IDENTIFICACIN MEDIANTE EL MTODO DE MNIMOS CUADRADOS.

El mtodo de mnimos cuadrados es sin dudas un enfoque bsico y ms utilizado en la

teora y practica de la identificacin de procesos. Numerosos autores, tales como
eykhoff, peterkal y muchos otros han dedicado un esfuerzo considerable al estudio de
este mtodo y sus diversas extensiones y modificaciones. Las razones son mltiples y
bien fundamentadas: Aparte de su indudable atraccin intuitiva, el mtodo de mnimos
cuadrados posee una serie de propiedades estadsticas muy convenientes y sobre todo,
es posible encontrar una forma recursiva de este mtodo suficientemente simple. Esta
ultima posibilidad ha venido a ser la base de los llamados mtodos de identificacin en
linea (on-line) de procesos, que han alcanzado gran popularidad como resultado del
desarrollo de los sistemas de control digital.

ESTRUCTURA DEL MODELO ARX

En el esquema de la figura 1 se representa en forma simplificada una planta de una
entrada y una salida, con ruido aditivo v(t) en esta ultima.

v(t)

y(t)
u(t)
P

Figura 1

Supongamos que la entrada y la salida de la planta representada son accesibles, es decir,

pueden ser medidas con un periodo de muestreo T. independientemente de que el
sistema original P puede ser continuo, para describir el comportamiento dinmico de un
conjunto discreto de mediciones de su entrada y su salida, tomadas durante un cierto
intervalo de tiempo T, es posible en muchos casos, asumir el siguiente modelo lineal en
diferencias:
n n
y ( k ) a j y ( k j ) b j u ( k j ) e( k )
j 1 j 0 1
k 1,2,3,...., t a j ,bj R

Donde los ndices k, k-1,.,k-n se utilizan, en aras de la simplicidad de la notacin, en

lugar de kT, (k-1)T,.(k-n)T. El modelo en 1, consta de dos partes fundamentales: una
autoregresin de los valores anteriores de la salida hasta y(k-n), as como una suma de
valores previos de la entrada hasta u(k-n). Aunque pueden encontrarse en la literatura
especializada diversos nombres para este modelo, nosotros adoptaremos el de modelo
ARX (auto-regressive and exogenous variable) con el que se le conoce en el Toolbox de
identificacin en matlab. El termino e(k) es un proceso estocstico al que puede
atribuirse varias interpretaciones. Desde el punto de vista puramente estadstico, este
trmino generalmente se interpreta cono el residuo o efecto no considerado en el
modelo ARX. Mirado desde la ptica de los sistemas de control, el proceso e(k) puede
asociarse al ruido presente en la planta.
Como este ruido no es medible, el clculo de e(k) a partir del modelo, puede servir
como una estimacin del mismo. El hecho de suponer a priori la presencia del ruido,
sita en un plano ms cercano a la realidad la identificacin del proceso. En efecto, se
admite que el modelo asumido no es exacto, que refleja slo parcialmente el proceso y
que factores tales como la no linealidad, la imprecisin de las mediciones, la presencia
de perturbaciones no consideradas explcitamente, etc., influyen sobre la salida.

Al trmino e(k), que en lo sucesivo ser denominado ruido del modelo, se le atribuyen
generalmente las siguientes propiedades estadsticas, para k=1,2,3:

E e k 0 2

E e 2 k 2 3

E e k e k i 0, i 0 4

E e k y k i 0, E e k u k i 0 5

Donde el operador E{.} simboliza a la Esperanza Matemtica que puede interpretarse

como el valor ms esperado o en muchos casos valor medio de la variable o funcin
en el argumento. Entonces, e(k) se considera un proceso de ruido blanco, con media
cero y varianza constante 2 , no correlacionado con la entrada o salida del proceso. El
modelo 1 puede escribirse tambin en la forma:

^
y ( k ) y ( k ) e( k ) 6

Donde:

n n
y ( k ) a j y ( k j ) b j u ( k j ) 7
j 1 j 0

El termino y^(k) en la expresin 7 puede interpretarse entonces como la prediccin de la

salida en el tiempo k, a partir de las mediciones anteriores y(k-1), y(k-2),,y(k-n), u(k),
u(k-1), .,u(k-n) y los parmetros del modelo. Ntese que de acuerdo con 6 y 7, se
cumple:

E y k y (k ) 8

Una manera alternativa de expresar el modelo 1 muy usada en la literatura, resulta de

introducir el operador de retardo z-1 , definido como sigue:

z i y (k ) y (k i ) 9

Definiendo adems los polinomios:

A( z 1 ) a1 z 1 a 2 z 2 ... a n z n 10
 B ( z 1 ) b0 b1 z 1 b2 z 2 ... bn z n 11

Podemos escribir entonces el modelo ARX en la forma:

1 A( z ) y(k ) B( z
1 1
)u (k ) e( k ) 12

O tambin

B( z 1 ) 1
y (k ) 1
u (k ) e( k ) 12
1 A( z ) 1 A( z 1 )

El segundo trmino de la parte derecha de la ecuacin 12 puede identificarse con el

ruido aditivo v(t) que aparece en la figura 1.

Esta ltima forma del modelo ARX pone en evidencia un hecho de gran importancia
para la identificacin de los parmetros del modelo 1 o 12 y es que el ruido resultante
acta sobre la salida no satisface generalmente las condiciones de ruido blanco no
correlacionado supuestas en 4 y 5. En efecto, el trmino estocstico del modelo 12 es
un ruido filtrado a travs de la funcin de trasnferencia 1/(1-A(z-1)).

La ecuacin 12 puede escribirse entonces:

B ( z 1 )
y (k ) u (k ) v(k ) 13
1 A( z 1 )

Donde:

1
v(k ) e( k ) 14
1 A( z 1 )

Tambin:

n
v ( k ) a i v ( k i ) e( k ) 15
i 1

De 15 resulta evidente que v(k) es un ruido correlacionado. En el contexto de las series

cronolgicas, el proceso descrito en 15 se conoce como una serie o proceso
autoregresivo.

Resumiendo el anlisis anterior podemos afirmar que aun cuando al ruido del modelo
e(k) se le atribuyan las propiedades del ruido blanco no correlacionado, el ruido
resultante sobre la salida de la planta no cumple en general con esas condiciones.

Vamos a introducir otra forma del modelo ARX que ser de extrema utilidad cuando se
estudien los algoritmos recursitos de identificacin. La ecuacin 1 puede, en efecto,
escribirse de la siguiente forma ms compacta:
 y ( k ) P T z ( k ) e( k ) 16

Donde PT y z(k) son respectivamente los parmetros y de las mediciones. Ambos

vectores pueden definirse de varias formas; una muy conveniente desde el punto de
vista de los algoritmos de identificacin en lnea, es la siguiente:

P T [b0 a1 b1 ,..., a n bn ] 17

z T ( k ) u ( k ) y (k 1) u ( k 1),..., y ( k n) u ( k n) 18

PT y zT son vectores de dimensin 2n+1.

El modelo 16 puede expresarse en forma generalizada para t observaciones del par

entrada-salida (u,y) como sigue:

Y T (t ) P T Z T (t ) E t (t ) 19

Con

Y T (t ) y (1) y ( 2)... y (t ) 20

u (1) u ( 2) u (t )
y (0) y (1) y (t 1)

u (0) u (1) u (t 1)
Z (t ) 21

y (1 n) y ( 2 n) y (t n)

u (1 n) u ( 2 n) u (t n)

Es la matriz de las mediciones, de dimensin (2n+1) x t.

Tambin:

E T (t ) e(1) e(2) e(t ) 22

Es el vector de ruido de dimensin t.

La extensin del modelo ARX al caso de sistemas multivariables, puede hacerse de una
forma inmediata como veremos a continuacin.

Consideremos, en efecto, un sistema con entradas y salidas. El modelo ARX

multivariable correspondiente puede definirse como:

n n
y ( k ) A j y ( k j ) B j u (l j ) e(k ) 23
j 1 j 0
Donde:y(k)- vector de las salidas de dimensin
u(k)- vector de las entradas de dimensin
Aj, Bj- matrices x y x de los coeficientes de regresin
e(k) vector del ruido de dimensn

Un modelo compacto equivalente a 23 puede escribirse en la misma gorma que el

correspondiente a los sistemas monovariables. En efecto:

y ( k ) P T z ( k ) e( k ) 24

Pero ahora y(k) es un vector de dimensin de las salidas, y

z T (k ) u T (k ) y T (k 1) u T (k 1),..., y T (k n) u T ( k n) 25

Es un vector de dimensin:

( v)n 26

PT es una matriz de dimensin x con la estructura siguiente:

P T [ B0 A1 B0 Bn An ] 27

Por ltimo, el modelo generalizado para t mediciones dado en 19, puede escribirse para
el caso multivariable en la misma forma:

Y T (t ) P T Z T (t ) E t (t ) 28

Con las definiciones siguientes

y T (1) z T (1) e T (1)

T
y T (2) T
z (2) E (t ) e (2)
Y (t ) Z (t ) 29

T T T
y (t ) z (t ) e (t )

Ntese que Y(t) y E(t) son ahora matrices de dimensin tx y Z(t) es una matriz tx.

Antes de finalizar esta seccin, se deben hacer dos observaciones de suma importancia.
La primera se refiere al orden del modelo ARX considerado en 1. Por orden del modelo
entendemos al nmero entero n que aparece como lmite superior de las sumatorias en la
expresin 1. Por comodidad y en aras de la claridad de la exposicin se ha supuesto que
el lmite de ambas sumatorias es el mismo, dejando abierta la posibilidad de que
algunos coeficientes aj o bj sean ceros. El caso frecuente de sistemas con retrazo por
transporte queda incluido si se hacen iguales a cero algunos de los primeros coeficientes
bj, por ejemplo b0, b1, etc.
La segunda observacin se refiere a la inclusin de b0 en el modelo que proponemos, es
decir, la admisin implcita de que el valor de la variable de entrada u(k) influye sobre
la salida del mismo tiempo y(k).

Muchos autores utilizan un modelo en el que no se considera esa influencia y se supone

la existencia siempre, como mnimo, de un periodo de retardo. Desde nuestro punto de
vista, se trata slo de un problema convencional y de cmo se interpreta el muestreo de
las variables de entrada y salida. Nosotros hemos adoptado la convencin que se ilustra
en la figura 2.

u(k) u(k+1) u(k+2)

tm tm tm

y(k) y(k+1) y(k+2)

Figura 2

En la figura 2, en efecto, se supone que la variable de entrada se mide (o se calcula)

antes de la salida y aunque ambas se denotan con el mismo ndice u(k), y(k) u(k+1),
y(k+1), etc., en realidad corresponden a tiempos distintos, mediando entre ellos, como
mnimo, el tiempo necesario para la medicin de la variable de entrada u(k). Ese
tiempo, desde luego, debe ser mucho menor que el periodo de muestreo. Desde el punto
de vista ilustrado en la figura 2, resulta entonces admisible y adems conveniente, la
inclusin del coeficiente b0 en el modelo ARX.