IDENTIFICACIÓN MEDIANTE EL MÉTODO DE MÍNIMOS CUADRADOS.

El método de mínimos cuadrados es sin dudas un enfoque básico y más utilizado en la

teoría y practica de la identificación de procesos. Numerosos autores, tales como
eykhoff, peterkal y muchos otros han dedicado un esfuerzo considerable al estudio de
este método y sus diversas extensiones y modificaciones. Las razones son múltiples y
bien fundamentadas: Aparte de su indudable atracción intuitiva, el método de mínimos
cuadrados posee una serie de propiedades estadísticas muy convenientes y sobre todo,
es posible encontrar una forma recursiva de este método suficientemente simple. Esta
ultima posibilidad ha venido a ser la base de los llamados métodos de identificación 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 dinámico 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 índices k, k-1,….,k-n se utilizan, en aras de la simplicidad de la notación, en

lugar de kT, (k-1)T,….(k-n)T. El modelo en 1, consta de dos partes fundamentales: una
autoregresión de los valores anteriores de la salida hasta y(k-n), así 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
identificación en matlab. El termino e(k) es un proceso estocástico al que puede
atribuirse varias interpretaciones. Desde el punto de vista puramente estadístico, este
término generalmente se interpreta cono el residuo o efecto no considerado en el
modelo ARX. Mirado desde la óptica de los sistemas de control, el proceso e(k) puede
asociarse al ruido presente en la planta.
Como este ruido no es medible, el cálculo de e(k) a partir del modelo, puede servir
como una estimación del mismo. El hecho de suponer a priori la presencia del ruido,
sitúa en un plano más cercano a la realidad la identificación del proceso. En efecto, se
admite que el modelo asumido no es exacto, que refleja sólo parcialmente el proceso y
que factores tales como la no linealidad, la imprecisión de las mediciones, la presencia
de perturbaciones no consideradas explícitamente, etc., influyen sobre la salida.

Al término e(k), que en lo sucesivo será denominado ruido del modelo, se le atribuyen
generalmente las siguientes propiedades estadísticas, 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 Matemática que puede interpretarse

como el “valor más esperado” o en muchos casos “valor medio” de la variable o función
en el argumento. Entonces, e(k) se considera un proceso de ruido blanco, con media
cero y varianza constante σ2 , no correlacionado con la entrada o salida del proceso. El
modelo 1 puede escribirse también 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 expresión 7 puede interpretarse entonces como la predicción 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 parámetros del modelo. Nótese 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 además 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 también

B ( z 1 ) 1
y (k )  1
u (k )  e( k ) 12’
1  A( z ) 1  A( z 1 )

El segundo término de la parte derecha de la ecuación 12’ puede identificarse con el

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

Esta última forma del modelo ARX pone en evidencia un hecho de gran importancia
para la identificación de los parámetros del modelo 1 o 12’ y es que el ruido resultante
actúa sobre la salida no satisface generalmente las condiciones de ruido blanco no
correlacionado supuestas en 4 y 5. En efecto, el término estocástico del modelo 12’ es
un ruido filtrado a través de la función de trasnferencia 1/(1-A(z-1)).

La ecuación 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 )

También:

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

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

Resumiendo el análisis 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 será de extrema utilidad cuando se
estudien los algoritmos recursitos de identificación. La ecuación 1 puede, en efecto,
escribirse de la siguiente forma más compacta:
 y ( k )  P T z ( k )  e( k ) 16

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

vectores pueden definirse de varias formas; una muy conveniente desde el punto de
vista de los algoritmos de identificación en línea, 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 dimensión 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 dimensión (2n+1) x t.

También:

E T (t )   e(1) e(2)  e(t ) 22

Es el vector de ruido de dimensión t.

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

Consideremos, en efecto, un sistema con μ entradas y υ 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 dimensión υ
u(k)- vector de las entradas de dimensión μ
Aj, Bj- matrices υxυ y υxμ de los coeficientes de regresión
e(k) – vector del ruido de dimensón υ

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 dimensión υ 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 dimensión:

     (   v)n 26

PT es una matriz de dimensión υxρ con la estructura siguiente:

P T  [ B0 A1 B0  Bn An ] 27

Por último, 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   T   T 
 y ( 2)   z (2) e (2)
Y (t )  Z (t )  E (t )  29
        
 T   T   T 
 y (t )   z (t )   e (t ) 

Nótese que Y(t) y E(t) son ahora matrices de dimensión txυ y Z(t) es una matriz txρ.

Antes de finalizar esta sección, 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 número entero n que aparece como límite superior de las sumatorias en la
expresión 1. Por comodidad y en aras de la claridad de la exposición se ha supuesto que
el límite 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 observación se refiere a la inclusión de b0 en el modelo que proponemos, es
decir, la admisión implícita 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 mínimo, de un periodo de retardo. Desde nuestro punto de
vista, se trata sólo de un problema convencional y de cómo se interpreta el muestreo de
las variables de entrada y salida. Nosotros hemos adoptado la convención 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 índice u(k), y(k) ó u(k+1),
y(k+1), etc., en realidad corresponden a tiempos distintos, mediando entre ellos, como
mínimo, el tiempo necesario para la medición 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 además conveniente, la
inclusión del coeficiente b0 en el modelo ARX.