Introducción

Uno de los principales obstáculos relacionados con los supuestos clave en muchos controles de retroalimentación
atractivos Las teorías radican en la necesidad de conocer perfectamente el sistema a controlar. Aunque Los
modelos matemáticos se pueden derivar con precisión para muchas áreas de sistemas físicos, utilizando leyes y
principios físicos bien establecidos, los problemas siguen siendo la recopilación de los valores precisos de los
parámetros relevantes del sistema (o la obtención de la información almacenada en el estados inaccesibles para
la medición del sistema) y, lo que es más importante, tratar con Perturbaciones desconocidas (es decir, no
estructuradas) que afectan la evolución del sistema a lo largo del tiempo. Estos problemas han sido una
preocupación constante en la literatura sobre sistemas de control de retroalimentación y un Se han desarrollado
una gran cantidad de enfoques a lo largo de los años para, por separado o simultáneamente, enfrentar algunas, o
todas, estas desafiantes realidades involucradas en la operación de sistemas físicos. Para nombrar solo algunos,
identificación del sistema, control adaptativo, métodos energéticos, redes neuronales, y los sistemas difusos se
han desarrollado y se han probado disciplinas que proponen enfoques, desde diferentes puntos de vista, para
abordar o eludir los tres Obstáculos para hacer que un diseño de control limpio funcione: identificación de
parámetros, estimación de estado y robustez frente a perturbaciones externas.

Este libro trata de un nuevo enfoque de los tres problemas fundamentales asociados con la implementación final
de una ley de control de retroalimentación bien justificada. Nos concentramos en las formas para manejar estos
obstáculos desde un punto de vista algebraico, es decir, uno que resulta de un método algebraico visión de la
dinámica y el control de sistemas. En cuanto a la teoría preferida para tratar el problema de control ideal,
enfatizamos el hecho de que los métodos que se presentan son igualmente aplicables a cualquiera de las teorías
existentes. Proponemos ejemplos donde se usa el control de modo deslizante, otros donde se prefieren los métodos
de control basados en la pasividad, y otros donde se implementan controladores integrales proporcionales
generalizados y de planitud. El enfoque algebraico es igualmente adecuado cuando se utilizan observadores
dinámicos. Por tanto, el libro no se concentra ni favor, cualquier teoría de control de retroalimentación en
particular. Elegimos el controlador como nos plazca. Naturalmente, ya que la base teórica de los algoritmos y
técnicas propuestos se deriva de la Enfoque algebraico diferencial para el análisis y control de sistemas, a menudo
presentamos el material de fondo en detalle al final de los capítulos, de modo que el lector inclinado a las
matemáticas haya una fuente de los conceptos básicos que se ilustran en ese capítulo a través de numerosos
ejemplos.

1.1 Control de retroalimentación de sistemas dinámicos

Los sistemas de control presentados aquí están diseñados utilizando una metodología de estimación algebraica.
en combinación con técnicas de diseño de control bien conocidas, que son aplicables a lineales y sistemas no
lineales. Dado que la metodología de estimación algebraica es independiente del método de diseño del controlador
que se está utilizando y, además, es bastante fácil de entender, será rentable para el lector combinar esta
herramienta con sus controladores preferidos o con los convencionales técnicas de control. Este libro presenta
una amplia variedad de ejemplos de aplicaciones y detalles explicaciones para ilustrar el uso de la metodología
algebraica en la identificación, estimación de estado y estimación de perturbaciones. Sin embargo, este trabajo no
es un libro de texto de introducción al control. Un curso de control básico es un requisito previo para una
comprensión más profunda de estos ejemplos.

1.1.1Retroalimentacion
Un sistema de control es aquel cuyo objetivo es influir positivamente en el desempeño de un determinado sistema
de acuerdo con algunos objetivos específicos. Una ley de control o controlador es un conjunto de reglas que nos
permite determinar los comandos a enviar a la planta gobernada (a través de un actuador) para lograr la evolución
deseada. Estas reglas pueden describirse como control de bucle abierto o control de circuito cerrado
(retroalimentación). La figura 1.1 muestra ambas estrategias de control, donde y (t) y u (t) son, respectivamente,
la salida y la entrada de la planta, yx (t) representa una colección finita de variables internas (llamadas variables
de estado) que caracterizan completamente, desde el presente, el comportamiento del sistema en el futuro siempre
que las futuras entradas de control estén disponibles. La primera esquema, un sistema de control de bucle abierto,
no mide (o retroalimenta) la salida para determinar la acción de control; su precisión depende de su calibración
y, por lo tanto, solo se usa cuando hay No hay perturbaciones y la planta es perfectamente conocida. Una
perturbación (o perturbación) es una Señal desconocida que tiende a afectar negativamente el valor de salida de
la planta. Esto indeseado La señal puede ser interna (endógena) o externa (exógena) al sistema. La figura 1.1 (b)
muestra un sistema de control de circuito cerrado, donde se utiliza un sensor para obtener una señal de error. Esta
señal es procesado por el controlador para determinar la acción necesaria para reducir la diferencia entre la salida
y su valor deseado.

La retroalimentación es un mecanismo para ordenar a un sistema que evolucione de la manera deseada para que
los estados, y salidas, exhiben una evolución deseada (por ejemplo, para rastrear una trayectoria de referencia) o
permanecer en un equilibrio prescrito. La retroalimentación habilita el estado o las salidas actuales
(retroalimentación señal) a medir, determinando qué tan lejos está el comportamiento del estado deseado o
deseado salidas (es decir, para evaluar la señal de error y luego generar automáticamente una señal de control
adecuada para acercar el sistema cada vez más al estado deseado). La retroalimentación se puede utilizar para
estabilizar el estado de un sistema, al mismo tiempo que mejora su rendimiento. El control de retroalimentación
tiene orígenes antiguos, como señaló Mayr (1970). A lo largo de la historia, muchos Se pueden encontrar
ejemplos de dispositivos ingeniosos, basados en la retroalimentación. En la antigua Grecia, China, Durante la
Edad Media, y en el Renacimiento, se han recuperado y recuperado numerosos ejemplos. explicado en términos
modernos. Estos artefactos fueron mejorados y especializados para convertirse en presión. reguladores, válvulas
de flotador y reguladores de temperatura. Uno de estos dispositivos fue el fly-ball o gobernador centrífugo,
utilizado para controlar la velocidad de los molinos de viento; más tarde fue adaptado por James Watt, en 1788,
para controlar las máquinas de vapor. Fue sólo en la década de 1930 cuando Black y Black desarrollaron
completamente una teoría del control de la retroalimentación. Nyquist en Bell Laboratories. Estudiaron la
retroalimentación como un medio para mejorar enormemente el amplificador. desempeño en líneas telefónicas.
Tuvieron que enfrentar la (conocida) inestabilidad de circuito cerrado problema cuando la ganancia de
retroalimentación se estableció demasiado alta, transformando el amplificador en un oscilador.

1.1.2¿Por qué necesitamos retroalimentación?

Básicamente, la retroalimentación es necesaria por las siguientes razones.
• Contrarrestar las señales de perturbación que afectan a la planta: un controlador debe rechazar los efectos de
entradas indeseables desconocidas y mantener la salida de la planta dentro de los valores deseados.
• Mejora del rendimiento del sistema en presencia de incertidumbre del modelo: surge la incertidumbre de dos
fuentes: entradas desconocidas o impredecibles (perturbaciones, ruido, etc.) e inciertas o dinámica no modelada.
• Estabilizar una planta inestable.
Este libro aborda solo las perturbaciones aditivas, que se dividirán en estructuradas y Perturbaciones no
estructuradas. Las perturbaciones estructuradas son generadas por las condiciones iniciales del sistema y entradas
exógenas desconocidas que pueden modelarse como familias de polinomios de tiempo. Las perturbaciones no
estructuradas se consideran altamente fluctuantes u oscilantes. Fenómenos que afectan el comportamiento del
sistema. Una perturbación no estructurada común es el caso de una señal ruidosa de media cero. A pesar de esto,
todavía es posible construir un algebraico estimador que tiene en cuenta estas perturbaciones y mitiga sus efectos.
Los principales objetivos del control de retroalimentación son asegurar que las variables de interés en el sistema
sigue las trayectorias de referencia prescritas.

1.2 El problema de la identificación de parámetros

Un modelo es una representación matemática de las características esenciales de un sistema existente. Cuando un
modelo de sistema puede definirse mediante un número finito de variables y parámetros, se denomina un modelo
paramétrico. Ejemplos de modelos paramétricos son la función de transferencia de un circuito, las ecuaciones de
movimiento de un sistema de suspensión mecánica, etc. Toda la familia de funciones y ecuaciones que integran
un modelo se denomina estructura del modelo. En general, esta estructura puede ser lineal o no lineal. Los modelos
utilizados en la teoría de control moderna son, con unas pocas excepciones, modelos paramétricos en términos de
ecuaciones de estado lineales y no lineales. Para implementar un controlador basado en modelos, es necesario
conocer con precisión la estructura del modelo del sistema y sus parámetros asociados. Por lo tanto, si los
parámetros son inicialmente desconocidos, el proceso de identificación de parámetros es muy importante para el
diseño del sistema de control.

1.2.1Identificación de un sistema
Según Eykhoff (1974), la construcción de modelos comienza con la aplicación de técnicas físicas básicas leyes
(leyes de Newton, leyes de Maxwell, leyes de Kirchhoff, etc.). De estas leyes, una serie de Las relaciones se
establecen entre las variables que describen el sistema (por ejemplo, diferencial ordinario o ecuaciones en
diferencias o, a veces, ecuaciones diferenciales parciales). Si todo externo e interno Las condiciones del sistema
son conocidas, y si nuestro conocimiento físico sobre la planta es completo, entonces, en principio, el valor
numérico de todos los parámetros en esas relaciones puede ser determinado. Eykhoff (1974) recuerda que la
construcción de modelos consta de cuatro pasos: (a) selección de una estructura de modelo basada en el
conocimiento físico, (b) ajuste de los parámetros a los datos disponibles (identificación), (c) verificación y prueba
del modelo adoptado, y (d) aplicación de control teoría al modelo para lograr un propósito deseado. El proceso
de palabras es solo otro término para refiriéndose a un sistema dado.
En ocasiones, el problema de la identificación se aborda mediante el problema inverso del análisis del sistema;
dado un historial de tiempo de entrada y salida, determine las ecuaciones y los parámetros que describen el
comportamiento del sistema. Zadeh (1956) define la identificación como la determinación, sobre la base de
entradas y salidas de un sistema, de un modelo de sistema que produce un comportamiento equivalente a la planta
real. La estimación de parámetros, por el contrario, es la determinación experimental de valores de parámetros
que gobiernan el comportamiento dinámico del sistema, asumiendo que la estructura del proceso es bien conocido.
El método implica comparar la salida real del proceso, contaminada con ruido de medición, y la respuesta de la
salida del modelo hipotético cuando ambos están sujetos a la misma señal de entrada. Debido a la incertidumbre
introducida por el ruido y dinámica desatendida, es necesario entonces encontrar un ajuste del modelo de acuerdo
con un cierto criterio.
1.3 Una breve encuesta sobre la identificación de parámetros
El problema de la estimación de parámetros en sistemas dinámicos, a partir de las medidas disponibles, se remonta
al 300 a.C. cuando el movimiento de los cuerpos celestes se caracterizó por seis parámetros (ver Sorenson, 1980).
La estimación, basada en la minimización de una función de error, se puede atribuir a Galileo Galilei (ver Favier,
1982). Una de las primeras contribuciones más importantes en esta área fue la visión estadística del problema de
identificación de parámetros, propuesta por Gauss (1809) y conocida como el "problema inverso de calcular la
respuesta de un sistema con características conocidas", y el procedimiento de máxima verosimilitud introducido
por Fisher (véase Aldrich, 1997).

El término "identificación" fue acuñado por Zadeh (1956), como el problema de determinar la Relación entrada-
salida por medios experimentales, considerando la clase lineal de modelos como un Modelo de “caja negra”.

La estimación lineal para sistemas estocásticos se introdujo en los trabajos de Wiener (1949) y Kolmogorov
(1941). Estos trabajos situaron el problema de identificación en el contexto de importantes problemas de
ingeniería que quedaron abiertos problemas matemáticos. Un excelente trabajo de encuesta sobre esta teoría se
puede encontrar en Kailath (1974).
El filtro de Kalman (Kalman, 1960; Kalman y Bucy, 1961) representa un estado-espacio procedimiento
algorítmico orientado a resolver de manera óptima el problema de la estimación del estado en presencia de ruidos
de medición y estados iniciales inciertos. El enfoque se basa en la minimización de un criterio de rendimiento de
error de estimación cuadrática integral. El gran legado de El filtro de Kalman ha llevado a extensiones de sistemas
no lineales y a la formulación y solución de algunos otros problemas relacionados, como el problema de
identificación de parámetros. Åstrom y Bohlin (1965) introdujo el concepto de identificabilidad en el contexto
del enfoque de máxima semejanza. La encuesta de Åstrom y Eykhoff (1971) presenta una descripción completa
de esquemas de identificación clásicos.

Un texto de referencia importante, desde los primeros años de la identificación, es el libro de Box y Jenkins
(1976). Este libro se ocupa de la identificación de sistemas estocásticos de tiempo discreto, el pronóstico de series
de tiempo y la estimación de parámetros en funciones de transferencia. con énfasis en las aplicaciones. Otros
autores se centraron en el problema de la aproximación de modelos y reducción del orden del sistema (ver
Anderson et al., 1978 y las referencias allí citadas). El libro de Ljung (1987) es una referencia muy importante en
el contexto de los sistemas lineales. identificación. Este libro se centra en el "enfoque de ingeniería para la
identificación de sistemas", como mencionado en Gevers (2006), donde los esquemas numéricos están hechos
para jugar un papel importante en el procedimiento de identificación. Otros libros importantes sobre este tema
son Åstrom y Wit tenmark (1995), Eykhoff (1974), Goodwin y Sin (1984), Johansson (1993), Landau (1990),
Sastry y Bodson (1989), Söderström y Stoica (1989) y Sorenson (1980). Una mas reciente Se puede encontrar
una encuesta autorizada de la identificación de sistemas en el trabajo de Gevers (2006).

1.4 El problema de la estimación estatal

El estado de un sistema es un conjunto mínimo de variables (variables de estado) cuyos valores actuales, junto
con los valores de las señales de entrada en el futuro, determinan completamente el futuro comportamiento del
sistema.
Las condiciones y las formas prácticas de estimar el estado generalmente se establecen de acuerdo con el enfoque
matemático que se utiliza (sistemas dinámicos, punto de vista de la teoría de señales, etc.), el sistema naturaleza
(estocástica, determinista, lineal, no lineal), la cantidad de variables a estimar, etc. Aquí, se supondrá que el
sistema a controlar se describe mediante ecuaciones diferenciales en una representación de espacio de estado.
Consideramos el problema de la estimación de estados como el problema de determinar los estados a partir de
observaciones de los productos. Por lo general, buscamos probar la observabilidad del modelo del sistema con
respecto a su salida para encontrar una respuesta a este problema. Esta propiedad indica qué tan bien interna Los
estados de un sistema pueden reconstruirse mediante el conocimiento de sus salidas externas. El concepto de La
observabilidad fue introducida por Rudolf E. Kalman para sistemas lineales (Kalman, 1959, 1963). Para
comprender la importancia de los estimadores de estado en el control de retroalimentación, necesitamos analizar
el diagrama de bloques de un sistema de control como se muestra en la Figura 1.2.

Para el caso de tiempo continuo, el modelo del sistema consta de un conjunto de ecuaciones diferenciales que
describen la evolución de las variables de estado, x (t), y un conjunto de parámetros 𝜃. El conocido La señal de
entrada, o entrada de control, se denota mediante u (t). A veces, el sistema también se ve afectado por una
perturbación externa desconocida, 𝜈 (t). La salida, y (t), con frecuencia puede estar contaminada por ruido de
medición, 𝜉 (t). La señal de referencia, el punto de ajuste o el valor de salida deseado que el sistema de control
tendrá como objetivo alcanzar, es y ∗ (t). Como muestra la Figura 1.2, el bloque para la retroalimentación El
controlador requiere el valor del estado real para producir la señal de control. Dado que no todo el estado las
variables son medibles, necesitamos construir un estimador de estado para implementar esta retroalimentación
controlador. En la mayoría de los casos prácticos, un estimador de estado requiere un nivel de inmunidad al ruido
adecuado. Para cancelar, o al menos reducir, los efectos de las perturbaciones, una ley de control robusta basada
en Se pueden proponer estimadores de perturbaciones. En algunos casos, el problema de estimación de
perturbaciones es tratada como la estimación de un estado adicional.
Generalmente, para estimar el estado del sistema podemos usar dos tipos de herramientas: observadores de estado
y tiempo estimadores derivados. En ambos enfoques, el modelo del sistema debe satisfacer una particular
condición que garantice la viabilidad del cómputo o reproducción estatal a partir de insumos y salidas o salidas
solas. Tal propiedad es la observabilidad del sistema. En el caso del sistema lineal (continua y discreta), la
propiedad puede evaluarse fácilmente a partir del rango de una matriz denominada la matriz de observabilidad.
Su introducción conceptual se debe a Kalman.

1.4.1Observadores
El estado se puede generar a partir de un sistema dinámico llamado observador, que se basa en el modelo de la
planta, impulsado por mediciones de las entradas y salidas de la planta. Si el orden del observador es igual al
orden del modelo del sistema, se dice que el observador es un orden completo observador. Si el orden del
observador es menor que el orden de la planta, entonces se dice que el observador ser un observador de orden
reducido. Los observadores de orden reducido aprovechan la posibilidad de calculando directamente algunas
variables de estado a partir de las salidas disponibles.

Un observador de un sistema lineal es fácilmente factible siempre que el sistema sea observable, que, es decir,
cuando su matriz de observabilidad tiene rango completo. Los sistemas reconstruidles se conocen como aquellos
sistemas cuya matriz de observabilidad no es de rango completo, pero tales que la parte no observable de la El
sistema exhibe un comportamiento asintótico hacia un cierto estado de equilibrio trivial. Los observadores tienen
Se ha estudiado extensamente en sistemas lineales, a través de la selección apropiada de ganancias, mostrando
que los observadores pueden construirse de tal manera que sus estados se aproximen a los estados verdaderos con
dinámica que tiene características de estabilidad prescritas. Si las ganancias del observador están optimizadas
para el ruido entrada al sistema y al sensor (es), el observador se denomina filtro de Kalman. Si las ganancias son
no tan optimizadas, y el entorno es determinista, el observador se denomina observador de Luenberger. El
concepto de observador de un proceso dinámico fue introducido en 1966 por D. Luenberger. El observador
genérico de Luenberger apareció varios años después del filtro de Kalman.

1.4.2Reconstrucción del estado a través de la estimación derivada del

tiempo
Otra forma de estimar el estado es mediante diferenciación numérica. Si un sistema es observable, el espacio de
estado se puede reconstruir a partir de un conjunto de medidas de la entrada, la salida y un número finito de sus
derivadas en el tiempo. Sin embargo, surge un problema al estimar derivados; un diferenciador típico se ve muy
afectado por el ruido. Por tanto, si elegimos esta estimación técnica, deberíamos considerar necesariamente la
implementación de un algoritmo de filtrado adicional en nuestro procedimiento de estimación para obtener
resultados razonables en condiciones de medición ruidosas. Una forma sistemática de reconstruir el espacio de
estados a través de derivadas del tiempo es explotando la propiedad de planitud diferencial de un sistema. Decimos
que un sistema es plano si se puede describir en términos de un conjunto de variables de salida especiales y sus
derivadas en el tiempo hasta un orden finito. Para ejemplo, para un sistema plano de entrada / salida única (SISO),
todas las variables de estado, incluida la entrada de control, se puede parametrizar en términos de la salida plana
y un número finito de su tiempo derivados. Desde un punto de vista de estimación algebraica, se pueden proponer
dos tipos de estimadores de estado. El primero se basa directamente en el modelo de la planta, y el segundo se
basa en polinomios de tiempo Aproximaciones de las señales de salida. Ambos esquemas constituyen estimadores
derivados del tiempo. En La propiedad de planeidad del sistema se puede utilizar ventajosamente para reconstruir
el estado completo. A diferencia de los estimadores clásicos, los estimadores algebraicos son robustos con
respecto a las condiciones iniciales del sistema. Tienen un nivel de inmunidad al ruido adecuado e incluyen
mecanismos para mitigar los efectos de perturbaciones externas desconocidas pero limitadas. Los trabajos de
Norbert Wiener sobre filtrado óptimo inspiraron el desarrollo de la teoría de la observación del estado realizada
y completada por Rudolph Kalman, en el contexto estocástico del espacio de estado. Un enfoque determinista del
problema de la estimación de estados inaccesibles para la medición, a través de los resultados disponibles, fue
desarrollado por David G. Luenberger (1964, 1966, 1971).

La observabilidad en sistemas no lineales se desarrolla en el trabajo de Hermann y Krener (1977). Brockett (1972)
da otras contribuciones importantes a la teoría de los observadores no lineales. y Sussmann (1977, 1979). En
relación con el enfoque geométrico diferencial, la observabilidad fue estudiado por Isidori (1989) y Nijmeijer y
van der Schaft (1990). Otro importante Se introdujo el concepto de observabilidad, dado en términos del enfoque
algebraico diferencial. por Diop y Fliess (1991a, b). En este enfoque, se dice que una variable de sistema es
algebraicamente observable si se puede representar en términos de la entrada, la salida y un número finito de sus
derivadas de tiempo. En este sentido particular, el diseño del observador se reduce al diseño de un diferenciador
numérico (Diop et al., 1993, 2000). En el ámbito de los diferenciadores de señal, Se han propuesto muchos
enfoques interesantes, que van desde observadores similares a Luenberger a diferenciadores basados en modos
deslizantes (Levant, 1998). Observadores de alta ganancia (Doyle y Stein1979; Khalil, 1999) También se han
vuelto populares en los últimos tiempos, tanto en teoría como en aplicaciones, como lo demuestra la encuesta de
Khalil (2008).

1.5 Métodos algebraicos en la teoría del control: diferencias de los

existentes Metodologías
Esta metodología de identificación se ha utilizado para estimar parámetros (Trapero-Arenas et al., 2008), estados
(Barbot et al., 2007), derivadas de señales (Villagra et al., 2008), polinomio perturbaciones, y también para
detectar fallas (Fliess et al., 2004). En general, la técnica algebraica nos permite lidiar con tres obstáculos
fundamentales en las tareas de diseño de controladores: parámetro identificación, estimación de estado y robustez
con respecto a perturbaciones aditivas (como constantes, en rampa y parabólicas, es decir, perturbaciones
clásicas). Esta técnica es aplicable a sistemas lineales y no lineales y es fácil de entender. Para En el caso lineal,
hay dos enfoques generales (equivalentes): el enfoque en el dominio del tiempo y el enfoque de dominio de
frecuencia (cálculo operacional). En el primer caso, solo diferenciaciones de tiempo de expresiones,
multiplicaciones por potencias positivas (adecuadas) de la variable de tiempo, y las integraciones iteradas (con el
uso ventajoso de la fórmula de integración por partes) son suficientes para obtener expresiones lineales en los
parámetros, limpio de la influencia de las condiciones iniciales y entradas de perturbación clásicas. El segundo
enfoque solo utiliza herramientas como las formas trans de Laplace, derivación con respecto a la variable
compleja s (también llamadas "derivaciones algebraicas"), y multiplicación por potencias negativas adecuadas de
la variable compleja s. Por tanto, el algebraico El enfoque es totalmente compatible con los conceptos y
herramientas del control clásico. Para lo no lineal En este caso, solo se puede recurrir al enfoque en el dominio
del tiempo. La diferencia fundamental con el caso lineal es la necesidad de obtener convoluciones de potencias
de tiempo con expresiones no lineales de las variables de entrada y salida medidas o, a veces, con expresiones no
lineales de variables de estado. Para sistemas no lineales donde las salidas medidas son naturalmente las salidas
de la planta, la propiedad de planitud diferencial del sistema es bastante útil. A diferencia del caso lineal, al lado
del entrada y salida, a veces es necesario conocer también uno o varios componentes de la vector de estado. Dado
que esta metodología es independiente de la técnica de diseño de control preferida, se puede adaptar a las
necesidades de cualquier otra ley de control basada en modelos. Su diseño resulta ser más fácil y mucho más
rápido que muchos esquemas de identificación adaptativa (Gensior et al., 2008). El método algebraico permite el
diseño robusto de identificadores de parámetros en línea, y también de estimadores de estado en presencia de
ruido y perturbaciones polinomiales de tiempo. Los estimadores algebraicos no necesitan conocimiento
estadístico de los ruidos que corrompen los datos (ver, por ejemplo, Fliess et al., (2003, 2008) para diagnósticos
lineales y no lineales). El filtrado invariante básico utilizado en este trabajo, para el tratamiento de los efectos del
ruido, se basa en las propiedades de atenuación del ruido de la operación de integración. El filtrado de paso bajo
tradicional e incluso el filtrado no lineal son adecuados fusionado con el parámetro algebraico y los
procedimientos de estimación de estado.

A diferencia de los observadores asintóticos, los estimadores algebraicos no se basan en argumentos de

convergencia asintótica ni en la teoría de estabilidad de Lyapunov. Las identificaciones son casi instantáneas en
naturaleza. En García-Rodríguez et al. (2009), se propuso el parámetro centinela como una alternativa para decidir
experimentalmente el momento en el que los parámetros estimados han convergido a valores aceptables. Otro
enfoque, basado en el número de condición involucrado en el identificador sistema de ecuaciones, se da en
Trapero-Arenas et al. (2008). Esto simplifica el diseño del controlador y permite la sintonización en línea de los
controladores de certidumbre-equivalencia.
El método de identificación algebraica ya ha sido comparado con los algoritmos estándar de identificación
recursiva, mostrando que los parámetros desconocidos se obtienen de forma sustancialmente período de tiempo
más corto (Garrido y Concha 2013). Dado que la identificación del parámetro algebraico es bastante rápida, los
valores estimados son lo suficientemente precisos como para que puedan ser utilizados fácilmente por el
controlador para realizar una tarea determinada. Se puede demostrar que, gracias a la casi naturaleza instantánea
del procedimiento de identificación algebraica, no requiere la clásica “Condición de persistencia de excitación”
característica de la convergencia lenta de parámetros en los esquemas tradicionales de control adaptativo. Esto es
reemplazado por una condición de consistencia algebraica que evita singularidades en pequeños intervalos de
tiempo abiertos (ver Fliess y Sira-Ramírez, 2003). Contrariamente a la persistencia de la excitación, que se sabe
que interfiere fundamentalmente con la excitación deseada. objetivos de control y tiene que sostenerse típicamente
durante períodos de tiempo bastante largos, los requisitos algebraicos solo necesitan ser válidos durante el
pequeño intervalo de tiempo necesario para calcular el parámetro a través de una fórmula estática. Una vez
determinados los parámetros, el proceso de identificación puede detenerse permanentemente si se sabe que los
parámetros son perfectamente constantes. De lo contrario, uno puede dejar que el proceso se reinicie en un
momento posterior, siempre que la degradación en el rendimiento puede atribuirse a variaciones de parámetros
en curso en el tiempo. Los estimadores de parámetros algebraicos se han utilizado con éxito en el control de CC
a CC convertidores de potencia (Gensior et al., 2008); Linares Flores et al., 2011) y, más recientemente, una
interesante técnica de diseño de control sin modelos basada en el enfoque algebraico de sistemas El control ha
sido propuesto por Michel et al. (2010). En general, todavía existen muchos aspectos que requieren desarrollo
dentro de la metodología algebraica para la estimación de parámetros y estados. Estos son:
• una mayor inmunidad al ruido;
• para lograr una relajación de las condiciones del diseño basado en modelos para hacer frente a la dinámica
incertidumbres;
• una extensión de la estimación en sistemas variables en el tiempo;
• una extensión más completa en el ámbito de los sistemas no lineales; • combinaciones ventajosas con otras
técnicas de estimación;
• nuevas áreas de aplicación y ampliaciones a nuevas clases de sistemas (híbridos, en red, etc.).
Todos estos temas son opciones atractivas para una mayor investigación, dada su simplicidad inherente y
formidable poder.

1.6 Esquema del libro

Este libro es esencialmente un tutorial. Cada capítulo tiene una serie de ejemplos, que se proponen ilustrar y
explicar el uso de la teoría o, en algunos casos, motivarla. Los ejemplos, aunque en su mayoría orientados
físicamente, son por lo tanto bastante elementales, de dimensiones bastante bajas, y, francamente, bastante
simple. Creemos que con esta opción a mano, el lector puede fácilmente comprender las características
esenciales del enfoque y probar las técnicas en sus propias, más complejas, aplicaciones. Si algo falla, siempre
hay una exposición o referencia a la teoría. para encontrar las limitaciones inherentes del enfoque o las
propiedades pasadas por alto e insatisfechas de ese ejemplo en particular. Nuestra experiencia indica que la
teoría propuesta siempre produce una respuesta correcta y satisfactoria.
El capítulo 2 trata del problema de identificación de parámetros en el contexto de sistemas lineales. Ya sean
representaciones de estado o de entrada-salida, comenzamos con sistemas que experimentan estructura
perturbaciones (es decir, perturbaciones generadas por sistemas homogéneos, lineales e invariantes en el tiempo
cuyos estados y parámetros iniciales no se pueden obtener). A esta clase de perturbaciones pertenecen las
llamadas perturbaciones clásicas: perturbaciones constantes, rampas, polinomios y sinusoidales perturbaciones,
etc. Los esfuerzos estarán orientados a obtener, o identificar, los parámetros del sistema o de la planta en lugar
de los parámetros que definen las perturbaciones. El objetivo que tenemos en cuenta es que de poder
implementar un controlador de retroalimentación donde tal información de parámetros falta y se considera
crucial. En términos simples, adoptamos el control de certeza-equivalencia Acercarse. Diseñamos el controlador
de retroalimentación como si el conjunto desconocido de parámetros estuviera en nuestro disposición, pero,
inicialmente, con un valor arbitrario que se utiliza en su lugar. La identificación del El valor real del parámetro
debe realizarse en línea, bastante rápido, y en presencia de ruido. Una vez que el parámetro se identifica con
precisión, su valor se reemplaza inmediatamente en el controlador diseñado. Cálculo algebraico de parámetros a
partir de entradas y salidas medidas debe ser capaz de hacer frente a los inevitables ruidos de medición. En este
capítulo presentamos una técnica conocida como filtrado invariante. En lugar de filtrar previamente las señales
involucradas, Postfiltrar las expresiones involucradas desde donde es posible el cálculo. Esto se muestra a
mejorar la relación señal-ruido y proporcionar estimaciones precisas de parámetros en presencia de ruido de
medición significativo
El capítulo 3 está dedicado al enfoque algebraico para la identificación de parámetros en una clase de sistemas
no lineales donde el vector de parámetros desconocidos es débilmente identificable linealmente. Contrario Para
el caso de sistemas lineales, no siempre es posible obtener fórmulas explícitas para los componentes del vector
de parámetros que dependen solo de entradas y salidas, o incluso no lineales. funciones de entradas y salidas
solamente. En general, los componentes del vector de estado son necesarios para poder calcular los parámetros
desconocidos. Esta importante limitación se eliminará en capítulos posteriores mediante métodos de estimación
de estados algebraicos no asintóticos en línea. En esto En el capítulo nos concentramos principalmente en
demostrar que el enfoque algebraico para la estimación de parámetros puede igualmente extenderse a sistemas
no lineales al centrar el enfoque alrededor del tiempo. dominio. Se presentan varios ejemplos de identificación
de parámetros en sistemas no lineales. También, Se trata la extensión del método de control de certeza-
equivalencia para el caso no lineal, proporcionando un método de control adaptativo rápido de sistemas de
naturaleza física. Una clase importante de sistemas no lineales ejemplos donde fallan las técnicas actuales de
identificación de parámetros es la clase de sistemas conmutados que experimentan movimientos deslizantes. La
naturaleza de alta frecuencia del La entrada de control, en condiciones de deslizamiento, nubla naturalmente las
posibilidades de estimación precisa de parámetros en los esquemas de identificación tradicionales. En nuestro
enfoque algebraico, sin embargo, tales una característica inconveniente de la señal de control se trata
eficazmente mediante invariantes filtración. En este capítulo, presentamos varios ejemplos de un modo
deslizante de certeza-equivalencia enfoque de control para sistemas con parámetros desconocidos. Debemos
enfatizar y aclarar el siguiente punto: habitualmente, en esquemas de control de modo deslizante para sistemas
conmutados, un conocimiento de los parámetros del sistema pueden ser innecesarios para lograr un movimiento
deslizante y una satisfacción asintótica de los objetivos de control. Esto es particularmente cierto en las
representaciones en el espacio de estados y, quizás más específicamente, en sistemas lineales invariantes en el
tiempo. Sin embargo, cuando ningún sistema indica están disponibles, todavía es posible recurrir a un esquema
de control de retroalimentación de modo deslizante de salida que explota el conocimiento del sistema e
implementa un controlador de retroalimentación de salida promedio esquema a través de un circuito de
modulación Σ − Δ. Una ley de control de retroalimentación tan promedio requiereidentificación de los
parámetros desconocidos mientras la función de posición del interruptor medida, actuando como la única señal
de entrada medible del sistema, es una señal bang-bang de alta frecuencia. El capítulo 4 trata de la contraparte
en tiempo discreto del enfoque de identificación paramétrica en línea, continua, lineal y no lineal presentado en
los capítulos 2 y 3. La extensión de la El enfoque algebraico para la identificación de parámetros para esta clase
ubicua de sistemas también se basa sobre la visión de la teoría modular de la dinámica lineal en tiempo discreto,
que se ha convertido en un clásico. Como en el caso de tiempo continuo, logramos la identificación de circuito
cerrado en un tiempo relativamente pequeño intervalo que implica pocas muestras y sin necesidad de
estadísticas. Varios casos orientados físicamente Los estudios de naturaleza lineal y no lineal, monovariable y
multivariable, se discuten en detalle. junto con sus correspondientes simulaciones por ordenador. El capítulo 5
dirige nuestra atención al problema de la estimación de estados en sistemas lineales desde el punto de vista
algebraico. Manipulaciones algebraicas, ya sea en el dominio del tiempo o en la frecuencia. En el dominio, las
ecuaciones del sistema permiten desarrollar fórmulas explícitas para la eficiencia cálculo de los estados de un
sistema. En este capítulo, mostramos cómo se pueden calcular los estados. continuamente, en línea, después de
un intervalo de tiempo bastante corto. Varios ejemplos de estas manipulaciones se presentan junto con los
resultados de la simulación. Uno puede darse cuenta rápidamente de que las posibilidades de estimaciones
simultáneas, en línea, de estado y de parámetros son ciertamente ciertas, aunque quizás limitado a algunos
sistemas lineales particularmente agradables. Sin embargo, al recurrir a Aproximaciones polinómicas por partes
adecuadas, estimaciones simultáneas de estados y parámetros puede ser empujado al ámbito de los sistemas no
lineales. Este capítulo se centra en varios estudios de casos que ilustran las poderosas posibilidades del enfoque
algebraico en el estado combinado y tarea de identificación de parámetros. Claramente, un enfoque algebraico
limpio para resolver ambos problemas simultáneamente puede verse fácilmente obstaculizado por la riqueza de
las no linealidades del sistema y su posibles combinaciones con parámetros desconocidos. Por esta razón, una
vista completamente nueva del problema de estimación de estado, para modelos de insumo-producto
perturbados, se llevó a cabo para el clase natural de sistemas diferencialmente planos con salidas planas
disponibles. El final del capitulo presenta aplicaciones del método algebraico al manejo de la sincronización
popular problema en sistemas caóticos. Este problema implica esencialmente el desarrollo de eficientes
estimaciones de estado para sistemas no lineales. Se muestra que el enfoque algebraico se ajusta al problema de
estimación del estado de forma adecuada en sistemas caóticos. Varios sistemas caóticos bien estudiados se
utilizan como ejemplos ilustrativos en la aplicación del problema de estimación de estados algebraicos a través
de diferenciaciones de resultados medibles. Como subproducto, el problema de la detección de mensajes
cifrados, e identificación remota de mensajes, se resuelve fácilmente utilizando el punto de vista desarrollado.
Todo sistema diferencialmente plano es un sistema observable a partir del vector de salidas planas. Para Por esta
razón, el problema de estimación de estado para sistemas planos está íntimamente relacionado con el problema
de calcular las sucesivas derivadas en el tiempo de las salidas planas. En general, sin embargo, la El problema
de estimación de estado de un sistema dinámico no lineal está ligado a las diferenciaciones de tiempo de las
salidas disponibles y de las señales de entrada en un número suficientemente grande. Proponemos, en Capítulo
6, un procedimiento algebraico no asintótico para la estimación aproximada, local por partes, de un número
finito de derivadas en el tiempo de una señal de tiempo general que puede estar corrompida. por ruido de
medición. El método se basa en los resultados del álgebra diferencial y proporciona algunas fórmulas generales
para las derivadas en el tiempo de cualquier señal medible. Naturalmente, el método de estimación de estado
propuesto puede combinarse con la noción de planitud diferencial para completar un ciclo de retroalimentación,
con la dinámica deseable, basada en la retroalimentación de salida plana. En esto Respeto, ya no consideramos
el modelo no lineal de las variables de salida como una función no lineal del estado, sino como un modelo
lineal, invariante en el tiempo, homogéneo que describe un orden finito, local, Aproximación polinomial a la
realización de la señal de salida como señal de tiempo. Por último, el capítulo 7 está dedicado a presentar una
serie de alternativas en la aplicación de la método algebraico para la estimación de parámetros y estados en el
contexto del control de retroalimentación. Varios Se exploran opciones, como la posibilidad de utilizar
funciones exponenciales acotadas en su lugar. de potencias de variables de tiempo en la identificación de
parámetros para sistemas lineales. Los apéndices al final del libro contienen material de antecedentes e
introducciones de tutoriales sobre los métodos algebraicos de los sistemas de control. En particular, sistemas de
control lineal.

Cap 2 Identificación de parámetros algebraicos en Sistemas Lineales

2.1 Introduction
Como en todo esquema de identificación de parámetros, la metodología de identificación algebraica requiere un
conocimiento bastante preciso del modelo de la planta. El supuesto fundamental es que la estructura del modelo
del sistema, ya que se relaciona con el conjunto de ecuaciones diferenciales que describen es bastante conocido
excepto por algunos de los parámetros involucrados. El método de identificación algebraico se basa en modelos
y tiene como objetivo obtener una fórmula exacta y estática para lo desconocido. parámetros. Esta fórmula se
basa en cantidades mensurables, como entradas y salidas; algunas veces se utilizan entradas y estados medidos.
Las fórmulas de cálculo de parámetros se obtienen mediante manipulaciones algebraicas específicas realizadas
sobre las ecuaciones del modelo. En general, estas manipulaciones dan derecho: diferenciaciones de tiempo,
integraciones iteradas de las variables medidas con potencias adecuadas de la variable de tiempo (es decir,
convoluciones de entrada y salida), integraciones por partes, y, posiblemente, filtrado de paso bajo. Se sabe que
estas operaciones eliminan la influencia de las condiciones iniciales y, también, las llamadas perturbaciones
clásicas (entradas escalonadas, rampas, etc.). El resultado neto es un conjunto de relaciones posiblemente
lineales en los parámetros desconocidos. En algunos casos, uno obtiene un conjunto de relaciones que
involucran funciones no lineales de dichos parámetros. Se asume que un cálculo exacto de los parámetros puede
idearse inmediatamente a partir de estas relaciones. En las técnicas clásicas de identificación adaptativa, se
puede calcular un conjunto de parámetros siempre que la entrada pertenece a la clase de "persistentemente
emocionante". Por el contrario, la identificación algebraica no requiere tal persistencia de excitación. El método
no depende de asintótico análisis de convergencia o teoría de la estabilidad de Lyapunov. De hecho, el proceso
de identificación a través de métodos algebraicos es bastante rápido (es decir, casi instantáneo) por naturaleza.
La clásica "persistencia de la condición de excitación” característica de la convergencia lenta de parámetros en
el sistema adaptativo tradicional Los esquemas de control son reemplazados por una "condición de
consistencia" algebraica que evita singularidades. en pequeños intervalos de tiempo abiertos (ver Fliess y Sira-
Ramírez, 2003). Las entradas de control a ser utilizados no interfieren con los objetivos de control deseados, y
la contraparte del algebraico los requisitos es que la condición de coherencia sea válida solo durante un pequeño
intervalo de tiempo; la uno que solo se requiere para calcular el parámetro a través de la fórmula estática.
Aunque las fórmulas de cálculo de los parámetros resultan ser singulares en el tiempo t = 0, en el lapso de un
intervalo de tiempo bastante pequeño, digamos [0, + 𝜖] para 𝜖 ∈ ℝ> 0, dan el parámetro correcto valor siempre
que la relación señal-ruido sea suficientemente alta. Un procedimiento de filtrado invariante es habitualmente
invocado para mejorar esta relación en casos ruidosos (ver Fliess et al., 2008; García-Rodríguez et al., 2009).

2.1.1 El problema de la estimación de parámetros en sistemas lineales

Este capítulo comienza nuestra exposición sobre los métodos de identificación algebraica en el control de
retroalimentación. diseño. Comenzamos con el problema de identificación de parámetros en el contexto específico
de lineales sistemas invariantes en el tiempo. Ya sea que estemos frente a un estado o una representación de
entrada-salida de sistema, primero nos limitamos al caso de sistemas que experimentan perturbaciones
estructuradas (es decir, perturbaciones generadas por sistemas homogéneos, lineales, invariantes en el tiempo se
desconocen los estados y parámetros iniciales). El conjunto más elemental de entradas de perturbación. La
pertenencia a esta clase está constituida por las llamadas entradas de perturbación clásicas. Específicamente,
abordamos perturbaciones constantes, perturbaciones de rampa y, en general, perturbaciones polinómicas. Los
otros tipos de perturbaciones más comunes que también pertenecen a esta clase son las perturbaciones
sinusoidales, perturbaciones que se desvanecen exponencialmente, etc. Nos centramos en identificar los
parámetros del sistema de forma online. El principal objetivo en la identificación de lo desconocido. parámetros
de la planta es especificar con precisión el controlador de retroalimentación requerido. Por lo tanto, asumimos
que tal información de parámetros falta pero es crucialmente necesaria en el controlador de retroalimentación
especificación. Naturalmente, hay casos en los que no es necesario conocer los parámetros del sistema para la
especificación del controlador, como es el caso de muchos diseños de retroalimentación clásicos. Por ejemplo, la
gran mayoría de la derivada integral proporcional industrial (PID) existente Los controladores no necesitan
conocimientos a priori sobre los parámetros de la planta. En esos casos, se requiere un ajuste extenso o se
recomiendan algoritmos de adaptación automática más complejos. Hacemos No abogar por ninguna de las dos
posibilidades anteriores. Por eso centramos nuestros desarrollos en torno a controladores de certidumbre-
equivalencia diseñados para sistemas cuyos modelos son bien conocidos excepto, posiblemente, algunos de sus
parámetros constantes. Los controladores de retroalimentación se derivan como si los parámetros del sistema
fueran perfectamente conocidos. Usando valores arbitrarios o bien educados conjeturas de tales parámetros,
producimos una evolución de entrada-salida incipiente del sistema con la ayuda del controlador "incorrecto". Si
las entradas y salidas se procesan correctamente, podemos obtener, en muy poco tiempo, los valores precisos de
los parámetros del sistema. Una vez el Los parámetros se identifican con precisión, sus valores se reemplazan
inmediatamente en el diseño controlador de retroalimentación de certeza-equivalencia, imponiendo así el
controlador "correcto". Naturalmente, la identificación de los valores reales de los parámetros debe realizarse
online, en muy poco tiempo. cantidad de tiempo, y en presencia de ruidos de plantas y mediciones. La suposición
básica es que los parámetros son, efectivamente, constantes a lo largo del tiempo. Al final del capítulo, relajar
esta suposición y permitir que los parámetros sean constantes por partes (es decir, cambian a nuevos valores
constantes en instantes impredecibles en el tiempo). Esto requiere una estrategia de actualización para nuestros
cálculos de parámetros. Abordamos esta estrategia como el restablecimiento del identificador. El
restablecimiento se puede realizar de forma automática o periódica.

La base teórica del método de identificación algebraica en línea utilizado en los distintos los ejemplos presentados
aquí se encuentran en Fliess y Sira-Ramírez (2003). Finalmente, la adición de en la Sección 2.3 se propone un
estado artificial adicional conocido como parámetro "centinela" para tener un criterio para lograr una estimación
de parámetros suficientemente precisa en presencia de ruido. Existen dos enfoques principales para el proceso de
identificación algebraica: un dominio de tiempo enfoque y un enfoque en el dominio de la frecuencia. El segundo
se centra esencialmente en lineales sistemas invariantes en el tiempo. Ambos enfoques son completamente
equivalentes.

Este capítulo considera una serie de ejemplos destinados a familiarizar al lector con los detalles del procedimiento
de identificación de parámetros algebraicos. Las variantes y complementos del método también se presentan a
través de ejemplos. Por ejemplo, el cálculo operacional basado (dominio de frecuencia) se presenta a través de
ejemplos bastante simples que tratan con un problema de servo visual y el equilibrio de un rotor plano. Algunas
extensiones del método en sistemas con no linealidades también se presentan en términos de fácil comprensión
ejemplos de aplicación. Este es el caso de los sistemas que presentan fricciones de Coulomb o que requieren el
cálculo de una función no lineal de algún parámetro con fines de control (como en el ejemplo de motor lineal).
Los sistemas de control conmutados de naturaleza media lineal también pueden utilizar el procedimiento de
identificación algebraica para la determinación rápida de parámetros, como lo demuestra un ejemplo de
electrónica de potencia. Los sistemas lineales por partes no son ajenos a los beneficios de la tecnología online.
identificación, como se muestra en el ejemplo ilustrativo del motor de ganancia variable. Un complemento de El
procedimiento de identificación algebraica está representado por el filtrado invariante y por la introducción de un
parámetro centinela. Esto está representado por un parámetro conocido que se identifica algebraicamente para
tener un criterio objetivo para detener o desconectar la identificación. proceso. Este problema se examina en el
contexto de un sistema de suspensión controlado por modo deslizante. ejemplo al final del capítulo.

2.2 Introductory Examples

2.2.1 Arrastrar una masa desconocida en lazo abierto
Considere el problema de arrastrar una masa desconocida a lo largo de una línea recta sobre una superficie sin
fricción. superficie horizontal. El modelo del sistema es, a partir de la segunda ley de Newton, dado por

donde x es el desplazamiento de masa, perfectamente medido desde algún punto de referencia u origen de
coordenadas, marcadas con precisión en la línea y etiquetadas como 0. La cantidad u (t) es la fuerza aplicada, que
se supone que no es idénticamente cero en cualquier intervalo de tiempo abierto. Para simplificar el problema,
suponga que u (t) es una fuerza de control de circuito abierto conocida, distinta de cero, a nuestra disposición. El
Todo el propósito de aplicar tal fuerza a la masa es recopilar alguna información de entrada-salida para que
podamos identificar el parámetro de masa desconocido m. La masa se coloca inicialmente en un distancia x0
desde el origen, es decir, x (t0) = x0 con una velocidad inicial ẋ (t0) = 0. El propio modelo sugiere que se puede
obtener una relación para m integrando la ecuación dos veces, desde el instante inicial t0, y utilizando el hecho
de que m es constante. Obtenemos

De esta última relación se desprende que se hace necesaria una nueva información: ẋ (t0) = X 0, la velocidad
inicial. Si el experimento se inicia con la masa en reposo, sabemos que podemos establecer ẋ (t0) = ẋ 0 = 0, pero
entonces la medición de la posición inicial x0 se vuelve importante. De alguna manera es preocupante que nuestra
estimación de la masa deba depender de dónde comenzamos el Experimento a lo largo de la línea. Llegamos a la
conclusión de que nuestro proceso de identificación masiva debe no depende de ninguna de las condiciones
iniciales. Para lograr esta independencia, multiplique el sistema ecuación por (t - t0) 2. Obtenemos

Integrando una vez, entre t0 y t, la última expresión y usando la integración por partes fórmula en el lado izquierdo
obtenemos

In other words

Logramos que la expresión fuera independiente de las condiciones iniciales, pero ahora necesitamos para conocer
todo el historial de velocidades de la masa. Integramos una vez más para finalmente obtener:

Esta expresión tiene la ventaja de ser completamente independiente de las condiciones iniciales. y solo requiere
la medición de la entrada y la salida para calcular m o su inverso 1 ∕ m. Entonces tenemos la siguiente fórmula de
cálculo para 1 ∕ m:
sin embargo, hay un problema con la fórmula anterior; en el tiempo t = t0, tanto el numerador como el
denominador son cero. El cociente está claramente indeterminado. Por tanto, debemos comience a evaluar la
fórmula no en el momento t0 sino en un momento posterior, digamos t0 + 𝜖 con 𝜖> 0 y pequeño. Proponemos
entonces el siguiente proceso de estimación para 1 ∕ m, denotado ahora como 1 ∕ me para enfatizar que es una
cantidad estimada:

La evaluación del cociente es, por supuesto, válida siempre que el denominador no vaya hasta cero. Tenga en
cuenta que el denominador no puede ser idénticamente cero en ningún intervalo abierto de tiempo. Porque,
suponga que esto sea cierto, entonces u (t) también es idénticamente cero en dicho intervalo, que contradice
nuestra suposición sobre la señal de prueba u (t). Para implementar los cálculos, y dado que se necesitan
integraciones de tiempo para sintetizar el tamaño de las expresiones del numerador y del denominador, nos
gustaría dar a estas dos cantidades el carácter de una salida de un determinado sistema dinámico que involucra
ecuaciones diferenciales. Proponemos entonces los siguientes “filtros” lineales variables en el tiempo:

con z1 (t0) = z2 (t0) = 0 y 𝜂1 (t0) = 𝜂2 (t0) = 0. La figura 2.1 muestra las señales involucradas, el numerador n
(t), el denominador d (t), la entrada u, la salida y = x, y la estimación de 1 ∕ m. La suposición incorrecta del valor
del parámetro durante el intervalo de tiempo [0, 𝜖) se tomó como 1 ∕ me = 0,5 kg − 1, como puede verse en la
figura. Nosotros han establecido, en este caso, 𝜖 = 0.01 s, pero aún se podría haber usado un valor real menor.
También nosotros sea u (t) = 1 N para todo t. El valor real de la masa se estableció en m = 1 kg. Varias
características distintivas surgen de las simulaciones de este ejemplo bastante simple: (1) La estimación del
parámetro de masa se puede lograr de manera confiable en un período de tiempo bastante corto que solo depende
de la precisión del procesador aritmético para poder realizar el cociente de dos cantidades muy pequeñas; a saber,
las señales de numerador y denominador. (2) La entrada de prueba la señal u (t) que se utiliza no presenta el
requisito clásico de "persistencia de la excitación". (3) El estimador del parámetro de masa inversa está compuesto
por señales inestables tanto en el numerador y denominador

Con respecto a la primera observación anterior, debemos señalar que la precisión exacta con que hemos obtenido
el parámetro de masa no es en absoluto sorprendente, debido al hecho de que la fórmula utilizada es tan exacta
como el modelo y, lo que es más importante, porque no hemos incluido cualquier ruido de medición en nuestras
simulaciones. Esta última característica puede comprometer no solo la precisión del cálculo, pero, también, el
carácter rápido de la identificación. El segundo La característica de no necesitar una señal persistentemente
excitante es sin duda una ventaja indiscutible. La última característica negativa con respecto a nuestro esquema
internamente inestable puede superarse en un simple de manera prescribiendo la necesidad de, al menos
temporalmente, "apagar" el estimador justo después se obtiene la estimación precisa de los parámetros. Los
aspectos relacionados con el ruido parecen ser fundamentales. Proponemos a continuación un posible enfoque.
La expresión
is evidently equivalent to the following one:

En general, las señales del numerador y del denominador son señales limitadas exponencialmente, aunque
inestables. Sea G (s) la función de transferencia racional de un filtro de paso bajo estable. Abusar la notación,
podemos escribir

In other words:

Siempre que las señales d (t) yn (t) no se vean afectadas por el ruido aditivo, las expresiones anteriores demuestren
que el valor de la masa inversa es invariante con respecto al filtrado de paso bajo. Si, en el contrario, la medida
de la señal de salida del sistema que alimenta n (t), o la de la entrada señal de alimentación d (t), se ve afectada
por el ruido, el filtrado invariante tiene el efecto de mejorar la Relación señal / ruido en las señales del numerador
y del denominador. El cociente, por tanto, disfruta de una mayor precisión. Nótese que G (s) puede estar
constituido por una cadena de integración pura de ciertos longitud finita.
Consider then the perturbed system

donde 𝜉 (t) y 𝜁 (t) son procesos de ruido de media cero que varían rápidamente. 𝜁 (t) es una entrada de ruido de la
planta y 𝜉 (t) es un ruido de medición. Correspondiendo a la estimación inversa del parámetro de masa,
proponemos entonces lo siguiente filtros que varían en el tiempo, con integración de segundo orden salidas
filtradas de paso bajo:
Establecemos que 𝜉 (t) y 𝜁 (t) sean procesos aleatorios generados por computadora, que consisten respectivamente
en variables aleatorias constantes por partes distribuidas uniformemente en los intervalos [−0.01, 0.01] my [−0,5,
0,5] N de la línea real. La Figura 2.2 muestra el resultado de la modificación de filtrado invariante de nuestro
esquema de estimación de parámetros propuesto anteriormente para la masa arrastrada desconocida. Observamos
que un 𝜖 más grande En este caso se usó el parámetro (𝜖 = 0.2 s) para permitir un cociente confiable que produzca
la masa inversa, una vez que la relación señal-ruido se vuelve importante en el numerador.