Scientia et Technica Ao XII, No 31, Agosto de 2006 UTP.

ISSN 0122-1701 103

MODELAMIENTO TERICO Y MODELAMIENTO EMPRICO DE PROCESOS, UNA

SNTESIS
RESUMEN LUINI LEONARDO HURTADO
Un modelo se utiliza como herramienta para el diseo y anlisis de un proceso o Ingeniero Mecnico, M. Sc.
para el diseo de su respectivo sistema de control. Existen tres problemas Profesor Adjunto
fundamentales que deben tenerse en cuenta a la hora de obtener modelos de Universidad Autnoma de Colombia
procesos: la formulacin del modelo, la estimacin de parmetros y la validacin llhurtado@unal.edu.co
del modelo.
El presente artculo pretende mostrar el estado del arte de las dos corrientes
actuales empleadas para la obtencin de modelos de procesos. Se hace nfasis en
los principios involucrados en la estimacin de los parmetros desconocidos de
un modelo de proceso, y ver lo apropiados que son para el anlisis y/o control
del mismo.

PALABRAS CLAVES: Modelamiento, estimacin, identificacin, validacin.

ABSTRACT
A model is used as tool for analysis, design and process control system. There
exist three fundamental problems that must be born in mind at the moment of the
process models: the formulation, the parameters estimation and the validation of
the model.
The present article tries to show the actual situation of the knowledge of two
actual currents used for obtain process models. Emphasizing in the beginning
involved in unknown parameters estimation of the process model, and see it
adapted that are for the analysis/control of the same one.

KEYWORDS: Modeling, estimation, identification, validation.

1. INTRODUCCIN Existen varios factores que hacen muy importante el

El objetivo principal en el modelamiento del
comportamiento dinmico de procesos, es obtener la
relacin funcional entre las variables que explican su
comportamiento. Sin embargo, es imposible capturar
perfectamente todos los detalles del comportamiento real
del proceso de forma matemtica.
Para ello, es comn adoptar un estudio desde el punto de
vista terico, que busca plantear la relacin a travs de la
aplicacin sistemtica de las leyes de naturaleza a los
fenmenos, a esto se le conoce como modelamiento
terico de procesos.
haber definido claramente el alcance del problema que se
desea resolver, algunos de stos son:
Es imposible representar todos los aspectos del
proceso fsico, slo se representan aquellos que son
ms pertinentes.
El comportamiento de un proceso puede
interpretarse de maneras diferentes.
Un modelo de proceso es tan til como las
herramientas disponibles para obtener la solucin de
sus ecuaciones.
Veamos las dos aproximaciones para obtener modelos de
procesos y sus diferentes etapas.

Por otro lado, un estudio emprico, busca esta 2. MODELAMIENTO TERICO DE PROCESOS
desconocida relacin por algunas funciones matemticas,
usando la informacin recogida experimentalmente del Los pasos detallados en el modelamiento terico de
sistema, especialmente cuando el proceso es demasiado procesos se ilustran en la Figura 1.
complicado, y se le conoce como modelamiento emprico
de procesos o Identificacin de Procesos. 2.1. Formulacin del modelo

Abordar un sistema fsico y finalmente reducirlo a un
modelo de proceso como sustituto para su uso, es un
procedimiento que consta de varias etapas: La definicin
del problema, la formulacin del modelo, la estimacin
de parmetros y la validacin del modelo.
Las leyes fsicas que gobiernan el proceso para producir
modelos se analizan con ecuaciones que son
normalmente complejas y no lineales, stas pueden
involucrar ecuaciones diferenciales parciales o
ecuaciones integrales. Por ello el modelo normalmente se
simplifica de forma que sea fcilmente manejable.

Fecha de Recepcin: 13 Diciembre de 2005

Fecha de Aceptacin: 06 Junio de 2006
 104 Scientia et Technica Ao XII, No 31, Agosto de 2006. UTP

Formulacin Errores en la Errores en la conductividades trmicas, etc., y propiedades

del modelo formulacin simplificacin
termodinmicas de ciertos lquidos y gases, y sus
Modelo de Simplifica Modelo
mezclas).
Leyes ecuacione cin del del 2. Llevando a cabo experimentos independientes (p. e.
fsicas s NL modelo proceso
en un laboratorio) para determinar los parmetros del
modelo (a escala industrial).
Estimacin de Errores Errores en la
parmetros experimentales estimacin 3. Realizando experimentos sobre el sistema fsico,
para as determinar los valores de los parmetros
Datos E/S Estimaci Parmetr Modelo Modelo desconocidos.
Proceso Medicione del n de os del terico terico de
s proceso parmetr modelo provisiona proceso

Cuando los parmetros requeridos no estn disponibles

Validacin del en la literatura, la nica alternativa es estimarlos a partir
modelo
Validacin de datos experimentales, en este caso, el modelo terico
del para cualquier proceso puede ser representado de la
modelo
siguiente forma:
Figura 1. Modelamiento terico de procesos = f ( z , ) (1)
donde:
La estructura de la ecuacin del modelo es fija, y : Es un vector n-dimensional de salidas del proceso
aquellos parmetros que son desconocidos o no medidas en un experimento.
conocidos con bastante precisin se estiman usando datos z: Es un vector m-dimensional de variables
(entrada/salida) del proceso real tomados de independientes especificadas arbitrariamente para cada
experimentos del comportamiento dinmico. Como se experimento.
indica en la figura, varios errores pueden surgir en cada : Es un vector p-dimensional de parmetros
etapa del desarrollo del modelo, como son: desconocidas.
Errores en la formulacin del modelo: por f: Es alguna relacin funcional conocida entre estas
aproximaciones hechas a las ecuaciones del modelo. variables; y puede ser una funcin explicita, como un
Errores en la simplificacin del modelo: por modelo algebraico, una solucin analtica de un modelo
aproximaciones hechas al modelo para hacerlo de ecuacin diferencia l; o tambin puede ser una funcin
matemticamente y numricamente dcil. implcita, como en la propia ecuacin diferencial. En
Errores en las medidas experimentales: en la resumen:
recoleccin de los datos del proceso (tanto errores de
calibracin como errores aleatorios experimentales) La estimacin de parmetros se encarga de determinar
Errores en la estimacin de parmetros: datos que a partir de datos experimentales, el mejor conjunto de
les falta la informacin esencial necesaria para valores para los parmetros desconocidos , en un
obtener una buena estimacin (p. e. por mal diseo modelo de proceso de forma conocida.
del experimento).
Cada experimento involucra la medicin de todas las n
Como resultado de todos estos errores, este modelo variables de salida 1 , 2 , ..., n , para un conjunto
provisional debe evaluarse contra los datos del proceso especifico de valores de las variables independientes, zl ,
para determinar su eficacia. z2 , ..., zm . Para poder determinar los p parmetros 1 , 2 ,
..., p , independientemente, es necesario realizar por lo
2.2. Estimacin de parmetros menos p experimentos, entre mayor sea el nmero de
experimentos realizados, mejor ser la estimacin.
Como se mencion, el modelo terico tpico para un
proceso consiste de una ecuacin diferencial (ordinaria o El resultado de cada experimento individual es un
parcial, lineal o no lineal) con las variables de estado del
conjunto de vectores y z que pueden relacionarse al
proceso, entrada y salida (concentraciones, temperaturas,
modelo del proceso; en particular, para el k-simo
presiones, niveles de lquidos, etc.), como funciones del
experimento, se tiene:
tiempo, y posiblemente de la posicin en el espacio.
n(k ) = f (z (k ), ) ; k = 1, 2, ..., N (2)
Adems, estas ecuaciones contienen tambin los
parmetros: tasas de reaccin, energas de activacin,
coeficientes de transferencia de calor, conductividades A partir de los experimentos, se nota que las medidas de
trmicas, coeficientes de difusin, volatilidades relativas, (k) no son exactamente iguales a su verdadero valor
calores especficos, densidades, etc. debido al error de la medida. Por consiguiente, se
Estos parmetros pueden determinarse por tres maneras: diferencia la salida actual del proceso (k) de su medida
1. Extrayndolos de la literatura (p. e. propiedades experimentalmente observada, denotada por y(k). La
fsicas como densidades, capacidades de calor, forma funcional de la ecuacin (2) no encajar
Scientia et Technica Ao XII, No 31, Agosto de 2006. U.T.P 105

exactamente con el conjunto de datos observados y(k), las tcnicas numricas. Sin embargo, es comn buscar
sino ms bien: mtodos para los cuales los modelos de procesos pueden
reestructurarse en formas que sean lineales en los
y( k ) = f (z (k ), ) + (k ) ; k = 1, 2, ..., N (3) parmetros. y,

donde (k) es el vector de errores entre la prediccin del La Estimacin lineal: de la ecuacin (3), se observa que
modelo y los datos actuales. las medidas experimentalmente obtenidas de las salidas
del proceso, obtenidas para varios valores del vector de
La estimacin de parmetros ahora se centra en la variables independientes, z(k), se relacionan con el
bsqueda del conjunto especfico de valores de parmetro modelo del proceso segn:
tal que alguna funcin escalar S del vector de error,
sea mnima; es decir, sobre el rango de entrada de los y (1) f ( z(1), ) (1)
y (2) f ( z(2), ) (2)
posibles valores de , el valor ms pequeo de S() se da
... ... ...
por S () . S ( ) es conocida como funcin objetivo, dado = + (6)
que depende del valor de los parmetros. y (k ) f ( z(k ), ) (k )
... ... ...

Varios criterios son usados para la determinacin ptima y (N ) f ( z( N ), ) ( N )
de los parmetros desconocidos del modelo, el ms usado
es el criterio de mnimos cuadrados. En este caso, la Si f(z,) es lineal en los parmetros , entonces puede
suma de los cuadrados de los errores es la funcin a ser mostrarse que la ecuacin (6) se vuelve:
minimizada, es decir, S() definida como:
N
Y = X + E
[ (k)]
(7)
S ( ) = T
[ (k )] (4)
k =1
donde X es la matriz de variables independientes
o de la ecuacin (3): compilada para cada conjunto de datos; Y es la coleccin

[ y(k) f (z (k), )] T de datos obtenidos experimentalmente a la entrada; y E

S ( ) = [ y (k ) f ( z(k ), )] (5) es la coleccin de errores.

Se observa en la ecuacin (5) que la estimacin de
parmetros prevalece el encontrar el que da el mnimo
S. As, el problema de estimacin de parmetros es
realmente un problema de optimizacin, donde la
coleccin de todos los valores de S() como una funcin
de desempeo de , es una superficie de suma de
cuadrados en el espacio p-dimensional de parmetros.
Entonces, el objetivo de la estimacin de parmetros, es
localizar el mnimo global de esta superficie; los
valores para los cuales este mnimo ocurre se designan
como , llamado estimado por mnimos cuadrados de .
A continuacin, se ver cmo los principios anteriores
pueden aplicarse a la estimacin de parmetros de
modelos de proceso que se presentan en trminos de
ecuaciones diferenciales.
El problema de estimacin de parmetros lineal consiste
en encontrar el vector para el cual la desviacin del
conjunto de datos Y del modelo X (es decir, la magnitud
del vector Y - X), es minimizada, y se da por:
T 1 T
= ( X X ) X Y (8)
2.2.2. Estimacin de parmetros en modelos de
ecuaciones diferenciales: mtodos numricos
Los modelos matemticos de muchos sistemas reales con
bastante complejidad, son manejables por los mtodos
numricos, con la ayuda de una computadora. El
procedimiento para estimar el conjunto de parmetros
desconocidos contenidos en el modelo, es el siguiente: Se
empieza asumiendo que el modelo es de la forma:

2.2.1. Estimacin de parmetros en modelos de dT

ecuaciones diferenciales: soluciones analticas = f ( n , z , , t ) (9)
dt

Cuando un modelo de proceso posee una solucin donde f(n,z,,t) es alguna funcin no lineal de los
analtica, el problema de estimacin de parmetros se
argumentos indicados, y representa el conjunto de
hace ms fcil, desde una expresin explcita de la forma
parmetros desconocidos a ser estimados.
dada en la ecuacin (2) se obtiene directamente la
solucin analtica. Se pueden distinguir dos casos
Del experimento que se ha realizado sobre el proceso
separados:
fsico se han tomado N medidas independientes del
La estimacin no lineal, que es la situacin ms comn
vector de salidas de proceso , para las varias escenas de
en los modelos de procesos y se desarrolla en general por
las variables de entrada z y tiempo. Estas medidas son
106 Scientia et Technica Ao XII, No 31, Agosto de 2006. UTP

representadas como yk, con k = 1,2,..., N. En el algoritmo
general para la estimacin numrica de parmetros:
1. Se inicia con una condicin inicial para el valor del
vector de parmetros (0).
2. Se integra (numricamente) el modelo del proceso
para producir las salidas k del modelo predicho,
dado que el valor del vector del parmetro
desconocido es (0) .
3. Se evala la funcin S() substrayendo al modelo la
prediccin k de yk y se encuentra la norma del
vector de la diferencia resultante, es decir:
T con las propiedades del sistema.
Considrese, la situacin que se describe en la figura
2, en la que un proceso desconocido est sometido a
una funcin de excitacin, u(t), y la respuesta, y(t) es
medida. Es posible desarrollar un modelo para este
sistema, correlacionando de manera directa los datos
de entrada y salida . En resumen :
La identificacin de procesos involucra la construccin
de un modelo de proceso estrictamente a partir de los
datos entrada/salida obtenidos experimentalmente, sin
recurrir a ninguna ley relacionada con la naturaleza y

[y
N
S ( ( j)
)= k k ( ( j)
) k
k =1
4. Se actualiza la estimacin (j); ahora como (j+1).
5. Se regresa al paso 2 e iterando, se obtiene S j+1
usando la estimacin actualizada.
6. Se continua hastaSj+1 -S j . La actualizacin final de
la estimacin es la requerida por la estimacin por
mnimos cuadrados, .
2.3. Validacin de modelos tericos
Despus de que un modelo terico se ha formulado, y los
parmetros desconocidos se han estimado, es importante
comprobar que el modelo proporciona una adecuada
representacin del proceso fsico.
Existen varias tcnicas para evaluar la eficacia de un
modelo terico, la ms prctica, consiste en sobreponer
una grafica de la prediccin terica del modelo sobre los
datos experimentales obtenidos del proceso fsico. Tal
evaluacin visual proporciona una primera impresin de
qu tan bien el modelo representa los datos; y esto
normalmente es bastante para decidir mejoras en el
] [y ]
k ( ( j ) ) (10)
Figura 2. Identificacin de Procesos
La identificacin, puede, en principio, llevarse a cabo
durante el funcionamiento normal del proceso (On-line),
como en los esquemas de control adaptativo. Sin
embargo, la prctica usual es suspender el
funcionamiento normal del proceso y realizar
experimentos diseados para el desarrollo del
modelamiento emprico (Off-line).
El proceso de construccin de un modelo emprico por
medio de la identificacin, consta de las mismas etapas
del modelamiento terico: la definicin del problema, la
formulacin del modelo, la estimacin de los
parmetros y la validacin del Modelo. La diferencia
radica en las dificultades involucradas en cada etapa
(ver figura 3).
Formulacin del Errores en la

modelo, o usarlo tal como es. modelo ecuacin del

Seleccin Ecuaciones
3. MODELAMIENTO EMPRICO DE PROCESOS de la del modelo

forma del emprico

IDENTIFICACIN DE PROCESOS
Estimacin de Errores Errores en la
Existen varios procesos poco comprendidos, en el parmetros experimentales estimacin

sentido de que las leyes fundamentales responsables

Datos E/S Estimacin Parmetros Modelo Modelo
de su comportamiento dinmico se conocen de Proceso Mediciones del de del modelo emprico emprico

manera deficiente o son completamente proceso parmetros provisional de proceso

desconocidas. Es entonces necesario el uso de un

mtodo alternativo. Validacin del
modelo
Validacin

del modelo
Surgen entonces dos situaciones , una en la que un
proceso dinmico debe tratarse como una caja negra
para obtener una descripcin matemtica razonable ; y Figura 3. Modelamiento emprico de procesos: Identificacin
otra en que los modelos tericos resultantes son
demasiado complicados para ser usados. 3.1. Definicin del problema

En estos casos, las caractersticas del sistema son
identificadas a partir de su respuesta ante entradas de
funciones de excitacin conocidas, que da como
resultado modelos empricos de procesos y se conoce
como Identificacin de Procesos (o de sistemas) .
Las consideraciones enumeradas bajo este tem son
pertinentes, independientemente del modelo a adoptarse
en el futuro; de hecho, estas consideraciones son las que
permitirn escoger, de manera razonable, un mtodo u
otro (terico o emprico).
Scientia et Technica Ao XII, No 31, Agosto de 2006. U.T.P 107

3.2. Formulacin del Modelo Primer orden ms retardo de tiempo

La formulacin de modelos, desde el punto de vista y(t ) = AK 1 e( (t ) /

) (14)
emprico, comprende el anlisis apropiado de los datos
Parmetros: K ,, .
de entrada/salida con el objetivo de detectar una forma
capaz de explicar el comportamiento observado. Este
Segundo ord en ms retardo de tiempo
paso abarca la postulacin de modelos (usualmente
sencillos) que sern considerados como posibles
1 (t )/ 2 (t ) /
candidatos. y(t ) = AK 1 e

1
e
2
(15)
Los archivos de datos del proceso son para la 1 2 2 1
identificacin del proceso, lo que las relaciones Parmetros: K, 1 , 2 ,
constitutivas son para el modelamiento terico: cada uno
de ellos proporciona las bases especficas para el Cero simple, dos polos ms retardo de tiempo
desarrollo del modelo para procesos especficos.
(t )/ 2 (t ) /
El contenido de informacin til del proceso en los datos y(t ) = AK 1 1 e

1
e
2
(16)
de salida, depende de la naturaleza de la funcin de 1 2 2 1
entrada. Por lo tanto, es importante escoger una funcin Parmetros: K, 1 , 2 , ,
de entrada capaz de proporcionar un resultado rico en
informacin til acerca del proceso. Las funciones de Los retardos de tiempo, constantes de tiempo y
entrada generalmente empleadas en la identificacin del estado estable obtenid os en este modelo, son
proceso son de tipo escaln, impulso, pulso (rectangular estimados comparando estas expresiones con los
o arbitrario), ondas sinusoidales, ruido blanco y datos y(t) observados experimentalmente. A
secuencias binarias seudo-aleatorias (PSRB). excepcin del modelo de primer orden ms retardo de
tiempo, se requiere de los mtodos numricos
La estructura de modelos tpicos elegidos en tiempo descritos en el modelamiento terico.
continuo (representados en forma de funcin de
transferencia), son los siguientes : Para la identificacin de la respuesta ante un impulso, la
principal estrategia es obtener la funcin de transferencia
Primer orden ms retardo de tiempo a partir de datos de la respuesta al impulso, pero dado que
la funcin impulso es difcil de implementar en la
Ke s prctica, es posible deducir datos de la respuesta al
g ( s) = (11) impulso a partir de otros datos de respuesta ms
s + 1
fcilmente obtenibles, tales como respuestas al escaln o
Segundo orden ms retardo de tiempo pulso, o cualquier funcin arbitraria de entrada.

En el dominio de la frecuencia, las expresiones de

Kes
g ( s) = (12) respuesta se obtienen por medio de una prueba de ondas
( 1s + 1)( 2 + 1) sinusoidales, pero, a pesar de que el mtodo es muy
atractivo, presenta desventajas y por ende no es muy
Cero simple, dos polos ms retardo de tiempo usado. El anlisis por pulsos, tiene todos los beneficios
de la prueba de ondas sinusoidales y evita sus
K ( + 1)e s desventajas . La funcin de transferencia para un
g ( s) = (13)
( 1s + 1)( 2 s + 1) proceso de una sola entrada en frecuencia, e s :

y( j)
3.3. Estimacin de parmetros g ( j) = (17)
u ( j )
Una vez elegido un modelo, se deben estimar sus
parmetros desconocidos, de la mis ma manera que en el Cualquier funcin f(t), que se acerque a cero lo
modelamiento terico. En la identificacin de procesos, suficientemente rpido como t + puede escribirse
esta es la tarea principal, y puede hacerse en el dominio como:
+

del tiempo o en el dominio de frecuencia. 1
f (t ) = f ( j )e j t d (18)
2
En el dominio temporal, las respuestas escalonadas
tericas de los modelos elegidos junto con los parmetros
donde f ( j ) es la transformada de Fourier de f(t).
a estimar, de acuerdo con las ecuaciones anteriores, son
las siguientes (el tamao del escaln es , y t 0.): Introduciendo las identidades de Euler y
aproxima ndo la integral con una suma, se produce:
108
f ( j )(cos t + jsen
1
f (t ) = n n t ) (19)
2
n =
Y de ah:
A1( ) jA2( )
g ( j ) =
B1( ) jB 2 ( )
Se pueden ahora usar estos resultados para obtener
diagramas de Bode experimentales a partir de los
resultados de los anlisis de pulsos, las expresiones de
la amplitud y el ngulo de la fase para cada una de
las frecuencias se obtiene a partir de:
2 2
A1 + A2
AR ( ) = 2 2
B1 + B2
y de procesos, puede realizarse en el dominio del tiempo o
Im[g ( j )]
( ) = tan1
Re[g ( j )]
En principio, una vez postulados los mejores modelos
por medio del anlisis del diagrama de Bode obtenido
experimentalmente, la estimacin de los parmetros
puede realizarse en el campo de la frecuencia, usando
los datos de la frecuencia, o directamente en el
dominio del tiempo, utilizando los datos a intervalos
netos de tiempo.
A partir de las ecuaciones anteriores, se obtiene para la
entrada:
u ( j ) = B12 ( ) + B22 ( )
y para la salida:
y ( j ) = A12 ( ) + A22 ( )
Con una grfica de la ecuacin (23) contra la frecuencia
da el espectro de frecuencia de entrada: la grfica
correspondiente de la ecuacin (24) proporciona el
espectro de frecuencia. A partir de estos espectros de
frecuencia podemos determinar qu porciones del
diagrama de Bode contiene informacin til.
3.4. Validacin del modelo
As como en el modelamiento terico, el paso final en la
identificacin del proceso comprende verificar cmo el
modelo emprico se acomoda a los datos, que
supuestamente representa. La validacin del modelo se
realiza generalmente comparando los pronsticos de los
modelos con datos adicionales y evaluando la
adaptacin. Esto puede realizarse en el dominio del
tiempo o en el dominio de la frecuencia.
4. CONCLUSIONES
Las etapas fundamentales en el procedimiento de
desarrollo de modelos de procesos son: la definicin del
Scientia et Technica Ao XII, No 31, Agosto de 2006. UTP
problema, la formulacin terica o emprica del modelo,
la estimacin de parmetros por medio de experimentos u
obtenidos de la literatura, y la validacin, que se logra
probando el modelo contra los datos experimentales.
(20)
Cuando los mecanismos subyacentes por los que un
proceso opera son bien entendidos, se adopta un estudio
terico fundamentado en principios naturales y se
denomina modelamiento terico de procesos, pero,
cuando el proceso es demasiado complicado, porque la
informacin disponible sobre la naturaleza del mismo es
poca o porque las ecuaciones del modelo terico son
demasiado complejas, se debe recurrir al modelamiento
emprico de procesos o identificacin de procesos.
(21)
El modelamiento emprico de procesos o identificacin
en el dominio de la frecuencia, mediante prueba con
(22)
pulsos.
5. BIBLIOGRAFA
[1] Babatunde A. Agunnaike and W. Harmon Ray.
Process, Modeling and Control. Oxford University
Press. 1994.
[2] Kunusch Cristian. Ctedra de control y
servomecanismos: Identificacin de sistemas
dinmicos. Universidad Nacional de la Plata.
Facultad de Ingeniera. 2003.
[3] Escobet Teresa y Morcego Bernardo. Identificacin
de Sistemas. Curso semipresencial, tele-enseanza.
(23) Departament d'Enginyeria de Sistemes, Automtica i
Informtica Industrial. Escola Universitria
Politcnica de Manresa. 2003.
(24) [4] Ljung Lennart. System Identification, theory for the
user. 2nd edition. Prentice Hall PTR, Prentice Hall
Inc. 1.999.
[5] Ljung Lennart. Identification for control: What is
there to learn? In Proceedings of Workshop on
Learning Control and Hybrid Systems. Bangalore,
India. 1998.
[6] Meade, M. L. and Dillon, C. R. Signal and Systems:
Models and Behaviour. 2nd edition. Chapman &
Hall. London, England. 1991.
[7] Norton, J. P. An Introduction to Identification.
Academic Press Inc. (London) Ltd. 1986.
[8] Schoukens, J. y Pintelon, R. Identification of Linear
Systems: a Practical Guideline to Accurate
Modeling. Pergamon Press, 1991.
[9] Sderstrm, T. and Stoica, P. System Identification,
Prentice Hall, N.J., 1989.
[10] Urban Forssell. Closed-loop Identification. Methods,
Theory and Applications. Linkping Studies in
Science and Technology. Dissertations No. 566.
1999.
[11] Van den Bosch Paul P. J. Modeling, Identification
and Simulation of Dynamical Systems. CRC. 1994.
[12] Sinha N. K. Kuszta B. Modeling and Identification
of Dynamic Systems. Springer. 1983.