topical and related matl12matics toals. Tlris

article shows the hasic theory on dynamical system identificaton in those wish

appears difficult, ifnot impossible, toobtain beforehand a matl12maticalmodelo

Introduccin

Especialista en Computadores
y Sistemas Digitales
de la Universidad del Valle. Profesor del Departa~
mento de Ingeniera Elctrica de la Universidad del
Norte.

formal, pero con la caracterstica bsica

de enlazar observaciones bajo algunos
patrones. La Identificacin de Sistemas
trata el problema de construir modelos
matemticos de Sistemas Dinmicos a
partir de datos obtenidos del propio
sistema. El tema se basa en metodologas tericamente bien sustentadas y,
debido a la abundancia de sistemas dinmicos que existen a nuestro alrededor, las tcnicas de identificacin de
sistemas encuentran un extenso campo
de aplicacin.

10

& Desarrollo.

Esta ciencia trata de inferir modelos a

partir de observaciones y estudiar sus
propiedades. Los modelos (hiptesis,
leyes de la naturaleza, paradigmas, etc.)
pueden tener un carcter ms o menos

Licenciado

en Matemticas

y Fisica de la CUCO

Ingeniera

Universidad

del Norte. 2: 10~22,1997

Sistemas dinmicos
En trminos generales, un sistema es un
objeto en el cual variables de diferente
tipo interactan yproducenseales observables. Las seales observables que nos
interesan son llamadas salidas. El sistema es afectado por estmulos externos;
algunos de los cuales son manipulables
por el observador, las entradas y por
otras, las perturbaciones. Estas perturbaciones pueden ser de dos tipos: las medibles directamente y aquellas de las
cuales slo pueden observarse sus efectos en la salida. Para el modelado de
sistemas no es muy importante la distincin entre perturbaciones y entradas.
La nocin de sistema es, obviamente, muy amplia, por cuanto este concepto representa un papel muy importante
en la ciencia moderna. Muchos problemas de diferente ldole son solucionados con estructuras orientadas a sistemas.

En trminos muy generales, hablar

de sistemas dinmicos implica que el
valor presente en la salida de un sistema en un instante depende no solamente de los valores de las entradas en ese
instante sino tambin de sus valores
previos.
Modelos
Para interactuar con un sistema necesitamos conocer la forma como sus variables se relacionan entre s. Como definicin general, llamamos modelo de un
sistema a una supuesta relacin de tales
variables a partir de la observacin. En
Ingenieria

& Desarrollo.

Universidad

otras palabras, los modelos se construyen a partir de datos observados, y pueden ser de diverso tipo:
-

Mentales
Grficos
Matemticos ( analticos )
De Software

Los modelos analticos son los que

interesan fundamentalmente a las ciencias y la ingeniera, y lgicamente pueden presentar variados niveles de sofisticacin, dependiendo de la aplicacin
o los objetivos del estudio. Este tipo de
modelado se obtiene a partir del conocimiento de las caractersticas fsicas de
los subsistemas que conforman el sistema. No obstante, en la vida diaria muchos sistemas son manejados con modelos mentales, los cuales no implican
ningn formalismo matemtico. Ejemplo de ello es el hecho de tomar un libro.
Los movimientos de nuestra mano, incluidas la velocidad, direccin y presin de los dedos, se controlan sin crear
ningn modelo numrico. Los modelos
de Software, por su parte, son programas utilizados para analizar y simular
sistemas con el apoyo de las herramientas computacionales.
Sistemas y modelos
Un sistema y un modelo son dos cosas
completamente diferentes pero relacionables. Desde el punto de vista prctico, utilizamos el trmino "Sistema verdadero cuando en realidad nos estamos refiriendo a su modelo. Podemos
comparar ciertos aspectos del sistema
fsico con su descripcin matemtica

del Norte. 2: 10~22, 1997

11

pero nunca establecer una conexin

exacta entre ambos; el modelo slo es
una representacin del sistema. La ficcin anterior nos sirve, sin embargo,
para la implementacin de tcnicas de
identificacin, si suponemos que los
datos obtenidos para la inferencia de
modelos han sido generados por unas
muy bien definidas reglas matemticas, lo cual, necesariamente, es una idealizacin .
En la figura 1se muestra un sistema,
de acuerdo con lo expresado y definido
anteriormente.

- Validacin
La construccin de modelos a partir
de datos implica tres elementos bsicos:
- Los datos
- Un conjunto de modelos candidatos
Una regla por medio de la cual los
modelos candidatos puedan ser
parametrizados y evaluados usando los datos.
Planificacin experimental

sealesdeentradaysalida.u esla(s)entrada(s)

Realizar experimentos en procesos industriales puede resultar costoso, adems de dificil. Es, por lo tanto, deseable
disponer de mtodos experimentales
que no requieran de seales de entrada
especiales. Los datos de entrada-salida
son recogidos mediante un experimento de Identificacin especialmente diseado, donde el usuario determina las
seales quese deben medir, lo mismo
que cundo medidas y el tipo de seales de entrada que se utilizar.

manipulada(s), w las perturbaciones medibles,

v las perturbaciones no medibles e y la(s)

Estructura del modelo

y
u

Fig.l. Representacin

de un sistema con sus

salida(s).
Procedimientos bsicos para la identificacin de sistemas
Los procedimientos para construir modelos e identificar sistemas involucran
tcnicas que deben tener en cuenta los
siguientes aspectos:
Planificacin experimental
Seleccin de la estructura del modelo

- Estimacin de parmetros
12

Se obtiene generalmente del conocimiento previo que se tenga del sistema

y de las perturbaciones. Se escoge un
conjunto de modelos candidatos dentro de un grupo de modelos que parecen acomodarse al sistema. Tal escogencia es de suma importancia, y no en
vano, uno de los pasos mas difciles en
el procedimiento de Identificacin. Entran en juego entonces la intuicin y el
conocimiento a priori del sistema. En
muchos casos se recurre a representaciones de sistemas lineales de tipo gene-

Ingeniera & Desarrollo. Universidad del Norte. 2: 1022, 1997

ra!. Pueden entonces manejarse las estructuras del modelo como modelos de
cajas negras. Como ejemplo de modelo en ecuacin de diferencias tenemos que
A(q)y(k) = B(q)u(k) + C(q)e(k)
en donde u es la entrada, y la salida, y e
una perturbacin de tipo ruido blanco.
Estimacin de parmetros
Resolver el problema de la estimacin
de parmetros requiere, como se dijo
anteriormente, de:
Datos de entrada - salida del proceso
- Una clase de modelos
- Un criterio

sar algunos de los pasos seguidos. Las

deficiencias en un modelo pueden deberse a varias razones:
El procedimiento numrico es inadecuado para escoger el mejor modelo de acuerdo con nuestro criterio.
- El criterio de escogencia es inadecuado.
- El conjunto de modelos no es apropiado.
- El conjunto de datos no contiene la
suficiente informacin para guiarnos.
En la figura de la pgina siguiente se
muestra el flujo lgico para la Identificacin de sistemas.
Conceptos previos en identificacin

Validacin del modelo

La Identificacin pretende estudiar

modelos inferidos a partir de observa-

Una vez escogido un modelo debe probarse para determinar su comportamiento y qu tan bien se ajusta al
sistema, o sea, qu tan vlido es para
nuestros propsitos. La determinacin
de este modelo implica llegar al modelo
particular que mejor describe al sistema
de acuerdo con el criterio de escogencia
determinado.

ciones.

De lo anterior se desprende que el

procedimiento de identificacin sigue
un flujo lgico natural: recoger los datos, buscar un conjunto de modelos,
seleccionar el mejor modelo de acuerdo
con el criterio de escogencia y, por ltimo, validarlo. Generalmente, el primer
modelo seleccionado no pasa la valida-

Obtener las relaciones matemticas

que ligan las variables de un proceso
fsico no siempre es posible de forma
directa. La Identificacin permite, mediante un conjunto de experiencias sobre el sistema, la determinacin indirecta de estas ecuaciones.

cin, razn por la cual es necesario revi-

En ocasiones, sistemas que se exci-

Ingeniera

& Desarrollo.

Universidad

Eldesarrollo del Control Adaptativo

(C.A.) debe basarse en el conocimiento
de las caractersticas dinmicas del sistema que seva a controlar. Sedenomina
Identificacin al conjunto de estudios,
algoritmos y teoras que pretenden este
conocimiento.

del Norte. 2: 10~22,1997

13

tan con la misma seal de entrada en

dos instantes diferentes no producen
las mismas respuestas. Aparece, pues,
la necesidad de considerar la presencia
de sistemas deparmetros variables con
el tiempo, lo mismo que de dinmica no
modelada.
Flujograma para la identificacin
de sistemas

Conocimiento
previo

En algunos casos, la Identificacin puede llevarse a cabo fuera de

lnea; si tenemos la seguridad de que no
habr variaciones en la estructura del
proceso ni en sus caractersticas dnmicas, no as si el proceso puede variar
su comportamiento dinmico con el
tiempo.
La Identificacin clsica por seales
de prueba tiene ciertas limitaciones al
no considerar en general: seales perturbadoras, hacerse fuera de lnea y no
ser de tipo Paramtrico.
Las teoras de Identificacin han progresado de forma sustancial, hasta el
punto de incluir dentro de sus algoritmos y tcnicas computacionales, la problemtica ms desfavorable.

Diseo experimental

Datos

Las ideas anteriores nos llevan a concluir que las tcnicas sobre sistemas y
seales digitales y los computadores
permiten disponer de Algoritmos de
Identificacin con caractersticas tales

Escogencia
del Modelo

corno:

- Tener en cuenta las posibles seales

perturbadoras y su naturaleza
Poder realizarse en lnea
Ser paramtrica
- De naturaleza recursiva, y por lo
tanto de fcil implementacin computacional

Clculo del Modelo

No: Revisar

Si:

Surgen desventajas. Para no invalidar sus aplicaciones debe considerarse

un elevado nmero de condiciones, tales
como:

Usar

- Naturaleza de la seal de entrada

14

Ingenierfa

& Desarrollo.

Universidad

del Norte. 2: 10-22, 1997

- Naturaleza de la estructura del proceso

- Naturaleza de los parmetros del
proceso

de las segundas (Ljung, 1981).

Identificacin paramtrica

Identificacin en lnea

- Algunos de los enfoques desarrollados en la Identificacin de Parmetros

son los siguientes:
Mtodos de modelo de referencia. En
ellos se simula el proceso que se va a
identificar y se compara la respuesta
calculada con la realmente obtenida,
adecundose los parmetros del modelo de forma que se minimice una funcin positiva de la diferencia.
Mtodos de aproximacin estocstica.
Adecuados para sistemas con presencia de ruido. En ellos se resuelve una
ecuacin expresada mediante la anulacin del valor medio de una funcin de
medidas y parmetros. La eleccin de
estas medidas es crtica para asegurar la
rpida convergencia del algoritmo.
Mtodos de minimizacin del error de
prediccin. Derivados de la teora de
mnimos cuadrados.
- De todos ellos, los mtodos de minimizacin del error de prediccin son los
ms utilizados para la Identificacin de
sistemas discretos. Estos mtodos tienen dos caractersticas fundamentales:
Sus propiedades de convergencia de
forma recursiva son las mismas que las
correspondientes a sus rplicas no recursivas, puesto que las primeras derivan
Ingeniera

&: Desarrollo.

Universidad

Son de fcilimplementacin computacional.

Es la identificacin por computador en

lnea con un proceso. Silas informaciones de las seales se almacenan en un
bloque de datos y procesan conjuntamente, se tiene un proceso por lotes. Si
se procesan en cada perodo de muestreo, tenemos un procesamiento en tiempo real.
Para la identificacin en tiempo real
se han desarrollado mtodos de estimacin recursiva, tanto para procesos invariantes como variables en el tiempo,
algunas clases de procesos no lineales,
etc.
Entre los algortmos de identificacin en linea tenemos: el de mnimos
cuadrados (LS ) y el de mnimos cuadrados recursivo (RLS). Otros algoritmas se basan en el error de prediccin,
tales como: algoritmo recursivo de mnimos cuadrados extendido (RELS),algoritmode mnimos cuadrados generalizado (RGLS), algoritmo de variable
instrumental (RIV) y algortmos RLS
con factor de olvido, entre otros.
Problemas en identificacin
Tal y como se dijo, tratamos de construir modelos con base en el conocimiento experimental del comportamiento de las variables de un sistema.
Estos modelos pueden ser de tipo interno (espacio de estados) o de tipo exter-

del Norte. 2: 10-22, 1997

15

no (modelos de e/s). Tambin se ha

dicho que con fines prcticos y sin perder demasiada precisin, muchos sistemas pueden idealizarse como sistemas
lineales. De hecho, gran parte de procesos fsicos se aproximan de buena forma a sistemas LTI.

instantes de muestreo, el sistema de la

grfica puede entonces describirse como
y(t)=Lk g(k)u(t-k)+v(t).l"

k,,=

(1)

v(t) = Lkh(k) e( t - k), O" k" ~

Si hacemos

Otro hecho sabido es que si conocemos la dinmica de un sistema LTI causal, y conocemos adems la entrada,
podemos entonces calcular la correspondiente salida. No obstante, en la
prctica siempre habr seales fuera de
nuestro control que afectarn al sistema. Con nuestra estructura lineal podemos suponer que tales efectos pueden
reunirse y sumarse a la salida del sistema, tal como se muestra:

.(1) ~~

y(t)

Un sistema LTI causal puede describirse por su respuesta al impulso como:

qu(t) =u( t+ 1) ;( operadorq de adelanto)

y
q-1u(t) = u( t -1); (operador q de atraso)
entonces ( 1) puede escribirse como
y(t) = G(q)u(t);
donde
G(q) =

Lk

g(k)q-k , 1::;;
k::;;=

G(q) es el operador de transferencia

del sistema lineal descrito. Podra lIamrsele fun,cin de transferencia en el
sentido en que relaciona las secuencias
u(t) ey(t).
De igual forma
H(q) =Lkh(k)q-k,

O ::;; k::;;=

y(t) = fg(~)u(t - ~)d~, O::;; ~ ::;;=

entonces
Si el anlisis lo hacemos en tiempo
discreto y suponemos que la salida es
observada en los instantes de muestreo,
la expresin anterior se convierte sin
ambigiiedades en

v(t) = H(q)e(t)
y la descripcin del sistema lineal
con perturbacin aditiva se convierte
en:

y(kt) = fg(t)u(t - ~)d~, O::;; ~::;; =

y(t) = G(q)u(t) + H(q)e(t)
Tomando T como un unidad de
tiempo y t como la enumeracin de los
16

Ingeniera

& Desarrollo.

Universidad

del Norte. 2: 10-22, 1997

s(t) = u(t) + v(t)

Funciones frecuencia/es

el espectro resultante

Supongamos una entrada sinuosoidal a

nuestro sistema, tal como:

es:

<l>s= <l>u(ro)+ <Pv(ro)

u(t) = cos rot
Simulacin
que puede reescribirse como
u(t) = Re ei"'t ; Re es la parte Real de ...
entonces
y(t) = Lk g(k) Re ei"'(t-k); 1 $;k$;=
= Re [ ei'0t Lk g(k) e-i"'k ]
= Re

[ ei"'t G( ei'" ) ]

El ms til de los usos de la descripcin

de un sistema es simular la respuesta de
ste ante diversas entradas. Para el sistema que hemos venid~ analizando,
tomemos una entrada u (t), t=1,2, ...N.
La respuesta para una salida sin perturbaciones ser:

= IG( ei'" ) Ieos ( rot + q> )

donde
q> = argG ( ei'" )

y (t) =G(q) u (t), t=1,2, ...N

podemos definir entonces

como la funcin frecuencial del sistema (1).

Para evaluar la influencia de las perturbaciones podemos generar (por medio del cOI),lputador) una secuencia de
nmeros e (t), t = 1,2,...N; que puedan
ser considerados aleatorios y como la
realizacin de un proceso estocstico de
ruido blanco con varianza 1...Entonces
la perturbacin es calculable como:

Funciones espectra/es

v (t) = H(q)e (t)

Para el proceso estocstico definido por
v(t) = H(q)e(t)
donde {e(t)} es una secuencia de variables aleatorias independientes
con
valor medio cero y covarianza 1..,se
define su espectro

Con el ajuste adecuado de y (t) Y

v (t) por parte del usuario, pue<ie tenerse una idea de la espuesta del sistema
ante la entrada u (t).
Prediccin
Teniendo que

<Pv= 1..1 H( ei"') 1

v(t)=H(q)e(t)=Ikh(k)e(t-k),

Para el caso de seales estocsticas y

determinsticas mezcladas tal como

Ingeniera

& Desarrollo.

Universidad

O$k$=

(2)

Podramos tratar de discutir cmo

seran los valores futuros de v(t). Para

del Norte. 2: 10-22, 1997

17

y(t) = G(q)u(t) + v(t)

ello, supondremos que H es estable;

esto es,

Lk

Con la informacin conocida, la y(t)

esperada ser

Ih(k)I<=;O$k$=

Debemos imponer una propiedad

bsica para (2), que sea invertible. Esto
quiere decir que si conocemos v(s) para
s $ t., entonces se puede calcular e(t)
como

y'(111-1)=H'\q)G(q)U(I)

+ [1-

H-\q)

J y(I)

o
H(q)y'(1 I 1-1)= G(q)u(l)

+ [H(q)

-1 ] y(l)

y' (t It-1)se refiere a la probabilidad

del evento y(t) dado y(t-1).

e(l) = H'(q) v(l) = Lk h'(k) v( 1- k); O" k" ~

Para la prediccin del error se infiere

que

con

e(t) = y(t) , y'(1 I 1-1) = ,H-1(q)G(q)u(t)

Lk1h'(k) I < =; O$k$=

+ H'

\q)y(l)

A partir de H(q) podemos determinar H'(q) = H-1(q). Esto no resulta evidente, aunque con las restricciones impuestas puede probarse que el filtro
H(q) se comporta de manera similar a

suponiendo

l/H(z)

evaluable en

Estimacin de modelos paramtricos

Por lo visto, un modelo L11est especificado por la respuesta al impulso, el
espectro de la perturbacin aditiva y
posiblemente por una funcin de densidad probabilstica de la perturbacin
e(t). El modelo completo resulta:

I z I ~ 1.

y(t) = G(q)u(t) + H(q)e(t)

Podemos entonces escribir
feO, la fdp de e

(3)

con
Prediccin de y un paso adelante
Si consideramos y(s) y u(s) conocidas
para s $ t-1, podriamos entonces conocer v(s) para s $ t-1

Y
H(q) = 1+ Lkh(k)q,k;

1$ k $=

v(s) = y(s) - G(q)u(s)

Queremos predecir valores de

18

La especificacin del modelo dada

por (3)en trminos de un nmero finito
de valores numricos, o coeficientes, es
Ingeniera & Desarrollo. Universidad del Norte. 2: 10-22, 1997

la ms importante consecuencia para

los propsitos de identificacin de sistemas. A partir del conocimiento previo
de los mecanismos fsicos que gobiernan al sistema no es posible determinar
esos parmetros. La determinacin de
todos o algunos de esos parmetros es
el tema de la identificacin. Los coeficientes.en cuestin deben entonces entrar al modelo (3) como parmetros a
ser determinados. Estos parmetros se
representan generalmente por un vector
a. Tenemos ahora una descripcin del
sistema dada por:

y(t)+ ay(t-l) + + anay(t-na)= bu(t-l) +

+ b"U(t-nb)+ e(t)
oo.

oo.

Los parmetros ajustables en este

caso son:

A()
q = 1 + aq - +

oo.

+ anaq-na

As que
G(q,a) = B(q)/ A(q) ; H(q,a) = 1/ A(q)

y(t) = G(q.a)u(t) + H(q,a)e(t)

en la que fe(x,a) es la fdp de e(t) y
{e(t}}es ruido blanco.

La representacin de este modelo

corresponde a la grfica siguiente:

Con la nueva representacin, y teniendo en cuenta la dependencia de la

prediccin del vector q, reescribimos:
y'(tla)

= H-l(q,a)G(q,a)u(t)+

[1- H"l(q,a)]

y(t)

Representacin polinmica de funciones de transferencia

Tal vez la va ms inmediata de parametrizar H y G es representarJas como
funciones racionales haciendo que los
parmetros sean los coeficientes del
numerador y el denominador. Estas son
las estructuras de modelos de caja negra.

& Desarrollo.

Universidad

Este modelo se conoce como modelo

ARX, en donde AR se refiere a la parte
regresiva A(q)u(t) y X a la entrada adicional B(q)u(t) (entrada exgena). Si
na = 0, y(t) es un FlR.
Con la nueva representacin podemos calcular el predictor de y(t), obteniendo:

Probablemente la relacin entradasalida ms simple se obtiene describindola por una ecuacin de diferencias lineal de la forma:
Ingeniera

U/A

del Norte. 2: 10-22, 1997

y'(t la) = B(q)u(t) + [ 1 - A(q) ] y(t)

Esta nueva expresin para el predic19

tor de y(t) nos permite un manejo ms

fcil, a la vez que resulta una escogencia
obvia para estructuras estocsticas donde el trmino e(t) sea considerado insignificante o difcil de conocer. Es perfectamente natural utilizado en modelos
determinsticos.

y(t) + ay(t-l) +...+ anay(t-n.) ~ bu(t-l) +...+

bnu(t-nb) + C e(t -1) +...+ cnae(t-nc)

Con
C()q ~ 1 + cq -1 + ... + cnA -nc

que claramente se corresponde con

Introduzcamos ahora el vector
G(q,a) ~ B(q)/ A(q)

; H(q,a)

~ C(q)/ A(q)

j(t) ~ [-y(t-l) ...-y(t - na)u(t - [) ...u(t- nb)]T

El predictor puede ahora escribirse:

Esta es la propiedad importante aludida previamente; el predictor esel producto escalar entre un vector de datos
conocido j y el vector de parmetros
desconocidos q. Tal modelo es conocido en estadstica como una regresin
lineal, y al vector j(t) se le llama vector
de regresin.
En el caso de que algunos coeficientes de los polinomios A y Bsean conocidos, obtenemos una regresin lineal de
la forma
y'(t la) ~ jT(t)a + l1(t)
Donde l1(t)es un trmino conocido:
La desventaja de este modelo simple
es la prdida de una adecuada libertad
para describir las propiedades del trmino perturbacin. Para aumentar la
flexibilidad describimos la ecuacin
error como un promedio mvil de ruido blanco. Esto nos lleva al modelo

20

Ingeniera

Debido al promedio mvil (MA ) de

C(q)e(t), este modelo se conoce como
ARMAX. Existen versiones de tal modelo como el ARIMA(X), donde 1 se
refiere a integracin forzada. Una estructura ms general sera de la forma
A(q)y(t) ~ B(q)u(t) + [C(q)/D(q) ] e(t)
con

el cual, por supuesto, contiene a los

anteriores como casos especiales. La
grfica siguiente tipifica tal modelo. La
estructura de la ecuacin del modelo
del error corresponde a descripciones
donde las funciones de transferencia G
y H tienen un polinomio A como factor
comn en sus denominadores. Desde el
punto de vista fsico puede verse ms
natural parametrizarlas independientemente. Si definimos

y(t) ~ [B(q)/F(q) ]u(t) + e(t)

& Desarrollo.

Universidad

del Norte. 2: 10-22, 1997

Seleccin de la estructura del modelo

y validacin del modelo

"

El flujo de seal de este modelo se

muestra a continuacin. Podramos llamade modelo del error de salida (OE),
con vector de parmetros a determinar
_

e-

--.

T
[b1 b2".bnb f f2 ." fnl ]

Off

--,.-~y

Otra estructura muy conocida.es la

del modelo Box - Jenkins, cuya grfica
se muestra. En realidad, pueden obtenerse muchas estructuras diferentes, dependiendo de cules sean los polinomios. Sera entonces conveniente una
estructura de modelos generalizada de
la forma
A(q)y(l) = [B(q)/F(q)

]u(l) + [C(q)lD(q)

La seleccin apropiada de la estructura

del modelo es crucial para una exitosa
aplicacin de identificacin. Esta escogencia debe estar basada tanto en un
claro entendimiento del proceso de identificacin como en un preciso conocimiento del proceso.
Una vez que se ha escogido una estructura de modelo, el procedimiento
de identificacin nos entregar un modelo con esa estructura. Este modelo
ser el mejor disponible. La cuestin
ahora es si este modelo es suficientemente bueno para nuestros propsitos.
Probado es lo que conoce como validacin del modelo.
La va para encontrar una determinada estructura involucra al menos tres
pasos:

Escoger el tipo del conjunto de modelos.

Significa, por ejemplo, escoger entre
modelos lineales y no lineales, entre
entrada-salida, modelos caja negra y
espacio-estado parametrizados fsicamente, etc.

]e(l)

Escoger el tamao del conjunto de modelos. Se refiere a caractersticas tales

como el orden del modelo en espacio-estado o el grado de los polinomios en dichos modelos.

Off

Seleccionar la parametrizacin del modelo. Una vez que se ha escogido un

conjunto de modelos es necesario
parametrizarlo, esto es, buscar la es-

Ingeniera

& Desarrollo.

Universidad

del Norte. 2: 10-22, 1997

21

tructura del modelo cuyo rango sea

igual al del conjunto seleccionado.
Comentarios finales
Se ha tratado de dar una visin general
del tema Identificacin Paramtrica de
Sistemas Dinmicos sin profundizar en
aspectos que estaran fuera del alcance
de este artculo, tales como la forma de
crear las estructuras de modelos o las
tcnicas de validacin. Sin embargo,
cabra anotar que existen algunas herramientas computacionales que facilitan el trabajo de Identificacin, tales

22

Ingeniera

como el Toolbox para Matlab que aparece relacionado en la bibliografa, o

utilidades de Sirnlink diseadas con el
mismo fin.
Bibliografia
ASTROM y WITTENMARK. Sistemas controlados por computador. Paraninfo. 1988.
LJUNG, L. System identification:
~eory forthe user. Prentice-Hall, 1987.
--System identification toolbox,
For use with MATLAB. User guide.

& Desarrollo.

Universidad

del Norte. 2: 10-22, 1997