IDENTIFICACIÓN

DE SISTEMAS
ESPE 2019
 IDENTIFICACIÓN DE
SISTEMAS
1. PRINCIPIOS DE LA IDENTIFICACIÓN Y MODELAMIENTO DE
SISTEMAS.
2. IDENTIFICACIÓN NO PARAMÉTRICA
1. Respuesta al escalón
1. Modelo 1er orden
2. Modelo 1er orden con retardo
3. Modelo 3do orden oscilatorio
4. Modelo 2do Orden no oscilatorio (Sartorius)
5. Modelo Orden Superior (Strejc)
2. Respuesta de Frecuencia
3. Respuesta Impulsiva
4. Ziegler-Nichols
3. IDENTIFICACIÓN PARAMÉTRICA
1. Metodo ARX, ARMAX
2. Método del gradiente
3. Método de mínimos cuadrados
4. Señales para identificación
4. ESQUEMAS PARA IDENTIFICACIÓN
1. Lazo Abierto
2. Lazo Cerrado
 MÉTODOS DE
IDENTIFICACIÓN
Basado en la Observación
Tipo de Señal de Entrada
Basado en la
Experimentación Método de Ziagler-Nichols

Método de Strejc
Estado de la Respuesta Respuesta Transitoria Método de los Momentos
Métodos de Laguerre
Del Sistema
Respuesta Estable

Recursivos AR, ARMAX, Redes Neuronales

Clase de Modelo Paramétrico No Recursivos Mínimos Cuadrados

Máxima Verosimilitud

No Paramétrico Análisis de Fourier

Análisis de Correlación
Análisis Espectral
 MÉTODOS DE
IDENTIFICACIÓN
• De acuerdo a la Clase de Modelo
• Paramétricos: Se escoge un determinado tipo de
función, presumiendo que la función de transferencia
del sistema será de este tipo, caracterizado por una serie
de parámetros. El objetivo es determinar el valor
numérico de estos parámetros para determinar la
función de transferencia. (ARX, ARMAX…)

• NO Paramétricos: No se preestablece un tipo de función

de transferencia, sino, se determina la función más
adecuada a cada tipo de sistema.
 PROBLEMA…
• La inmensa mayoría de los métodos de diseño se basan
en su conocimiento.

• A la determinación de dicho modelo, a partir de tener

algún conocimiento previo sobre el proceso y de
experiencias prácticas, se le conoce como
identificación.
 1. PRINCIPIOS DE LA
IDENTIFICACIÓN DE SISTEMAS
• Dos enfoques:
• Por la vía analítica: determinarlas ecuaciones y
parámetros que intervienen siguiendo
exclusivamente las leyes generales de la Física.
• Por la vía experimental: en la cual se considera el
sistema como una “caja negra”, con
determinadas entradas y salidas.

X Y
 1. PRINCIPIOS DE LA
IDENTIFICACIÓN DE SISTEMAS

• En la práctica se combinan ambos enfoques,

actuando en dos etapas:
• Etapa de análisis, en la cual se tienen en cuenta las leyes
físicas y las condiciones particulares de trabajo para
establecer hipótesis sobre la estructura y propiedades
del modelo que se pretende identificar.

• Etapa experimental, en la cual se adoptan las hipótesis

establecidas anteriormente y se tienen en cuenta las
mediciones para determinar el modelo.
 1. PRINCIPIOS DE LA
IDENTIFICACIÓN DE SISTEMAS

• Un modelo se desarrolla siempre a partir de una serie

de aproximaciones e hipótesis y, por lo tanto, es una
representación parcial de la realidad;

• Un modelo se construye para una finalidad específica

y debe ser formulado para que sea útil a dicho fin

• Un modelo tiene que ser por necesidad un

compromiso entre la simplicidad y la necesidad de
recoger los aspectos esenciales del sistema en estudio.
 1. PRINCIPIOS DE LA
IDENTIFICACIÓN DE SISTEMAS
• Aunque el sistema sea no lineal, puede ser conveniente adoptar un
modelo lineal con objeto de estudiar su comportamiento ante
variaciones relativamente pequeñas sobre un punto de trabajo.
• Pueden usarse hipótesis simplificadas.
• Superposición: cada salida como suma de salidas elementales

u1 ෍1

+
.
.
y
. +
up ෍𝑝

• Determinación del tiempo de las experiencias.

• Lazo abierto o cerrado…
 1. PRINCIPIOS DE LA
IDENTIFICACIÓN DE SISTEMAS

• Ecuaciones

• Tablas
Modelo Describen el fenómeno
• Gráficos

• Reglas
 1. PRINCIPIOS DE LA
IDENTIFICACIÓN DE SISTEMAS
Representaciones de sistemas: u y
0 0,85
1 3,53
2 6,73
3 9,65
𝑦 = k ∗ log(𝑥) 4 12,04
5 15,76
6 18,24
7 21,93
8 24,43
9 27,53
10 30,18
11 33,66
12 36,60
13 39,92
14 42,45
15 45,13
𝑥>0 ∴𝑦=1 16 48,62
17 51,85
𝑥=0 ∴𝑦=0 18 54,20
19 57,43
𝑥 < 0 ∴ 𝑦 = −1 20 60,75
 1. PRINCIPIOS DE LA
IDENTIFICACIÓN DE SISTEMAS

• No es lo mismo identificar un modelo de un sistema

que trabajará a lazo abierto que a lazo cerrado. Está
claro que, en el primero, se requiere mayor precisión.

• Respecto al orden del modelo existen dos alternativas:

imponer el orden o dejarlo libre a determinar.
 1. PRINCIPIOS DE LA
IDENTIFICACIÓN DE SISTEMAS
 1. PRINCIPIOS DE LA
IDENTIFICACIÓN DE SISTEMAS
• Identificación experimental según las mediciones a
procesar:
1. Utilizando la respuesta ante señales de ensayo sobre el
sistema.
2. Procesando mediciones históricas de funcionamiento
de la planta.
3. Identificación en línea. Su aplicación es posible sin
perturbar significativamente las condiciones de trabajo
del sistema.
4. Identificación en tiempo real.
 1. TIPOS DE MODELOS
1. Modelo paramétrico. Se pretenden obtener los
valores de los coeficientes de las funciones o
matrices de transferencia, o los elementos de
las matrices de representación en el espacio
de estado. A partir de este modelo es fácil obtener
respuesta en frecuencia.
2. Modelo no paramétrico. Sería
el caso de las gráficas
de módulo y fase en las respuestas
frecuenciales, en los cuales se usarían los
diagramas de Bode, Nyquist, Nichols y las
respuestas al impulso o escalón. Puede
parametrizarse empleando coeficientes.
 MODELOS PARAMÉTRICOS

• Determinísticos o estocásticos.
• determinístico cuando expresa la relación entre entradas y salidas
mediante una ecuación exacta.
• estocástico si posee un cierto grado de incertidumbre. se definen
mediante conceptos probabilísticos o estadísticos.
• Dinámicos o estáticos.
• estático cuando la salida depende únicamente de la entrada en ese
mismo instante (un resistor, por ejemplo, es un sistema estático).
• dinámico es aquél en el que las salidas evolucionan con el tiempo tras la
aplicación de una determinada entrada (por ejemplo, una red RC). es
necesario conocer el tiempo transcurrido desde la aplicación de la
entrada.
• Continuos o discretos.
• continuos trabajan con señales continuas, y se caracterizan mediante
ecuaciones diferenciales.
• discretos trabajan con señales muestreadas, y quedan descritos
mediante ecuaciones en diferencias.
 1. PREGUNTAS BÁSICAS…
¿Qué es la identificación experimental de
sistemas?
Es la determinación de un modelo que represente
lo más fielmente posible al sistema dinámico, a
partir del conocimiento previo sobre éste y de los
datos medidos.
¿Cómo se hace esto?
Ajustando los parámetros obtenidos hasta que la
salida del modelo coincida, lo mejor posible, con
la salida medida.
¿Cómo saber si un modelo es bueno?
Se compara la salida del modelo con datos
medidos que no se usaron en la estimación de los
parámetros.
 1. PREGUNTAS BÁSICAS…
¿Tenemos que asumir un modelo particular?
Para modelos paramétricos tenemos que asumir una
estructura. Si asumimos que el sistema es lineal, podemos
estimar directamente la respuesta a impulso o a escalón
usando análisis de correlación o su respuesta frecuencial
usando análisis espectral.
¿Es una gran limitación trabajar sólo con modelos
lineales?
No, actualmente no. Generalmente se estiman los
parámetros de las partes lineales y haciendo uso de la
pericia física se le añaden al modelo las no linealidades.
Finalmente debemos entender que el modelo
obtenido es un reflejo alejado de la realidad, pero
que, sorprendentemente, es suficiente para tomar
las decisiones necesarias.
 1.2 IDENTIFICACIÓN NO PARAMÉTRICA
1.2.2 RESPUESTA AL ESCALÓN.
• Es la señal más utilizada.
• En la práctica, es imperfecta, es válida
si la constante de tiempo es 0,1 de la
menor constante de tiempo que se
quiere determinar.
• Altera significativamente el
comportamiento del sistema.

t
¿CÓMO…?
 1.2.2.1 PRIMER ORDEN
ZIEGLER-NICHOLS
𝐾
𝐺(𝑠) = 𝑲=
𝒄𝟏 − 𝒄 ∆𝒄
=
𝜏𝑠+1 𝒓𝟏 − 𝒓 ∆𝒓

La constante de tiempo
se calcula gráficamente
como se muestra o
tomando el valor de t
para el cual k = c + 0.63c ,
o sea, que la respuesta
c(t) ha alcanzado el
63.2% de su variación
total

k = c + 0.63c
 1.2.2.1 PRIMER ORDEN CON RETARDO.
Misma configuración que un sistema de 1er orden puro, en el cual la respuesta presenta un
desfase o retardo respecto a la señal de entrada.

𝐾
𝐺(𝑠) = 𝑒 −𝑇𝑠
𝜏𝑠+1

Retardo : T
 1.2.2.2 SEGUNDO ORDEN, NO OSCILATORIOS
OLDENBOURG-SARTORIUS

𝒄𝟏 − 𝒄 ∆𝒄
𝑲= =
c1 Tc
𝒓𝟏 − 𝒓 ∆𝒓

Supongamos:
Punto de
𝐾 inflexión
𝐹(𝑠) =
(𝑇1 𝑠 + 1)(𝑇2 𝑠 + 1)
c
𝑛 Ta
𝑇2
𝑇𝑎 = 𝑇1
𝑇1

𝑇𝑐 = 𝑇1 + 𝑇2
Para calcular las constantes de tiempo T1 y T2 se
𝑇2 usan las relaciones entre los tiempos TA y TC,
𝑛=
𝑇1 − 𝑇2
 1.2.2.2 SEGUNDO ORDEN, NO OSCILATORIOS
OLDENBOURG-SARTORIUS
Gráfica de OS Respuestas del Sistema y el Modelo
1
𝑻𝟏 𝒏
1 𝑻𝟐
𝑻𝑨
0.9
𝑻𝟏 ൗ𝑻
𝑨
0.8 𝟏=
0.9
𝑻𝑨 𝑻𝟏
0.7
0.8 ൗ𝑻
𝑨
0.7
0.6
0.6
0.5
𝑻0.5𝑪 𝑻𝟏 𝑻𝟐
0.4 = +
0.4

0.3
𝑻𝑨 𝑻𝑨 𝑻𝑨
0.3
0.2 0.2

0.1 0.1 Resp. del sistema

Resp. del modelo
0 0
0 0.2 0.4 0.6 0.8 1 𝑻𝟐 0 2 4 6 8 10

𝑻𝑨
1.2.2.2 SEGUNDO ORDEN, NO OSCILATORIOS
OLDENBOURG - SARTORIUS

• La curva se traza con la tabla.

• La recta resulta de la segunda ecuación.

• En la intersección de la recta con la curva se

determinan T1 y T2.

• Si TC/TA = 0.736, la recta que representa la expresión

es tangente a la curva, lo que significa que T1 y T2 son
iguales.

• Si la relación TC/TA < 0.736 no hay intersección entre la

recta y la curva y significa que estamos en presencia de
un sistema de orden superior
 1.2.2.2 SEGUNDO ORDEN, OSCILATORIO

𝑲𝝎𝟐𝒏
𝑮(𝒔) = 𝟐
𝒔 + 𝟐𝜹𝝎𝒏 𝒔 + 𝝎𝟐𝒏

El problema consiste en estimar K, δ y ω

A partir de Mp puede calcularse el

coeficiente de amortiguamiento :

𝜹𝝅
( ) 𝐿𝑜𝑔2 (𝑀𝑝 )
𝑴𝒑 = 𝒆 𝟏−𝜹𝟐 𝛿=
𝜋 2 + 𝐿𝑜𝑔2 (𝑀𝑝 )

La frecuencia natural no amortiguada:

𝟐𝝅 𝝎
𝝎= 𝝎𝒏 =
𝒅 𝟏 − 𝜹𝟐
 1.2.2.1 MODELO DE ORDEN N
MÉTODO STREJC
• Este método se emplea para la identificación de sistemas de
polos múltiples, mediante los parámetros TA y Tb obtenidos
sobre la respuesta del sistema.

𝑲
𝑮(𝒔) =
(𝑻𝒔 + 𝟏)𝒏
1.2.2.1 MODELO DE ORDEN N
MÉTODO STREJC
 REGRESIÓN

relación lineal simple solamente hay una

variable explicativa

debemos incluir un término de perturbación aleatoria, t u , que

refleja todos los factores – distintos de X -que influyen sobre
la variable

determinar o estimar β 1 y β 2 a partir de la información

contenida en las observaciones que disponemos
 REGRESIÓN

Podemos estimar β 1 y β 2 como la ordenada al

origen y la pendiente de una recta próxima a los
puntos.
Debemos determinar los estimadores para que la
recta que pasa por los puntos se
ajusten lo mejor posible a:

Se denomina residuo a la diferencia entre los

valores observados y los valores ajustados.
 REGRESIÓN

• El problema fundamental de este método de

estimación radica en que los residuos de distinto signo
pueden compensarse.
• Una forma de evitar la compensación de residuos
positivos con negativos consiste en tomar los valores
absolutos de los residuos.

• Otra forma de minimizar la suma de los cuadrados de

los residuos, es decir:
 1.2.2.2 RESPUESTA AL IMPULSO
• Si se aplica a un sistema un pulso rectangular de duración Tp y se
registra la respuesta a dicho pulso, desplazando éste muchas veces un
tiempo igual a Tp y sumando las respuestas resultantes, se obtiene la
respuesta del sistema a un escalón; lo cual es posible ya que si se
considera el sistema lineal se cumple el principio de superposición.
• Obsérvese que se obtiene la respuesta del sistema a un escalón sin
necesidad de aplicar esta señal a su entrada, por lo que el sistema a
identificar sólo sufre la perturbación correspondiente al pulso
rectangular.
 1.2.2.2 RESPUESTA AL IMPULSO

Los problemas que se plantean en el análisis de la

respuesta impulso son:
• Restringido al estudio de sistemas estables.
• Dificultades de generar una señal impulso.
• Problemas de sincronización entre la entrada y el muestreo
• Dificultades con la amplitud de la señal.
• Problemas cuando hay saturaciones y no linealidades,
• Dificultades con las colas del impulso debido a su larga duración y
bajas amplitudes.
• Gran sensibilidad al ruido.
 1.2.3 RESPUESTA EN
FRECUENCIA
• Si el sistema es lineal, la respuesta a una sinusoide es una
sinusoide de la misma frecuencia y, en general, de diferente
amplitud y fase a estado estacionario.
• Excitando el sistema con sinusoides de diferentes frecuencias,
especialmente en el rango de trabajo del sistema, podemos
obtener las características de amplitud y fase y conocemos las
contribuciones de los términos s, (1 + s), (s2 + as + b).
 1.2.3 RESPUESTA EN
Si u(t) es senoidal pura de frecuencia ω : FRECUENCIA
u(t) =U ⋅ sen(ωt)
Entonces y(t) cuando pasa el transitorio es senoidal pura de
la misma frecuencia ω :
y(t) =U ⋅ G( jω) sen (ωt + arg(G( jω)))
 1.2.3 RESPUESTA EN
FRECUENCIA
Para el diagrama de amplitud.
- Término constante k: añade un valor constante 20log(k).
- Un polo simple añade pendiente de -20 db/década a partir del valor del
polo.
- Un cero simple añade pendiente de +20 db/década a partir del valor del
cero.
- Un par de polos complejos, añade una pendiente de - 40 db/década a
partir del valor del módulo de los polos. Si x es pequeño, hay pico de
resonancia.
- Un par de ceros complejos, añade una pendiente de +40 db/década a
partir del valor del módulo de los ceros. Si x es pequeño, hay pico de
resonancia.
- Un polo en el origen (1/s) añade una pendiente de -20 db/década en
todas las frecuencias.
- Un cero en el origen (s) añade con una pendiente de +20 db/década en
todas las frecuencias.
 1.2.3 RESPUESTA EN
FRECUENCIA
Para el diagrama de fase.
• Término constante k: no contribuye
• Un polo simple: 0º para w=0, -90º para w=∞.
• Un cero simple: 0º para w=0, +90º para w=∞.
• Un par de polos complejos: 0º para w=0, -180º para w=∞.
• Un par de ceros complejos: 0º para w=0, +180º para w=∞.
• Un polo en el origen (1/s): -90º en todas las frecuencias.
• Un cero en el origen (s): +90º en todas las frecuencias.
• Un cero simple positivo: 0º para w=0, -90º para w=∞.
• Un retardo puro (e-sT): fase = -wT
 1.2.3 RESPUESTA EN
FRECUENCIA
• Si se emplea la respuesta en frecuencia para la identificación
de un sistema hay que tener presente la zona de identificación
posible, esto quiere decir, que no toda la gráfica obtenida es
válida para la identificación.

Retardo
1.2.3 RESPUESTA EN
FRECUENCIA
Aplicando retardo, se obtiene una
gráfica en la cual se ajusta casi
perfectamente la fase esperada.
 FUNCION DE TRANSFERENCIA,
OPERADOR Q

𝑞 𝑢(𝑡) = 𝑢(𝑡+1) Operador de adelanto

𝑞 −1 𝑢(𝑡) = 𝑢(𝑡−1) Operador de atraso

∞ ∞ ∞

𝑦(𝑡) = ෍ 𝑔(𝑘) 𝑢(𝑡−𝑘) = ෍ 𝑔(𝑘) (𝑞−𝑘 𝑢 𝑡 ) = ෍ 𝑔(𝑘) 𝑞 −𝑘 𝑢 𝑡

𝑘=1 𝑘=1 𝑘=1

𝑦(𝑡) = 𝐺(𝑞) 𝑢(𝑡) G(q): Operador de transferencia

• Ecuación lineal en diferencias:

• Despejamos y(t):

• La salida y en el instante t se la computa como una combinación

lineal de salidas pasadas y entradas pasadas, esto quiere decir
que la salida y en el instante t depende de la señal de entrada u
a varios instantes previos de t, siendo esto el concepto de
modelo dinámico.
 A TENER EN CUENTA:
• Los coeficientes de la ecuación (-1.5, 0.7, etc.).

• Cantidad de salidas retardadas (dos en el ejemplo y(t-T) e y(t-2T)).

• El retardo de tiempo en el sistema es 2T , en la segunda ecuación se puede ver para que tenga
efecto en la salida y en el instante t, tiene que haber transcurrido dos instantes de tiempo t
previos en la entrada u .

• Cantidad de entradas u retardadas (dos en el ejemplo: u(t-2T) y u(t-3T)).

• El número de entradas y salidas retardadas determinan el orden del modelo.

• Los ceros y los polos describen los coeficientes de una ecuación lineal de diferencias.
• Los polos se refieren al “lado de salida”
• mientras que los ceros “al lado de entrada” de dicha ecuación.
• El número de polos es igual al número de intervalos de muestreo entre la salida más y
menos retardada.
• El número de ceros es igual al número de intervalos de muestreo entre la entrada más y
menos retardada.
• En la ecuación anterior hay dos polos y un cero.
 MODELO ARX
Un modelo general ARX, con una entrada y una salida, se describe mediante la ecuación
en diferencias lineales: ante presencia de ruido, los parámetros del modelo de la
estructura ARX son:
A(q) y(t) = B(q) u (t) +e(t)
 MODELO ARX
y(t)+a1 y(t−1)+... + ana y (t−na) = b1u (t−nk)+b2u (t−(nk+1))+ bnbu (t−(nk+nb-1))+e(t)

Donde:
• y(t) es la salida del modelo ARX para t=t, t−1, ... t−na
• u(t): es la entrada del modelo ARX modelo para t = t−nk, t−nk−1,
t−nk−nb+1
❖na: es el número de pasos de tiempo de la salida en el pasado.
➢ Nro de Polos
❖nb: es el número de pasos de tiempo de la entrada en el pasado.
➢ nb +1: numero de ceros.
❖nk: es el retardo de la entrada u(t) con respecto a la salida y(t)
• e(t) es ruido blanco asociado con la variable de salida.
 MODELO ARX
sys = arx(data,[na nb nk])
Polynomial orders.
• [na nb nk] define the polynomial orders of an ARX model.
• na — Order of the polynomial A(q).
• Specify na as an Ny-by-Ny matrix of nonnegative integers. Ny is the number of
outputs.
• nb — Order of the polynomial B(q) + 1.
• nb is an Ny-by-Nu matrix of nonnegative integers. Ny is the number of outputs and
Nu is the number of inputs.
• nk — Input-output delay expressed as fixed leading zeros of the B
polynomial.
• Specify nk as an Ny-by-Nu matrix of nonnegative integers. Ny is the number of
outputs and Nu is the number of inputs.

Discrete-time ARX model:

A(z)y(t) = B(z)u(t) + e(t)

A(z) = 1 - 2.86 z^-1 + 2.78 z^-2 - 0.9184 z^-3

B(z) = 9.367e-05 + 0.004986 z^-1 - 0.003572 z^-2

 MODELO ARMAX
La principal desventaja del modelo ARX reside en la escasez o falta de libertad en la
descripción del término de perturbación.

Los coeficientes del modelo discreto, cuyas soluciones (de este modelo y los
posteriores) se obtienen por predicción del error con el Método de Máxima
Verosimilitud. Para esto se usa la función ARMAX.
 MODELO OE
Output-Error model
𝐵𝑞
𝑦(𝑡) = 𝑢(𝑡 − 𝑛𝑘) + 𝑒(𝑡)
𝐹𝑞

𝐹(𝑞) = 1 + 𝑓1 𝑞−1 + … . +𝑓𝑛𝑓 𝑞−𝑛𝑓

where y(t) is the output, u(t) is the input and e(t) is the error.
• nb — Order of the B polynomial + 1. nb is an Ny-by-Nu matrix. Ny is the number of outputs and
Nu is the number of inputs.
• nf — Order of the F polynomial. nf is an Ny-by-Nu matrix. Ny is the number of outputs and Nu is
the number of inputs.
• nk — Input delay, expressed as the number of samples. nk is an Ny-by-Nu matrix. Ny is the
number of outputs and Nu is the number of inputs. The delay appears as leading zeros of the B
polynomial.
For estimation using continuous-time data, only specify [nb nf] and omit nk.
 MODELO OE
• Estimation data.
• For time domain estimation, data is an iddata object
containing the input and output signal values.
• For frequency domain estimation, data can be one of
the following:
• Recorded frequency response data (frd or idfrd)
• iddata object with its properties specified as follows:
• InputData — Fourier transform of the input signal
• OutputData — Fourier transform of the output signal
• Domain — 'Frequency'

• For multi-experiment data, the sample times and inter-

sample behavior of all the experiments must match.
 MODELO PEM
Prediction Error Method (PEM)

Ver PEM. Pdf

Programas en matlab