CÁLCULO DE PARÁMETROS EN EL PROCESO DE

IDENTIFICACIÓN
Universidad Distrital Francisco José de Caldas
Ingeniería en Control
Control Digital
Edison Giancarlo Prieto 20182383030

1. INTRODUCCIÓN

El cálculo o estimación de parámetros es una de las etapas del proceso de

identificación de sistemas de control, en el que se pretende obtener un modelo
matemático del proceso.

La estimación de parámetros involucran el uso de observaciones y la información

de respuesta medida de un sistema dinámico real para desarrollar modelos
matemáticos y computarizados que representan las características de ese sistema.
El modelo tiene una forma general que involucra un número de ecuaciones
diferenciales o de diferencias ordinarias y un conjunto asociado de parámetros que
deben ser estimados.

El enfoque más utilizado se basa en la minimización de mínimos cuadrados del error

entre la respuesta del modelo y la respuesta del sistema medida. El proceso de
decisión sobre la estructura más adecuada para el modelo generalmente involucra
conocimiento de los antecedentes y comprensión física del sistema bajo
investigación, así como un examen de los datos de respuesta disponibles. Una vez
que se ha establecido una estructura de modelo inicial y se han evaluado
críticamente las incertidumbres en esa estructura elegida, los parámetros del
modelo se pueden ajustar de manera iterativa usando una función de costo de
optimización especificada. Los procesos iterativos de ajuste de parámetros
continúan hasta que las respuestas del modelo coinciden con las del sistema real
con un nivel predefinido basado en los valores del criterio de optimización elegido.[1]

Para la modelización, es necesario partir de una observación de datos, compuesta

de una salida en un instante de tiempo ​y(t)​, obtenida a partir de una excitación en el
mismo tiempo, ​u(t). Ésto a partir de una colección finita de muestras. Los métodos
de identificación nos permiten llegar a un modelo matemático que nos Los métodos
de identificación tienen, como fin, encontrar un modelo matemático que nos
relacione las colecciones de muestras de salidas con las de entrada.
2. IDENTIFICABILIDAD:

La precisión de cualquier parámetro de estimación se expresa en términos de su

varianza y esta es una función tanto del experimento como de la técnica de
estimación utilizada. A menudo, el objetivo es obtener estimaciones únicas y
confiables de todos los parámetros de un modelo. Es importante investigar si esto
es posible o no para una estructura dada del modelo y una forma dada de
experimento. Esto implica la investigación de la identificabilidad y es importante
establecer si existen o no posibles problemas de identificación antes de seleccionar
un método de identificación y considerar temas como el diseño experimental. Como
su nombre indica, depende de la estructura del modelo y no de los valores
numéricos de los parámetros o del diseño del experimento de identificación.

3. MODELOS:

Existen varios modelos para realizar el proceso de estimación de parámetros, en la

figura 1 se muestran algunos y posteriormente se profundiza en algunos de ellos.

Fig 1. Modelos más comunes

Hay dos formas de obtener los modelos: en términos de leyes físicas, o por
experimentación sobre un proceso. Un proceso no puede ser representado por un
único modelo matemático. Hay una serie de modelos que van desde los detallados y
complejos de simulación hasta los muy sencillos, fáciles de manipular
analíticamente. El control automático de sistemas requiere del conocimiento del
modelo matemático que represente el comportamiento del mismo. Las estructuras
del modelo se sacan del conocimiento previo del proceso y de las perturbaciones.
En algunos casos el único conocimiento previo que se tiene es que el proceso se
puede describir como un sistema lineal en un rango de operación concreto.
Entonces es natural utilizar representaciones de sistemas lineales de tipo general.
Estas representaciones se conocen como modelos de caja negra. Un ejemplo típico
es el modelo de ecuación en diferencias.
Donde u es la entrada, y es la salida y e es una perturbación de tipo ruido blanco.
Los parámetros, así como el orden de los modelos, se consideran como parámetros
desconocidos. Algunas veces es posible aplicar leyes físicas para obtener modelos
de procesos que contienen solamente algunos parámetros de valor desconocido.

3.1 Mínimos cuadrados:

Éste método consiste en obtener el equivalente discreto de un sistema continuo

lineal. Se debe especificar el periodo de muestreo y el intervalo de valores
continuos. Es un modelo tipo ARMA (Autoregressive, Moving Average).

Tomando la función de transferencia en tiempo discreto:

la cual corresponde a la ecuación de diferencia:

Es posible formar un conjunto de ecuaciones lineales de las cuales los parámetros

ai y bi del modelo ARMA se puedan determinar. Específicamente, para un sistema
de orden k es posible en principio determinar 2k parámetros con 2k+1 muestra.

Para realizar cálculo de parámetros requieren los datos de entrada-salida del

proceso, una clase de modelos y un criterio. La estimación de parámetros se puede
formular como un problema de optimización, en el que el mejor modelo es aquel que
mejor se ajusta a los datos de acuerdo con un criterio dado.

En el problema general de mínimos cuadrados se propone que “la variable

calculada” yˆ , en la terminología de Gauss, viene dada por el modelo que se
presenta en la siguiente ecuación:

Donde ϕ1, ϕ2, ..., ϕn son funciones conocidas y θ1, θ2, ..., θn son parámetros
desconocidos.
 - Ejemplo:

Tomando el sistema con la siguiente representación de estados:

Y teniendo en cuenta que:

Para este ejemplo se discretizó el sistema y se asignó una entrada aleatoria (u).
Con el modelo discretizado se obtuvo la función de transferencia y se evaluó la
salida. Con los pares (y,u) se realizó la estimación por el principio de mínimos
cuadrados.

- Algoritmo de Matlab:
Se obtiene así:
Y la función de transferencia:

3.1.1 :Propiedades de estimación:

3.1.1.1: Modelo ARX:

Equivale a introducir a la salida “limpia” una perturbación que es un ruido blanco “e”
previamente filtrado por 1/A(z)

3.1.1.2: Modelo OE (Output Error):

Es decir, que a la salida “limpia” se le suma una perturbación que es directamente

un ruido blanco “e”.
3.1.1.3: Modelo ARMAX

A la salida “limpia” se le suma una perturbación que es un ruido blanco e

previamente filtrado por C(z)/A(z).

3.1.1.4: Modelo BJ (Box Jenkins)

3.2. Variable Instrumental:

A través del método de la variable instrumental estándar, el parámetro vector

estimado θN se puede obtener a través de:

donde ζ (t) se conoce como el vector variable instrumental. Se debe tener en cuenta
que el método de mínimos cuadrados se obtiene si (t) = ϕ (t). Los elementos del
vector ζ (t) se denominan instrumentos y generalmente se obtienen de entradas
pasadas mediante el filtrado lineal y se pueden escribir conceptualmente como

En términos generales, el vector del instrumento debe estar bien correlacionado con
las entradas y salidas retrasadas pero no correlacionada con la secuencia de ruido.

- EJEMPLO:

Se describe el siguiente proceso:

Se hizo análisis por medio de los métodos tailor-made IV (tiv), bootstrap IV

(cliv4), bootstrap IV con identificación automatizada del modelo de ruido
(cliv4-armasel), bootstrap IV con mínimos cuadrados de orden superior (cliv3)
y basic closed-loop I.

Por cada método se obtuvieron los siguientes parámetros:

Y los siguientes diagramas de Bode:

 .

3.3. Método de la máxima probabilidad:

En contraste con el enfoque de error de predicción mencionado anteriormente, el

método de máxima probabilidad es, en cierta medida, muy similar. La diferencia es
que el método ML (máxima probabilidad) apela a argumentos estadísticos para la
estimación de θ. Más específicamente, utiliza las funciones de densidad de
probabilidad de la variable observada yN, dada por fy (θ; xN) de modo que

La función de estimación ML es tal que la probabilidad, P, de que el valor

observado, yN, es igual al valor estimado, yN ∗ se maximiza. Se dice que esto es
proporcional a fy (θ; xN) y, por lo tanto, la estimación del parámetro ML busca
 - EJEMPLO

Considere el siguiente sistema:

En la simulación, la entrada se toma como una secuencia de señal estocástica no

correlacionada con media cero y varianza unitaria, y como una secuencia de ruido
blanco con media cero y varianzas y, respectivamente. Aplicando el algoritmo
ML-RLS para estimar los parámetros de este sistema, la estimación de parámetros
resulta en:
3.4. Métodos de predicción de error:

Los parámetros se estiman resolviendo el siguiente problema de optimización:

εF es el error de predicción filtrado construido a partir de datos prefiltrados

- EJEMPLO EN MATLAB:
Modelo estimado:

4. EJEMPLOS EN MATLAB MEDIANTE SYSTEM IDENTIFICATION TOOLS

4.1 Ejemplo mediante modelo de función de transferencia:

Debe especificar el número de polos y ceros para estimar un modelo de función de

transferencia. El producto System Identification Toolbox calcula los polinomios
numerador y denominador, y los retardos de entrada / salida de los datos. La
estructura del modelo de función de transferencia es una buena opción para una
estimación rápida, ya que requiere que especifique solo 2 parámetros para
comenzar: np es el número de polos y nz es el número de ceros.
Al dar clic en Estimar se agrega un modelo de función de transferencia llamado tf1 a
la aplicación Identificación del sistema. Puede ver la salida de la estimación del
modelo de función de transferencia en comparación con las estimaciones de otros
modelos, en la ventana de salida del modelo

4.2 Ejemplo mediante modelo de espacio de estado:

La estructura general de un modelo de espacio de estado es:

y (t) representa la salida en el tiempo t, u (t) representa la entrada en el tiempo t, x

(t) es el vector de estado en el tiempo t, y e (t) es la perturbación del ruido blanco.
Debe especificar un solo entero como orden del modelo (dimensión del vector de
estado) para estimar un modelo de espacio de estado. El producto System
Identification Toolbox estima las matrices de espacio de estado A, B, C, D y K a
partir de los datos.
Al dar clic en Estimar se agrega un modelo de función de transferencia llamado ss1
a la aplicación Identificación del sistema.

4.3. Ejemplo mediante modelo ARMAX:

Para un sistema de entrada única / salida única (SISO), la estructura del modelo
polinomial ARMAX es:

y (t) representa la salida en el tiempo t, u (t) representa la entrada en el tiempo t, na

es el número de polos para el modelo dinámico, nb es el número de ceros más 1, nc
es el número de polos para el modelo de perturbación, nk es el número de muestras
antes de que la entrada afecte a la salida del sistema (denominada retardo o tiempo
muerto del modelo), y e (t) es la perturbación de ruido blanco.
4.4 Visualización de parámetros:

Puede ver los valores de los parámetros numéricos para cada modelo estimado se
hace clic con el botón derecho en el icono del modelo en la aplicación Identificación
del sistema. Se abre el cuadro de diálogo Información del modelo.
4.5 Visualización de modelos:

Ésta parte corresponde más a la fase de validación, en éste se visualiza la gráfica

de salida del modelo para ver si la salida del modelo coincide con la salida medida
en el conjunto de datos de validación. Un buen modelo es el modelo más simple que
mejor describe la dinámica y simula o predice con éxito la salida para diferentes
entradas.
5. REFERENCIAS

[1] ​Lennart Ljung​: ​System Identification: Theory for the User ​1999.
[2] Hernan Guidi: Open and Closed-loop Model Identication and Validation.
2008
[3] Constantine H. Houpis Stuart N. Sheldon: Linear Control System Analysis
and Design with MATLAB, sexta edición. 2014
[4] Control and estimation of distributed parameter systems. International
conference in Maria Tost, Austria. 2001
[5] Dr. Roland Tóth : Modeling and Identication of Linear Parameter-Varying
Systems. 2010
[6] Raman K. Mehra,Dimitri G. Lainiotis: System identification, Advances and
Case Studies . 1976
[7] César Pérez López: MATLAB control systems engineering.
[8] ​David Murray-Smith: Methods of system identification, parameter
estimation and optimisation applied to problems of modelling and control in
engineering and physiology
[9] Christiaan Heij, André C.M. Ran, F. van Schagen - Introduction to
Mathematical Systems Theory Linear Systems, Identification and
Control-Birkhäuser Basel. 2006
[10] Anish Deb, Srimanti Roychoudhury: Control System Analysis and
Identification with MATLAB
[11] Estimación De Parámetros En Modelos Arma Por El Criterio De Mínimos
Cuadrados. Scientia et Technica Año XII, No 31, Agosto de 2006
[12] J.R. Raol, G. Girija and J. Singh: Modelling and Parameter Estimation of
Dynamic Systems. 2004
[13] Lennart Ljung: System Identication for Control and Simulation.
[14] Marion Gilson: What has Instrumental Variable method to offer for
system identification? 2015

[15] Arun K. Tangirala: System identification. 2013

[16] Paul Annus, Raul Land, Mart Min and Jaan Ojarand: Simple Signals for
System Identification

[17] University of Twente: System Identication and Parameter Estimation

[18] Karel J. Keesman: System identification.
[19] Tomado de
https://www.sciencedirect.com/science/article/pii/S0895717711005036
[20] Tomado de
http://www.tecnicaindustrial.es/TIFrontal/a-1408-introduccion-identificacion-sis
temas.aspx