Unlock-Apuntes Identificación 5ed (Julio2014)

APUNTES DE
IDENTIFICACIN DE SISTEMAS
e(t)
H(z)
v(t)
u(t)
G(z)
y(t)
NDICE
TEMA 1: MODELOS DE SISTEMAS CONTINUOS Y DISCRETOS

1.1 INTRODUCCIN ............................................................................................................ 1-1
1.2 MODELADO DE SISTEMAS CONTINUOS .................................................................... 1-3
1.2.1 Ecuaciones diferenciales ......................................................................................... 1-3
1.2.2 Modelo en el espacio de estados ............................................................................ 1-5
1.2.3 Funcin de transferencia ....................................................................................... 1-11
1.3 MODELADO DE SISTEMAS DISCRETOS ................................................................... 1-16
1.3.1 Secuencias ............................................................................................................ 1-16
1.3.2 La transformada Z de una secuencia .................................................................... 1-18
1.3.3 Ecuaciones en diferencias ..................................................................................... 1-21
1.3.4 Modelo en el espacio de estados .......................................................................... 1-24
1.3.5 Funcin de transferencia ....................................................................................... 1-24
1.4 CONSIDERACIONES BSICAS SOBRE LA RESPUESTA TEMPORAL Y
FRECUENCIAL DE UN SISTEMA LINEAL ................................................................... 1-25
1.4.1 Sistemas de primer orden...................................................................................... 1-25
1.4.2 Integrador .............................................................................................................. 1-30
1.4.3 Efecto de un cero en la respuesta temporal de un sistema de primer orden ........ 1-31
1.4.4 Respuesta temporal de un sistema de segundo orden ......................................... 1-33
1.4.5 Efecto de un cero en la respuesta temporal de un sistema de segundo orden..... 1-37
1.4.6 Respuesta temporal de un sistema lineal con ganancia negativa ......................... 1-40
1.4.7 Respuesta temporal de un sistema lineal con ceros en el semiplano derecho ..... 1-41
1.4.8 Respuesta temporal de un sistema lineal con retardo........................................... 1-42
1.4.9 Especificaciones de la respuesta temporal de un sistema lineal .......................... 1-44
1.5 CONSIDERACIONES BSICAS SOBRE LA RESPUESTA FRECUENCIAL DE UN
SISTEMA LINEAL ......................................................................................................... 1-46
1.5.1 Definicin de respuesta en frecuencia de un sistema lineal .................................. 1-46
1.5.2 Representacin grfica de la respuesta en frecuencia de un sistema .................. 1-48
1.5.3 Respuesta frecuencial de un sistema lineal genrico continuo ............................. 1-51
1.5.4 Respuesta frecuencial de una constante .............................................................. 1-52
1.5.5 Respuesta frecuencial de un integrador ................................................................ 1-52
Indice
1.5.6 Respuesta frecuencial de un derivador ................................................................. 1-54

1.5.7 Respuesta frecuencial de un elemento de retardo ................................................ 1-55
1.5.8 Respuesta frecuencial de un polo real: sistema de primer orden.......................... 1-56
1.5.9 Respuesta frecuencial de un cero real .................................................................. 1-57
1.5.10 Respuesta frecuencial de un par de polos complejos conjugados: sistema de
segundo orden .................................................................................................... 1-58
1.5.11 Respuesta frecuencial de un par de ceros complejos conjugados ..................... 1-61
1.5.12 Efecto de un cero en la respuesta frecuencial de un sistema de primer orden ... 1-62
1.5.13 Efecto de un cero en la respuesta frecuencial de un sistema de segundo orden1-63
BIBLIOGRAFA ................................................................................................................... 1-64
TEMA 2: MODELOS DE PERTURBACIONES

2.1 INTRODUCCIN ............................................................................................................ 2-1
2.2 CARCTER DE LAS PERTURBACIONES..................................................................... 2-3
2.3 REDUCCION DE LOS EFECTOS DE LAS PERTURBACIONES .................................. 2-4
2.3.1 Reduccin en la fuente ............................................................................................ 2-4
2.3.2 Reduccin mediante realimentacin local ............................................................... 2-4
2.3.3 Reduccin mediante feedforward ............................................................................ 2-5
2.3.4 Reduccin mediante prediccin .............................................................................. 2-6
2.4 MODELOS DETERMINISTAS DE LAS PERTURBACIONES ........................................ 2-6
2.5 CONCEPTOS BSICOS DE LA TEORA DE PROCESOS ESTOCSTICOS............... 2-8
2.5.1 Variables aleatorias ................................................................................................. 2-8
2.5.2 Procesos estocsticos ........................................................................................... 2-14
2.6 MODELOS DE PROCESOS ESTOCSTICOS ............................................................ 2-24
2.6.1 Ruido blanco .......................................................................................................... 2-24
2.6.2 Procesos AR .......................................................................................................... 2-27
2.6.3 Procesos MA ......................................................................................................... 2-32
2.6.4 Procesos ARMA .................................................................................................... 2-34
2.6.5 Procesos ARIMA ................................................................................................... 2-36
2.6.6 Identificacin del tipo de modelo estocstico a utilizar a partir de una serie
temporal ............................................................................................................... 2-39
2.7 FILTRADO DE PROCESOS ESTOCSTICOS ESTACIONARIOS .............................. 2-48
BIBLIOGRAFA ................................................................................................................... 2-51
Indice
TEMA 3: CONSIDERACIONES GENERALES SOBRE LA IDENTIFICACIN DE

SISTEMAS
3.1 INTRODUCCIN ............................................................................................................ 3-1
3.2 PROCEDIMIENTO GENERAL DE IDENTIFICACIN DE SISTEMAS ........................... 3-3
3.3 HERRAMIENTAS SOFTWARE PARA IDENTIFICACIN DE SISTEMAS ..................... 3-6
3.3.1 SITB, la toolbox para identificacin de sistemas de MATLAB ................................. 3-6
3.3.2 ITSIE, una herramienta interactiva para la enseanza de la identificacin de
sistemas .................................................................................................................. 3-9
BIBLIOGRAFA ................................................................................................................... 3-12
TEMA 4: DISEO DE EXPERIMENTOS Y TRATAMIENTO DE DATOS

4.1 INTRODUCCIN ............................................................................................................ 4-1
4.2 CONSIDERACIONES GENERALES SOBRE LA ELECCIN DE LA SEAL DE
ENTRADA ............................................................................................................................. 4-2
4.2.1 Excitacin persistente .............................................................................................. 4-2
4.2.2 Caractersticas deseables en teora para la entrada ............................................... 4-2
4.2.3 Caractersticas deseables en la prctica para la entrada: entradas amigables con
la planta. .................................................................................................................. 4-4
4.2.4 ndices para establecer el grado de amigabilidad de una entrada. ......................... 4-5
4.3 TIPOS DE SEALES DE ENTRADA .............................................................................. 4-7
4.3.1 Seal escaln ..........................................................................................................4-7
4.3.2 Seal pulso simple .................................................................................................. 4-8
4.3.3 Seal pulso doble .................................................................................................. 4-10
4.3.4 Ruido blanco .......................................................................................................... 4-11
4.3.5 Seal binaria aleatoria (RBS) ................................................................................ 4-12
4.3.6 Seal binaria psedoaleatoria (PRBS) .................................................................... 4-14
4.3.7 Seal multiseno ..................................................................................................... 4-18
4.3.8 Conclusiones ......................................................................................................... 4-24
4.4 ELECCIN DEL PERIODO DE MUESTREO ............................................................... 4-24
4.5 TRATAMIENTO DE LOS DATOS ................................................................................. 4-27
4.5.1 Filtrado de las seales ........................................................................................... 4-28
4.5.2 Eliminacin de valores medios .............................................................................. 4-31
4.5.3 Deteccin de outliers ............................................................................................. 4-33
BIBLIOGRAFA ................................................................................................................... 4-34
Indice
TEMA 5: IDENTIFICACIN DE MODELOS NO PARAMTRICOS

5.1 INTRODUCCIN ............................................................................................................ 5-1
5.2 ANLISIS DEL TRANSITORIO ....................................................................................... 5-4
5.3 ANLISIS DE CORRELACIN ....................................................................................... 5-6
5.4 ANALISIS DE FRECUENCIA ........................................................................................ 5-11
5.5 ANLISIS DE FOURIER ............................................................................................... 5-13
5.6 ANALISIS ESPECTRAL ................................................................................................ 5-16
5.6.1 Periodograma ........................................................................................................ 5-16
5.6.2 Periodograma promedio: Mtodo de Welch .......................................................... 5-19
5.6.3 Suavizado del periodograma: El mtodo de Blackman - Tukey ............................ 5-19
5.6.4 Estimacin de la densidad espectral cruzada ....................................................... 5-23
5.6.5 Estima de la funcin de frecuencia usando anlisis espectral .............................. 5-24
5.6.6 Resumen de las caractersticas bsicas del anlisis espectral ............................. 5-28
BIBLIOGRAFA ................................................................................................................... 5-28
TEMA 6: IDENTIFICACIN DE MODELOS PARAMTRICOS DISCRETOS

6.1 INTRODUCCIN ............................................................................................................ 6-1
6.2 MODELOS PARAMTRICOS BASADOS EN EL ERROR DE PREDICCIN................ 6-2
6.2.1 Definicin ................................................................................................................. 6-2
6.2.2 Tipos de modelos PEM............................................................................................ 6-4
6.3 ESTIMACIN DE LOS PARMETROS DE UN MODELO PEM .................................... 6-8
6.3.1 Planteamiento general del problema ....................................................................... 6-8
6.3.2 Clculo de la estima cuando el modelo PEM se puede expresar como una regresin
lineal ...................................................................................................................... 6-10
6.3.3 Clculo de la estima cuando el modelo PEM no se puede expresar como una
regresin lineal ...................................................................................................... 6-14
6.4 PROPIEDADES DEL MODELO PEM ESTIMADO ....................................................... 6-16
6.4.1 Calidad del modelo ................................................................................................ 6-16
6.4.2 Errores existentes en un modelo ........................................................................... 6-16
6.4.3 Error de sesgo ....................................................................................................... 6-17
6.4.4 Error de varianza ................................................................................................... 6-22
6.4.5 Compromiso entre el error de sesgo y el error de varianza .................................. 6-25
6.5 CONSIDERACIONES SOBRE LA ELECCIN DEL TIPO Y LA ESTRUCTURA DEL
MODELO PEM ............................................................................................................. 6-27
6.5.1 Eleccin del tipo de modelo ................................................................................... 6-27
Indice
6.5.2 Eleccin de la estructura del modelo ..................................................................... 6-28

6.6 VALIDACIN DEL MODELO ESTIMADO .................................................................... 6-32
6.6.1 Verificacin del comportamiento de entrada-salida ............................................... 6-37
6.6.2 Anlisis de los residuos ......................................................................................... 6-34
6.7 REDUCCIN DEL MODELO ........................................................................................ 6-37
6.8 ALGUNAS DIRECTRICES PARA OBTENER EL MODELO PEM MAS APROPIADO . 6-38
BIBLIOGRAFA ................................................................................................................... 6-39
TEMA 7: IDENTIFICACIN DE MODELOS PARAMTRICOS CONTINUOS

7.1 INTRODUCCIN ............................................................................................................ 7-1
7.2 OBTENCIN A PARTIR DE LA TRANSFORMACIN DEL MODELO DISCRETO
IDENTIFICADO .............................................................................................................. 7-1
7.3 ESTIMACIN A PARTIR DE DATOS DE ENTRADA-SALIDA TEMPORALES.............. 7-7
7.4 ESTIMACIN A PARTIR DE DATOS EN EL DOMINIO DE LA FRECUENCIA ........... 7-11
7.4.1 Estimacin a partir de las transformadas de Fourier de la entrada y de la salida. 7-11
7.4.2 Estimacin a partir de datos obtenidos del anlisis en frecuencia. ....................... 7-12
BIBLIOGRAFA ................................................................................................................... 7-15
TEMA 8: IDENTIFICACIN EN LAZO CERRADO

8.1 INTRODUCCIN ............................................................................................................ 8-1
8.2 PROBLEMAS QUE PRESENTA LA IDENTIFICACIN EN LAZO CERRADO .............. 8-2
8.3 IDENTIFICACIN EN LAZO CERRADO MEDIANTE APROXIMACIN DIRECTA ....... 8-7
8.3.1 Consideraciones generales ..................................................................................... 8-7
8.3.2 Consideraciones sobre el error de sesgo ................................................................ 8-9
8.3.3 Seleccin del punto de aplicacin de la seal de excitacin ................................. 8-10
8.3.4 Consideraciones sobre el error de varianza .......................................................... 8-14
8.4 CONCLUSIONES .......................................................................................................... 8-15
BIBLIOGRAFA ................................................................................................................... 8-16
TEMA 9: IDENTIFICACIN RELEVANTE PARA EL CONTROL

9.1 INTRODUCCIN ............................................................................................................ 9-1
9.2 RELACIN ENTRE EL MODELO IDENTIFICADO Y EL DISEO DEL
CONTROLADOR
.................................................................................................... 9-2
9.3 IDENTIFICACIN DE MODELOS APROXIMADOS ....................................................... 9-5

9.3.1 Identificacin basada en el error de prediccin ....................................................... 9-5
Indice
9.3.2 Desajuste modelo - proceso en lazo cerrado .......................................................... 9-6

9.3.3 Criterio de identificacin relevante para control ...................................................... 9-8
9.3.4 Identificacin a partir de datos obtenidos en lazo cerrado ...................................... 9-9
9.4 IDENTIFICACIN Y CONTROL ITERATIVOS ............................................................. 9-12
9.5 PREFILTRADO RELEVANTE PARA CONTROL.......................................................... 9-16
9.5.1 Estimacin de parmetros relevantes para control ............................................... 9-16
9.5.2 Efecto del prefiltrado en la estimacin de parmetros........................................... 9-17
9.5.3 Obtencin de un prefiltro relevante para control.................................................... 9-18
9.5.4 Algoritmo para la implementacin de un prefiltro relevante para control............... 9-23
9.6 CONCLUSIONES .......................................................................................................... 9-25
BIBLIOGRAFA .................................................................................................................. 9-26
TEMA 10: IDENTIFICACIN DE SISTEMAS MULTIVARIABLES

10.1 INTRODUCCIN ........................................................................................................ 10-1
10.2 DESCRIPCIN DE UN SISTEMA MULTIVARIABLE ................................................. 10-2
10.3 DISEO DE ENTRADAS PARA SISTEMAS MULTIVARIABLES .............................. 10-4
10.3.1 Diseo de seales RBS multientrada .................................................................. 10-4
10.3.2 Diseo de seales PRBS multientrada................................................................ 10-4
10.3.3 Diseo de seales multiseno multientrada .......................................................... 10-6
10.4 ESTIMACIN DE MODELOS MULTIVARIABLES ..................................................... 10-8
BIBLIOGRAFA ................................................................................................................. 10-20
TEMA 11: IDENTIFICACIN DE SISTEMAS NO LINEALES

11.1 INTRODUCCIN ........................................................................................................ 11-1
11.2 ALGUNAS CONSIDERACIONES SOBRE LA NECESIDAD DE IDENTIFICAR
MODELOS NO LINEALES ........................................................................................... 11-1
11.3 COMPROBACIN DE LA NO LINEALIDAD DE UN SISTEMA .................................. 11-2
11.3.1 Test en el dominio del tiempo basado en la respuesta a escalones. .................. 11-2
11.3.2 Test basado en las funciones de correlacin de orden ms alto. ....................... 11-3
11.4 DISEO DE LA SEAL DE ENTRADA ...................................................................... 11-4
11.5 MODELOS NO LINEALES MS USUALES ............................................................... 11-5
11.5.1 Modelo de Hammerstein- Weiner ........................................................................ 11-5
11.5.2 Modelo NARMAX................................................................................................. 11-8
11.5.3 Modelo NARX ...................................................................................................... 11-9
11.5.4 Modelo de Volterra ............................................................................................ 11-11
Indice
11.6 CONSIDERACIONES ADICIONALES SOBRE LA IDENTIFICACIN DE SISTEMAS

NO LINEALES .............................................................................................................. 11-11
11.6.1 Prefiltrado .......................................................................................................... 11-11
11.6.2 Anlisis de los residuos ..................................................................................... 11-12
BIBLIOGRAFA ................................................................................................................. 11-13
TEMA 1
MODELOS DE SISTEMAS CONTINUOS Y
DISCRETOS
1.1 INTRODUCCIN
Un sistema puede ser definido como un objeto o una coleccin de objetos cuyas
propiedades queremos estudiar. Ejemplos de sistemas son por ejemplo, el sistema solar,
una planta fabricadora de papel, un circuito RC (Resistencia-Condensador),..., etc.
Unas veces la curiosidad y otras la necesidad nos hace buscar respuestas a muchas
preguntas sobre las propiedades de los sistemas. Por ejemplo: Cmo se podra ajustar la
planta para obtener papel de mejor calidad?, qu ocurre si disminuyo la capacidad del
condensador?, cundo tendr lugar el prximo eclipse total de sol?, etc.
La
respuesta
alguna
de
estas
preguntas
se
puede
encontrar
mediante
experimentacin. Por ejemplo, se puede conectar el condensador a la resistencia y ver qu

ocurre. Sin embargo, muchas veces no es posible experimentar directamente con el sistema
ya que resulta demasiado caro, es demasiado peligroso o el sistema todava no ha sido
construido.
En los casos anteriores resulta muy til disponer de un modelo del sistema. Un modelo
es una idealizacin del sistema fsico, usado para reducir el esfuerzo de clculo en el
anlisis y diseo del sistema. El modelo se desarrolla de forma que represente
adecuadamente al sistema.
Al desarrollar un modelo para un sistema fsico, ciertos parmetros y variables del
sistema o relaciones entre sus componentes se pueden despreciar. Sin embargo, se debe
de tener cuidado de no despreciar parmetros o relaciones que son cruciales para la
precisin del modelo. Esto implica que un sistema fsico pueda tener modelos diferentes
dependiendo de la aplicacin del modelo. Por ejemplo, un transistor tiene diferentes
TEMA 1: Modelos de sistemas continuos y discretos
modelos dependiendo de la amplitud y frecuencia de la seal aplicada. Generalmente, se

elige un modelo que resulte simple y que, al mismo tiempo, describa adecuadamente la
conducta del sistema.
Los modelos se pueden dar en varias formas y con diferentes grados de formalismo
matemtico dependiendo del grado de sofisticacin necesario. As, se pueden usar modelos
mentales, como los usados en la vida diaria, sin ningn formalismo matemtico. Por ejemplo
este es el caso del modelo usado cuando se conduce un automvil (al girar el volante el
automvil gira o al pisar el freno el automvil reduce la velocidad).
Para ciertas aplicaciones, la descripcin del sistema se puede hacer mediante modelos
grficos y tablas numricas. Por ejemplo, un sistema lineal se puede describir mediante su
diagrama de Bode o las grficas de respuesta a un impulso o a un escaln.
Para aplicaciones ms avanzadas se necesitan modelos que describan las relaciones
entre sus variables y componentes en trminos de expresiones matemticas como
ecuaciones diferenciales o en diferencias, es decir, usar modelos matemticos.
Dependiendo del tipo de ecuaciones diferenciales o en diferencias usadas, estos modelos
matemticos sern continuos o discretos, lineales o no lineales, deterministas o
estocsticos, etc.
Un sistema (ver Figura 1.1) se puede representar como uno o varios bloques que
reciben una o varias seales de entrada predeterminadas u(t) y genera una o varias seales
de salida y(t). Adems el sistema puede estar sometido a una o varias perturbaciones w(t),
que generalmente son seales de tipo aleatorio.
w(t)
u(t)
y(t)
Sistema
Figura 1.1. Entradas, salidas y perturbaciones de un sistema.
Si el sistema posee m entradas, r perturbaciones y p salidas u(t), w(t) e y(t) son

vectores:
1-2
Identificacin de sistemas
y1 (t )
u1 (t )
w1 (t )
y (t )
u (t )
w (t )
2
2
2
y (t )
w(t )
u(t )
:
:
:
wr ( t )
u m (t )
y p (t )
(1.1)
Si la magnitud de las entradas, salidas y perturbaciones puede cambiar en cualquier

instante de tiempo t [0,] el sistema es de tiempo continuo o simplemente continuo. Por
otro lado si la magnitud de las entradas, salidas y perturbaciones slo puede cambiar en
instante discretos de tiempo t={t1, t2, ...., tN} el sistema es de tiempo discreto o simplemente
discreto.
En este tema se describen los modelos matemticos de sistemas continuos y de
sistemas discretos. En ambas casos, por simplificar la exposicin se considerar que no
existen perturbaciones. stas son estudiadas en detalle en el Tema 2. Tambin en este
tema se incluyen las caractersticas bsicas de la respuesta temporal y de la respuesta
frecuencial de un sistema lineal.
1.2 MODELADO DE SISTEMAS CONTINUOS

1.2.1 Ecuaciones diferenciales
De forma general un sistema dinmico continuo se puede modelar matemticamente
usando una ecuacin diferencial de la forma
g ( y ( n ) (t ), y ( n 1) (t ),...., y (t ), y (t ), u ( m ) (t ), u ( m1) (t ),..., u(t ), u(t )) 0
(1.2)
donde
y ( k ) (t )
dk
dk
(k )
y
(
t
);
u
(
t
)
u(t )
dt k
dt k
(1.3)
y g() es una funcin no lineal arbitraria y vector-valuada.

Ejemplo 1.1:
Considrese un tanque de agua con una seccin de A(m2) y un orificio de salida con un rea de
a(m2). La altura o nivel del lquido en el tanque es h(m), el caudal de entrada es u(m3/s) y el caudal de
salida es q(m3/s). Se desea construir un modelo matemtico que refleje como el caudal de salida
depende del caudal de entrada.
1-3
De acuerdo con la ley de Bernoulli la velocidad del caudal de salida en (m/s) es:
v(t ) 2g h(t )
(1)
Donde g es la aceleracin de la gravedad.

La relacin entre el caudal de salida y su velocidad es por definicin:
q(t ) av(t )
(2)
El volumen del lquido en el tanque en el instante t es obviamente Ah(t) (m3), y cambia debido a la
diferencia entre el caudal de entrada y el caudal de salida:
d
Ah(t ) u(t ) q(t )
dt
(3)
A la ecuacin anterior se le denomina como balance de masa, ya que la densidad es constante.

Sustituyendo (1) y (2) en (3) se obtiene la siguiente ecuacin diferencial no lineal:
a 2g
d
1
h(t ) u(t )
h( t )
dt
A
A
(4)
Conocidas a, A y u(t), mediante (4) se puede obtener la altura h(t). Conocida sta el caudal de salida
es:
q(t ) a 2g h(t )
(5)
Si se introducen n variables internas xi(t) con i=1,...,n la ecuacin diferencial (1.2) se

puede descomponer en un sistema de n ecuaciones diferenciales de primer orden
x1 (t ) f 1 ( x1 (t ),..., x n (t ), u1 (t ),...., u m (t ))
x 2 (t ) f 2 ( x1 (t ),..., x n (t ), u1 (t ),...., um (t ))
:
x n (t ) f n ( x1 (t ),..., x n (t ), u1 (t ),...., u m (t ))
(1.4)
Equivalentemente las ecuaciones anteriores se pueden escribir de forma ms compacta

usando la siguiente notacin:
1-4
x (t ) f ( x(t ), u(t ))
(1.5)
x1 (t )
f 1 ( x, u )
x (t )
f ( x, u )
2
2
, f ( x, u )
x(t )
:
:
x n (t )
f n ( x, u )
(1.6)
donde
Las salidas del modelo se pueden calcular a partir de las variables internas xi(t) y de las
entradas ui(t) usando las siguientes ecuaciones:
y1 (t ) h1 ( x1 (t ),..., x n (t ), u1 (t ),...., u m (t ))
y 2 (t ) h2 ( x1 (t ),..., x n (t ), u1 (t ),...., u m (t ))
:
y p (t ) hn ( x1 (t ),..., x n (t ), u1 (t ),...., um (t ))
(1.7)
Equivalentemente las ecuaciones anteriores se pueden escribir de forma ms compacta

usando la siguiente notacin:
y (t ) h ( x(t ), u(t ))
(1.8)
1.2.2 Modelo en el espacio de estados

La salida de un sistema dinmico depende no slo del valor actual de la entrada sino de
todos sus valores anteriores. En consecuencia no es suficiente con conocer u(t) para tt0
para poder calcular y(t) para tt0 tambin es necesario tener informacin del sistema. Dicha
informacin es el estado del sistema dinmico que es un conjunto de cantidades fsicas,
cuyas especificaciones (en ausencia de excitacin externa) determina completamente la
evolucin del sistema.
La nocin de estado de un sistema dinmico es una nocin fundamental en Fsica. La
premisa bsica de la dinmica newtoniana es que la evolucin futura de un proceso
dinmico est completamente determinada por su estado actual.
Considrese un sistema general de ecuaciones diferenciales de primer orden de la
forma (1.5) con la salida dada en la forma (1.8)
1-5
x (t ) f ( x(t ), u(t ))
y (t ) h ( x(t ), u(t ))
(1.9)
Para este sistema el vector x(t0) define el estado del sistema en el instante t0. Si f(x,u)
es continuamente diferenciable y u es continua a trozos la ecuacin diferencial (1.9) con
x(t0)=x0 tiene una solucin nica para tt0.
En consecuencia se ha establecido que las variables internas xi(t) i=1,..,n determinan el
estado del sistema en el instante t. Las ecuaciones (1.9) definen el modelo en el espacio de
estados, el vector x(t) es el vector de estado y sus componentes xi(t) son las variables de
estado. El orden del modelo queda definida por la dimensin del vector x(t), que recordemos
es n.
El modelo en el espacio de estados (1.9) se dice que es lineal si f(x,u) y h(x,u) son
funciones lineales de x y u:
x (t ) Ax Bu
y(t ) Cx Du
(1.10)
En la expresin anterior A, B, C y D son matrices de dimensiones n x n, n x m, p x n y

p x m, respectivamente. Usualmente D=0. Si u e y son escalares (m=p=1), B es entonces un
vector columna y C es un vector fila.
Si las matrices A, B, C y D son independientes del tiempo el modelo se dice que es
lineal e invariante en el tiempo o LTI (Linear Time Invariant).
Ejemplo 1.2:
Sobre un mvil (ver Figura 1.2) que se mueve con una aceleracin u(t) se sita una masa m sujeta a
la pared del mvil por un muelle de constante de elasticidad k y un amortiguador de coeficiente de
amortiguacin b.
u (t )
k
y (t )
m
b
Figura 1.2: Masa con resorte y amortiguamiento sobre mvil
1-6
Para este sistema la variable de entrada es la aceleracin u(t) y la variable de salida es el

desplazamiento y(t). La ecuacin del movimiento de este sistema se obtiene aplicando la segunda ley
de Newton:
F ma
Donde F es la suma de todas las fuerzas aplicadas sobre la masa m y a es el vector aceleracin del
cuerpo.
En este sistema las fuerzas que estn actuando son las correspondientes al muelle y al amortiguador,
que actan en la direccin horizontal:
dy
F k y b
dt
La aceleracin total es:
d 2 y (t )
a
u (t )
dt 2
Con lo que la ecuacin del movimiento es:
d 2 y (t )
dy (t )
m
b
k y (t ) mu (t )
2
dt
dt
Si se definen las siguientes variables de estado:
x1 y
x2
dy
dt
Entonces la ecuacin de estado que describe las dinmicas del sistema es:
x1 (t ) 0
k
x 2 (t ) m
1 x (t ) 0
b 1 u (t )
x (t )
1
m 2
Y la ecuacin de salida es:
x (t )
y (t ) 1 0 1
x 2 (t )
1-7
Ejemplo 1.3:
Se considera la red elctrica RLC de la Figura 1.3. La variable de entrada es la tensin aplicada u=vs
y la de salida es la intensidad de corriente por la resistencia R, es decir, y=i1. Como variables de
estado se pueden elegir la cada de tensin x1 =vc en el condensador C y la corriente x2=i2 a travs de
la inductancia L.
R
i2 (t )
i1 (t )
vs (t )
vc (t )
Figura 1.3: Red elctrica RLC

Aplicando las leyes de Kirchoff a este circuito se obtienen las siguientes expresiones:
v s Ri1 vc
dv
C c i1 i2
dt
di
vc L 2
dt
Operando sobre estas expresiones se obtienen las ecuaciones de estado:
dvc
1
1
1
vc i2
vs
dt
RC
C
RC
di2 1
vc
dt
L
En forma matricial:
x1

x 2
La ecuacin de salida es:
1-8
1
RC
1
L
1
1
C x1
x RC u
0 2 0
1
1
u x1
R
R
Ejemplo 1.4:
Ra
ea (t )
Rf
La
i f (t )
ia (t )
Lf
eb (t )
Tr (t ) (t )
J,c
Figura 1.4: Diagrama esquemtico del motor de corriente continua excitado por separado
En la Figura 1.4 se representa un diagrama esquemtico de un motor de corriente continua. En dicha
figura Ra y La representan la resistencia y la inductancia de la armadura. eb(t) representa la fuerza
contra-electromotriz debida a la rotacin de los conductores de la armadura en el campo magntico.
Anlogamente, Rf y Lf indican la resistencia y la inductancia de la bobina del campo. Las
no-linealidades y la dependencia de los parmetros con el tiempo de estas bobinas se han
despreciado.
Se supone que la bobina del campo (el estator) est conectada a una fuente de voltaje constante y la
bobina de la armadura (el rotor) est conectada a una fuente de voltaje variable v(t). De esta forma, la
intensidad de campo ef se puede considerar constante. El voltaje ea(t) puede variar para cambiar la
velocidad angular (t) del rotor.
El flujo magntico de la bobina del campo es una constante cuando if se supone constante. El torque
Tr con el eje del motor es proporcional a ia por una constante Km del motor.
Tr K m ia
1-9
El voltaje eb(t) generado como resultado de la rotacin, es proporcional a la velocidad de rotacin del
eje , por una constante Kg1 del generador:
eb (t ) K g (t )
Aplicando las leyes de Kirchoff al circuito de la armadura se obtiene:
di (t )
ea (t ) La a Ra ia (t ) eb (t )
dt
El torque del rotor Tr(t) y la velocidad angular estn relacionados mediante la segunda ley de Newton
de la dinmica:
d (t )
Tr (t ) Td (t ) J
c (t )
dt
Donde Td(t) es el torque de la carga en el eje del rotor, c es la constante de rozamiento viscoso y J es
el momento de inercia de la carga.
Combinando estas ecuaciones se obtiene el siguiente sistema de ecuaciones diferenciales con
coeficientes constantes:
Kg
dia (t )
R
1
a ia (t )
(t ) ea (t )
dt
La
La
La
d (t ) K m
c
1
ia (t ) (t ) Td (t )
dt
J
J
J
Estas ecuaciones se pueden escribir en la forma matricial de ecuaciones de estado:
dia (t ) Ra
dt La
d (t ) K m
dt J
Kg
1
i
(
t
)
La a La
c (t )

0
0 e (t )
a
1 T (t )
d
J
Si se considera como salida del sistema la velocidad de rotacin del motor, entonces la ecuacin de
salida es:
i (t )
y 0 1 a
(t )
1
En unidades consistentes, Km es igual a Kg, pero en algunos casos la constante motor-torsin viene dada en
otras unidades, como onzas-pulgadas por amperes, y la constante del generador debe de expresarse en unidades
de voltios por 1000 rpm.
1-10
Si las variables de salida son el torque desarrollado por el eje del rotor y la velocidad de rotacin,
entonces se tiene como ecuacin de salida:
K
y m
0
0 ia (t )
1 (t )
1.2.3 Funcin de transferencia

La transformada de Laplace es un mtodo operativo que se usa para resolver
ecuaciones diferenciales lineales. Mediante su uso es posible convertir muchas funciones
comunes, tales como funciones sinusoidales, sinusoidales amortiguadas y exponenciales,
en funciones algebraicas de una variable compleja s=+j.
Considrese una funcin del tiempo f(t), la transformada de Laplace de f(t) se define
como:
L[ f (t )] F ( s ) f (t )e st dt
(1.11)
El proceso inverso de encontrar la funcin del tiempo f(t) a partir de la transformada de

Laplace F(s) se realiza tomando la transformada inversa de Laplace.
f (t ) L [ F ( s )]
2 j j
F ( s )e st ds
(1.12)
Puesto que F(s) es una funcin racional, si descompone en fracciones simples es

posible usando una tabla de transformadas de Laplace obtener la expresin de f(t). En la
Tabla 1.1 se recogen las transformadas de Laplace de algunas de las funciones ms
habituales.
Una de las propiedades ms interesantes de la transformada de Laplace es la
posibilidad de aplicarla sobre la derivada de orden k de la funcin f(t)
L[
dk
f (t )] s k F ( s ) s k 1 f (0 ) s k 2 f (0 ) ... f ( k 1) (0 )
k
dt
(1.13)
As en el caso de la primera (k=1) y segunda (k=2) derivada se obtienen,

respectivamente, las siguientes expresiones:
1-11
L[
L[
d
f (t )] sF ( s ) f (0)
dt
d2
f (t )] s 2 F ( s ) sf (0) f (0)
2
dt
(1.14)
(1.15)
Otras propiedades bastante tiles de la transformada de Laplace son las siguientes:
Teorema del valor final.
lim sF ( s ) lim f (t )
(1.16)
lim sF ( s ) lim f (t )
(1.17)
s 0
Teorema del valor inicial.
t 0
Teorema de traslacin en el tiempo
L[ f (t a )u1 (t a )] e as F ( s )
(1.18)
Donde a es nmero real positivo y u1 (t ) es la funcin escaln unidad.

Supngase el modelo de estados (1.10) de un sistema LTI con condiciones iniciales
nulas. Sean U(s) e Y(s) las transformadas de Laplace del vector de entradas u(t) y del vector
de salidas y(t) del sistema, respectivamente. Ambas se relacionan mediante la siguiente
expresin:
Y ( s ) G ( s )U ( s )
(1.19)
donde G es una matriz de dimensin p x m que de denomina funcin de transferencia.

Se puede demostrar que la funcin de transferencia se relaciona con las matrices A, B,
C y D del modelo de estados a travs de la siguiente relacin:
G ( s ) CsI A B D
1
(1.20)
Si u e y son escalares (p=m=1), entonces G(s) es una funcin racional:
Y ( s ) b0 s m b1 s m1 ... bn 1 s bn
n
U (s)
s a1 s n1 ... a n 1 s a n
1-12
(1.21)
f(t)
(t )
F(s)
si t 0
si t 0
A si t 0
f (t )
0 si t 0
At si t 0
f (t )
0 si t 0
A
s
A
s2
At n (t 0)
An !
s n 1
1
sa
s
2
s 2
e at (t 0)
cos(t ) (t 0)
sen(t ) (t 0)
s 2
2
te at (t 0)
e at cos(t ) (t 0)
e at sen(t ) (t 0)
1
( s a)2
sa
(s a)2 2
(s a)2 2
Tabla 1.1. Transformadas de Laplace de algunas funciones

El grado n del denominador debe ser mayor o igual que el grado m del numerador para
garantizar la causalidad del sistema y que el modelo tenga sentido fsico, en caso contrario
la salida del modelo en el instante actual dependera del futuro.
Al denominador de la funcin de transferencia se le denomina polinomio caracterstico y
sus races son los polos de sistema. Normalmente los polos son idnticos a los autovalores
de la matriz A de la ecuacin (1.10). Algunos autovalores puede, sin embargo, corresponder
a dinmicas que no pueden ser excitadas u observadas a partir del comportamiento entradasalida. Estos autovalores no se incluyen entre los polos.
Por su parte las races del numerador constituyen los ceros del sistema. Los polos y los
ceros de una funcin de transferencia se representan en un plano complejo denominado
plano s que en el eje de abcisas contiene la parte real de los polos o ceros (). y en el eje de
ordenadas la parte imaginaria (j).
1-13
Si un sistema posee algn polo o par de polos complejos conjugados con su parte real
positiva, entonces el sistema es inestable, en el caso contrario se dice que el sistema es
estable. Por otra parte, si un sistema posee algn cero o par de ceros complejos conjugados
con su parte real positiva, se dice que el sistema es de fase no mnima (n.m.p) 2. En caso
contrario, se dice que el sistema es de fase mnima (m.p) 3.
Ejemplo 1.5:
Para el sistema de masa con resorte y amortiguamiento sobre mvil del Ejemplo 1.2 la ecuacin del
movimiento era
d 2 y (t )
dy (t )
m
b
k y (t ) mu (t )
2
dt
dt
Tomando la transformada de Laplace con condiciones iniciales nulas sobre la ecuacin anterior
ms 2Y ( s) bsY ( s ) k Y ( s ) mU ( s )
y reordenando trminos se obtiene que la funcin de transferencia del sistema es:
G ( s)
Y ( s)
m
2
U ( s ) ms bs k
1
b
k
s 2 s
m
m
Si se aplica la ecuacin (1.26) se obtiene el mismo resultado.
Ejemplo 1.6:
Para la red elctrica RLC del Ejemplo 1.3 aplicando la ecuacin (1.26) se obtiene la siguiente funcin
de transferencia
1
G( s)
R
RC
0
1
L
C
s
1 2
1
s
1 1
RCL
RC R
R
1
1
s2
s
0
RC
CL
2
3
n.m.p es el acrnimo derivado del trmino ingls non-minimum phase.

m.p es el acrnimo derivado del trmino ingls minimum phase.
1-14
Ejemplo 1.7:
Para el motor de corriente continua del Ejemplo 1.4 aplicando la ecuacin (1.26)
K
G ( s ) m
0
Ra
0 s L
a
1 K m
Kg
La
c
s
J
La
1

J
se obtiene que la funcin de transferencia es:
Km
c
s
J
1
L
G ( s)
a
Km
K K
R
c
s a s m g
J La
La
J
J La
J La
R
1
s a
J
La
K m K g
A la transformada inversa de Laplace de la funcin de transferencia G(s)
g (t ) L [G ( s )]
G ( s )e
2 j
st
ds
(1.22)
se le denomina funcin de respuesta a un impulso del sistema. Se puede demostrar que la

salida del sistema en un instante de tiempo t se puede expresar en trminos de la funcin de
respuesta a un impulso y de la seal de entrada u(t) del sistema de la siguiente forma:
t
y (t ) g ( v )u (t v )dv
(1.23)
A esta expresin se le denomina integral de convolucin. La convolucin es una

operacin compleja sobre funciones definida por la integral de las dos funciones
multiplicadas entre s y desplazadas en el tiempo.
Ntese que si la entrada fuese un impulso u(t)=(t) entonces
t
y (t ) g ( v ) (t v )dv g (t )
(1.24)
con lo que se demuestra as que g(t) es la respuesta a un impulso del sistema.
1-15
Se observa que la salida puede ser obtenida como una suma ponderada de valores
pasados de la entrada, es decir, la salida es una convolucin de la entrada en instantes
anteriores con la funcin peso g(v).
La funcin peso g(v) caracteriza completamente el comportamiento del sistema, de la
misma forma que lo hace su ecuacin diferencial.
1.3 MODELADO DE SISTEMAS DISCRETOS

1.3.1 Secuencias
Las seales discretas se pueden modelar como secuencias, que son conjuntos
ordenados de valores. El orden se indica mediante un subndice k que es nmero entero y
se representan por: {y0, y1, y2,.., }, o de forma abreviada por {yk}.
Una forma alternativa de definir una seal discreta es mediante la posible funcin que
define el trmino genrico de la secuencia. Por ejemplo: yk=1+0.5k-0.32k define la secuencia
{1,1.41,1.242,...} cuando k=0, 1, 2, ...
Las operaciones bsicas que se pueden realizar con una secuencia son:
Suma o resta:
{x k } { y k } {u k } { y 0 u 0 , y1 u1 , y 2 u 2 ,...}
Multiplicacin por un escalar:
{x k } {y k } { y 0 , y1 , y 2 ,...}
Retraso de una secuencia:
{x k } { y k d } {0 0 ,01 ,...,0 d , y 0 , y1 , y 2 ,...}

Estas secuencias se pueden obtener como valores que a lo largo del tiempo y
normalmente en instantes de tiempo igualmente espaciados por un periodo de muestreo T
va tomando una variable determinada. Para estos tipos de secuencias obtenidas a partir del
muestreo con periodo T de una seal continua es corriente usar la siguiente notacin:
y (k T ) y (0), y (T ), y (2T ),... k 0,1, 2,...

Si el periodo es T=1 s, entonces:
1-16
y (k ) y (0), y (1), y (2),... k 0,1, 2,...

que es equivalente a la notacin:
y (k ) y k y 0 , y1 , y 2 ,... k 0,1, 2,...

Ejemplo 1.8:
Considrese la planta
P(s)
1
s 1
En la Figura 1.5 se muestra en lnea continua la respuesta y(t) de la planta al ser excitada por una
entrada escaln. Adems se representa con crculos la respuesta muestreada con un periodo
T=0.25 s. Los puntos muestreados forman la secuencia:
y (k 0.25) y (0), y (0.25), y (0.50),... 0, 0.2212, 0.3934, .... k 0,1, 2,...
1
0.9
0.8
0.7
y(t)
0.6
0.5
0.4
0.3
0.2
0.1
0
0
2
3
Tiempo (s)
Figura 1.5: Respuesta y(t) (lnea continua) a un escaln de la planta P(s) y puntos muestreados
(crculos) con T=0.25 s.
1-17
1.3.2 La transformada Z de una secuencia

Trabajar con secuencias no parece lo ms apropiado para obtener las caractersticas
dinmicas y estticas de los sistemas discretos. Por este motivo, se introduce la
transformada Z que facilita el anlisis matemtico de las secuencias. La transformada Z en
sistemas de control en tiempo discreto juega el mismo papel que la transformada de Laplace
en los sistemas de control en tiempo continuo.
Dada una secuencia {yk} su transformada Z se define mediante la siguiente ecuacin:
Y ( z ) Z [{y k } ] y i z i y 0 y1 z 1 y 2 z 2 ...
(1.25)
i 0
La transformada Z de una funcin del tiempo y(t) que ha sido muestreada con un
periodo T obtenindose la secuencia de valores y(kT) con k=0,1,2,... se define mediante la
siguiente ecuacin:
Y ( z ) Z [ y(t ) ] Z [ y(k T ) ] y(k T )z k y (0) y (T )z 1 y (2T )z 2 ...
(1.26)
k 0
Algunas de sus propiedades ms importantes son:

Multiplicacin por una constante.
Z [a{y k } ] aZ [{y k } ] aY ( z )
Carcter lineal de la transformacin.
Z [a{y k } b{u k } ] aZ [{y k } ] bZ [{u k } ] aY ( z ) bU ( z )

Desplazamiento temporal:
Z { y k d } z d Y ( z )
(1.27)
Z { y k d } z d Y ( z ) z d y 0 z d 1 y1 ... zy d 1
(1.28)
Teorema del valor final. Permite el clculo del valor lmite de la secuencia, si ste
existe (todos los polos de X(z) se encuentran dentro del crculo unitario con la
posible excepcin de un solo polo en z=1), a partir del conocimiento de la funcin
transformada, segn la expresin:
1-18
lim{ y k } lim (1 z 1 )Y ( z )
k
z 1
(1.29)
Ejemplo 1.9:
Sea la funcin escaln unitario:
1 t 0
y (t )
0 t 0
Se trata de una funcin continua en el tiempo. Si dicha seal se muestrea con un periodo T se
obtendra la siguiente secuencia:
y k 1,1,1,...,
k 0,1, 2,...
La transformada Z se calcula aplicando la ecuacin (1.31):
Y ( z ) Z [{y k } ] yi z i 1 z 1 z 2 z 3 ...
i 0
z
1
1
1 z
z 1
Ejemplo 1.10:
Sea la funcin rampa unitaria:
t t 0
y (t )
0 t 0
Se trata de una funcin continua en el tiempo. Si dicha seal se muestrea con un periodo T se
obtendra la siguiente secuencia:
y k 0, T , 2T , ,...,
k 0,1, 2,...
La transformada Z se calcula aplicando la ecuacin (1.31):
Y ( z ) Z [{y k } ] y i z i 0 T z 1 2T z 2 3T z 3 ... T z 1 2z 2 3z 3
i 0
1 z
1 2
T z
z 12
1-19
Tabla 1.2. Transformada z de algunas funciones elementales
La transformacin en Z es biunvoca, pudiendo pasar a su secuencia asociada de forma

inmediata. As dada la transformada Z de una secuencia es posible obtener la secuencia
original aplicando la transformada Z inversa, que se denota mediante Z-1. Es decir,
Z 1 [Y ( z )] y (k ) y k
(1.30)
Si Y(z) viene expresada de forma racional existen diferentes mtodos para obtener la
transformada Z inversa, por ejemplo:
1-20
1) Mtodo de expansin en fracciones simples. Se descompone en fracciones simples a

Y(z) y se utiliza una tabla de transformadas elementales (Ver Tabla 1.2) para obtener
la transformada Z inversa de cada uno de las fracciones.
2) Mtodo de la divisin directa. Se divide el numerador de Y(z) entre el denominador
de Y(z), el cociente que se va obteniendo es la expansin de Y(z) en una serie
infinita de potencias de z-1. Los coeficientes de cada una de las potencias z-1 son de
acuerdo con (1.1) los elementos de la secuencia {y0, y1, y2,...}. Con este mtodo rara
vez es posible obtener la expresin para el trmino general {yk}.
1.3.3 Ecuaciones en diferencias

Una ecuacin en diferencias da el valor de la salida actual yk en funcin de los valores
de las salidas anteriores yk-1,yk-2,... y de las entradas actual uk y anteriores uk-1,uk-2....
y k f (u k , u k 1 ,..., u k m , y k 1 , y k 2 ,..., y k n )
La ecuacin en diferencias permite representar el modelo con un nmero finito de
trminos. Si el sistema es LTI la ecuacin en diferencias toma la siguiente forma:
m
i 0
i 1
y k bi u k i ai y k i
(1.31)
O de forma equivalente:
y (k ) a1 y (k 1) ... a n y (k n) b0 u (k ) b1 u (k 1) ... bm u (k m) (1.32)

Si se define el operador retardo q-1 como
q 1 y (k ) y (k 1)
qy (k ) y (k 1)
entonces la ecuacin (1.37) se puede expresar como:
A(q 1 ) y (k ) B(q 1 ) u (k )
donde
A(q 1 ) 1 a1 q 1 ... a n q n
B (q 1 ) 1 b1 q 1 ... bm q m
1-21
Ejemplo 1.11:
Se desea resolver la siguiente ecuacin en diferencias:
2y (k ) 2y (k 1) y (k 2) u (k )
donde y(k)=0 para k<0 y
1 k 0,1, 2
u (k )
k 0
0
Los valores de la secuencia y(k) se obtienen a partir de la ecuacin en diferencias:
2y (k 1) y (k 2) u (k )
2
y (k )
Los primeros valores de la secuencia son:
y (0)
y (1)
y (2)
2y (1) y (2) u (0)

0.5
2
2y (0) y (1) u (1) 20.5 0 1

1
2
2
2y (1) y (0) u (2) 21 0.5 1
1.25
2
2
Se va a resolver la ecuacin en diferencias tomando la transformada Z:
2Y ( z ) 2z 1Y ( z ) z 2Y ( z )
1
1 z 1
Despejando Y(z):
Y ( z)
1
1
z3
(1 z 1 ) (2 2z 1 z 2 ) ( z 1)(2 z 2 2z 1)
Expandiendo Y(z) en fracciones simples:
z
z2 z
1 z 1
1
Y ( z)
z 1 2 z 2 2z 1 1 z 1 2 2z 1 z 2
1-22
Ntese que los polos involucrados en el ltimo trmino cuadrtico de Y(z) son complejos conjugados.
Por lo tanto Y(z) se puede reescribir de la siguiente forma:
1
1 1 0.5z 1
1
0.5z 1
Y ( z)

1 z 1 2 1 z 1 0.5z 2 2 1 z 1 0.5z 2
Si se acude a una tabla de transformadas z, se encuentra que:
X ( z)
e aT z 1 sen( T )
x(k ) e a k T sen(k T )
a T
1
2a T
2
1 2e cos(T )z e
z
y que
1 e a T z 1 cos( T )
X ( z)
x(k ) e ak T cos( k T )
a T
1
2a T
2
1 2e cos(T )z e
z
Para Y(z) se identifica que
e 2a T 0.5
1
cos( T )
Luego, se obtiene que
sen( T )
1
2
Entonces la transformada Z inversa de Y(z) se puede escribir como:
1
1
y (k ) 1 e ak T cos( k T ) e ak T sen( k T )
2
2
Y sustituyendo valores:
k
1 1
k 1 1
k
y (k ) 1
cos
sen

2 2
4 2 2
4
k 0,1, 2 ...
Conviene comprobar que el trmino general obtenido es el correcto, para ello se van calcular los
primeros valores de la secuencia:
1-23
1 1
1
y (0) 1
cos0
2 2
2
1 1
1
y (1) 1
cos
2 2
4 2
1
sen0 0.5
2
1

sen 1
2
4
1 1

1 1
y (2) 1
sen 1.25
cos
2 2
2
2 2 2
1.3.4 Modelo en el espacio de estados

Para sistemas de tiempo discreto, el modelo en el espacio de estados es:
x k 1 f ( x k , u k )
y k g ( xk , uk )
(1.33)
En el caso de sistemas lineales el modelo en el espacio de estados toma la siguiente

forma:
x k 1 Fk x k M k uk
y k C k x k Dk u k
(1.34)
En la expresin anterior Fk, Mk, Ck y Dk son matrices de dimensiones n x n, n x m, p x n

y p x m, respectivamente. La presencia del subndice en las matrices indica que stas varan
con el tiempo. En el caso de un sistema LTI estas matrices son constantes, por lo que el
subndice desaparece.
1.3.5 Funcin de transferencia

Supngase el modelo de estado de un sistema LTI en tiempo discreto con condiciones
iniciales nulas. Sean U(z) e Y(z) las transformadas z del vector de entradas uk y del vector
de salidas yk del sistema, respectivamente. Ambas se relacionan mediante la siguiente
expresin:
Y ( z ) H ( z )U ( z )
(1.35)
donde H es una matriz de dimensin p x m que de denomina funcin de transferencia en

tiempo discreto.
1-24
Se puede demostrar que la funcin de transferencia H se relaciona con las matrices F,

M, C y D del modelo de estados a travs de la siguiente relacin:
H ( z ) CzI F M D
1
(1.36)
Si u e y son escalares (p=m=1), entonces H(z) es una funcin racional:
Y ( z ) b0 z m b1 z m1 ... bn 1 z bn
H ( z)
n
U ( z)
z a1 z n 1 ... a n1 z a n
(1.37)
Si todos los polos de H(z) se encuentran dentro del crculo unidad el sistema es estable.
La funcin de transferencia H(z) de un sistema en tiempo discreto tambin se define
como
H ( z ) hk z k
(1.38)
k 0
donde hk es la respuesta (supuesto condiciones iniciales nulas) de un sistema en tiempo

discreto a un impulso:
1 k 0
0 k 0
(1.39)
Transformando (1.38) al dominio del tiempo, se obtiene la siguiente expresin:
y k hr u k r
(1.40)
r 0
Que permite obtener la respuesta del sistema a cualquier entrada, si se conoce la

respuesta de un sistema en tiempo discreto a un impulso.
1.4 CONSIDERACIONES BSICAS SOBRE LA RESPUESTA

TEMPORAL Y FRECUENCIAL DE UN SISTEMA LINEAL
1.4.1 Sistemas de primer orden
Supngase un sistema lineal continuo de primer orden de la forma:
dy (t )
y (t ) Ku(t )
dt
(1.41)
1-25
donde u(t) e y(t) son la entrada y la salida del sistema, respectivamente. Tomando la
transformada de Laplace con condiciones iniciales nulas se obtiene la siguiente funcin de
transferencia:
G ( s)
Y ( s)
K
U ( s) s 1
(1.42)
Este sistema de primer orden queda caracterizado por dos parmetros: su ganancia
esttica K y su constante de tiempo . El sistema tiene un polo situado en s=-1/.
Si se excita al sistema de primer orden (1.42) con una entrada impulso (u(t)=(t) o
U(s)=1) la salida en el dominio de Laplace es:
Y ( s ) G ( s )U ( s )
K
s 1
Tomando la transformada inversa de Laplace sobre la expresin anterior, de acuerdo

con la Tabla 1.1, se obtiene la respuesta temporal del sistema a un impulso:
y (t )
t0
(1.43)
En la Figura 1.6 se muestra la respuesta a un impulso del sistema de primer orden

(1.42) para tres valores distintos de la constante de tiempo supuesto una ganancia K=1. Se
observa que el valor mximo de la respuesta es K/ el cual se alcanza cuando t=0. Si t= la
salida toma el valor
y ( )
e 1 0.37
(1.44)
Es decir es aproximadamente el 37% de su valor inicial. Adems conforme t aumenta la

salida tiende asintticamente al valor 0.
Si se dispone de la salida a un impulso de un sistema de primer orden de la forma
(1.42) cuyos parmetros K y son desconocidos es posible estimar estos parmetros. La
constante de tiempo es el instante de tiempo en que la salida toma el 37% de su valor
inicial. Por su parte la ganancia K se obtiene a partir del valor inicial de la salida y de la
constante de tiempo que se relacionan mediante la siguiente expresin:
1-26
K y (0)
(1.45)
2
1.8
1.6
1.4
y(t)
1.2
1
=0.5
=1
0.8
0.6
=1.5
0.4
0.2
0
0
0.5
1.5
2.5
Tiempo (sec)
3.5
4.5
Figura 1.6: Respuesta a un impulso de un sistema de primer orden

Si se excita al sistema de primer orden (1.42) con una entrada escaln unidad (r(t)=1 o
R(s)=1/s) la salida en el dominio de Laplace es:
Y ( s ) G ( s )U ( s )
K 1
s 1 s
Descomponiendo en fracciones simples se obtiene:
Y ( s ) G ( s )U ( s )
K
K
s s 1

con la Tabla 1.1, se obtiene la respuesta temporal del sistema a un escaln unidad:
y (t ) K (1 e ) t 0
(1.46)
En la Figura 1.7 se muestra la respuesta a un escaln unidad del sistema de primer

orden (1.42) para tres valores distintos de la constante de tiempo supuesto una ganancia
K=1. Se observa que conforme aumenta el tiempo la salida tiende asintticamente al valor
K, es decir, a su ganancia en el estado estacionario. En t=0 la salida vale 0. Para t= la
salida toma el valor
1-27
y ( ) K (1 e 1 ) 0.63K
Es decir, es aproximadamente el 63% de su valor final.
=0.5
=1
0.8
y(t)
=1.5
0.6
0.4
0.2
0
0
4
5
Tiempo (sec)
Figura 1.7. Respuesta a un escaln unidad de un sistema de primer orden

Para t=3 la salida toma el valor
y (3 ) 0.95K
Es decir es aproximadamente el 95% de su valor final.
Para t=4 la salida toma el valor
y (4 ) 0.98K
Es decir, es aproximadamente el 98% de su valor final. Al instante t=4 se le considera
el tiempo de asentamiento para sistemas de primer orden, es decir, el instante de tiempo a
partir del cual la respuesta a un escaln unidad permanece dentro de una banda del 2% de
su valor final. Aunque de acuerdo con (1.50) el estado estacionario se alcanza en tiempo
infinito, en la prctica se considera que se alcanza el valor estacionario cuando se alcanza
el 98 % del valor final, es decir, transcurrido un tiempo igual a cuatro constantes de tiempo.
Otra caracterstica importante de la respuesta a un escaln unidad del sistema de
primer orden (1.42) es que su pendiente en t=0 es igual a:
1-28
y (0)
(1.47)
Luego la abcisa del punto de la interseccin de la recta tangente al valor inicial con la
recta horizontal de valor K, es precisamente la constante de tiempo . Recurdese que la
constante de tiempo tambin se puede estimar como el instante de tiempo en que la
respuesta a un escaln unidad alcanza el 63 % de su valor final. En la Figura 1.8 se
resumen los dos mtodos para obtener la constante de tiempo de un sistema de primer
orden.
y(t)
0.8
0.6
0.4
0.2
0
0
Tiempo (sec)
Figura 1.8. Determinacin de la constante de tiempo de un sistema de primer orden
Supngase que la salida del sistema de primer orden (1.42) se encuentra en un valor
estado estacionario y1 al que ha llegado tras ser excitado con una entrada escaln de
amplitud u1 Si en un cierto instante posterior es excitado con una entrada escaln de
amplitud u=u2-u1, el valor de su salida cuando alcance el estacionario ser y2. A partir de
esta informacin se pueden estimar los parmetros de la funcin de transferencia del
sistema (1.42) de la siguiente forma:
y y2 y1
u u2 u1
0.632Ku
(1.48)
(1.49)
1-29
Las expresiones (1.48) y (1.49) permiten establecer el comportamiento del sistema de

primer orden (1.42) en funcin del valor de su constante de tiempo:
Si la constante de tiempo es positiva >0 entonces la salida est acotada. Por lo

tanto el sistema es estable. Ntese que en este caso el polo s=-1/ se encuentra
ubicado en el semiplano izquierdo del plano s.
Si la constante de tiempo es negativa <0 entonces la salida no est acotada y el

sistema es inestable. Ntese que en este caso el polo s=-1/ se encuentra ubicado
en el semiplano derecho del plano s.
Si la constante de tiempo fuese cero, entonces el sistema no sera dinmico, y la

relacin entre la entrada y la salida vendra dada por la ganancia K.
Se observa que cuanto mayor es el valor de la constante de tiempo ms dura la

respuesta transitoria y la respuesta tarda ms en alcanzar su valor final, es decir, su valor en
el estado estacionario. En conclusin la constante de tiempo es un indicador de la rapidez
de la respuesta transitoria del sistema.
1.4.2 Integrador
dy (t )
Ku(t )
dt
(1.50)
Donde u(t) e y(t) son la entrada y la salida del sistema, respectivamente. Puesto que la
salida se obtiene integrando la entrada, a este sistema se le denomina integrador.
Tomando la transformada de Laplace con condiciones iniciales nulas se obtiene la
siguiente funcin de transferencia:
G ( s)
Y ( s) K
U ( s) s
(1.51)
El sistema tiene un polo situado en el origen del plano s, es decir, en s=0. A este
elemento se le denomina integrador.
Si se excita (1.51) con una entrada escaln unidad (r(t)=1 o R(s)=1/s) la salida en el
dominio de Laplace es:
1-30
Y ( s ) G ( s )U ( s )
K
s2
Tomando la transformada inversa de Laplace sobre la expresin anterior, de acuerdo con la

Tabla 1.1, se obtiene la respuesta temporal del sistema a un escaln unidad:
y (t ) K t
t0
(1.52)
En la Figura 1.9 se muestra la respuesta a un escaln de un integrador con K=1
Step Response
1
0.9
0.8
Amplitude
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
0.1
0.2
0.3
0.4
0.5
Time (sec)
0.6
0.7
0.8
0.9
Figura 1.9. Respuesta a un escaln unidad de un integrador

De la respuesta a un escaln unidad se puede concluir que un integrador es equivalente
a un sistema de primer orden con una constante de tiempo muy grande .
1.4.3 Efecto de un cero en la respuesta temporal de un sistema de

primer orden
dy (t )
du(t )
y (t ) K
u(t )
dt
dt
(1.53)
Donde u(t) e y(t) son la entrada y la salida del sistema, respectivamente. Tomando la
transformada de Laplace con condiciones iniciales nulas se obtiene la siguiente funcin de
transferencia:
1-31
G ( s)
Y ( s)
s 1
K
s 1
U ( s)
(1.54)
El sistema tiene un polo situado en s=-1/ y un cero situado en s=-1/. La aparicin de

este cero es consecuencia de la existencia en la ecuacin diferencial de la derivada de la
entrada.
Y ( s ) G ( s )U ( s ) K
s 1 1
s 1 s
Descomponiendo en fracciones simples se obtiene:
Y ( s ) G ( s )U ( s )
K K ( )
s 1
s

con la Tabla 1.1, se obtiene la respuesta temporal del sistema a un escaln unidad:
t

y (t ) K 1 1 e
t0
(1.55)
Se observa que si >0 conforme t aumenta la salida tiende asintticamente al valor K,

es decir, a su ganancia en el estado estacionario. La presencia del cero no afecta a este
valor. Tampoco afecta a la estabilidad del sistema ya que no aparece en el trmino
exponencial.
En t=0 la salida toma el valor
y (0)
(1.56)
A diferencia del valor 0 que tomaba el sistema de primer orden cuando no exista un
cero. Esto es debido a que el sistema no es estrictamente causal, es decir, el orden del
denominador es igual que el orden del numerador de la funcin de transferencia.
Si <0, el valor inicial de la salida tiene signo contrario al valor que toma en el
estacionario. Este tipo de respuesta se denomina respuesta de fase no mnima o respuesta
1-32
inversa. Ntese que en este caso el cero se encuentra situado en el semiplano derecho del
plano s, se dice que se tiene un cero de fase no mnima.
En la Figura 1.10 se muestra la respuesta a un escaln unidad del sistema (1.54) para
tres valores distintos del parmetro supuesto K=1 y =0.5.
3
=2
2
y(t)
=0.7
1
0
=0.7
1
2
0
0.5
1.5
TIempo (sec)
2.5
Figura 1.10. Respuesta a un escaln unidad de un sistema de primer orden con cero
En un sistema de primer orden con cero el tiempo de asentamiento, es decir, el tiempo
en que la respuesta del sistema llega al 98% de su valor final viene dado aproximadamente
por la siguiente expresin:
50
te ln
(1.57)
Este tiempo es mayor que 3.91 si >2, recurdese que 4 era el tiempo de
establecimiento para un sistema de primer orden sin cero.
Finalmente comentar que si se encuentra comprendido en el intervalo [0, 2] se
produce una cancelacin significativa del polo y el cero.
1.4.4 Respuesta temporal de un sistema de segundo orden

Supngase un sistema lineal de segundo orden que tiene la siguiente funcin de
transferencia entre la entrada y la salida
1-33
G ( s)
Y ( s)
Kn2
2
R( s ) s 2 n s n2
(1.58)
En la expresin anterior K es la ganancia esttica, es el factor o coeficiente de

amortiguamiento (adimensional) y n es la frecuencia natural no amortiguada (rad/s). Este
sistema se puede expresar equivalentemente en la forma
G( s)
n2
s ( j d )
(1.59)
donde es la razn de amortiguamiento y d es la frecuencia amortiguada.
Imag
Par de polos
complejos conjugados
x
jd
Real
Figura 1.11. Representacin en el plano complejo de un par de polos complejos conjugados
De acuerdo con la Figura 1.11 se establece la siguiente relacin entre d, n y :
n 2 d 2 2
(1.60)
Adems el factor de amortiguamiento se relaciona con y con n mediante la expresin
cos
(1.61)
Luego
n
Con lo que
1-34
(1.62)
d n 1 2
(1.63)
Si se excita al sistema (1.58) con un impulso (r(t)=(t) o R(s)=1) se puede demostrar que
se obtiene la siguiente salida:
y (t )
n
1
e n t sen( n 1 2 t )
(1.64)
En la Figura 1.12 se dibuja la salida para distintos valores de .

1
=0.1
0.8
=0.25
=0.5
0.6
=0.7
0.4
y(t)/wn
=1
0.2
0
0.2
0.4
0.6
0.8
0
10
t
12
14
16
18
20
Figura 1.12. Respuesta a un impulso de un sistema de segundo orden
Derivando (1.64) e igualando a 0, se puede obtener el instante de tiempo tp donde la

salida alcanza su valor mximo:
tp
cos 1
n 1 2
(1.65)
Evaluando (1.64) en tp se obtiene el valor mximo:
cos1
y (t p ) n exp
1 2
(1.66)
1-35
Asimismo si se excita el sistema (1.58) con una entrada escaln unidad (r(t)=1 o
R(s)=1/s) se puede demostrar que se obtiene la siguiente salida (supuesto <1):
y (t ) 1
1.8
1
1
e n t sen( n 1 2 t cos 1 )
(1.67)
=0.1
1.6
=0.25
1.4
=0.50
1.2
=0.7
1
y(t)
=1
0.8
0.6
0.4
0.2
0
0
5
wnt
10
Figura 1.13 Respuesta a un escaln unidad de un sistema de segundo orden
En la Figura 1.13 se dibuja la salida (1.67) para distintos valores del factor de
amortiguamiento , se observan los siguientes comportamientos:
Si 0<<1 los dos polos del sistema de segundo orden son complejos conjugados.
En dicho caso la respuesta oscila antes de alcanzar el valor estacionario. Se dice
que el sistema es subamortiguado.
Si =1 los dos polos del sistema de segundo orden son reales e iguales. En dicho
caso la respuesta no oscila antes de alcanzar el valor estacionario. Se dice que el
sistema posee amortiguamiento crtico.
Si >1 los dos polos del sistema de segundo orden son reales y distintos. En dicho
caso la respuesta no oscila antes de alcanzar el valor estacionario. Se dice que el
sistema es sobreamortiguado.
1-36
Si =0, los dos polos del sistema de segundo orden son complejos conjugados y
no poseen parte real. En dicho caso la respuesta oscila con una amplitud
constante y nunca alcanza el valor estacionario. Se dice que el sistema es
oscilante.
Si <0, el sistema es inestable y la respuesta es oscilante con oscilaciones de

amplitud cada vez mayor.
Si se deriva (1.67) y se iguala a 0 se puede obtener el instante de tiempo tp donde la

salida alcanza su valor mximo:
tp
(1.68)
n 1 2
Sustituyendo tp en (1.67) se obtiene el valor mximo o mxima sobrelongacin de la

salida:

y (t p ) y p M p 1 exp
2
1
(1.69)
Se define la sobreelongacin relativa M0 como:
M0
y p y ss
y ss
(1.70)
Siendo yss el valor que la salida alcanza en el estado estacionario.
1.4.5 Efecto de un cero en la respuesta temporal de un sistema de

segundo orden
Supngase un sistema lineal de segundo orden que tiene la siguiente funcin de
transferencia entre la entrada y la salida
G ( s)
Y ( s)
Kn2 ( s 1)
2
U ( s ) s 2 n s n2
(1.71)
En la expresin anterior K es la ganancia esttica, es el factor o coeficiente de

amortiguamiento (adimensional), n es la frecuencia natural no amortiguada (rad/s) y es la
constante de tiempo del cero s=-1/.
1-37
Este sistema se puede expresar equivalentemente en la forma
G ( s ) G2 ( s ) sG2 ( s )
(1.72)
Donde
Kn2
G2 ( s ) 2
s 2 n s n2
(1.73)
1
1
Y ( s ) G ( s )U ( s ) G2 ( s ) sG2 ( s ) Y2 ( s ) sY2 ( s )
s
s
Donde
Y2 ( s ) G2 ( s )
1
s
Es decir, Y2(s) es la transformada de Laplace de y2(t) que es la respuesta a un escaln

unidad de un sistema de segundo orden sin cero. Aplicando la transformada inversa de
Laplace con condiciones iniciales nulas se obtiene que la respuesta a un escaln unidad del
sistema de segundo orden con cero (1.71) es:
y (t ) y2 (t )
dy2 (t )
dt
Luego se observa que dicha respuesta es igual a la respuesta del sistema de segundo
orden sin cero ms la derivada de esta seal ponderada por la constante de tiempo del
cero.
Si el sistema es sobreamortiguado, la funcin de transferencia pasa a tener la siguiente
forma:
G ( s)
Donde
Y ( s)
Kn2 ( s 1)
U ( s ) ( 1s 1)( 2 s 1)
(1.74)
son las constantes de tiempo de los dos polos reales. En este caso la
respuesta a un escaln se ver afectada por la posicin relativa del cero con respecto a los
1-38
polos. Sealar que si un cero se sita cerca de un polo se cancelan en gran medida los
efectos de los dos elementos en la respuesta.
Tanto si se tiene un sistema sobreamortiguado como subamortiguado, la derivada de la
salida no es nula en t=0, al contrario de lo que sucede en un sistema de segundo orden sin
cero.
La respuesta de un sistema de segundo orden con cero se clasifica en dos tipos
atendiendo al signo de la constante de tiempo del cero:
Si >0 el cero s=-1/ se encuentra situado en el semiplano izquierdo del plano s

y el sistema se dice que es de fase mnima. En este caso la respuesta temporal
se ver afectada en forma de un aumento en la rapidez de la respuesta y en la
sobreoscilacin. Se distinguen los siguientes casos:
1. Si >2>1. La respuesta presenta una sobreoscilacin tanto ms
acusada cuanto ms se acerca el cero al origen respecto a la posicin de
los polos.
2. Si 2>>1. La respuesta se puede aproximar a la de un sistema de
primer orden con polo s=-1/1, aunque debido a la cancelacin del cero y
el polo se produce un transitorio de pequea magnitud que produce una
deriva lenta de la salida hacia su situacin en estado estacionario.
3. Si
2>>1. La presencia del cero tiende a acelerar la respuesta respecto
al caso sin cero. Si el cero est cerca del polo ms alejado del origen, la
respuesta cada vez ms se aproximar ms a la de un sistema de primer
orden con constante de tiempo
2.
En este caso no se produce una
deriva lenta de la salida hacia su estado estacionario porque la dinmica

despreciada se anula rpidamente.
4. Si 2>1>. Al alejar el cero del origen del plano complejo (y de los polos),
la respuesta tiende a la que tendra el sistema de segundo orden con los
mismos polos pero sin el cero.
Si <0 el cero s=-1/ se encuentra situado en el semiplano derecho del plano s y

el sistema se dice que es de fase no mnima. En este caso en la respuesta
1-39
temporal a un salto. La derivada de y2(t) se resta de y2(t) con lo que y(t)

provocando una respuesta inversa a la direccin original de la respuesta del
sistema durante un cierto periodo de tiempo. La respuesta inversa es tanto ms
pronunciada conforme cuanto ms se acerca el cero al origen del plano
complejo.
En conclusin un sistema de segundo orden con un cero es capaz de presentar una
amplia variedad de respuestas temporales en funcin de la posicin de los polos y el cero.
1.4.6 Respuesta temporal de un sistema lineal con ganancia

negativa
La respuesta temporal de un sistema lineal con ganancia negativa es la misma que la
de un sistema con ganancia positiva pero con el signo cambiado. A modo de ejemplo se
muestra en la Figura 1.14 la respuesta a un escaln unidad del sistema de primer orden
G1 ( s )
K
2s 1
para K=1 y K=-1.
Step Response
1
0.8
0.6
K=1
0.4
y(t)
0.2
0
0.2
0.4
K=1
0.6
0.8
1
0
0.5
1.5
Tiempo (sec)
2.5
Figura 1.14. Respuesta a un escaln unidad de un sistema de primer orden con ganancia positiva
(lnea continua) y con ganancia negativa (lnea discontinua)
1-40
1.4.7 Respuesta temporal de un sistema lineal con ceros en el

semiplano derecho
La respuesta temporal de un sistema lineal con ceros en el semiplano derecho, es decir,
ceros de fase no mnima, se caracteriza por tener una respuesta inversa: la respuesta toma
inicialmente un signo contrario al que tendr cuando alcance el estado estacionario.
A modo de ejemplo en la Figura 1.15 se muestra la respuesta a un escaln de un
sistema de segundo orden subamortiguado y de un sistema de segundo orden
sobreamortiguado, ambos sistemas poseen un cero de fase no mnima. Inicialmente la
respuesta tiene una pendiente negativa con lo que evoluciona haca valores decrecientes
hasta alcanzar un cierto valor mnimo, a partir del cual la pendiente pasa a ser positiva y la
respuesta evoluciona hacia valores crecientes, es decir, pasara a tener el comportamiento
esperado para un sistema de segundo orden.
Sealar que a este valor mnimo, en el caso de sistemas subamortiguados, se le suele
denominar con el nombre de bajaelongacin, en contraposicin al valor mximo que
alcanzan la respuesta a un escaln de estos sistemas y que se denomina sobreelongacin.
2.5
2
1.5
y(t)
1
0.5
0
0.5
1
1.5
2
0
6
Tiempo (sec)
10
12
Figura 1.15. Respuesta a un escaln unidad de un sistema de segundo orden subamortiguado (lnea
continua) y de un sistema sobreamortiguado (lnea discontinua) con un cero en el semiplano derecho
1-41
1.4.8 Respuesta temporal de un sistema lineal con retardo

Se dice que un sistema de una entrada y una salida posee un retardo (delay), tambin
denominado tiempo muerto (dead time) o retraso de transporte (transport lag) td si al ser
excitado en el instante t0 en su entrada el sistema comienza a generar una salida a partir del
instante t0+ td.
Muchos procesos en la industria, as como en otras reas, presentan retardos en su
comportamiento dinmico. Los retardos son causados principalmente por fenmenos de
transporte de informacin, energa o masa.
Los retardos tienen una gran influencia (generalmente negativa) en la estabilidad de los
sistemas en lazo cerrado. Adems la existencia de retardos dificulta el diseo y anlisis de
controladores ya que cada accin realizada por la seal de control sobre la variable
manipulada del proceso solo comenzar a afectar a la variable controlada cuando haya
transcurrido el tiempo de retardo.
La respuesta temporal de un sistema lineal con retardo es la misma que la respuesta
temporal del sistema si no existiera retardo pero retrasada un tiempo td. Se va ilustrar este
hecho con un sistema lineal continuo de primer orden de la forma:
dy (t )
y (t ) Ku(t td )
dt
(1.75)
donde u(t) e y(t) son la entrada y la salida del sistema, respectivamente. Adems K es la
ganancia esttica, la constante de tiempo, y td el tiempo que tarda el sistema en responder
a la entrada o tiempo de retardo. Tomando la transformada de Laplace con condiciones
iniciales nulas se obtiene:
sY ( s ) Y ( s ) Ke t sU ( s )
d
(1.76)
Reorganizando se obtiene la siguiente funcin de transferencia:
G ( s)
Y ( s)
K td s
e
U ( s) s 1
(1.77)
Si se compara esta funcin de transferencia con la funcin de transferencia (1.42) se

observa que la existencia de un tiempo de retardo td introduce el trmino exponencial e
1-42
td s
En el dominio de la frecuencia el trmino exponencial e
td s
asociado al retardo se puede
usar directamente sin necesidad de recurrir a ninguna aproximacin del mismo. Sin embargo
cuando es necesario utilizar los ceros y los polos de una funcin de transferencia de un
sistema con retardo, como en la tcnica del lugar de las races o en los mtodos de
ubicacin de polos, se requiere usar una aproximacin racional del trmino de retardo. Una
de las aproximaciones racionales ms utilizadas es la aproximacin de Pade de primer
orden:
td s
td
s 1
2
(1.78)
td
s 1
2
Ntese que la aproximacin de Pade del retardo posee un cero de fase no mnima. En
general este tipo de ceros suponen una posible forma de modelar los retrasos. De acuerdo
con lo explicado en la seccin anterior la reaccin a un cambio en forma de escaln en la
entrada de un sistema con un cero de fase no mnima es inicialmente en un sentido pero
acaba evolucionando en sentido contrario. Este tiempo que tarda en tomar la direccin
correcta puede considerarse una forma de modelar el retardo.
En la Figura 1.16 se muestra la respuesta a un escaln de un sistema de primer con
retardo td=2 s. Se observa que la respuesta tiene la misma forma que la de un sistema de
primer orden sin retardo pero retrasada un tiempo td.
1
0.8
y(t)
0.6
0.4
0.2
td
0
0.2
0
5
6
Tiempo(seg)
10
11
Figura 1.16. Respuesta a un escaln unidad de un sistema de primer orden con retardo
1-43
En la Figura 1.17 se muestra la respuesta a un escaln de un sistema de primer con

retardo puro td=2 segundos y la del sistema considerando la aproximacin de Pade de
primer orden del retardo. Se observa que al modelar el retardo mediante una aproximacin
de Pade de primer orden el sistema comienza a responder en la direccin correcta en
aproximadamente 1.4 segundos. Es decir, 0.6 segundos antes que si se considera el retardo
puro. Con lo que podra pensarse que la aproximacin no es muy buena. Sin embargo la
pendiente de la respuesta es ms pequea, lo que propicia que ambas respuestas sean
prcticamente iguales cuando la respuesta alcanza el 60% de su valor en el estacionario
1
0.8
y(t)
0.6
0.4
0.2
0
0.2
0
5
6
Tiempo(seg)
10
11
Figura 1.17. Respuesta a un escaln de un sistema de primer con retardo td puro (lnea continua) y la
del sistema considerando la aproximacin de Pade de primer orden del retardo (lnea punteada).
1.4.9 Especificaciones de la respuesta temporal de un sistema

lineal
El comportamiento temporal de un sistema de cualquier orden puede ser especificado
en trminos de su respuesta transitoria a un escaln unidad. Dicha respuesta se puede
caracterizar en funcin de los siguientes parmetros (ver Figura 1.18):
Mxima sobreelongacin Mp. Es el mximo valor de la respuesta.
Tiempo de pico tp. Es el instante de tiempo en que la salida alcanza su valor mximo
Mp.
1-44
Tiempo de asentamiento ts. Es el tiempo requerido para que la respuesta alcance y

permanezca dentro de una banda de una determinada anchura, tpicamente el 2% o
el 5% del valor final de la salida en el estacionario. Para un sistema de segundo
orden o de orden superior con un par de polos complejos dominantes el tiempo de
asentamiento para un criterio de error del 2% se puede demostrar que verifica la
siguiente desigualdad
ts
4
n
(1.79)
Tiempo de subida tr. Es el tiempo requerido para que la respuesta, en su subida

inicial vaya desde el 0.1 hasta el 0.9 de su valor en el estado estacionario.
1.3
Mp
1.2
Banda del 2%
de error
1.1
1
0.9
y(t)
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
tr
2
ts
tp
4
10
12
14
16
18
20
Figura 1.18. Parmetros para caracterizar la respuesta de un sistema
Es importante tener en cuenta que la respuesta temporal de un sistema depende de las

condiciones iniciales. Por lo tanto para comparar las respuestas temporales de diferentes
sistemas es necesario considerar las mismas condiciones iniciales.
En el caso de un sistema de segundo orden es posible y relativamente sencillo obtener
expresiones analticas para los parmetros de la respuesta temporal en funcin del factor de
amortiguamiento y de la frecuencia natural n de dicho sistema.
1-45
En sistemas de orden superior a dos su obtencin es ms tediosa. Sin embargo si un

sistema G(s) de orden superior a dos posee un par de polos complejos dominantes, que son
aquellos cuya parte real se encuentra situada ms cerca del eje imaginario que la del resto
de polos del sistema, entonces su respuesta puede ser aproximada por la de un sistema con
funcin de transferencia Gr(s) que contiene exclusivamente dichos polos dominantes y con
ganancia igual a la del sistema original G(s).
En consecuencia si un sistema tiene uno o dos polos dominantes, su respuesta a un
escaln puede determinarse a partir de los resultados analizados en las secciones
anteriores para sistemas de primer y segundo orden. Obviamente para realizar la
aproximacin se debe tener en cuenta la presencia de ceros que estn a una distancia del
eje imaginario comparable, o inferior, a la de los polos dominantes.
Si el sistema tiene un par de polos dominantes con comportamiento subamortiguado es
posible estimar el factor de amortiguamiento y la frecuencia natural n de estos polos si se
dispone de los valores de la sobreelongacin Mp y tiempo de asentamiento ts de la respuesta
a un escaln del sistema mediante las siguientes expresiones:
ln( M p 1) 2
(1.80)
ln( M p 1) 2 2
4
ts
1.5 CONSIDERACIONES BSICAS SOBRE

FRECUENCIAL DE UN SISTEMA LINEAL
(1.81)
LA
RESPUESTA
1.5.1 Definicin de respuesta en frecuencia de un sistema lineal

Se denomina funcin de transferencia en el dominio de la frecuencia o ms
abreviadamente funcin de frecuencia o respuesta en frecuencia del sistema a la funcin
G(j) que se obtiene sustituyendo s por j en la funcin de transferencia del sistema.
G(j) es una funcin compleja que puede descomponerse en la suma de su parte real
(Re) y su parte imaginaria (Im).
G ( j ) Re[G ( j )] j Im[G ( j )]
De forma equivalente G(j) puede expresarse de la siguiente forma:
1-46
(1.82)
G ( j ) G ( j )e j arg G ( j )
(1.83)
donde:
G ( j ) (Re[G ( j )]) 2 (Im[G ( j )]) 2
(1.84)
Im[G ( j )]
arg G ( j ) arctan
Re[G ( j )]
(1.85)
G ( j ) es el mdulo, amplitud o magnitud y arg G ( j ) es el argumento o fase.

Para un sistema lineal G(s) con una entrada u(t) y una salida y(t), se cumple que
Y ( s ) G ( s )U ( s )
(1.86)
Y ( j ) G ( j )U ( j )
(1.87)
Haciendo s=j se obtiene
Que se puede expresar equivalentemente en la forma:
Y ( j )e j arg Y ( j ) G ( j )e j arg G ( j ) U ( j )e j argU ( j )

De la que se deducen las siguientes expresiones para la magnitud y la fase de G(j):
G ( j )
Y ( j )
U ( j )
arg G ( j ) arg Y ( j ) arg U ( j )

Es decir | G ( j ) | se determina como el cociente entre la amplitud de la seal de salida
y la amplitud de la seal de entrada. Mientras que la fase arg G ( j ) se determina como la
diferencia entre la fase de la seal de salida menos la fase de la seal de entrada.
1-47
1.5.2 Representacin grfica de la respuesta en frecuencia de un

sistema
1.5.2.1 Magnitud logartmica
La magnitud logartmica (logarithmic magnitude (Lm)) se define de la siguiente forma:
Lm(G ( j )) 20log10 G ( j )
(1.88)
y sus unidades son los decibelios (dB).

Algunas propiedades tiles de la magnitud logartmica son:
El valor en decibelios de nmeros recprocos difieren slo en un signo. Por
ejemplo Lm(2)= 6.02 dB y Lm ( )= -6.02 dB.
Cuando un nmero se duplica su valor en dB aumenta en 6 dB. Por ejemplo,
como Lm(0.5)= -6.02 dB entonces Lm(20.5)= Lm(2)+Lm(0.5)=6.02 -6.02= 0 dB
Cuando un nmero se multiplica en un factor de 10 su valor en dB se incrementa
en
20
dB.
Por
ejemplo,
como
Lm(10)=
20
dB
entonces
Lm(10*10)=Lm(10)+Lm(10)=20+20= 40 dB.
1.5.2.2 Octava y dcada
Se dice que el rango o banda de frecuencias [f1, f2] posee una anchura de una octava si
se verifica que f2/f1=2. Por ejemplo la banda de frecuencia [1, 2] (Hz) posee una anchura de
una octava en anchura, al igual que la banda [17.4, 34.8] (Hz). El nmero de octavas en el
rango de frecuencia [f1, f2] es
f
log10 ( f 2 / f 1 )
3.32log10 2 octavas
log10 2
f1
(1.89)
Se dice que el rango o banda de frecuencias [f1, f2] posee una anchura de una dcada si
se verifica que f2/f1=10. Por ejemplo la banda de frecuencia [1, 10] (Hz) posee una anchura
de una dcada en anchura, al igual que la banda [2.5, 25] (Hz). El nmero de dcadas en el
rango de frecuencia [f1, f2] es
f
log10 2 dcadas
f1
1-48
(1.90)
1.5.2.3 Tipos de diagramas en el dominio de la frecuencia
La funcin de transferencia en el dominio de la frecuencia de un sistema se suele

representar, principalmente, en tres tipos de diagramas:
Diagrama de Nyquist o diagrama polar. En el eje de abscisas se representa la parte
real de G(j) y en el eje de ordenadas se representa su parte imaginaria. A este
plano se le denomina tambin plano complejo.
Diagrama de Bode. Consta de dos grficas. La primera grfica representa la
magnitud logartmica Lm(G(j)) en funcin de la frecuencia . En el eje de abscisas
se usa escala logartmica y en el eje de ordenadas escala lineal. La segunda grfica
representa la fase arg(G(j)) expresada en grados en funcin de la frecuencia .
Tanto en el eje de abscisas como en el de ordenadas se usa escala lineal.
Diagrama de Nichols. En el eje de abscisas se representa la fase arg(G(j)) en
grados y en el eje de ordenadas se representa la magnitud logartmica Lm(G(j)).
Tanto en el eje de abscisas como en el de ordenadas se usa escala lineal.
1.5.2.4
Conceptos importantes asociados a las representaciones de la respuesta en

frecuencia
Existen varios conceptos importantes asociados a las representaciones de la respuesta

del sistema en el dominio de la frecuencia:
Frecuencia de corte c (rad/s). Para sistemas cuya amplitud a bajas frecuencias
es un valor constante no nulo, es decir, el sistema no tiene en ni polos ni ceros en
el origen, la frecuencia de corte se define como la frecuencia a partir de la cual la
amplitud del sistema se reduce en 3 dB (70.7 %) respecto a la amplitud en =0.
G ( jc )
1
G ( j0)
2
G ( j0)
Lm(G ( jc )) 20 log10 G ( jc ) 20 log10
2
1
20 log10
20 log10 G ( j0)
2
3.0103 Lm(G ( j0))
1-49
Frecuencia esquina e (rad/s). Es aquella frecuencia o frecuencias en las que la

aproximacin asinttica de la respuesta en frecuencia de un polo o un cero
cambia de pendiente.
Ancho de banda o banda pasante. Es el rango de frecuencias por debajo de la
frecuencia de corte:
0 c
Para sistemas con un comportamiento de filtro pasa-baja, es decir, que dejan
pasar las bajas frecuencias y atenan las altas frecuencias, su ganancia a bajas
frecuencias ser un valor constante distinto de cero. Para dichos sistemas el
ancho de banda coincide con la frecuencia de corte.
Para sistemas con un comportamiento de filtro pasa-alta, es decir, que dejan
pasar las altas frecuencias y atenan las bajas frecuencias, la ganancia de
referencia para calcular el ancho de banda es la ganancia a alta frecuencia.
Para sistemas con un comportamiento de filtro pasa-banda, es decir, que dejan
pasar una banda de frecuencia pero atenan las bajas y las altas frecuencias, el
ancho de banda es la diferencia entras las frecuencias en las que su atenuacin al
pasar a travs del sistema se mantiene igual o inferior a 3 dB comparada con la
frecuencia principal, que se suele tomar como la central de la banda.
El ancho de banda de un sistema da una indicacin de las propiedades de la
respuesta transitoria de un sistema de control, as como de las caractersticas al
filtrado de ruido.
El ancho de banda es una medida de la posibilidad que tiene el sistema de
reproducir fielmente una seal de entrada. Generalmente la respuesta del sistema
para valores de frecuencia superiores al ancho de banda estar atenuada.
El ancho de banda es adems una medida directa de la sensibilidad del sistema al
ruido (un ancho de banda muy grande indica que el sistema es muy sensible a los
ruidos de alta frecuencia).
1-50
1.5.3 Respuesta frecuencial de un sistema lineal genrico continuo

La funcin de transferencia de un sistema lineal en tiempo continuo puede expresarse
de la siguiente forma general:
r
s 2 2 l s
(
s
1)
l
2 1
l 1
l 1 nl
nl
e td s
G ( s)
2
p
h
s
2 s
s N ( i s 1) 2 i 1
ni
i 1
i 1 ni
(1.91)
Se observa que esta funcin de transferencia posee los siguientes factores individuales:
una ganancia K, q ceros reales, r pares de ceros complejos conjugados, N polos en el origen
(integradores), p polos reales, h pares de polos complejos conjugados y un tiempo de
retardo td.
Sustituyendo s por j en (1.91) se obtiene lo siguiente:
j 2 2
l j 1
K ( l j 1)
l 1
l 1 nl
nl
e td j
G ( j )
2
p
h
j 2 i
( j ) N ( i j 1)
j
ni
i 1
i 1 ni
(1.92)
La magnitud logartmica de G(j) se obtiene como la suma de las magnitudes

logartmicas de cada uno de los factores individuales de que consta la funcin de
transferencia:
j 2 2
Lm(G ( j )) Lm( K ) Lm( l j 1) Lm

j
1
nl nl
l 1
l 1
j 2 2
Lm(( j ) ) Lm( i j 1) Lm
i j 1 (1.93)
ni ni
i 1
i 1
Por su parte la fase de G(j) expresada en grados se obtiene como la suma de las
fases de cada uno de los factores individuales de que consta la funcin de transferencia:
1-51
j 2 2
l
arg(( j ) N )
arg(G ( j )) arg( l j 1) arg

j
1
l 1
l 1
nl nl
j 2 2
arg( i j 1) arg
i j 1 arg( e jtd )
ni ni
i 1
i 1
(1.94)
Se concluye por tanto que el diagrama de Bode de un sistema genrico se puede

obtener sumando la grfica debida a cada factor individual.
En las siguientes secciones se describe la respuesta frecuencial de cada uno de los
posibles factores que pueden formar parte de una funcin de transferencia: ganancia,
integrador, derivador, elemento de retardo, polo real, cero real, par de polos complejos
conjugados y par de ceros complejos conjugados.
1.5.4 Respuesta frecuencial de una constante

Supngase una constante:
(1.95)
La magnitud logartmica y la fase de una constante son:
LmK 20log10 K
(1.96)
K 0
0
arg K
180 K 0
(1.97)
Se observa que tanto la magnitud logartmica como la fase son independientes de la

frecuencia. En consecuencia el diagrama de Bode de una constante es una lnea horizontal
en la curva de magnitud y otra lnea horizontal en la curva de fase.
1.5.5 Respuesta frecuencial de un integrador

Supngase N polos en el origen o integradores:
1
sN
Sustituyendo s por j se obtiene la respuesta en frecuencia:
1-52
(1.98)
(1.99)
( j ) N
La magnitud logartmica y la fase vienen dadas por las siguientes expresiones:
1
Lm
j N
20log10
20log10
1
arg
j N
20N log
(1.100)
90N
(1.101)
Se observa que la magnitud tiene una pendiente -20N dB/dcada. Conforme la

frecuencia tiende a cero la magnitud va aumentando. Por el contrario conforme aumenta la
frecuencia la magnitud va decreciendo. Por su parte la fase es siempre constante e igual a
-90N.
En la Figura 1.19 se representa el diagrama de Bode de un integrador (N=1). Se
observa que un integrador atena las altas frecuencias. Es decir, tiene un comportamiento
de filtro pasa-baja.
Magnitud (dB)
50
0
50
100 2
10
10
10
10
10
10
89
Fase ()
89.5
90
90.5
91 2
10
10
10
(rad/s)
10
10
10
Figura 1.19. Diagrama de Bode de un integrador
1-53
1.5.6 Respuesta frecuencial de un derivador

Supngase M ceros en el origen o derivadores
sM
(1.102)
( j ) M
(1.103)
La magnitud logartmica y la fase de los M derivadores vienen dadas por las siguientes
expresiones:
Lm
j 20log
M
10
20log10 M 20M log
arg
(1.104)
j 90M
M
(1.105)
Se observa que la magnitud tiene una pendiente 20M dB/dcada. Conforme la

frecuencia tiende a cero la magnitud va disminuyendo. Por el contrario conforme aumenta la
frecuencia la magnitud va aumentando. Por su parte la fase es siempre constante e igual a
90M.
En la Figura 1.20 se representa el diagrama de Bode de un derivador (N=1). Se observa
que un derivador atena las bajas frecuencias. Es decir, tiene un comportamiento de filtro
pasa-alta.
Magnitud(dB)
50
0
50
100 3
10
10
10
10
10
10
91
Fase ()
90.5
90
89.5
89 3
10
10
10
(rad/s)
10
10
Figura 1.20. Diagrama de Bode de un derivador
1-54
10
1.5.7 Respuesta frecuencial de un elemento de retardo

Supngase un retardo puro td
e std
(1.106)
e jtd
(1.107)
La magnitud logartmica y la fase del elemento de retardo vienen dadas por las
siguientes expresiones:
Lm e jtd 20log10 e jtd 20log10 1 0
(1.108)
arg e jtd td
(1.109)
Se observa que un elemento de retardo no contribuye a la magnitud de un sistema pues

tienen magnitud 1 (0 dB) pero introduce un desfase lineal con la frecuencia.
En la Figura 1.21 se representa el diagrama de Bode de un elemento de retardo con
Magnitud (dB)
td=2.
1
1 2
10
10
10
10
10
Fase ()
0
5000
10000
15000 2
10
10
10
(rad/s)
10
10
Figura 1.21. Diagrama de Bode de un elemento de retardo con td=2

Los tiempos de retardo tienen una gran influencia en la respuesta en frecuencia de un
sistema, puesto que constituyen un elemento de fase no mnima, que contribuye con un
decremento extra de la fase el cual puede causar inestabilidad
1-55
1.5.8 Respuesta frecuencial de un polo real: sistema de primer

orden
Considrese un polo real:
1
s 1
(1.110)
j 1
(1.111)
1
1
1
20log10
20log10
Lm
2
j 1
2 1
j 1
10 log10 ( 2 2 1)
1
arg
arctan( )
j 1
(1.112)
(1.113)
Se observa que a bajas frecuencias, es decir, para 0 la magnitud logartmica

tiende al valor de 0 dB. Por su parte la fase tiende a 0.
Conforme aumenta la frecuencia la magnitud logartmica se va haciendo cada vez ms
negativa con una pendiente asinttica de -20 dB/dcada. Por su parte la fase tiende a -90.
Sealar que si el polo fuese inestable <0 entonces la fase tiende a 90, es decir, se
comporta como un cero real.
En definitiva un polo real tiene un comportamiento de filtro pasa baja, por lo que el
ancho de banda de este sistema de primer orden es:
0 c
Aplicando su definicin y operando se puede demostrar que la frecuencia de corte es:
1-56
(1.114)
Se observa que cuanto menor sea la constante de tiempo, es decir, cuanto ms rpido
sea el sistema, mayor ser su ancho de banda.
En la Figura 1.22 se representa el diagrama de Bode de un polo real
Magnitud (dB)
0
20
40
60
80 2
10
10
10
10
10
10
Fase ()
50
90
2
10
10
10
(rad/s)
10
10
10
Figura 1.22. Diagrama de Bode de un polo real
1.5.9 Respuesta frecuencial de un cero real

Considrese un cero real
s 1
(1.115)
Sustituyendo s por j se obtiene la respuesta en frecuencia del cero
j 1
(1.116)
Lm j 1 20log10 j 1 20log10 2 2 1
10log10 ( 1)
2
(1.117)
arg j 1 arctan( )
(1.118)
Se observa que a bajas frecuencias, es decir, para 0 la magnitud logartmica

tiende al valor de 0 dB. Por su parte la fase tiende a 0.
1-57
Conforme aumenta la frecuencia la magnitud logartmica se va haciendo cada vez ms

grande con una pendiente asinttica de 20 dB/dcada. Por su parte la fase tiende a +90.
Sealar que si el cero es de fase no minima (<0) entonces la fase tiende a -90, es decir,
se comporta como un polo real.
En la Figura 1.23 se representa el diagrama de Bode de un cero real
Magnitud (dB)
80
60
40
20
0 2
10
10
10
10
10
10
Fase ()
90
45
0 2
10
10
10
(rad/s)
10
10
10
Figura 1.23. Diagrama de Bode de un cero real
1.5.10 Respuesta frecuencial de un par de polos complejos

conjugados: sistema de segundo orden
Considrese un par de polos complejos conjugados expresados como un factor
cuadrtico en s:
n2
1
2
(1.119)
s 1
Sustituyendo s=j en la expresin anterior y reordenando se obtiene la respuesta en

frecuencia
1

1 2 j2
n
n
2
Las expresiones de la magnitud logartmica y de la fase son:
1-58
(1.120)
Lm
2

1 2 j2
n
n
2
2
10log 1 4 2
2
10
n2
1
arg
2

1 2 j2
n
n
2 /
n
arctan
2
1 2
n
(1.121)
(1.122)
Se observa que a bajas frecuencias la magnitud tiende a 1, es decir a 0 dB y la fase a

0. Mientras que para altas frecuencias la magnitud tiende a 0, es decir, la magnitud
logartmica se va haciendo cada vez ms negativa con una pendiente asinttica de -40
dB/dcada. Por su parte, si el par de polos complejos es estable, es decir, se encuentran
ubicados en el semiplano izquierdo del plano complejo entonces, la fase tiende a -180. En
caso contrario si los polos son inestables, entonces la fase tiende a 180, es decir, se
comporta como un par de ceros complejos conjugados estables.
Si el par de polos complejos es subamortiguado entonces la representacin grfica de
la magnitud en el diagrama de Bode presenta un pico de resonancia en =r que es la
frecuencia de resonancia que est cerca de n.
Derivando e igualando a 0 la expresin de la magnitud de un par de polos complejos
conjugados se puede encontrar la frecuencia de resonancia r para la que se obtiene el
valor mximo en la magnitud Mr
r n 1 2 2
(1.123)
Sustituyendo este valor en (1.83) se obtiene
Mr
1
2 1 2
(1.124)
En la Figura 1.24 se representa la magnitud logaritmica para distintos valores de .
1-59
15
=0.1
10
=0.25
|G| (dB)
5
=0.5
0
=0.7
=1
10
15 1
10
10
w (rad/s)
Figura 1.24. Amplitud de un sistema de polo complejo con n=0.5 rad/s y distintos valores de
Sealar que la magnitud del pico Mr solo depende de . Conforme tiende a 0,
r n y M r . Para >0.707 no hay pico de resonancia y Mr=1

El ancho de banda viene dado por la siguiente expresin
AB n 1 2 2 2 4 2 4 4
(1.125)
Cuando vara entre 0 y 1, el ancho de banda es directamente proporcional a la

frecuencia natural n y vara entre 1.55n y 0.64n . Para =0.707, AB n
Si los polos son reales, es decir, el sistema es sobreamoriguado, entonces el diagrama
de Bode se construye a partir de los dos sistemas de primer orden que lo forman.
Si un sistema G(s) de orden superior a dos posee un par de polos complejos
dominantes, que son aquellos cuya parte real se encuentra situada ms cerca del eje
imaginario que la del resto de polos del sistema, entonces una aproximacin de una funcin
de transferencia de alto orden que contenga sus polos dominantes tiende a reproducir la
dinmica lenta del sistema, pasando por alto la rpida. En consecuencia la respuesta en
frecuencia de la aproximacin con polos dominantes no difiere mucho de la del sistema
original a bajas frecuencias. Luego la aproximacin con polos dominantes representa un
modelo a baja frecuencia del sistema. Esto es algo esperable ya que los polos o ceros
1-60
rpidos (constantes de tiempo pequeas o frecuencias naturales elevadas) contribuyen muy

poco para valores bajos de la frecuencia.
1.5.11 Respuesta frecuencial de un par de ceros complejos

conjugados
Considrese un par de polos complejos conjugados expresados como un factor
cuadrtico en s:
s2
2
n
s 1
(1.126)
Sustituyendo s=j en la expresin anterior y reordenando se obtiene la respuesta en

frecuencia
2

1 2 j2
n
n
(1.127)
Las expresiones de la magnitud logartmica y de la fase son:
2 2
2

2
Lm 1 2 j2 10log10 1 2 4 2 2
n
n
n
n
(1.128)

2 / n
arg 1 2 j2 arctan
2
n
n
1 2
n
(1.129)
Se observa que a bajas frecuencias la magnitud tiende a 1, es decir a 0 dB y la fase a

0. Mientras que para altas frecuencias la magnitud tiende a infinito, es decir, la magnitud
logartmica se va haciendo cada vez ms positiva con una pendiente asinttica de 40
dB/dcada. Por su parte, si el par de ceros complejos es estable, es decir, se encuentran
ubicados en el semiplano izquierdo del plano complejo entonces, la fase tiende a 180. En
caso contrario si los polos son inestables, entonces la fase tiende a -180, es decir, se
comporta como un par de polos complejos conjugados estables.
1-61
Si el par de polos complejos es subamortiguado entonces la representacin grfica de

la magnitud en el diagrama de Bode presenta un pico de resonancia en =r que es la
frecuencia de resonancia que est cerca de n
1.5.12 Efecto de un cero en la respuesta frecuencial de un sistema

de primer orden
Considrese el siguiente sistema de primer orden con un cero:
G ( s)
Y ( s)
s 1
K
U ( s)
s 1
(1.130)
La forma de su respuesta en frecuencia depender de la posicin relativa del polo

s=-1/ con respecto al cero s=-1/, es decir de los valores de las constantes de tiempo
caractersticas y .
Si > , con > 0 y > 0, el cero se encuentra a la izquierda del polo y ambos se
encuentran en el semiplano izquierdo del plano s, al sistema se le denomina controlador, red
o compensador de retraso de fase. En este caso si se representa el diagrama de Bode (ver
Figura 1.25) se puede observar que la magnitud presenta un valor constante a baja
frecuencia y otro valor constante a alta frecuencia. La transicin entre ambos valores se
realiza con una pendiente -20 dB/dcada entre =1/ y =1/.
Si < , con > 0 y > 0, el cero se encuentra a la derecha del polo y ambos se
encuentran en el semiplano izquierdo del plano s, al sistema se le denomina controlador, red
o compensador de adelanto de fase. En este caso si se representa el diagrama de Bode
(ver Figura 1.25) se puede observar que la magnitud presenta un valor constante a baja
frecuencia y otro valor constante a alta frecuencia. La transicin entre ambos valores se
realiza con una pendiente 20 dB/dcada entre =1/ y =1/.
Si el cero o/y el polo se encuentran en el semiplano derecho del plano complejo, se
tiene un sistema de fase no mnima. En este caso la magnitud ser similar a la explicada en
los prrafos anteriores, pero la fase cambiar en funcin de la posicin del polo y/o del cero
en el semiplano derecho del plano complejo, as como de sus posicin relativa. Se pueden
llegar a introducir desfases de hasta 360 en funcin del cero.
1-62
Figura 1.25. Diagrama de Bode de un sistema de primer orden con cero en funcin de la posicin
relativa del cero y el polo [Guzman et al., 2012]
1.5.13 Efecto de un cero en la respuesta frecuencial de un sistema

de segundo orden
El cero aporta una pendiente de 20 dB/dcada a partir de su frecuencia esquina 1/ y
una fase que va de 0 a 90. Por lo tanto debido al carcter aditivo de las grficas
logartmicas de Bode, la respuesta en frecuencia cambiar su perfil en funcin de la posicin
relativa entre el cero y los polos del sistema.
1-63
BIBLIOGRAFA
[Astrm, K. J. y Wittenmark, 1984]
K. J. Astrm, y B. Wittenmark. Computer Controlled Systems.

Prentice-Hall, 1984.
[DAzzo y Houpis, 1981]
J. J. DAzzo, y C. H. Houpis. Linear control system analysis

and design. McGraw-Hill. 1981.
[Dorf y Bishop, 2005]
R. C. Dorf, y R. H. Bishop. Sistemas de control moderno.

10 Edicin. Pearson- Prentice Hall. 2005.
[Dormido, 2004]
S. Dormido. Apuntes de la asignatura Control Digital.

UNED 2004.
[Guzman et al., 2012]
J. L. Guzmn, R. Costa, M. Berenguel y S. Dormido. Control

automtico con herramientas interactivas.
Pearson-UNED. 2012.
[Ogata, 1996]
K. Ogata. Sistemas de Control en Tiempo Discreto. Prentice

Hall.1996.
[Ogata, 1998]
1-64
K. Ogata. Ingeniera de Control Moderna. Prentice Hall.1998.
TEMA 2
MODELOS DE PERTURBACIONES
2.1 INTRODUCCIN
Una perturbacin es una seal externa que afecta al comportamiento del sistema y cuyo
valor no puede ser elegido o controlado, como por ejemplo el ruido que afecta a los
sensores de medida o las rfagas de viento y las turbulencias que afectan al vuelo de un
avin. En consecuencia si se quiere disponer de un modelo realista de un sistema se hace
necesario modelar tambin las perturbaciones que le afectan.
La construccin de modelos para las perturbaciones de un sistema depende en gran
medida de si se conoce la fuente o fuentes que originan las perturbaciones y de si son
medibles o no. En el mejor de los casos las perturbaciones w(t) que afectan al sistema son
perturbaciones medibles de origen conocido. Por ejemplo, en un panel solar la intensidad
del sol en un determinado instante de tiempo es una seal de perturbacin ya que su valor
no puede ser elegido o controlado. Sin embargo, es perfectamente medible y su origen es
conocido.
Para este tipo de perturbaciones es posible construir modelos a partir de medicin
directa. En estos casos se pueden obtener modelos continuos del sistema de la forma:
x (t ) f ( x(t ), u(t ), w(t ))

y (t ) h( x(t ), u(t ), w(t ))
O modelos discretos
x k 1 f ( x k , u k , wk )
y k h( x k , u k , w k )
2-1
TEMA 2: Modelos de perturbaciones
Por otra parte una situacin bastante comn es que al examinar las variables de un
sistema se observa que el comportamiento de las mismas se desva del tericamente
previsto. Esta desviacin es producida por perturbaciones de origen conocido (por ejemplo,
el ruido de un sensor) o desconocido que no pueden ser medidas de forma directa. En
consecuencia la presencia de estas perturbaciones se detecta debido a que influyen sobre
otras variables del sistema que s pueden ser medidas. Una forma bastante comn de tratar
estas perturbaciones no medibles es agruparlas en un trmino de perturbacin w(t) que se
aade a la salida del sistema y(t):
y (t ) z (t ) w(t )
donde z(t) es la salida sin perturbar. Se tiene por tanto el sistema que se muestra en la
Figura 2.1.
w(t)
u(t)
z(t)
Sistema
y(t)
Figura 2.1: Sistema con perturbacin aadida a la salida
Las perturbaciones w(t) pueden ser modeladas como seales deterministas o como
seales aleatorias (procesos estocsticos). Usualmente las entradas u(t) del sistema son
seales deterministas por lo que si w(t) es una seal determinista entonces la salida y(t)
tambin ser determinista. Por el contrario si w(t) es un proceso estocstico entonces la
salida y(t) tambin ser un proceso estocstico.
Este tema est dedicado al estudio de los posibles modelos que se pueden utilizar para
las perturbaciones que afectan a un sistema. En primer lugar se realiza una clasificacin de
las perturbaciones atendiendo a su carcter. En segundo lugar se comenta cmo es posible
reducir los efectos de las perturbaciones. En tercer lugar se describen los modelos
deterministas de las perturbaciones. En cuarto lugar se incluyen los conceptos bsicos de la
teora de procesos estocsticos. En quinto lugar se definen y caracterizan los modelos de
procesos estocsticos. Dichos modelos resultan tiles para describir tanto a las
perturbaciones como a las salidas del sistema. La parte final del tema se dedica al filtrado de
procesos estocsticos estacionarios y a la factorizacin espectral.
2-2
2.2 CARCTER DE LAS PERTURBACIONES

Comnmente, atendiendo a su carcter, se distinguen tres tipos diferentes de
perturbaciones:
Perturbaciones en la carga. Este tipo de perturbaciones influyen sobre las
variables del proceso. En general este tipo de perturbaciones varan lentamente, y
pueden ser peridicas. En sistemas mecnicos las perturbaciones en la carga se
representan por fuerzas de perturbacin, por ejemplo las rfagas de viento sobre
una antena estabilizada, las olas sobre un barco, la carga en un motor. En
sistemas trmicos las perturbaciones en la carga podran ser variaciones en la
temperatura del medio ambiente.
Errores de medida. Este tipo de perturbaciones se introducen en los sensores de
medida. Pueden existir errores estacionarios en algunos sensores debido a
errores de calibracin. Sin embargo, los errores de medida tpicamente poseen
componentes de alta frecuencia. Estos errores pueden poseer una cierta dinmica
debido a la dinmica de los sensores. Un ejemplo tpico es el termopar, que posee
una contante de tiempo de entre 10 y 50 s dependiendo de su encapsulado. Por
otra parte, pueden existir complicadas interacciones dinmicas entre los sensores
y el proceso. Un ejemplo tpico son las medidas de los girscopos y las medidas
del nivel de lquido en los reactores nucleares.
En algunos casos no es posible medir la variable controlada directamente,
entonces su valor es deducido a partir de las medidas de otras variables. La
relacin existente entre estas variables y la variable controlada puede ser bastante
compleja. Una situacin muy comn es que un instrumento d una rpida
indicacin con errores bastante grandes y otro instrumento d una medida muy
precisa pero a costa de un alto retardo.
Variaciones en los parmetros. Cuando se consideran sistemas lineales, la
perturbacin en la carga y el ruido de medida se introducen en el sistema de una
forma aditiva. Los sistemas reales son, en la mayora de los casos, no lineales,
esto significa que las perturbaciones se introducirn en el sistema de una forma
mucho ms complicada. Puesto que los sistemas lineales son obtenidos mediante
linealizacin de modelos no lineales, algunas perturbaciones aparecen entonces
como variaciones en los parmetros del modelo lineal.
2-3
2.3 REDUCCION DE LOS EFECTOS DE LAS PERTURBACIONES

Las perturbaciones pueden ser reducidas actuando sobre su fuente, usando
realimentacin local o usando feedforward. Por otra parte tcnicas de prediccin pueden ser
usadas para estimar perturbaciones no medibles.
2.3.1 Reduccin en la fuente

La forma ms obvia de reducir los efectos de las perturbaciones es intentar actuar sobre
la fuente que origina dichas perturbaciones. Esta aproximacin est estrechamente ligada a
la etapa de diseo del proceso. Algunos ejemplos tpicos son:
Reducir las fuerzas de friccin en un servo usando cojinetes mejores.
Ubicar un sensor en una posicin donde las perturbaciones sean ms pequeas.
Modificar la electrnica del sensor para que se vea afectado por menos ruido.
Sustituir un sensor por otro que posea una respuesta ms rpida.
Cambiar el periodo de muestreo para obtener una representacin mejor de las
caractersticas de los procesos.
2.3.2 Reduccin mediante realimentacin local

Si las perturbaciones no se pueden atenuar en su fuente, se puede intentar entonces su
reduccin mediante realimentacin local (ver Figura 2.2). Para usar esta aproximacin es
necesario que las perturbaciones se introduzcan en el sistema en una o varias posiciones
bien definidas. Tambin es necesario tener acceso a la variable medida que es resultado de
la perturbacin. Adems es necesario tener acceso a la variable de control que entra al
sistema en la vecindad de la perturbacin. Las dinmicas que relacionan la variable medida
con la variable de control deberan ser tales que se pueda utilizar un lazo de control de
ganancia elevada.
El uso de la realimentacin es a menudo fcil y efectivo ya que no es necesario tener
informacin detallada de las caractersticas de los procesos, siempre que una alta ganancia
pueda ser utilizada en el lazo. En caso contrario, se necesitar un lazo extra de
realimentacin. Algunos ejemplos de realimentacin local son:
En sistemas hidrulicos, la reduccin en las variaciones en el suministro de
presin en vlvulas, instrumentos y reguladores mediante el uso de un regulador
de presin.
2-4
En sistemas trmicos, la reduccin de las variaciones en el control de temperatura

mediante la estabilizacin del suministro de voltaje.
Perturbacin
A
+
B
+
Realimentacin
local
Pr oceso
Figura 2.2: Reduccin de perturbaciones mediante el uso de realimentacin local. La perturbacin se
introduce en el sistema entre los puntos A y B. Las dinmicas entre estos dos puntos deben ser tales
que sea posible usar una alta ganancia en el lazo.
2.3.3 Reduccin mediante feedforward

Las perturbaciones que sean medibles pueden ser reducidas usando una estructura de
tipo feedforward. El principio genrico de esta estructura se ilustra en la Figura 2.3. Se mide
la perturbacin y se aplica al sistema una seal de control que intenta contrarrestarla.
Perturbacin medida
Hw
Hff
u
+
Hp
+
Pr oceso
Figura 2.3: Reduccin de perturbaciones mediante el uso de una estructura feedforward
Si la funciones de transferencia que relacionan la salida y a la perturbacin w y al

control u son Hw y Hp, respectivamente, entonces la funcin de transferencia Hff del
compensador feedforward idealmente sera:
H ff H p1 H w
2-5
Si la funcin de transferencia Hff es inestable o no realizable (mayor nmero de ceros

que de polos) se debe seleccionar alguna aproximacin adecuada. El diseo de un
compensador feedforward se basa a menudo en un simple modelo esttico, es decir, Hff es
una ganancia. La estructura feedforward es especialmente til para perturbaciones
generadas por cambios en la seal de referencia.
2.3.4 Reduccin mediante prediccin

La reduccin de perturbaciones mediante prediccin es una extensin de la tcnica de
feedforward que puede utilizarse cuando las perturbaciones no pueden ser medidas.
Consiste en predecir la perturbacin a partir de la medida de seales. La seal de
feedforward se genera a partir de la perturbacin predicha.
Es importante observar que no es necesario predecir la propia perturbacin en si misma
sino que es suficiente con modelar una seal que represente el efecto de la perturbacin
sobre las variables del proceso ms importantes.
2.4 MODELOS DETERMINISTAS DE LAS PERTURBACIONES

En algunas ocasiones una perturbacin se puede modelar como una seal temporal
determinista. Entre las seales ms frecuentemente utilizadas para representar a una
perturbacin (ver Figura 2.4) se encuentran:
El impulso y el pulso. Son realizaciones simples de perturbaciones inesperadas de
duracin muy corta. Pueden representar tanto a perturbaciones en la carga como
a errores de medida. Para sistemas continuos la perturbacin es modelada como
un impulso:
si t 0
u w (t ) (t )
0 si t 0
Para sistemas discretos se modela como un pulso con amplitud unidad y una
duracin de un periodo de muestreo.
1 si k 0
u wk k
0 si k 0
El pulso y el impulso son tambin importantes por motivos tericos ya que la
respuesta de un sistema lineal continuo en el tiempo est completamente
2-6
especificada por su respuesta a un impulso, mientras que la de un sistema

discreto est determinada por su respuesta a un pulso.
El escaln. Se usa tpicamente para representar una perturbacin en la carga o un
offset en una medida. Tiene la siguiente definicin en tiempo continuo
1 t 0
u w (t )
0 t 0
La rampa. Es una seal que se utiliza para representar la deriva en los errores de
medida as como a perturbaciones que de repente comienzan a desplazarse. En
la prctica estas perturbaciones se encuentran acotadas, sin embargo el uso de
una seal rampa suele ser una til idealizacin. Tiene la siguiente definicin en
tiempo continuo
t t 0
y (t )
0 t 0
La sinusoide. Es el prototipo de una perturbacin peridica. La posibilidad de
seleccionar su frecuencia la hace idnea para representar tanto a las
perturbaciones en la carga (de baja frecuencia) como al ruido de medida (de alta
frecuencia). Tiene la siguiente definicin en tiempo continuo
Asen(t ) t 0
y (t )
t0
0
Pulso
Escaln
Rampa
Sinusoide
Figura 2.4: Modelos deterministas de perturbaciones
2-7
2.5 CONCEPTOS BSICOS

ESTOCSTICOS
DE
LA
TEORA
DE
PROCESOS
Si las perturbaciones que afectan a un sistema tienen un carcter aleatorio, entonces

deben ser modeladas usando modelos de procesos estocsticos o aleatorios. En esta
seccin se incluyen los conceptos bsicos de la teora de procesos estocsticos.
2.5.1 Variables aleatorias

Una variable aleatoria x(k) es una variable que puede tomar valores aleatorios en
funcin de los resultados de algn experimento aleatorio. Es decir, los resultados aleatorios
de un experimento se pueden representar por un nmero real x(k), llamado variable
aleatoria.
Para un experimento aleatorio, los posibles resultados se denominan espacio de
muestra. Una variable aleatoria x(k) es una funcin definida para los k puntos del espacio de
muestra, que toma valores reales en el rango [-,+] asociados a cada uno de los k puntos
que pueden ocurrir.
La forma de especificar la probabilidad con que la variable aleatoria toma diferentes
valores es mediante la funcin de distribucin de probabilidad F(x), definida de la siguiente
forma:
F ( x) P ( x(k ) x)
Es decir, es la probabilidad de que la variable aleatoria x(k) tome valores menores o
iguales a x. La funcin de distribucin de probabilidad cumple las siguientes propiedades:
F ( a ) F (b ) si a b
F ( ) 0
F ( ) 1
Si la variable aleatoria tiene un rango continuo de valores, entonces se puede definir la
funcin densidad de probabilidad f(x):
Px x(k ) x x
f ( x) lim
x 0
x
Se verifica que:
2-8
f ( x) 0
f ( x)dx 1
f ( x)
dF ( x)
dx
La probabilidad de que x(k) tome un valor entre x y x+dx es f(x)dx.

En el caso de que x(k) tome valores discretos xi con probabilidades pi distintas de cero,
entonces la funcin f(x) se puede expresar como una serie de funciones de Dirac por las
probabilidades correspondientes:
f ( x) pi ( x xi )
i
Si se conoce la funcin de distribucin de probabilidad o la funcin de densidad de

probabilidad de una variable aleatoria x(k) es posible calcular la probabilidad de que la
variable aleatoria tome un valor comprendido en un rango [x1,x2]. En ocasiones no es posible
determinar estas funciones exactamente, sin embargo es posible caracterizar la distribucin
de probabilidad mediante el valor medio y la varianza de la variable aleatoria.
El valor medio de una variable aleatoria escalar x(k), tambin denominado valor
esperado o primer momento se define de la siguiente forma:
E x(k) x
x f ( x)dx
(2.1)
El valor medio es el centro de gravedad de la funcin de densidad de probabilidad de la

variable aleatoria x.
El valor cuadrtico medio o segundo momento de x(k) se obtiene mediante la expresin
E x (k)
2
2
x
f ( x)dx
(2.2)
Si x no es un escalar entonces
2-9
E x(k)xT (k) x2
x(k)x
(k) f ( x)dx
Un parmetro que se utiliza en lugar del valor cuadrtico medio es la raz cuadrada
positiva del mismo, conocido por su terminologa anglosajona como rms de root-mean
squared.
La varianza de la variable aleatoria x(k) se define como
Var[x(k)]=E (x(k)-x ) 2 x2
(x(k)- )
x
f ( x )dx 2x x2
(2.3)
Si x no es un escalar:
E (x(k) - x ) (x(k) - x )
2
x
(x(k) -
)(x(k) - x ) T f ( x )dx x2 x2
La raz cuadrada de la varianza, x, es por definicin la desviacin estndar de la

variable aleatoria. Si el valor medio es nulo, entonces la desviacin estndar coincide con el
valor rms.
La varianza es una medida de la variabilidad o dispersin del valor de la variable
aleatoria con respecto a su valor medio. En consecuencia describe la extensin de la
funcin de densidad de probabilidad de la variable aleatoria.
Ejemplo 2.1: Distribucin Gaussiana o Normal
Una variable aleatoria x(k) tiene una distribucin gaussiana o normal (ver Figura 2.5) si su funcin
densidad de probabilidad est dada por la siguiente expresin:
f ( x)
1
e
2 b
( x a )2
2b2
Se puede comprobar que a y b se corresponden con el valor medio y la desviacin estndar de la

variable aleatoria x(k)
x E[ x(k )]
xf ( x)dx a
E[( x(k ) a) ] ( x a) 2 f ( x)dx b 2

2
x
2-10
Una notacin bastante extendida para denotar a una distribucin normal de media y varianza 2, es
N(, 2). As una distribucin normal con media cero y varianza unidad se denotar como N(0,1).
Por otra parte, como ocurre con cualquier funcin de densidad de probabilidad su integral o rea en
el rango (-.,) es igual a 1. Es decir que la probabilidad de que una variable aleatoria tome valores
comprendidos entre (-.,) es del 100%.
Considerando la funcin error que se define como:
erf ( x )
t
e dt
2
( 1) n x 2 n 1
n 0 n!(2n 1)
es posible calcular que la probabilidad de que una variable aleatoria con distribucin normal tome un
valor comprendido entre 3 es del 99.7%. Mientras que la probabilidad de que tome un valor
comprendido entre 2 es del 95.4% y entre es del 68.3%.
0.3
0.25
0.3989 /0.2
x
0.15
0.2420 / x
0.1
0.05400.05
/ x
0
x 2 x
5x
x x x x
x 2 x
10
Figura 2.5: Funcin densidad de probabilidad normal o gaussiana
La consideracin simultnea de ms de una variable aleatoria es a menudo necesaria y

til. En el caso de tener dos variables aleatorias x(k) e y(k), la probabilidad de que se den
2-11
pares de valores en un determinado rango de valores est dada por la funcin de

distribucin de probabilidad conjunta F2(x, y).
F2 ( x, y ) Px(k ) x & y (k ) y
La correspondiente funcin de densidad de probabilidad conjunta se define como:
Px x ( k ) x x & P y y ( k ) y y
f 2 ( x, y ) lim
x 0
xy
y 0
que verifica las siguientes propiedades:
f 2 ( x, y ) 0
2 F2 ( x, y )
f 2 ( x, y )
xy

( x, y )dxdy 1
Sean fx y fy las funciones de densidad de probabilidad de las variables aleatorias x(k) e

y(k), si se verifica que
f 2 ( x, y ) f x ( x) f y ( y )
entonces las dos variables son estadsticamente independientes. Es decir, el suceso x(k) x
es independiente del suceso y(k) y.
Una medida de la dependencia lneal de dos variables aleatorias x(k) e y(k) viene dada
por la covarianza que se define de la siguiente forma:
Cov[x(k),y(k)] rxy E (x(k)-x )(y(k)- y )
(x- )(y- )f ( x, y )dxdy

x
(2.4)
Que se puede expresar de forma equivalente como:
E (x(k) - x )(y(k) - y ) E x(k)y(k) - x y(k) x(k) y x y Ex(k)y(k) Ex(k) Ey(k)

La covarianza cumple las siguientes propiedades:
2-12
Cov[x(k),y(k)]=Cov[y(k),x(k)]
Cov[x(k),x(k)] Var[x(k)]
Por otra parte si x(k) e y(k) son estadsticamente independientes entonces
Cov[x(k),y(k)]=E (x(k)-x )(y(k)-y ) E x(k)-x E y(k)-y 0

Para simplificar el estudio de la covarianza, sta se suele normalizar dividindola por las
desviacin estndar de cada variable. A la covarianza normalizada se le denomina
coeficiente de correlacin:
xy
rxy
x y
(2.5)
Se verifica que
1 xy 1
El coeficiente de correlacin proporciona una medida del grado de dependencia lineal
entre las variables aleatorias x(k) e y(k). Si x(k) e y(k) son independientes entre si entonces
xy=0, y se dice que las variables aleatorias x(k) e y(k) no estn correlacionadas.
Si la distribucin de probabilidad conjunta es normal y xy=0 entonces x(k) e y(k) son
independientes. Si la distribucin no es normal y xy=0 entonces x(k) e y(k) no estn
correlacionados aunque no necesariamente son independientes.
Si xy=1 entonces
y (k ) a bx ( k )
Mientras que si xy=-1 entonces
y (k ) a bx ( k )
Conforme xy se acerca al valor 1 los valores de y(k) con respecto a x(k) se van
concentrando en las cercanas de una lnea recta de pendiente positiva. Mientras que
conforme xy se acerca al valor -1 los valores de y(k) con respecto a x(k) se van
concentrando en las cercanas de una lnea recta de pendiente negativa.
2-13
2.5.2 Procesos estocsticos

2.5.2.1 Definiciones
Un proceso aleatorio o estocstico (seal aleatoria) se puede considerar como un

conjunto de funciones o series temporales (ver Figura 2.6), cada una de las cuales se puede
observar en el ensayo de un experimento. El conjunto puede incluir un nmero finito, un
nmero infinito contable o un nmero infinito incontable de tales funciones. Al conjunto de
tales funciones se les representa por:
x(t ), t T x(t , h )
Usualmente se supone que t es el tiempo y T. Si se considera sistemas discretos
entonces T es el conjunto de instantes de muestreo T={0,k,2k,...} siendo k el periodo de
muestreo. En el caso de procesos estocsticos continuos T es un conjunto de variables
reales. Para un h fijo, h=h0, se tiene que x(t, h0) es una funcin del tiempo que se denomina
realizacin. Mientras que para un instante de tiempo fijo, t=t0, se tiene que x(t0,h)=x(t0) es
una variable aleatoria.
Realizaciones
x(t , h )
Variables aleatorias
x(t1 )
x(t 2 )
x(t , h1 )
x(t , h2 )
x(t , h3 )
t
Figura 2.6: Tres realizaciones x(t, h1), x(t, h2) y x(t, h3) de un mismo proceso estocstico x(t, h). Se
detallan las variables aleatorias x(t1) y x(t2) que se obtienen cuando se fija el tiempo a t=t1 y t=t2
Los valores de un proceso aleatorio en n instantes de tiempo distintos constituyen n

variables aleatorias. La funcin de distribucin de probabilidad n-dimensional del proceso
aleatorio de define como
F (1 ,..., n ; t1 ,..., tn ) P{x(t1 ) 1 ,... x(tn ) n }
2-14
Un proceso aleatorio se denomina Gausiano o normal si todas las distribuciones de

dimensin finita son normales.
Para n=1 la funcin de distribucin de probabilidad es:
F ( , t ) P[ x(t ) ]
La funcin de densidad de probabilidad correspondiente se define
f ( , t )
dF ( , t )
d
La funcin valor medio de un proceso aleatorio x se define como:
(t) Ex(t) f ( , t )d
(2.6)
La funcin varianza de un proceso aleatorio x se define como:

T
2 (t) Var[x(t)]=E x (t ) (t ) x (t ) (t )
(t ) (t ) f ( , t )d
T
(2.7)
La varianza da informacin del tamao de las fluctuaciones del proceso con respecto a
su valor medio. A la raz cuadrada de la varianza se le denomina desviacin estndar.
Ntese que tanto el valor medio como la varianza son funciones del tiempo.
La funcin de covarianza de un proceso aleatorio x se define como:
T
xx t1 , t2 cov x (t1 ), x (t2 ) E x (t1 ) (t1 ) x (t2 ) (t2 )
1 (t1 ) 2 (t2 ) f (1 , 2 ; t1 , t2 )d 1d 2
T
(2.8)
La funcin de covarianza cruzada de dos procesos aleatorios x e y se puede definir de

forma similar a la funcin de covarianza:
T
xy t1 , t2 cov x (t1 ), y (t2 ) E x (t1 ) x (t1 ) y (t2 ) y (t2 )
(2.9)
Un proceso aleatorio o estocstico se denomina estacionario si su distribucin de

probabilidad n-dimensional para x(t1), x(t2),..., x(tn) es idntica a la distribucin de x(t1+),
2-15
x(t2+),..., x(tn+) para todo , n, t1,..., tn. La funcin valor medio de un proceso aleatorio
estacionario es constante. La funcin de covarianza o autocovarianza de un proceso
aleatorio estacionario es funcin del desplazamiento o retraso (lag) considerado:
x xx cov x (t1 ), x (t1 ) cov x (t ), x (t )
(2.10)
Ntese que el valor de la funcin de covarianza en el origen x 0 es la varianza del

proceso.
La funcin de covarianza cruzada de procesos aleatorios estacionarios tambin es
funcin de :
xy cov x (t ), y (t ) E[( x (t ) x )( y (t ) y )]
(2.11)
Se cumple que
xy yx
Si la funcin de covarianza o autocovarianza es normaliza por x 0 se obtiene la
funcin de correlacin o autocorrelacin, que se define de la siguiente forma:
x ( )
x x
x 0
x2
(2.12)
Aplicando la desigualdad de Schwartz
rx rx 0
se obtiene que
x ( ) 1
Es decir, la magnitud de la funcin de correlacin es menor que la unidad.
El valor de x() da idea de la magnitud de la correlacin existente entre dos puntos del
proceso distanciados unidades de tiempo. Valores de x() cercanos a uno significan que
existe una fuerte correlacin positiva. Mientras que valores de x() cercanos a menos uno
significan que existe una fuerte correlacin negativa. Asimismo, si x()=0 entonces no existe
correlacin.
2-16
De forma anloga puede definirse la funcin de correlacin cruzada entre dos procesos
x e y:
xy
xy ( )
x 0 y 0
xy
x y
(2.13)
que cumple las siguientes propiedades:
xy ( ) 1
xy ( ) yx ( )
Si xy ( ) yx ( ) 0 entonces no existe correlacin cruzada entre los procesos x e y,
se dice entonces que los procesos no estn correlacionados o que son estadsticamente
independientes.
La funcin de densidad espectral o espectro de potencia de un proceso aleatorio
estacionario permite conocer la distribucin en frecuencia del proceso, se define como la
transformada de Fourier de su funcin de covarianza
xx ( )
1
2
xx
( k )e ik
(2.14)
Si se toma la transforma inversa de Fourier del espectro de potencia del proceso se

obtendra la funcin de covarianza del proceso
xx ( k )
ik
xx ( )d
(2.15)
La densidad espectral cruzada de dos procesos aleatorios estacionarios x e y se define

como la transformada de Fourier de su funcin de covarianza cruzada:
xy ( )
1
2
xy
( k )e ik
(2.16)
Si se toma la transforma inversa de Fourier de densidad espectral cruzada se obtendra

la funcin de covarianza cruzada
2-17
xy ( k )
ik
xy ( )d
(2.17)
En el caso de procesos aleatorios continuos se tiene:
xx ( )
1
2
1
xy ( )
2
xx (t )
xx
(t )e it dt
(2.18)
xy
(t )e it dt
(2.19)
it
xx ( )d
(2.20)
it
xy ( )d
(2.21)
xy (t )
Un proceso estocstico estacionario puede ser descrito por su valor medio, varianza y
funcin de autocorrelacin o funcin de densidad espectral. Ntese que si se conoce la
funcin de densidad espectral se puede calcular la funcin de autocorrelacin y viceversa.
2.5.2.2 Interpretacin de la funcin de covarianza y de la densidad espectral
Los valores de un proceso aleatorio x en n instantes de tiempo {t1, t2,..., tn} distintos
constituyen n variables aleatorias x(t1), x(t2),...,x(tn). Supuesto que los n instantes de tiempo
estn equiespaciados un valor , es decir, ti+1-ti= i=1,...,n-1 y tomando el instante t1 como
origen de referencia, entonces las n variables aleatorias se pueden denotar como x(0),
x(),x(2),...,x((n-1)). Obsrvese que si se tomase t2 como origen entonces las variables
aleatorias se denotaran como x(-),x(0),...,x((n-2)). En el caso de un proceso estocstico
estacionario, se puede tomar cualquier instante como origen.
La funcin de covarianza o autocovarianza de un proceso estocstico permite analizar
la relacin que existen entre los valores o variables aleatorias de dicho proceso. Es decir,
como influye el valor de un proceso en un instante de tiempo en el valor de dicho proceso en
los restantes instantes de tiempo, o equivalentemente como influye una variable aleatoria
del proceso en las restantes variables aleatorias de dicho proceso. En consecuencia,
analizar la forma de la funcin de covarianza aporta informacin sobre las interdependencias
temporales del proceso (ver Figura 2.7).
2-18
La covarianza describe
la relacin entre las variables
aleatorias de
un mismo proceso estocstico
x(t )
La covarianza cruzada
describe la relacin
entre las variables aleatorias de
dos procesos estocsticos
distintos
y (t )
t1
t2
Figura 2.7: Realizaciones de dos procesos estocsticos distintos x(t) e y(t). Se detallan las variables
aleatorias x(t1), x(t2), y(t1) e y(t2) que se obtienen cuando se fija el tiempo a t=t1 y t=t2
El significado de la funcin de covarianza cruzada es similar al de la funcin de

covarianza pero extendido al caso de dos procesos estocsticos x e y. Es decir, permite
analizar las interdependencias temporales existentes entre ambos procesos (ver Figura 2.7).
El valor de la funcin de covarianza de un proceso estacionario en el origen x 0 es la
varianza del proceso, que indica cmo de grandes son las fluctuaciones del proceso con
respecto a su valor medio. La desviacin estndar de las variaciones es igual a la raz
cuadrada de x 0 .
La funcin de densidad espectral o espectro de potencia de un proceso aleatorio
estacionario permite conocer la distribucin en frecuencia del proceso. La presencia de
picos en el espectro suelen indicar la existencia de frecuencias o armnicos dominantes.
La integral
2
2 xx d
1
(2.22)
representa la potencia de la seal en el rango de frecuencias [1, 2]. Por tanto, el rea
encerrada por la curva de la densidad espectral en [1, 2] representa la potencia de la
seal en una cierta banda de frecuencia. Dicha rea total es proporcional a la varianza de
seal.
Dos seales o procesos aleatorios x e y se dice que no estn correlacionados si su
densidad de potencia cruzada xy es 0.
2-19
2.5.2.3 Estimacin del valor medio, covarianza y densidad espectral
Usualmente se suele disponer de N valores muestreados de una cierta realizacin de

un proceso aleatorio estacionario x(t), en dicho caso la funcin valor medio, la funcin de
covarianza o autocovarianza y la funcin de autocorrelacin se estiman a travs de las
siguientes expresiones (tambin es habitual usar el smbolo k en lugar de para referirse al
desplazamiento o retardo (lag)):
1
N
cxx ( ) xx ( )
1
N
x (t )
(2.23)
t 1
( x(t ) x )( x(t ) x )
(2.24)
t 1
rxx ( ) xx ( )
cxx ( )
cxx (0)
(2.25)
Asimismo si tambin se dispone de N valores muestreados de otro proceso aleatorio

estacionario y(t), la funcin de covarianza cruzada y la funcin de correlacin cruzada entre
x e y se estima con las siguientes expresiones:
1
N
cxy ( ) xy ( )
1
N
( x(t ) x )( y (t ) y )
0,1, 2...
t 1
( y (t ) y )( x(t ) x )
(2.26)
1, 2,...
t 1
rxy ( ) xy ( )
cxy ( )
(2.27)
cxx (0) c yy (0)
Por ltimo la funcin densidad espectral o espectro de potencia se estima con la

siguiente expresin:
( )
c ( )W
( )e i
(2.28)
donde WM() se denomina ventana de retardo (lag window) siendo M un entero positivo
denominado anchura de la ventana o parmetro de truncacin. La ventana de retardo es
una funcin que sirve para enfatizar las componentes de frecuencia ms importantes y
despreciar las menos relevantes, de esta forma se logra suavizar la forma del espectro de
2-20
potencia. Una de las ventanas de retardo ms utilizadas es la conocida como ventana de

Hamming que tiene la siguiente expresin:
1

1 cos
WM ( ) 2
M
(2.29)
A las funciones estimadas a partir de N datos en la literatura inglesa tambin se les

denomina con el trmino sample (muestra), donde este trmino hace referencia a la muestra
de datos observados, as se habla del valor medio de la muestra (sample mean),
autocovarianza de la muestra (sample autocovariance), etc.
2.5.2.4 Error de las estimas
de una funcin F asociada a una seal aleatoria obtenida a partir de N

La estima F
valores muestreados de una realizacin de dichas seal posee un cierto error F-F
cuya
magnitud se encontrar comprendida dentro de un cierto intervalo (L1 , L 2 ) con una
probabilidad del P%.
En consecuencia el valor real de la funcin se encontrar dentro del intervalo
, F+l
)
(F-l
1
2
con una probabilidad del P %. A dicho intervalo se le denomina intervalo de confianza del
P%.
Supuesto que la seal aleatoria tiene una distribucin de probabilidad normal el
intervalo de confianza del P% viene dado por la siguiente expresin:
n , F+
n )
(Fdonde n=1, 2,3, y es una estima del error o desviacin estndar. En este caso al
intervalo de confianza del P% tambin se le denomina intervalo de confianza n . De
acuerdo con el Ejemplo 2.1 un intervalo de confianza 2 sera equivalente a un intervalo de
confianza del 95.4% y un intervalo de confianza 3 sera equivalente a un intervalo de
confianza del 99.7%.
2-21
Se puede demostrar [Box and Jenkins, 1976] que si supone que el proceso x(t) es de
tipo ruido blanco (ver seccin 2.6.1) entonces una estima del error o desviacin estndar
existente en el estimador de la funcin de autocorrelacin (2.25) viene dada por la siguiente
expresin
1
N
(2.30)
Asimismo se puede demostrar [Box and Jenkins, 1976] que supuesto que los procesos
x(t) e y(t) no estn correlacionados y que uno de ellos es ruido blanco entonces una estima
del error o desviacin estndar del estimador de la funcin de correlacin cruzada (2.27)
viene dada por la siguiente expresin:
1
N
(2.31)
2.5.2.5 Procesos estocsticos no estacionarios
Un proceso estocstico no estacionario se caracteriza porque sus propiedades

estadsticas varan con el tiempo. Existen infinitas formas de no estacionaridad, por ejemplo
si se consideran nicamente los dos primeros momentos de un proceso estocstico se
tendran las siguientes formas de no estacionaridad: valor medio variable con el tiempo y
varianza constante, valor medio constante y varianza variable con el tiempo, y valor medio y
varianza variables con el tiempo.
El anlisis de la representacin grfica de una serie temporal (realizacin) de un
proceso estocstico permite detectar en muchas ocasiones la no estacionaridad del
proceso. Si la serie temporal presenta derivas (drifts) y/o tendencias (trends) en su valor
medio o/y en su pendiente el proceso ser no estacionario.
Ejemplo 2.2
En la Figura 2.8 se representa un ejemplo de una serie temporal que presenta un comportamiento no
estacionario en su valor medio (tambin denominado nivel). Se observa que esta serie presenta tres
valores medios o niveles locales los cuales se han representado con rectas de trazo discontinuo.
En la Figura 2.9 se representa un ejemplo de una serie temporal que presenta un comportamiento no
estacionario en su valor medio y en su pendiente. Se observa que esta serie presenta tres tendencias
locales de tipo lineal, las cuales se han representado con rectas de trazo discontinuo
2-22
Figura 2.8. Ejemplo de serie temporal no estacionario por variacin de su valor medio
Figura 2.9. Ejemplo de serie temporal no estacionario por variacin de su pendiente
En ocasiones puede ser difcil determinar por inspeccin visual si una serie temporal
est asociada a un proceso estacionario o a un proceso no estacionario. Otro mtodo para
determinar la estacionaridad de un proceso es el anlisis de la funcin de autocorrelacin
estimada. Una condicin necesaria pero no suficiente para afirmar que la serie temporal es
una realizacin de un proceso no estacionario es que la funcin de autocorrelacin estimada
decrezca muy lentamente. En consecuencia si dicha funcin decrece rpidamente el
proceso es estacionario.
Ejemplo 2.3
En la Figura 2.10 se representa la funcin de autocorrelacin estimada de una cierta serie temporal.
Se observa que la autocorrelacin decrece muy lentamente por lo que esta serie podra ser una
realizacin de un proceso estocstico no estacionario.
2-23
Sample Autocorrelation Function (ACF)
Sample Autocorrelation
0.8
0.6
0.4
0.2
0.2
0
10
Lag
12
14
16
18
20
Figura 2.10.Ejemplo de funcin de autocorrelacin estimada con decrecimiento muy lento
Como se ver en la seccin 2.6.5 las series temporales que presentan derivas y/o
tendencias pueden ser modeladas por modelos estocsticos no estacionarios de tipo
ARIMA. Este tipo de series temporales no estacionarias presentan una cierta homogeneidad
y pueden ser convertidas en series estacionarias diferencindolas d veces, donde d
normalmente suele ser 1 o 2.
2.6 MODELOS DE PROCESOS ESTOCSTICOS

2.6.1 Ruido blanco
Se denomina ruido blanco en tiempo discreto a un proceso estocstico estacionario
discreto x(t) cuya funcin de covarianza es:
2 0
xx ( )
0 1, 2,...
(2.32)
En la Figura 2.11 se representa rxx() grficamente. Obsrvese que rxx() es nula para
todos los valores de excepto en el origen (=0) donde vale 2 que es la varianza del
proceso. Esto significa que el valor del proceso en un instante de tiempo t es independiente
(no est correlacionado) de los valores del proceso en otros instantes de tiempo. El proceso
estocstico ruido blanco puede por tanto ser considerado como una secuencia de variables
aleatorias igualmente distribuidas e independientes.
2-24
Aplicando (2.14) es fcil obtener que su funcin de densidad espectral es:
xx
2
2
(2.33)
Luego un proceso de ruido blanco se caracteriza por tener una densidad espectral
constante para todas las frecuencias (ver Figura 2.11). La analoga con las propiedades
espectrales de la luz blanca explican el nombre que recibe este proceso estocstico.
En el caso del ruido blanco en tiempo continuo aplicando (2.18) sobre la densidad
espectral (2.31) se obtiene que su funcin de covarianza es:
xx (t ) 2 ( )
(2.34)
Donde es la funcin delta de Dirac:
si 0
0 si 0
( )
rxx()
2
-2
-1
2
2
Figura 2.11. Representacin grfica de la covarianza y de la densidad espectral del ruido blanco en
tiempo discreto
Ejemplo 2.4
En la Figura 2.12 se muestra 1000 muestras de una cierta serie temporal a. Asimismo en la Figura
2.13 se muestra la funcin de autocorrelacin estimada de a. Se observa que la autocorrelacin vale
1 en =0, adems para 0 la autocorrelacin toma valores que se pueden considerar cero ya que se
encuentran todos encerrados dentro del nivel de confianza 3 o nivel de confianza del 99.7%. Por lo
tanto, la serie temporal a se puede considerar que es una realizacin de un proceso ruido blanco.
2-25
4
3
2
1
0
1
2
3
4
0
100
200
300
400
500
600
Sample Number
700
800
900
1000
16
18
20
Figura 2.12. Serie temporal a
1
0.8
0.6
0.4
0.2
0
0.2
10
Lag
12
14
Figura 2.13. Autocorrelacin estimada de la serie temporal a
2-26
2.6.2 Procesos AR
Considrese un proceso estocstico zt, la desviacin de este proceso con respecto a un
cierto origen, o con respecto a su media si el proceso es estacionario, es:
zt zt
(2.35)
Considrese adems el proceso de ruido blanco at con media E[at]=0 y varianza

var[at]= a2
Si el proceso estocstico zt es generado mediante una ecuacin en diferencias de la
forma
zt 1 zt 1 ... n zt n at
donde (1 ,..., n ) son parmetros reales, entonces se dice que
(2.36)
zt es un proceso
autoregresivo de orden n o ms abreviadamente un proceso AR(n).

Considerando el operador retardo q-1
q 1 yt yt 1
(2.37)
este proceso se puede escribir equivalentemente de la siguiente forma:
1 q
1
... n q n zt at
(2.38)
( q 1 ) zt at
(2.39)
donde
( q 1 ) 1 1 q 1 ... n q n
(2.40)
Por lo tanto
zt
1
at
( q 1 )
(2.41)
2-27
El proceso autoregresivo zt se puede considerar la salida de un filtro con funcin de

transferencia
1
que es excitado con una entrada de ruido blanco.
( q 1 )
A la ecuacin ( q 1 ) 0 se le denomina ecuacin caracterstica del proceso y puede

expresarse de la siguiente forma:
( q 1 ) (1 p1q 1 )(1 p2 q 1 ) (1 pn q 1 ) 0
(2.42)
Donde p11 , p2 1 , , pn 1 son las races de ( q 1 ) 0 . Ntese que las races de
( q 1 ) 0 son las reciprocas del polinomio

( q) q n 1 q n 1 ... n 0
Por
lo
tanto
si
p11 , p2 1 , , pn 1
son
las
races
(2.43)
de
( q 1 ) 0
entonces
p1 , p2 ,, pn son las races de ( q) 0 .

Para que el proceso sea estacionario todas las races p11 , p2 1 , , pn 1 de la ecuacin
caracterstica ( q 1 ) 0 deben encontrarse fuera del crculo unidad. O equivalentemente
las races p1 , p2 ,, pn de ( q) 0 deben encontrarse dentro del crculo unidad:
pi 1 i 1, 2,..., n
(2.44)
Se puede demostrar [Box and Jenkins, 1976] que la funcin de autocorrelacin de un

proceso AR(n) estacionario se puede calcular a partir de la siguiente ecuacin en
diferencias:
1 1 2 2 ... n n
(2.45)
cuya solucin general es:
A1 p1 A2 p2 ... An pn
(2.46)
Donde p11 , p2 1 , , pn 1 son las races de la ecuacin caracterstica ( q 1 ) 0 del

proceso AR(n).
2-28
Para que el proceso sea estacionario pi 1
i 1, 2,..., n . Con lo que si pi es una raz
real entonces el trmino Ai pi tiende a 0 geomtricamente cuando aumenta, es decir, se

comporta como una exponencial amortiguada. Mientras que si pi y p j son races complejas
conjugadas entonces contribuyen con un trmino
D sen(2 f F )
en la funcin de autocorrelacin, que se corresponde con una oscilacin sinusoidal
amortiguada
2 f cos
con
factor
de
amortiguamiento
D pi p j
frecuencia
Re( pi ) / D .
En general, un proceso AR(n) estacionario se caracteriza por tener una funcin de

autocorrelacin cuyo valor absoluto va decreciendo conforme aumenta el desplazamiento
como una suma de exponenciales amortiguadas y oscilaciones sinusoidales amortiguadas.
Cuanto ms alejadas se encuentren las races p11 , p2 1 , , pn 1 del crculo unidad ms
rpido ser el decrecimiento, y viceversa, cuanto ms prximas se encuentren al crculo
unidad ms lento ser el decrecimiento, es decir, ms se acerca a un comportamiento no
estacionario.
Ejemplo 2.5
Considrese el proceso AR(1):
xt xt 1 at
Donde at es ruido blanco N (0, a ) . Este proceso es estacionario si 1 1 .
2
Se puede demostrar que su varianza y su funcin de autocorrelacin son:
x2
a2
1 2
xx ( )
Supngase que
0.9
a2 =1. En la Figura 2.14 se representa una realizacin de este proceso
AR(1). En la Figura 2.15 se representa la funcin de autocorrelacin de este proceso AR(1). Se

observa que segn aumenta el desplazamiento la autocorrelacin disminuye de forma exponencial.
2-29
8
6
4
2
0
2
4
6
8
0
100
200
300
400
500
600
Sample Number
700
Figura 2.14. Una realizacin de un proceso AR(1) con
800
900
1000
18
20
0.9
Theorical Autocorrelation Function

1
0.9
0.8
0.7
()
0.6
0.5
0.4
0.3
0.2
0.1
0
0
10
Lag
12
14
16
Figura 2.15. Funcin de autocorrelacin de un proceso AR(1) con
Se va a considerar ahora que
0.9
0.9
a2 =1. En la Figura 2.16 se representa una realizacin del
proceso AR(1). En la Figura 2.17 se representa la funcin de autocorrelacin de este proceso AR(1).
Se observa que segn aumenta el desplazamiento el valor absoluto de la autocorrelacin
disminuye.
2-30
8
6
4
2
0
2
4
6
8
0
100
200
300
400
500
600
Sample Number
700
Figura 2.16. Una realizacin de un proceso AR(1) con
800
900
1000
18
20
0.9

1
0.8
0.6
0.4
()
0.2
0
0.2
0.4
0.6
0.8
1
0
10
Lag
12
14
16
Figura 2.17. Funcin de autocorrelacin de un proceso AR(1) con
0.9
2-31
2.6.3 Procesos MA
Si el proceso estocstico zt (ver seccin anterior) es generado mediante una ecuacin
en diferencias de la forma
zt at 1 at 1 ... m at m
(2.47)
donde (1 ,..., m ) son parmetros reales, entonces se dice que zt es un proceso de media
mvil (moving average) de orden m o ms abreviadamente un proceso MA(m).
Considerando el operador retardo q-1 este proceso se puede escribir equivalentemente
de la siguiente forma:
zt 1 1 q 1 ... m q m at
(2.48)
zt ( q 1 )at
(2.49)
donde
( q 1 ) 1 1 q 1 ... m q m
(2.50)
El proceso de media mvil zt se puede considerar la salida de un filtro con funcin de

transferencia ( q 1 ) que es excitado con una entrada de ruido blanco.
Un proceso MA(m) es siempre estacionario. Adems su funcin de autocorrelacin es
distinta de cero nicamente en m puntos, sin considerar el lag =0.
Ejemplo 2.6
Considrese el proceso MA(1):
xt at at 1
Donde at es ruido blanco N (0, a ) . Este proceso es siempre estacionario independientemente del
2
valor de
2-32
x2 a2 (1 2 )
1

xx ( )
2
1
0
Supngase que
0.9
0
1
2
a2 =1. En la Figura 2.18 se representa una realizacin de este proceso
MA(1). En la Figura 2.19 se representa la funcin de autocorrelacin de este proceso MA(1). Se

observa que la autocorrelacin es nula a partir del desplazamiento =2. Ntese que el orden m=1 de
este modelo coincide con el hecho de la autocorrelacin es distinta en un nico punto (=1) aparte de
en =0.
8
6
4
2
0
2
4
6
8
0
100
200
300
400
500
600
Sample Number
700
Figura 2.18. Una realizacin de un proceso MA(1) con
800
900
1000
0.9

1.5
()
0.5
0.5
10
Lag
12
14
16
Figura 2.19. Funcin de autocorrelacin de un proceso MA(1) con
18
20
0.9
2-33
2.6.4 Procesos ARMA

Si el proceso estocstico zt (ver seccin 2.6.2) es generado mediante una ecuacin en
diferencias de la forma
zt 1 zt 1 ... n zt n at 1 at 1 ... m at m
(2.51)
entonces se dice que zt es un proceso autoregresivo de media mvil o ms abreviadamente

un proceso ARMA(n,m).
Considerando el operador retardo q-1 este proceso se puede escribir equivalentemente
de la siguiente forma:
1 q
... n q n zt 1 1 q 1 ... m q m at
(2.52)
( q 1 )zt ( q 1 )at
(2.53)
Donde
( q 1 ) 1 1 q 1 ... n q n
(2.54)
( q 1 ) 1 1 q 1 ... m q m
(2.55)
( q 1 )
at
( q 1 )
(2.56)
Por lo tanto
zt
El proceso de autoregresivo de media mvil zt se puede considerar la salida de un filtro

con funcin de transferencia
( q 1 )
que es excitado con una entrada de ruido blanco.
( q 1 )
Un proceso ARMA(n,m) es estacionario si las races de ( q 1 ) 0 se encuentran fuera

del crculo unidad. Adems se caracteriza por tener una funcin de autocorrelacin con un
comportamiento similar al de un proceso AR.
2-34
Ejemplo 2.7
Considrese el proceso ARMA(1,1):
xt xt 1 at at 1
Donde at es ruido blanco N (0, a ) . Este proceso es estacionario si
2
1 1 .
x2
1 2 2 2
a
12
(1 )( ) 2
xx ( )
a
1 2
xx ( 1)
Supngase que
0.5 , 0.9
0
1
2
a2 =1. En la Figura 2.20 se representa una realizacin de este
proceso ARMA(1,1). En la Figura 2.21 se representa la funcin de autocorrelacin de este proceso

ARMA(1,1). Se observa que segn aumenta el desplazamiento la autocorrelacin disminuye
exponencialmente.
6
0
100
200
300
400
500
600
Sample Number
700
Figura 2.20. Una realizacin de un proceso ARMA(1,1) con
800
900
1000
0.5 , 0.9
2-35

1
0.9
0.8
0.7
()
0.6
0.5
0.4
0.3
0.2
0.1
0
0
10
Lag
12
14
16
Figura 2.21. Funcin de autocorrelacin de un proceso ARMA(1,1) con
18
20
0.5 , 0.9
2.6.5 Procesos ARIMA

Un proceso estocstico no estacionario posee una funcin valor medio o/y una funcin
de covarianza que dependen del tiempo. Para conocer las propiedades estacionarias que
subyacen en un proceso no estacionario es necesario diferenciarlo una o varias veces.
Se define el operador diferenciacin de la siguiente forma:
(1 q 1 )
(2.57)
Y el operador diferenciacin d-sima como
d (1 q 1 ) d
(2.58)
Sea zt un proceso estocstico no estacionario y wt el proceso estocstico que se

obtiene de diferenciar d veces el proceso zt:
wt d zt
(2.59)
Se considera que el grado de diferenciacin d, necesario para obtener la

estacionaridad ha sido alcanzado cuando la funcin de autocorrelacin del proceso wt
decrece rpidamente o es 0 a partir de un cierto valor del desplazamiento .
2-36
La consideracin de este operador permite definir los procesos autoregresivos

integrados de media mvil o procesos ARIMA(n,d,m) como aquellos generados por la
siguiente ecuacin:
( q 1 )d zt ( q 1 )at
(2.60)
Equivalentemente un proceso ARIMA zt puede considerarse la salida de un filtro con la

siguiente funcin de transferencia que es excitado con una entrada de ruido blanco at :
1 1 q 1 ... m q m
zt
at
(1 q 1 ) d (1 1 q 1 ... n q n )
(2.61)
Un proceso ARIMA(n,d,m) es una extensin de un proceso ARMA(n,m) al caso de

procesos estocsticos no estacionarios. Obsrvese, de hecho, que si en la ecuacin anterior
se sustituye zt por zt entonces un proceso ARIMA(n,0,m) es un proceso ARMA(n,m).
Ntese tambin que un proceso ARIMA(0,0,0) es un proceso ruido blanco, un proceso
ARIMA(0,0,m) es un proceso MA(m) y que un proceso ARIMA(n,0,0) es un proceso AR(n).
Ejemplo 2.8
El ejemplo ms sencillo de proceso aleatorio no estacionario es el denominado como paseo aleatorio
(random walk) que se obtiene mediante la siguiente ecuacin en diferencias
xt xt 1 at
donde at es ruido blanco N (0, a ) .
2
Si se resuelve la ecuacin de diferencias que representa un proceso paseo aleatorio se obtiene la

siguiente solucin:
t
xt x0 ai
i 1
A partir de esta expresin se puede demostrar la varianza y la funcin de autocorrelacin de un

proceso paseo aleatorio son:
Var[ xt ] E [( xt E[ xt ])2 ] t a2
xx ( ) 1
2-37
Supngase que
a2 =1.
En la Figura 2.22 se representa una realizacin de un proceso paseo
aleatorio. Se observa como la serie temporal tiene un comportamiento no estacionario ya que

presenta diferentes valores medios o niveles locales. En la Figura 2.23 se representa la funcin de
autocorrelacin de este proceso.
10
10
15
0
100
200
300
400
500
600
Sample Number
700
800
900
1000
18
20
Figura 2.22. Una realizacin de un proceso paseo aleatorio
()
0.8
0.6
0.4
0.2
0
0
10
Lag
12
14
16
Figura 2.23. Funcin de autocorrelacin de un proceso paseo aleatorio
La ecuacin en diferencias de un proceso paseo aleatorio se puede expresar equivalentemente de la

siguiente forma
2-38
(1 q 1 )xt at
De la que se deduce que un proceso paseo aleatorio es un proceso ARIMA(0,1,0). Ntese que la
ecuacin anterior se puede expresar tambin en la forma
xt
1
at
1 q 1
Con lo que un proceso paseo aleatorio se puede considerar la salida de un filtro con funcin de
transferencia
1
que es excitado con una entrada de ruido blanco. Esta funcin de tranferencia
1 q 1
corresponde a la de un integrador en tiempo discreto. Luego un proceso paseo aleatorio se obtiene

integrando ruido blanco.
Ntese que si se diferenciara una vez la salida de este filtro se eliminaran los efectos de la
integracin y se obtendra como resultado la entrada del filtro: ruido blanco, que es una seal
estacionaria. Es decir, se habra eliminado la no estacionaridad de la serie temporal introducida por el
integrador.
2.6.6 Identificacin del tipo de modelo estocstico a utilizar a partir

de una serie temporal
2.6.6.1 Funcin de autocorrelacin parcial
La funcin de autocorrelacin parcial kk es un instrumento matemtico [Box and

Jenkins, 1976] que permite determinar junto con la funcin de autocorrelacin qu tipo de
proceso estocstico bsico (ruido blanco, AR, MA, ARMA o ARIMA) ha podido generar una
determinada serie temporal. La funcin de autocorrelacin parcial puede ser estimada
ajustando por mnimos cuadrados los datos de la serie temporal a modelos AR(k) de
rdenes k crecientes k 1, 2,3,... De esta forma el coeficiente k del modelo AR(k) es
precisamente el valor estimado kk del coeficiente k de la funcin de autocorrelacin parcial.
El error o desviacin estndar existente en la funcin de autocorrelacin parcial
estimada puede ser estimado a travs de la siguiente ecuacin [Box and Jenkins, 1976]:
[kk ]
1
N 1/2
kp
(21)
2-39
bajo la hiptesis de que se tiene una realizacin de un proceso AR(p).

En los procesos estocsticos bsicos la funcin de autocorrelacin parcial presenta el
siguiente comportamiento:
Ruido blanco. La funcin de autocorrelacin parcial se comporta como la funcin de

autocorrelacin del ruido blanco, es decir, tiene un nico valor distinto de cero en el
lag =0.
AR(p). La funcin de autocorrelacin parcial se comporta como la funcin de

autocorrelacin de un proceso MA(p), es decir, todos sus puntos son cero excepto en
p adems de en =0.
MA(q). La funcin de autocorrelacin parcial se comporta como la funcin de

autocorrelacin de un proceso AR(q), es decir, decrece conforme aumenta el nmero
de lags como una suma de exponenciales amortiguadas y sinusoides
amortiguadas.
ARMA(p,q). La funcin de autocorrelacin parcial se comporta como la funcin de

autocorrelacin de un proceso AR(q).
2.6.6.2 Procedimiento de anlisis
Supngase que se dispone de N datos de una cierta serie temporal y se desea

determinar el tipo de modelo estocstico bsico que permite generarla, para posteriormente
poder estimar sus parmetros (ver Tema 6). Una forma de determinarlo es analizar la
representacin de la serie temporal, su funcin de autocorrelacin estimada y su funcin de
autocorrelacin parcial estimada.
En primer lugar mediante el estudio de la representacin de la serie temporal y de su
funcin de autocorrelacin estimada se debe determinar si la serie es estacionaria o no
estacionaria (ver seccin 2.5.2.4). Si la serie es no estacionaria entonces debe ser
diferenciada el nmero de veces necesarias hasta conseguir que sea estacionaria. Ntese
que el nmero de veces que se diferencie la serie estar fijando el valor del orden d de un
modelo ARIMA(n,d,m).
Una vez que ha conseguido que la serie temporal sea estacionaria se debe analizar su
funcin de autocorrelacin estimada (AE) y su funcin de autocorrelacin parcial estimada
(APE). En dichas funciones se debe dibujar el intervalo de confianza 2 o 3 calculados con
2-40
la hiptesis de que la serie ha sido generada por un proceso ruido blanco, de tal forma que
si un valor de dicha funcin se encuentra dentro, sobre o ligeramente por encima del
intervalo puede considerarse que su valor es nulo bajo dicha hiptesis. Se pueden dar los
siguientes casos:
Si la AE tiene todos sus valores dentro del intervalo de confianza, exceptuando

el punto en el lag =0, entonces se puede modelar con un proceso de ruido
blanco.
Si la AE tiene m valores fuera del intervalo de confianza, exceptuando el punto

en el lag =0, se puede modelar con un proceso MA(m).
Si el valor absoluto de la AE decrece como una suma de exponenciales

amortiguadas y sinosuides amortiguadas conforme aumenta entonces se
puede modelar con un modelo AR(n) o ARMA(n,m). Para discriminar si se trata
de un modelo AR(n) o ARMA(n,m) se debe analizar la APE. Si se tratara de un
proceso AR(n) la APE tendra n valores fuera del intervalo de confianza,
exceptuando el punto en el lag =0.
Con respecto a la eleccin de los rdenes del modelo se debe tener en cuenta lo
siguiente:
La mayora de series temporales aleatorias se pueden modelar mediante un

modelo estocstico de primer o segundo orden. Esto implica que n=1, 2 y m=1,
2
El grado de diferenciacin tpicamente suele ser d=1 o d=2. Recurdese que se

considera que el grado de diferenciacin d, necesario para obtener la
estacionaridad ha sido alcanzado cuando la funcin de autocorrelacin estimada
de la seal diferenciada decrece rpidamente o se encuentra dentro del intervalo
de confianza a partir de un cierto valor del desplazamiento . En este ltimo caso
el grado m del modelo ARIMA se determina como los m valores fuera del
intervalo de confianza, exceptuando a =0,
Adems a la hora de analizar la funcin de autocorrelacin estimada conviene tener

presente lo siguiente:
2-41
Para considerar como vlidos los resultados se debe dispone de una serie
temporal con un nmero de muestras N igual o mayor a 50.
Es suficiente con considerar un nmero de desplazamientos no superior a N/4.

En la prctica es suficiente con inspeccionar los primeros 20 desplazamientos:
=1, 2,,20.
La funcin de autocorrelacin estimada (AE) puede tener una alta varianza, lo

que implica que puede diferir de la funcin de autocorrelacin terica (AT) que
se puede calcular directamente si se conoce el modelo estocstico. Por ejemplo,
la AE puede tener valores altos cuando en la AT correspondera valores
pequeos ya que se estara atenuando. Tambin la AE puede tener rizados y
tendencias que no aparecen en la AT. Para evitar estos problemas se debe
disminuir la varianza, lo cual se consigue disponiendo de series temporales de
mayor longitud N. Lo mismo se aplica a la funcin de correlacin cruzada
estimada.
Ejemplo 2.9
Considrese un cierto sistema 1 que es excitado con una seal de ruido blanco at de tipo N(0,1), la
salida del sistema es una seal aleatoria yt. Se dispone de N=1000 datos de la entrada y de la salida.
En la Figura 2.24 se representa la salida yt. Se observa que la seal presenta un comportamiento
estacionario, por lo que no es necesario diferenciarla. Esta conclusin se comprueba calculando su
funcin de autocorrelacin estimada (ver Figura 2.25). Puesto que todos sus valores se encuentran
dentro del intervalo de confianza del 99.7%, excepto en =0 y =1, la seal es estacionaria adems
se podra usar un modelo MA(1) para modelar el sistema.
Supngase que el sistema 1 es excitado con otra seal distinta de ruido blanco et de tipo N(0,1), la
salida del sistema es la seal aleatoria zt. En la Figura 2.26 se representa su funcin de
autocorrelacin estimada. Se observa que aparte de los puntos =0 y =1 como ya suceda en la
anterior realizacin, tambin sobrepasan el intervalo de confianza del 99.7%, los puntos =2 , =10 y
=11. La existencia del punto =2 fuera del intervalo de confianza (o si estuviera muy prximo al
lmite) podra llevar a pensar en utilizar un modelo MA(2), aunque tambin podra atribuirse a la
varianza existente en la serie temporal y considerar un modelo MA(1). La existencia de los puntos
=10 y =11 fuera del intervalo de confianza debe atribuirse a la varianza existente en la serie
temporal.
2-42
8
6
4
2
0
2
4
6
8
0
100
200
300
400
500
600
Sample Number
700
800
900
1000
16
18
20
Figura 2.24. Seal aleatoria yt
0.5
0.5
0
10
Lag
12
14
Figura 2.25. Funcin de autocorrelacin estimada de la seal yt
2-43
0.5
0.5
0
10
Lag
12
14
16
18
20
Figura 2.26. Funcin de autocorrelacin estimada la seal zt
En la Figura 2.27 se representa la funcin de correlacin cruzada entre las entradas at e et. Puesto
que todos sus valores se encuentran dentro del intervalo de confianza del 99.7% se concluye que no
existe correlacin entre ambas seales, son estadsticamente independientes. Sealar que aunque
en esta ocasin no se ha presentado, dos seales no correlacionadas entre s pueden presentar una
funcin de correlacin cruzada estimada con algunos puntos sobre o ligeramente fuera del intervalo
de confianza debido a la varianza de las series.
Sample Cross Correlation Function (XCF)

0.08
Sample Cross Correlation
0.06
0.04
0.02
0
0.02
0.04
0.06
0.08
20
15
10
0
Lag
10
15
Figura 2.27. Funcin de Correlacin cruzada estimada entre las seales at y et.
2-44
20
Sample Cross Correlation Function (XCF)
Sample Cross Correlation
0.5
0.5
1
20
15
10
0
Lag
10
15
20
Figura 2.28. Funcin de Correlacin cruzada estimada entre las seales et y zt.
En la Figura 2.28 se muestra la funcin de correlacin cruzada estimada entre la entrada et y la

salida zt. Se observa que todos sus valores se encuentran dentro del intervalo de confianza del
99.7%, excepto en =0 y =1, ello implica que el valor de la salida en un cierto instante t depende del
valor de la entrada en dicho instante t y del valor de la entrada en el instante t-1. Con lo que se
confirmara que el modelo MA(1) es el correcto.
Ejemplo 2.10
Considrese un cierto sistema 2 que es excitado con una seal de ruido blanco at, de tipo N(0,1) la
salida del sistema es una seal aleatoria zt. Se dispone de N=1000 datos de la entrada y de la salida.
En la Figura 2.29 se representa la salida zt. Se observa que la seal presenta un comportamiento no
estacionario debido a la existencia de valores medios o niveles locales. Esta conclusin se
comprueba calculando su funcin de autocorrelacin estimada (ver Figura 2.30) en la cual se observa
un decrecimiento muy lento.
Para eliminar la estacionaridad habr que diferenciar la seal zt d veces. Si diferenciamos una vez la
seal zt se obtiene la seal wt:
wt zt zt 1
En la Figura 2.31 se representa la salida diferenciada wt. Se observa que parece presentar un
comportamiento estacionario. Para confirmarlo en la Figura 2.32 se representa su funcin de
2-45
autocorrelacin estimada. Puesto que la autocorrelacin presenta un decrecimiento rpido la salida

diferenciada se puede considerar estacionaria y en consecuencia no hace falta diferenciarla ms
veces. Luego el grado de diferenciacin es d=1.
300
200
100
100
200
300
0
100
200
300
400
500
600
Sample Number
700
800
900
1000
16
18
20
Figura 2.29. Seal aleatoria zt
0.8
0.6
0.4
0.2
0.2
0
10
Lag
12
14
Figura 2.30. Funcin de autocorrelacin estimada de la seal yt
2-46
8
6
4
2
0
2
4
6
8
10
0
100
200
300
400
500
600
Sample Number
700
800
900
1000
16
18
20
Figura 2.31. Salida diferenciada wt

0.8
0.6
0.4
0.2
0.2
0
10
Lag
12
14
Figura 2.32. Funcin de autocorrelacin estimada de la salida diferenciada wt
Figura 2.33. Funcin de autocorrelacin parcial estimada de la salida diferenciada wt
2-47
Por otra parte, este decrecimiento exponencial de la funcin de autocorrelacin estimada indica que
la salida diferenciada wt puede ser generada por un proceso AR(n) o ARMA(n,m). Para discriminar
qu tipo de proceso la genera se ha calculado la funcin de autocorrelacin parcial estimada (ver
Figura 2.33) Se observa que todos sus valores se encuentran dentro del intervalo de confianza
excepto en =0, =1 y =2, luego se tratara de un proceso AR(2).
En conclusin el sistema 2 podra modelarse como un modelo ARIMA(2,1,0).
2.7 FILTRADO DE PROCESOS ESTOCSTICOS ESTACIONARIOS

Considrese un sistema dinmico de tiempo discreto estacionario con periodo de
muestreo T=1 (ver Figura 2.34) y funcin de transferencia pulso H(z). Sea la seal de
entrada u un proceso estocstico estacionario con media mu y densidad espectral u. Si el
sistema es estable, entonces la salida y es tambin un proceso estacionario con media
m y (k ) H (1)mu (k )
(2.62)
y densidad espectral
y ( ) H (e i )u ( )H T (e i )
(2.63)
Adems la densidad espectral cruzada entre la entrada y la salida est dada por la
expresin
yu ( ) H (e i )u ( )
(2.64)
Este resultado tiene una sencilla interpretacin fsica. El nmero H (e i ) es la amplitud

en el estado estacionario de la respuesta del sistema a una seal seno de frecuencia . El
valor de la densidad espectral de la salida es entonces el producto de la ganancia de la
potencia H (e i )
y la densidad espectral de la entrada u().
u
H(z)
Figura 2.34. Sistema discreto estacionario
2-48
Por otra parte, la ecuacin (2.64) indica que la densidad espectral cruzada es igual a la
funcin de transferencia del sistema si la entrada es ruido blanco con densidad espectral
unidad. Este resultado puede ser utilizado para determinar la funcin de transferencia pulso
del sistema.
Se va considerar ahora un sistema en tiempo continuo estable invariante en el tiempo
con respuesta a impulso g. La relacin entre la entrada y la salida de dicho sistema viene
dada por:
t
y (t )
g (t s)u (s)ds g (s)u (t s)ds
(2.65)
Sea la seal de entrada u a un proceso estocstico con funcin valor medio mu y

funcin de covarianza ru. El siguiente teorema es anlogo al Teorema 3.3 enunciado para
sistemas en tiempo discreto.
Considrese un sistema lineal estacionario con funcin de transferencia G. Sea la seal
de entrada un proceso estocstico estacionario en tiempo continuo con valor medio mu y
densidad espectral u. Si el sistema es estable, entonces la salida es tambin un proceso
estacionario con valor medio
m y G (0)mu
(2.66)
y densidad espectral
y ( ) G (i )u ( )G T (i )
(2.67)
La densidad espectral cruzada entre la entrada y la salida est dada por
yu ( ) G (i )u ( )
(2.68)
Se denomina factorizacin espectral al problema de obtener el sistema lineal H(z)
( z z ) B( z )
( z p ) A( z )
H ( z) K
estacionario que al ser excitado por ruido blanco de covarianza unidad genera una salida
cuya densidad espectral y(), racional en cos , es conocida de antemano.
2-49
Como la entrada es ruido blanco su densidad espectral es
u ( )
1
2
Adems como
z e i
entonces por la ecuacin (2.63) se tiene que:
y ( )
1
H ( z )H T ( z 1 )
2
Teorema de factorizacin espectral. Dada una densidad espectral (), que sea una
funcin racional en cos , existe un sistema lineal con funcin de transferencia pulso
H ( z)
B( z )
A( z )
(2.69)
tal que la salida que se obtiene, cuando la entrada del sistema es ruido blanco, es un
proceso aleatorio estacionario con densidad espectral . El polinomio A(z) tiene todos sus
ceros dentro del crculo unidad. El polinomio B tiene todos sus ceros dentro del disco unidad
o sobre el circulo unidad.
De acuerdo con el teorema de factorizacin espectral es posible generar cualquier
proceso aleatorio estacionario con densidad espectral racional como la salida de un sistema
lineal estable al cual se le excita con ruido blanco. Por tanto es suficiente con estudiar cmo
se comportan los sistemas cuando son excitados por ruido blanco. Todos los otros procesos
estacionarios con densidad espectral racional pueden ser generados mediante el filtrado
adecuado del ruido blanco.
2-50
BIBLIOGRAFA
[Astrm and Wittenmark, 1984]
K. J. Astrm. Y B. Wittenmark. Computer Controlled

Systems. Prentice-Hall, 1984.
[Bendat and Piersol, 1971]
J. S. Bendat y A.G. Piersol. Random Data: Analysis and

Measurement Procedures. John Wiley & Sons, 1971.
[Box and Jenkins, 1976]
G. E. P. Box y G. M. Jenkins. Time Series Analysis:

Forecasting and Control. Holden-Day. 1976.
[Jenkins and Watts, 1968]
G. M. Jenkins y D. G. Watts. Spectral Analysis and Its

Applications. Holden-Day. 1968.
[Rivera, 2007]
D. E. Rivera. Introduccin a la Identificacin de Sistemas.

Curso impartido en el Dpto. de Informtica y Automtica de
la UNED del 17-28 de septiembre de 2007.
2-51
TEMA 3
CONSIDERACIONES GENERALES SOBRE
LA IDENTIFICACION DE SISTEMAS
3.1 INTRODUCCIN
El modelo matemtico de un sistema se puede utilizar para calcular o decidir cmo se
comporta el sistema. Una posible forma de realizar esto es resolviendo analticamente las
ecuaciones matemticas que describen el sistema y analizando el resultado. Sin embargo,
en muchas ocasiones no es posible encontrar una solucin analtica, o sta es tan
complicada que no permite extraer conclusiones claras. En dichos casos las ecuaciones del
modelo se deben resolver numricamente con ayuda de un computador. ste es
precisamente el fundamento de la simulacin de sistemas, que permiten realizar
experimentos numricos sobre el modelo de un sistema. Obviamente su principal desventaja
es que los resultados de la simulacin dependen de la calidad del modelo del sistema
utilizado.
De forma general los modelos matemticos se pueden obtener de dos formas distintas:
Modelizacin matemtica. Es un mtodo analtico que usa las leyes fsicas (como
las leyes de Newton o las leyes de Kirchoff) para describir la conducta dinmica
del proceso. El modelado depende totalmente de la aplicacin y a menudo tiene
sus races en la tradicin y en las tcnicas especficas del rea de aplicacin.
Generalmente, supone considerar el sistema dividido en subsistemas cuyas
propiedades son conocidas de experiencias anteriores y de los que se tienen
modelos matemticos. El modelo del sistema completo se obtiene uniendo
matemticamente los modelos de los subsistemas considerados.
Identificacin de sistemas. Se trata de un mtodo emprico, es decir, requiere de
la realizacin de varios experimentos para obtener datos de entrada-salida del
3-1
TEMA 3: Consideraciones generales sobre la identificacin de sistemas
sistema. Dichos datos se utilizan para estimar los coeficientes del modelo de tal
forma que la salida del mismo coincida lo ms posible con la salida real del
sistema cuando ambos son excitados con la misma entrada.
Ambas formas de modelizacin no se deben ver como separadas o excluyentes (ver
Figura 3.1). En muchos casos los procesos son tan complejos que no es posible obtener un
modelo usando nicamente principios fsicos. En tal caso se requiere el uso de tcnicas de
identificacin. No obstante para la eleccin de estas tcnicas es importante todo el
conocimiento fsico previo que se tenga de la planta. Tambin puede ocurrir que se obtenga
un modelo a partir del anlisis fsico de la planta pero existan parmetros que no se
conozcan y que puedan ser estimados mediante identificacin.
Sistema
Datos
Entrada-Salida
Leyes
fsicas
Modelado
fsico
Identificacin
Modelo
del
sistema
Figura 3.1: Como construir un modelo de un sistema
Este tema se dedica a describir de forma general el procedimiento general de la

identificacin de sistemas. Ser en lo siguientes temas cuando se expliquen los detalles de
las diferentes etapas de que consta dicho procedimiento. Tambin en este tema se
introducen dos herramientas software que posibilitan la realizacin del procedimiento de
identificacin de sistemas: SITB la toolbox de identificacin de Matlab e ITSIE una
herramienta interactiva para la enseanza de la identificacin de sistemas.
3-2
3.2 PROCEDIMIENTO
SISTEMAS
GENERAL
DE
IDENTIFICACIN
DE
En la Figura 3.2 se muestra un esquema del procedimiento general de la identificacin

de sistemas. En primer lugar hay que disear el experimento o experimentos a los que se va
a someter al sistema. En dicho diseo resulta muy til todo el conocimiento a priori que se
tenga del sistema. El conocimiento a priori del proceso se basa, por ejemplo, en la
comprensin general del proceso, en leyes fsicas a las que ste obedece y en medidas
previas. Todo ello permite disponer de una idea sobre el grado de linealidad del proceso, su
varianza o invarianza con el tiempo, comportamiento integral o proporcional, constantes de
tiempo dominantes, retardos, caractersticas del ruido, rango de algunos parmetros, valor
de algunos de ellos, limitaciones de la estructura del modelo, etc.
Adems, en el diseo del experimento hay que seleccionar, entre otros aspectos, la
seal de entrada (tipo, espectro y amplitud), el periodo de muestreo y la duracin del
experimento (nmero de medidas).
Respecto a la seleccin de la seal de entrada que debe excitar al sistema, debe ser
seleccionada para que genere informacin en el rango de frecuencias de inters. Dos tipos
de entrada bastante utilizadas son las seales pseudoaleatorias binarias (PRBS) y las
seales multiseno. Estas seales de entrada sern objeto de estudio en el Tema 4.
Hay que tener en cuenta que pueden existir limitaciones fsicas y econmicas sobre la
mxima variacin de las seales de entrada y salida durante la realizacin del experimento.
Por otro lado el aumento de la amplitud de la seal de entrada aumenta la relacin entre la
seal y el ruido del sistema, lo que hace que mejore la identificacin.
Respecto a la eleccin del periodo de muestreo, se debe seleccionar de acuerdo a las
constantes de tiempo del sistema. Utilizar un periodo de muestreo muy pequeo supone
tener una redundancia en los datos, con poco aporte de informacin en puntos nuevos. Por
otro lado, utilizar un periodo de muestreo muy grande implica una mayor dificultad en la
determinacin de los parmetros que describen la dinmica del sistema. Una regla prctica
es utilizar una frecuencia de muestreo alrededor de diez veces la anchura de banda de
inters en el modelado.
3-3
Inicio
Diseo
de experimentos
Adquisicin
y
tratamiento de datos
Conocimiento
a priori
del sistema
Seleccin del tipo y de la

estructura del modelo
Estimacin de los
parmetros del modelo
Validacin del modelo
No
Si
Modelo adecuado?
Fin
Figura 3.2: Procedimiento general de identificacin de sistemas
Una vez realizado el experimento los datos de entrada y salida registrados deben ser
tratados matemticamente antes de poder ser utilizados en el proceso de estimacin de los
parmetros del modelo. Por ejemplo si los datos son series temporales estacionarias
entonces se les debe eliminar los valores medios. Si las series son no estacionarias, a las
series temporales se les debe eliminar las tendencias o las perturbaciones de baja
frecuencias que motivan la no estacionaridad. Una posible forma de eliminarlas es filtrar las
series temporales usando un filtro pasa-alta.
Por otra parte los datos experimentales, siempre que se disponga de suficientes datos,
se dividen en dos partes: una se utiliza para identificar el modelo (datos para identificacin) y
otra para validarlo (datos para validacin).
A continuacin se debe escoger un determinado tipo de modelo y proceder a su
obtencin usando los datos experimentales. Existen principalmente dos categoras de
modelos: no paramtricos y paramtricos.
3-4
Los modelos no paramtricos vienen expresados como curvas o tablas que no pueden
ser caracterizadas usando funciones con un nmero de parmetros finito. Algunos de los
modelos no paramtricos ms usuales son los obtenidos mediante:
Anlisis de correlacin. Genera la respuesta a un impulso o a un escaln del sistema
a partir de los datos de entrada-salida disponibles. De la representacin grfica de
estas respuestas se pueden estimar los posibles retardos del sistema, el tipo de
respuesta (oscilatoria, amortiguada, etc) y la ganancia esttica.
Anlisis espectral. Genera una estima de la funcin de la frecuencia del sistema y del
espectro del ruido. A partir de la funcin de la frecuencia del sistema se puede
deducir que frecuencias atena o amplifica el sistema y en que rango (filtro pasabaja, pasa-banda o pasa-alta). Por su parte del estudio del espectro del ruido se
puede deducir si las perturbaciones que afectan al sistema se pueden modelar como
ruido blanco o se debe obtener un modelo especfico para las mismas.
Los modelos paramtricos quedan definidos por un conjunto finito de parmetros. Los
parmetros del modelo se obtienen usando algn mtodo de estimacin o calibracin de
parmetros como el mtodo de los mnimos cuadrados que se basa en la minimizacin del
error de prediccin, es decir, la diferencia entre la salida real medida y la salida generada
por el modelo.
Cuando se desea obtener modelos paramtricos una de las principales decisiones que
se deben tomar es que tipo de modelo utilizar. Normalmente se desean identificar modelos
lineales, algunos de los tipos de modelos discretos lineales ms usuales son: ARX, ARMAX,
OE y BJ. Siempre se suele elegir en primer lugar un modelo ARX ya que es el ms sencillo
de estimar.
Una vez elegido el tipo de modelo, otra decisin que se debe tomar es decidir cul es la
estructura del mismo, es decir, los rdenes de los polinomios que definen el modelo. Lo ms
normal es estimar varios modelos distintos, es decir, trabajar con diferentes estructuras, y
escoger el mejor modelo utilizando algn criterio de seleccin o informacin que tambin
debe ser especificado. En general se debe escoger el modelo que con la menor complejidad
(nmero de parmetros) resulte adecuado para el uso que se va hacer del mismo (control,
simulacin, prediccin,...)
Por ltimo el modelo seleccionado debe ser validado. Entre los tests de validacin ms
utilizados se encuentran los siguientes:
3-5
Comparacin de la salida del modelo con la salida real del sistema usando la misma
entrada. Siempre que sea posible, se debe realizar una validacin cruzada, que
consiste en utilizar para realizar la validacin un conjunto de datos de entrada-salida
distinto al que se ha utilizado para estimar los parmetros del modelo.
Comparacin de la respuesta en frecuencia del modelo con la respuesta en
frecuencia estimada en el anlisis espectral.
Anlisis de los residuos. Los residuos son las diferencias entre la salida del modelo y
la salida real del sistema. Consiste en calcular la autocorrelacin de los residuos y la
autocorrelacin cruzada de los residuos y la entrada.
Si el resultado de la validacin es negativo se debe considerar la opcin de utilizar otras
estructuras y otros tipos de modelos. Si de esta forma tampoco se consiguen buenos
resultados habr que plantearse la realizacin de nuevos experimentos sobre el sistema que
permitan generar datos de entrada-salida que contengan un grado de informacin mayor. En
consecuencia, tal y como se muestra en la Figura 3.2, el procedimiento de identificacin es
iterativo.
En general la identificacin de sistemas resulta muy til para obtener un modelo de un
sistema cuando se dispone de poco o de ningn conocimiento a priori del mismo. En dicho
caso al sistema se le considera como una caja negra. En la identificacin de modelos de
caja negra no suele importar tanto la estructura del modelo sino que el modelo genere una
salida que se ajuste lo ms posible a la salida medida experimentalmente.
Por otra parte, la identificacin tambin resulta til cuando a partir del modelado fsico
se ha obtenido un determinado modelo cuyos parmetros hay que estimar. En este caso al
sistema se le considera como una caja gris. En la identificacin de modelos de caja gris lo
importante es estimar los parmetros de un modelo predeterminado de tal forma que la
salida del mismo se ajuste lo ms posible a la salida del sistema medida experimentalmente.
3.3 HERRAMIENTAS
SISTEMAS
SOFTWARE
PARA
IDENTIFICACIN
DE
3.3.1 SITB, la toolbox para identificacin de sistemas de MATLAB

MATLAB es un aplicacin software bastante potente que soporta un lenguaje de
computacin tcnico de alto nivel y dispone de un entorno interactivo para el desarrollo de
algoritmos, visualizacin de datos, anlisis de datos y clculos numricos.
3-6
MATLAB puede ser utilizado en un amplio rango de aplicaciones de ingeniera y ciencia,

como el procesamiento de seales y de imgenes, control, simulacin, etc. La posibilidad de
escribir en el lenguaje nativo de MATLAB libreras de funciones (denominadas toolboxes)
permiten extender el uso de MATLAB a la resolucin de toda clase de problemas en
distintas reas de aplicacin.
En 1987 Lennard Ljung, profesor del Departamento de Ingeniera Elctrica de la
Universidad de Linkpings (Suecia), escribi una toolbox de funciones de MATLAB para la
identificacin de sistemas denominada abreviadamente SIT o SITB acrnimo derivados de
System Identification Toolbox. La ltima versin disponible de esta toolbox, en el momento
de escribir estos apuntes, es la Versin 8.2 que se distribuye conjuntamente con la versin
R2013a de MATLAB: (http://www.mathworks.es/products/sysid/).
Obviamente cada nueva versin de SITB ha ido aadiendo nuevas funciones y mejoras
a la toolbox. Aunque no es necesario disponer de la ltima versin de SIT para poder aplicar
el procedimiento de identificacin de sistemas a un problema real. En estos apuntes los
ejemplos se han realizado con la versin 6.0.1 de SITB (Matlab 7.0). Es importante recordar
los problemas de compatibilidad que presentan las diferentes versiones de MATLAB, as un
script desarrollado para una determinada versin no tiene asegurado que se pueda ejecutar
completamente sin generar errores en otra versin distinta.
La toolbox SITB contiene funciones para poder realizar todos los pasos del
procedimiento general de identificacin de sistemas, excepto la etapa de diseo de
experimentos. Si se teclea en la lnea de comandos de MATLAB la orden
>>help ident
aparece un listado con el nombre y la utilidad de todas las funciones de SITB. Para
conseguir informacin detallado sobre el uso y la sintaxis de una funcin en particular de
STIB se puede teclear el comando
>>help [nombre de la funcion]
Existe un manual de ayuda de SITB en formato HTML que puede ser invocado desde la
propia ventana de MATLAB. Tambin existe una versin en PDF del manual de STIB
(http://www.mathworks.es/help/toolbox/ident/).
Las funciones disponibles en SITB pueden agruparse, entre otras, en las siguientes
categoras:
3-7
Presentacin y tratamiento de datos. En esta categora se engloban aquellas

funciones que permiten representar las series temporales de los datos de entrada
- salida, seleccionar rango de datos, modificar el periodo de muestreo, eliminar
valores medios y filtrar los datos
Estimacin de modelos no paramtricos. Dentro de esta categora se engloban

aquellas funciones que permiten realizar anlisis de correlacin y anlisis
espectral.
Estimacin de modelos paramtricos. En esta categora se engloban aquellas

funciones que permiten estimar por diferentes mtodos los parmetros de
diferentes tipos de modelos (ARX, ARMAX, OE, BJ,...). As como generar familias
de modelos con diferentes estructuras y seleccionar la ms adecuada segn
diferentes criterios de informacin o seleccin.
Simulacin y validacin de modelos. En esta categora se engloban aquellas

funciones que permiten simular la salida de un modelo ante diferentes entradas y
compararla con los datos de la salida real, realizar anlisis de los residuos y
estudiar las posibles cancelaciones de ceros y polos que permitan reducir la
complejidad del modelo.
SITB emplea varios tipos de estructuras de datos en forma matricial que permiten
representar los distintos elementos con los que trabaja. Tambin SITB dispone de las
funciones necesarias para la manipulacin de estas estructuras de datos: creacin de
nuevas estructuras, extraccin y modificacin de valores almacenados, representacin
grfica. Adems dispone de funciones para convertir, cuando es posible, un tipo de
estructura a otro tipo distinto.
Aparte de poder invocar las funciones de SITB desde la lnea de comandos de Matlab o
desde un script, SITB tambin dispone de una interfaz grfica de usuario (GUI) atractiva y
sencillo que internamente invoca a las funciones de la toolbox pero sin que el usuario sea
consciente de ello, ya que nicamente tiene que operar con el ratn sobre la interfaz grfica.
Al GUI de SITB (ver Figura 3.3) se le invoca con la siguiente orden:
>>ident
3-8
Figura 3.3. El interfaz grfico de usuario de STIB
3.3.2 ITSIE, una herramienta interactiva para la enseanza de la

identificacin de sistemas
En el ao 2009 J.L. Guzman, profesor del Dpto. de Lenguajes y Computacin de la
Universidad de Almera, desarroll junto con otros profesores, la herramienta software
interactiva ITSIE (Interactive Tool for System Identification Education) para la enseanza de
la identificacin de sistemas que se distribuye (http://aer.ual.es/ITSIE/) de forma
gratuita.
Obviamente ITSIE es mucho menos flexible y limitada que la toolbox SITB. Sin
embargo, permite aprender fcilmente los fundamentos de la identificacin de sistema y da
soporte al diseo de experimentos (configuracin de la seal de entrada), algo de lo que
carece SITB.
ITSIE est desarrollada en Sysquake (http://www.calerga.com/index.html), un
lenguaje parecido al de MATLAB que posibilita de forma sencilla la creacin de grficos
interactivos. ITSIE se distribuye gratuitamente como un fichero autoejecutable por lo que no
requiere que se tenga instalado en el computador Sysquake.
ITSIE presenta un interfaz grfico de una nica ventana (ver Figura 3.4) que incluye
todas las etapas del procedimiento de identificacin. El usuario interacta sobre los
elementos presentes en la ventana con el uso del ratn o del teclado. Cualquier modificacin
sobre algn elemento de la ventana se refleja inmediatamente sobre el resto de elementos.
3-9
Figura 3.4. Ejemplo de ventana de la herramienta ITSIE
La herramienta ITSIE presenta dos modos diferentes de ejecucin:

Modo Simulacin. En este modo se trabaja con la simulacin de un proceso
conocido especificado por el usuario.
Modo datos reales. En este modo se trabaja con un conjunto de datos de entradasalida que deben ser cargadas en la herramienta.
3.3.2.1 Modo simulacin
En este modo de trabajo ITSIE ofrece las siguientes funcionalidades:

Definicin de la planta y parmetros de simulacin. La parte central de la ventana de
ITSIE en este modo tiene una zona denominada Simulation parameters que
permite modificar de forma interactiva las fuentes de ruido del proceso simulado.
Otros parmetros de simulacin, como el periodo de muestreo, se pueden configurar
en una entrada del men Parameters. Adems el proceso simulado puede ser
configurado a partir del men ModesSimulation. La configuracin del modelo del
proceso puede ser salvada en un fichero que puede ser cargado en la herramienta
cuando se desee.
3-10
Diseo de la entrada. Existe una zona de definicin de los parmetros de la entrada

con la que se excita el sistema denominada Input signal parameters, que se
encuentra localizada en la parte central superior de la ventana de ITSIE. En ella el
usuario puede elegir el tipo de seal de entrada (PRBS o multiseno) y si desea
especificar la seales directamente o seguir unas guas de diseo. En el primer caso
los parmetros de la seal de entrada pueden ser modificados interactivamente
mediante el uso de sliders o arrastrando en algunas de las figuras relacionadas a la
entrada:
Input
Signal
que
muestra
la
representacin
temporal,
Autocorrelation que muestra la representacin grfica de la autocorrelacin y

Power
Spectrum que muestra la representacin grfica de su espectro de
potencia. En la figura Full Input Signal se muestra la representacin temporal

de la seal de entrada completa, es decir, con todos los ciclos que se hayan
especificado.
Seleccin del tipo y estructura del modelo y estimacin de parmetros. En la central
de la ventana de ITSIE existen una zona con unas casillas que permiten seleccionar
el tipo del modelo (ARX, ARMAX, OE, BJ, CRA) y unos deslizadores para
seleccionar de forma manual la estructura del modelo. En el caso de un modelo ARX
tambin es posible dejar que sea la herramienta quien elija la mejor estructura dentro
de un rango de valores predeterminados el cual se especifica a travs de una
entrada del men Parameters. La seal de entrada completa es la que es aplicada
al proceso cargado en ITSIE para obtener la salida del proceso que se muestra en
color negro en la figura Output signal. Estos son los datos de entrada-salida que
se utilizan para estimar los parmetros del modelo seleccionado. En la Figura
Output signal existe una lnea vertical de color magenta que permite especificar
el rango de datos de entrada-salida que se van usar para estimacin (ocupan una
zona sombreada con amarillo claro situada a la izquierda de la lnea) y los que se
van usar para validacin (los situados a la derecha de la lnea).
Validacin del modelo. Se muestra en tres figuras diferentes: Step responses que
incluye la representacin grfica de la respuesta a un escaln del proceso cargado
en ITSIE y del modelo seleccionado, Correlation function of residuals
que incluye la representacin grfica de la funcin de correlacin de los residuos y
Cross correlation function between input and prediction error
que incluye la representacin grfica de la funcin de correlacin cruzada entre la
entrada y el error de prediccin.
3-11
3.3.2.2 Modo datos reales
Los datos de entrada salida se cargan mediante el men ModesReal data. Los
datos deben encontrarse en un fichero ASCII o en fichero .mat de MATLAB. En el caso de
que se encuentren en un fichero ASCII los datos se deben organizar en tres columnas:
tiempo, salida, entrada. Si se utiliza el formato MATLAB, el fichero .mat debe contener las
variables t (tiempo), y (salida) y u (entrada).
En este modo de trabajo el contenido de la ventana de ITSIE vara parcialmente con
respecto al modo simulacin. Las zonas que antes estaban dedicadas a configurar los
parmetros de la seal de entrada y los parmetros de simulacin ahora desaparecen.
Ahora aparecen zonas que permiten configurar las estructuras de diferentes tipos de
modelos.
BIBLIOGRAFA
[Guzman et al., 2009]
J. L. Guzman, D. E. Rivera, S. Dormido y M. Berenguel.

ITSIE: An interactive Software tool for system identification
education. Proceeding of 15th IFAC Symposium on System
Identification (SYSID 2009). 2009.
[Guzman et al., 2009b]
J. L. Guzman, D. E. Rivera, S. Dormido y M. Berenguel.

ITSIE: Teaching system identification through interactivity.
Proceeding of 8th IFAC Symposium on Advances in Control
Education. 2009.
[Ljung y Glad, 1994]
L. Ljung y T. Glad. Modelling of dynamic systems. Prentice

Hall. 1994.
[Ljung, 2010]
L. Ljung. System Identification Toolbox 7. The Mathworks.

2010.
[Rivera, 2007]

[Schoukens y Pintelon, 1991]
J. Schoukens, R. Pintelon. Identification of linear systems.

Pergamon Press. 1991.
[Sderstrm y Stoica, 1989]
T. Sderstrm y P. Stoica, System Identification. Prentice

Hall. 1989.
3-12
TEMA 4
DISEO DE EXPERIMENTOS Y
TRATAMIENTO DE DATOS
4.1 INTRODUCCIN
El xito del procedimiento de identificacin depende en gran medida de la calidad de los
datos de entrada-salida que se adquieran del sistema. Para obtener datos que contengan la
mxima informacin resulta fundamental realizar un diseo adecuado del experimento o
experimentos a los que se va a someter el sistema. Dicho diseo debe contemplar aspectos
tales como la seleccin del tipo y de las caractersticas (magnitud y duracin) de la seal de
entrada con que se va a excitar el sistema. As como la eleccin del periodo de muestreo.
Tambin se debe procurar que los experimentos que se diseen sean amigables con la
planta o sistema a identificar, es decir, que no perturben en exceso su actividad normal ni
puedan provocar la rotura de los actuadores.
Una vez realizados los experimentos, los datos de entrada-salida deben ser
representados grficamente. A partir de dichas representaciones es posible detectar la
existencia de comportamientos no estacionarios (derivas y/o tendencias en el valor medio y
en la pendiente), la existencia de perturbaciones de alta frecuencia y la existencia de datos
errneos (outliers). Antes de poder ser utilizados para la estimacin de modelos los datos
deben ser tratados matemticamente para eliminar las anomalas detectadas. Bsicamente
dicho tratamiento incluye la eliminacin de valores medios y tendencias de las series
temporales de entrada-salida. As como el filtrado (si fuese necesario) de los datos para
eliminar las perturbaciones de baja (derivas) y alta frecuencia, o para enfatizar un
determinado rango de frecuencia de inters.
En este tema en primer lugar se realizan unas consideraciones generales sobre la
eleccin de la seal de entrada. En segundo lugar se describen las caractersticas de los
principales tipos de seales de entrada. A continuacin se realizan unas consideraciones
sobre la eleccin del periodo de muestreo. Finalmente se describe el tratamiento
4-1
TEMA 4: Diseo de experimentos y tratamiento de datos
matemtico que hay que realizar sobre los datos de entrada-salida obtenidos
experimentalmente antes de poder utilizarlos en el proceso de identificacin.
4.2 CONSIDERACIONES GENERALES SOBRE LA ELECCIN DE

LA SEAL DE ENTRADA
4.2.1 Excitacin persistente
Una seal de entrada u(t) estacionaria o cuasi-estacionaria con un espectro de potencia
u() se dice de excitacin persistente (EP) de orden o grado n si para todos los filtros de la
forma
M n ( z ) m1 z 1 ... mn z n
(4.1)
la relacin
2
M n ( e j ) u ( ) 0
(4.2)
M n ( e j ) 0
(4.3)
implica que
En conclusin, una entrada u(t) es de EP de orden n si su espectro u() es distinto de

cero en al menos n puntos del intervalo -< <.
En general si se desea identificar un sistema de N parmetros se debe excitar con una
entrada de EP de grado n N. Si la seal de entrada fuese de EP de grado n < N no estara
excitando suficientemente al sistema para identificar todos sus parmetros.
Asimismo, para un sistema dinmico con ruido no correlacionado la estima es
consistente (ver seccin 6.4.3) si la seal de entrada es de EP de grado N, es decir, coincide
con el nmero de parmetros que posee el modelo.
4.2.2 Caractersticas deseables en teora para la entrada

De forma general se puede utiliza el siguiente modelo lineal para modelar un sistema
(Ver Figura 4.1):
y (t ) G ( z )u(t ) v (t )
4-2
(4.4)
G(z) es el modelo de la planta o sistema, u(t) es la entrada, v(t) es la perturbacin e y(t)

es la salida. De acuerdo con el teorema de factorizacin espectral (ver seccin 2.7) la
perturbacin v(t) se puede considerar la salida de un filtro H(z) que es excitado por una
seal de ruido blanco a(t):
v(t ) H ( z )a (t )
(4.5)
Luego el modelo del sistema se puede expresar de la siguiente forma:
y (t ) G ( z )u(t ) H ( z )a (t )
(4.6)
a(t)
H(z)
v(t)
u(t)
G(z)
y(t)
Figura 4.1. Modelo lineal de un sistema

En general la perturbacin v(t) es una seal aleatoria autocorrelacionada, por lo que la
salida y(t) tambin ser una seal aleatoria autocorrelacionada. La entrada u(t) puede ser
determinista (PRBS, multiseno,...) o aleatoria, pero debe tener las siguientes caractersticas:
Debe poseer tanta potencia como sea posible, es decir, debe tener una EP de grado
elevado para excitar el mayor nmero posible de frecuencias del sistema y conseguir
que la salida contenga la mxima informacin posible.
Su duracin debe ser lo mayor posible ya que, como se pondr de manifiesto en

seccin 6.4.4, cuanto mayor es el nmero N de datos de entrada-salida que se
recojan menor ser la varianza de los parmetros del modelo del sistema que se
estimen.
Su amplitud debe ser lo mayor posible ya que as aumenta la relacin seal-ruido

con lo se minimiza el efecto de la presencia de ruido en los sensores de medida.
4-3
No debe estar correlacionada con la perturbacin. Es decir, no debe existir

realimentacin de la salida sobre la entrada (operacin en lazo cerrado). Esta
caracterstica no siempre es requerida por todos los mtodos de estimacin de
parmetros pero siempre es deseable.
Si el modelo corresponde a una linealizacin de un sistema no lineal, su validez

estar limitada a un determinado rango de operacin del sistema. Por lo que no se
debe escoger la seal de entrada de modo que saque al sistema fuera de la zona de
validez del modelo. No obstante, tras la identificacin del modelo puede resultar
interesante realizar otro experimento con una amplitud mayor para determinar la
zona de validez de ste.
4.2.3 Caractersticas deseables en la prctica para la entrada:

entradas amigables con la planta.
El trmino amigable con la planta (plant-friendly) proviene de la comunidad de control
de procesos qumicos y est motivado por el deseo de que los experimentos para
identificacin que se realicen sobre la planta o sistema no perturben en exceso el
funcionamiento normal de la planta.
Un experimento amigable con la planta es aqul que permite obtener, en un periodo de
tiempo razonable, datos de entrada-salida para identificar un modelo adecuado de la planta
manteniendo la magnitud de las entradas y las salidas dentro de unos rangos de valores
predefinidos por el usuario.
Una entrada amigable con la planta debera tener las siguientes caractersticas:
Tener una duracin tan corta como sea posible. Con ello se consigue minimizar la
cantidad de producto que genera la planta no utilizable para su venta debido a
estar operando en condiciones fuera de las usuales. Adems tambin se reduce
el coste a la mano de obra cualificada que se debe encargar de realizar los test de
identificacin (lo que se conoce como coste de ingeniera).
No saturar los actuadores o exceder las limitaciones de movimiento de los
mismos.
Producir la mnima perturbacin de las variables controladas, es decir, introducir
en las mismas una varianza baja y desviaciones pequeas del punto de consigna.
4-4
De esta forma se consigue minimizar la variabilidad en la calidad del producto que

genera la salida de la planta.
Se observa que las caractersticas que debe reunir una entrada en la prctica para ser
amigable con la planta estn en contraposicin con las caractersticas deseables en teora.
Por ejemplo en teora la entrada debe tener una duracin lo mas larga posible para as
disminuir el error de varianza de las estimas del modelo. Sin embargo en la prctica lo
recomendable es que su duracin sea lo menor posible para minimizar la cantidad de
producto no utilizable y reducir costes.
En consecuencia, a la hora de disear la seal de entrada hay que llegar a un
compromiso entre los requerimientos prcticos (amigables con la planta) y los tericos
(hostiles con la planta).
4.2.4 ndices para establecer el grado de amigabilidad de una

entrada.
Existen diversos ndices para medir el grado de amigabilidad de una entrada. Entre ellos
destacan: el ndice de amigabilidad, el ndice de comportamiento para seales de
perturbacin y el factor de cresta.
4.2.4.1 ndice de amigabilidad
En [Doyle et al., 1999] definieron el ndice de amigabilidad f de una secuencia de

entrada arbitraria uk, k=1,...,N de la siguiente forma
f (%) 100 1 T
N 1
(4.7)
donde N es la longitud de la secuencia de entrada y nT es el nmero de transiciones (es

decir, situaciones donde ukuk+1) de la seal de entrada. Ntese que el factor de
amigabilidad es un porcentaje. Una entrada se considera ms amigable con la planta cuanto
mayor es el valor de f. Una secuencia de entrada constante es una entrada 100% amigable
con la planta, mientras que una secuencia de entrada cuyo valor cambia en cada instante
de tiempo es 0% amigable con la planta.
4.2.4.2 ndice de comportamiento para seales de perturbacin
En [Godfrey et al., 1999] definieron el ndice de comportamiento para seales de

perturbacin PIPS( Performance Index for Perturbation Signals)
4-5
PIPS (%) 100
2
2
u mean
2 u rms
(4.8)
u max u min
donde urms es la raz cuadrada del valor cuadrtico medio (root mean squared (rms)) de la
secuencia u, umean es su valor medio, umax es su valor mximo y umin es su valor mnimo.
Ntese que PIPS es un porcentaje y sus valores caen por tanto entre el 0% y el 100%, lo
cual lo hacen fcil de interpretar. Cuanto mayor es el valor de PIPS ms amigable se
considera la seal de entrada.
4.2.4.3 Factor de cresta
El factor de cresta o CF (Crest Factor) de una seal se define [Guillaume et al., 1991]
como el cociente entre la norma infinito o norma de Chebyshev l (u ) de la seal y la norma
dos l 2 (u ) de la seal:
CF(u)
l (u )
l 2 (u )
(4.9)
La norma general l p se define en tiempo continuo de la siguiente forma:
1 N
l p (u ) | u(t ) | p dt
N 0
1/ p
(4.10)
Mientras que en tiempo discreto se puede definir de la siguiente forma:
1 N
l p (u ) | u k | p
N k 1
1/ p
(4.11)
Y la norma infinito se define como
l ( x ) max | x(t ) |
(4.12)
El factor de cresta es un valor comprendido entre 1 e infinito que proporciona una

medida de la distribucin de los valores de la seal a lo largo de su rango posible de valores
(span). Un factor de cresta pequeo significa que la mayora de los valores de la secuencia
de entrada caen cerca de los valores mximos y mnimos de la secuencia. Como
consecuencia la entrada es amigable con la planta.
4-6
En la prctica dadas dos seales con el mismo espectro de potencia, se prefiere

siempre la seal con el factor de cresta ms pequeo puesto que contiene la misma
potencia en un rango de valores ms pequeo.
Ejemplo 4.1:
Supngase dos seales multiseno u1 y u2 con idntico espectro de potencia. Las fases de las
componentes de seal u1 se han considerado nulas, mientras que las fases de las componentes de la
seal u2 se ha generado mediante la ecuacin de fase de Schroeder (4.37). El factor de cresta de u1
es 4.4721, mientras que el factor de cresta de u2 es 1.8767.
Figura 4.2: Representacin temporal de la seal multiseno: a) u1 (parte superior). b) u2 (parte inferior)
En la Figura 4.2 ([Rivera, 2007]) se muestra la representacin temporal de ambas seales. La seal
u1 tiene unos valores inicial y final bastante altos con respecto al resto de valores. Por su parte la
seal u2 tiene sus valores uniformemente distribuidos a lo largo del rango de valores. Luego se
comprueba que la seal u2 con menor factor de cresta resulta ms amigable.
4.3 TIPOS DE SEALES DE ENTRADA

4.3.1 Seal escaln
Una seal escaln se define de la siguiente forma en tiempo continuo
a t 0
u (t )
0 t 0
(4.13)
Su transformada de Laplace es
4-7
U (s)
a
s
(4.14)
Su definicin en tiempo discreto es:
a k 0, 1, 2,...
uk
0 k 1, 2, 3
(4.15)
Su transformada z es
U ( z)
a
1 z 1
(4.16)
En la Figura 4.3 ([Rivera, 2007]) se representa la serie temporal y el espectro de

potencia de un escaln de ejemplo.
Figura 4.3. Ejemplo de serie temporal y espectro de potencia de una entrada escaln
Una entrada escaln nicamente permite excitar las bajas frecuencias. Se puede
demostrar que es una seal de EP de grado 1. Con este tipo de entradas nicamente se
puede determinar un nico parmetro: la ganancia esttica del sistema. Este valor
corresponde al comportamiento del sistema a frecuencia cero (=0).
4.3.2 Seal pulso simple

La seal pulso simple tambin denominada como seal pulso de media no nula se
define de la siguiente forma en tiempo continuo
4-8
t0
0
u ( t ) a 0 t t
0
t t
(4.17)
U (s)
a(1 e t s )
s
(4.18)
k 1, 2,...
uk a
0
k 0, 1, 2,...., N
N t / T
k N 1, N 2,..
(4.19)
U (z)
a(1 z N )
1 z 1
N t / T
(4.20)

potencia de un pulso simple de ejemplo.
Figura 4.3. Ejemplo de serie temporal y espectro de potencia de una entrada pulso simple
Una seal pulso a diferencia de una seal escaln consigue excitar algo al sistema en
un rango intermedio de frecuencia. Si se estrecha la anchura y se aumenta la amplitud de la
seal pulso, sta se puede aproximar a un impulso. Mientras que si se aumenta su anchura
del pulso, ste se asemeja a la seal escaln.
4-9
4.3.3 Seal pulso doble

La seal pulso doble tambin denominada como seal pulso doble de media nula se
define de la siguiente forma en tiempo continuo
t0
0
u ( t ) a 0 t t
a
t t
(4.21)
U (s)
a(1 2e t s e 2t s )
s
(4.22)
k 1,2,...
0
uk a
k 0, 1, 2,...., N N t / T
a k N 1, N 2,...
(4.23)
a(1 2z N z 2 N )
1 z 1
(4.24)
U ( z)
N t / T

potencia de un pulso doble.
Figura 4.5. Ejemplo de serie temporal y espectro de potencia de una entrada pulso doble
4-10
Una seal pulso doble tambin consigue excitar algo al sistema en un rango intermedio
de frecuencia. Sin embargo atena las bajas frecuencias, lo cual puede suponer un
problema si la anchura del pulso t no es lo suficiente grande.
4.3.4 Ruido blanco

Se denomina ruido blanco en tiempo discreto a un proceso estocstico estacionario
discreto x(t) cuya funcin de covarianza es:
2 0
rxx ( )
0 1, 2,...
(4.25)
En la Figura 4.6 se representa rxx() grficamente. Obsrvese que rxx() es nula para
todos los valores de excepto en el origen (=0) donde vale 2 que es la varianza del
proceso. Esto significa que el valor del proceso en un instante de tiempo t es independiente
(no est correlacionado) de los valores del proceso en otros instantes de tiempo. El proceso
estocstico ruido blanco puede por tanto ser considerado como una secuencia de variables
aleatorias igualmente distribuidas e independientes.
rxx()
2
-2
-1
2
2
Figura 4.6: Representacin grfica de la covarianza y de la densidad espectral del ruido blanco en
tiempo discreto
Su funcin de densidad espectral es:
2
2
(4.26)
4-11
Luego un proceso de ruido blanco se caracteriza por tener una densidad espectral
constante para todas las frecuencias. La analoga con las propiedades espectrales de la luz
blanca explican el nombre que recibe este proceso estocstico.
En el caso del ruido blanco en tiempo continuo su funcin de covarianza es:
rxx (t ) 2 ( )
(4.27)
Donde es la funcin delta de Dirac:
si 0
0 si 0
( )
El ruido blanco es una seal de EP de grado infinito y eso es as porque dispone de

todas las frecuencias. En consecuencia es la seal de entrada idnea en teora para
identificar un sistema. Desafortunadamente, no es una seal que resulte amigable con la
planta. Es por ello que se suele recurrir a seales cuyo espectro se puede aproximar en un
cierto rango de frecuencias al ruido blanco, es decir, seales cuyo espectro es
prcticamente constante en un cierto rango y que son ms amigables con la planta. Las dos
aproximaciones ms utilizadas son la seal aleatoria binaria o seal RBS (Random Binary
Signal) y la seal pseudoaleatoria binaria o seal PRBS (Pseudo-Random Binary Signal).
4.3.5 Seal binaria aleatoria (RBS)

Una seal binaria aleatoria o seal RBS discreta es una seal que conmuta con una
probabilidad p entre dos valores a y a en instantes de tiempo equiespaciados t=hTsw
donde h=0,1,2, y Tsw es el periodo de conmutacin. Obviamente los parmetros de diseo
de esta seal son su amplitud a, su periodo de conmutacin Tsw y la probabilidad de
conmutacin p. En la Figura 4.7 ([Rivera, 2007]) se muestra una posible realizacin de una
seal RBS y su espectro de potencia.
Se puede demostrar ([Davies, 1970], [Godfrey, 1993]) que la expresin asinttica del
espectro de una seal RBS con p=0.5 es:
sin 2 (Tsw / 2)
u ( ) a Tsw
(Tsw / 2) 2
2
(4.28)
En la Figura 4.8 ([Rivera, 2007]) se muestra el espectro de potencia asinttico de una

seal RBS con p=0.5, se observa que es prcticamente constante en el rango de
4-12
frecuencias comprendido entre [ , ] y que comienza a disminuir con oscilaciones para
> .
Figura 4.7: Realizacin y espectro de potencia de una seal RBS. 300 muestras tomadas con periodo
de muestreo unidad, Tsw=3 minutos, a=1, p=0.5.
Figura 4.8: Espectro de potencia asinttico de una seal RBS con p=0.5
Al tratarse de una seal aleatoria el espectro de potencia de la misma tiene un cierto

error, aunque la banda de confianza o banda de error no aparece representada ni en la
Figura 4.7 ni en la Figura 4.8.
4-13
4.3.6 Seal binaria psedoaleatoria (PRBS)

Una seal PRBS es una entrada peridica y determinista que se puede generar
utilizando registros de desplazamiento y algebra Boolena (ver Figura 4.9 ([Rivera, 2007])).
Figura 4.9: Generacin de una seal PRBS utilizando un registro de desplazamiento de nr bits y una
puerta lgica XOR (OR-exclusiva).
Una seal PRBS posee las siguientes propiedades:
Tiene dos niveles a y puede cambiar de uno a otro slo en ciertos intervalos de
tiempo t=0, Tsw, 2 Tsw, 3 Tsw, A Tsw se le conoce como tiempo de reloj o de
conmutacin.
Si se va a producir o no el cambio de la seal en un determinado intervalo est

"predeterminado". Luego la seal PRBS es determinista y los experimentos se
pueden repetir.
Es peridica con periodo T0=N Tsw, siendo N un nmero entero impar.
Posee un grado N de excitacin persistente.
Su rango de frecuencia es configurable por el usuario.
Las seales PRBS ms utilizadas son las que se basan en secuencias de longitud
mximas, para las cuales N=2nr-1 siendo nr la capacidad del registro de
desplazamiento.
La funcin de autocovarianza de una seal PRBS es peridica y se asemeja a la

del ruido blanco (ver Figura 4.10 ([Rivera, 2007])).
4-14
Figura 4.10: Funcin de autocovarianza de una seal PRBS
Figura 4.11: Representacin temporal y espectro de potencia de una seal PRBS. Periodo de
muestreo unidad, Tsw=3, a=1 y nr=4. La duracin de un ciclo es de 45 minutos.
En la Figura 4.11 ([Rivera, 2007]) se muestra la representacin temporal y el espectro

de potencia de una seal PRBS de ejemplo.
Se puede demostrar que ([Davies, 1970], [Godfrey, 1993]) la expresin asinttica del
espectro de una seal PRBS es:
Tsw
sin
2
a (N 1)Tsw 2
u ( )
N
Tsw
2
(4.29)
4-15
En la Figura 4.12 ([Rivera, 2007]) se muestra el espectro de potencia general de una

seal PRBS, se observa que es prcticamente constante en el rango de frecuencias
comprendido entre [ , ] y que comienza a disminuir osciladamente para > .
Figura 4.12: Espectro de potencia asinttico de una seal PRBS
El rango de frecuencias donde el espectro es constante se puede estimar a travs de la

siguiente expresin:
2
2.8

N Tsw
Tsw
(4.30)
Si se aumenta el valor de N se consigue disminuir el valor de , y en consecuencia el

rango de frecuencias se extiende ms hacia las bajas frecuencias. Por otro lado si se
disminuye el tiempo de conmutacin Tsw se consigue aumentar el valor de con lo que el
rango de frecuencia se extiende ms hacia las altas frecuencias. Ntese que tambin se
aumenta el valor de , por lo que si se desea mantener el valor de se debe aumentar N
para compensar.
Si se compara una seal PRBS con una seal RBS se observa que desde el punto de
vista frecuencial, el espectro de una seal PRBS es muy parecido al de una seal RBS.
Tambin desde el punto de vista temporal una seal RBS y de una seal PRBS son muy
parecidas, solo si se tiene un registro de muestras suficientemente grande se podr apreciar
el carcter peridico de una seal PRBS que le distingue en el tiempo de una seal RBS.
4-16
La principal diferencia entre ambos tipos de seales es que una seal PRBS es
determinista y por lo tanto reproducible experimentalmente, por eso siempre es preferible
utilizar una seal PRBS a una seal RBS.
Los parmetros de diseo de una seal PRBS son su amplitud a, el periodo de
conmutacin Tsw y la longitud nr del registro de desplazamiento. En [Rivera, 1992] se dan
las siguientes expresiones como guas para ayudar a disear una seal PRBS:
Tsw
N 2 nr 1
L
2.8 dom
H
2 s dom
Tsw
(4.31)
(4.32)
Tanto Tsw como N son nmeros enteros positivos. Adems Tsw debe ser un mltiplo
entero del tiempo de muestreo T.
El significado de los parmetros que aparecen en las expresiones (4.31) y (4.32) es el
siguiente:
L
H
dom
y dom
son las estimas inferior y superior, respectivamente, de la constante
de tiempo dominante del proceso.
s es un factor entero positivo que permite especificar el valor de , es decir,

cuanta informacin de baja frecuencia estar presente en la entrada. Cunto
mayor sea el valor de s ms pequeo ser el valor de y ms informacin
de baja frecuencia contendr la entrada. Tambin s es un factor que representa
el tiempo de asentamiento del proceso. Por ejemplo, un valor s=3 especifica el
lmite inferior de frecuencia usando el 95% del tiempo de asentamiento del
proceso, s=4 el 98% y s=5 el 99%.
s es un factor entero positivo que permite especificar el valor de , es decir,

cuanta informacin de alta frecuencia estar presente en la entrada. Cunto
mayor sea el valor de s ms grande ser el valor de y ms informacin de
alta frecuencia contendr la entrada. Tambin s es un factor que representa la
velocidad de la respuesta en lazo cerrado del proceso, expresada como un
4-17
mltiplo del tiempo de respuesta en lazo abierto. Por ejemplo si s=2, el

diseador espera que la constante de tiempo del sistema en lazo cerrado sea la
mitad que la del sistema en lazo abierto (es decir, dos veces ms rpido) y ello
requiere un mayor contenido de alta frecuencia en la entrada.
Considerando los parmetros anteriores el rango de frecuencias donde el espectro es
constante se puede estimar a travs de la siguiente expresin
L s
H
s dom
dom
(4.33)
Ntese que si se aumenta s y s el rango de frecuencias se amplia y se incrementa la

resolucin del espectro de la seal de entrada.
4.3.7 Seal multiseno

Una seal suma de sinusoides, tambin denominada como seal multiseno, es una
seal determinstica peridica que puede expresarse, por ejemplo, de la siguiente forma:
ns
us ( k ) 2 i cos(i k T i )
(4.34)
i 1
En la expresin anterior T es el tiempo de muestreo, ns es el nmero de sinusoides (es

decir de armnicos) y i es la potencia relativa de una sinusoide (i>0 i=1,...,ns). Se verifica
que
ns
i 1
Por otra parte, es un factor de escala para asegurar que la amplitud de la seal se
encuentra entre los valores usat.
La frecuencia de cada componente sinusoidal se calcula a travs de la siguiente
expresin:
2 i
N T
donde N es la longitud de la secuencia. Se verifica que
4-18
(4.35)
ns
N
2
(4.36)
La fase de cada componente sinusoidal se puede calcular, por ejemplo, usando la

ecuacin de fase de Schroeder [Schroeder, 1970]:
i
i 2 j j
(4.37)
j 1
Lo que minimiza la aparicin de picos pronunciados en la serie temporal. En dicho caso

a la seal multiseno, tambin se la denomina como seal de fase de Schroeder.
Una sinusoide es una seal de EP de grado 2, con esta entrada se puede determinar la
respuesta de un sistema a una determinada frecuencia, es decir, la amplitud con que se
modifica la seal al pasar por el sistema y el desfase que se introduce. Por lo tanto, una
seal formada por la suma de ns sinusoides es de EP de orden 2ns.
A modo de ejemplo, en la Figura 4.13 se muestra el espectro de potencia de una seal
suma m de sinusoides diseada como filtro pasa-baja, se observa que posee una parte
constante (i0) en el rango de frecuencias comprendido entre [ , ] y es nulo (i=0) en
el rango [ , /T] .

i 0
i 0
2
N s T
Figura 4.13: Espectro de potencia de una seal suma de sinusoides diseada como filtro pasa-baja.
En consecuencia el espectro de potencia de una seal multiseno est directamente

especificado mediante la seleccin del factor de escalado , los coeficientes de Fourier i, el
nmero de armnicos ns y la longitud de la seal N. En [Rivera et al., 1993] se dan las
siguientes expresiones como guas para ayudar a disear una seal multiseno:
4-19
H
2 s dom
N
T
ns
N T s
L
2 dom
(4.38)
(4.39)
L
H
, dom
, s y s tienen el mismo significado que en el caso de las
Los parmetros dom
seales PRBS explicadas en la seccin anterior.

Considerando los datos anteriores el rango de frecuencias donde el espectro es
constante se puede estimar a travs de la siguiente expresin
L s
H
s dom
dom
(4.40)
Ntese que si se aumenta s y s el rango de frecuencias se amplia y se incrementa la

resolucin del espectro de la seal de entrada.
Ejemplo 4.2:
Considrese la siguiente planta con retardo
es
P( s )
s 1
con un periodo de muestreo T=0.3 minutos [Rivera et al., 1993]. Se va a considerar que dom=1.5
minutos, s= 2 y s=3. Sustituyendo estos valores en (4.38) y (4.39) se obtienen los siguientes valores
para los parmetros de diseo de una seal multiseno: N=95 y ns=7. Adems el periodo de un ciclo
es de NT=950.3=28.5 minutos. Se va a tomar como amplitud de la seal a=1.75.
Figura 4.14: Series temporales de la seal PRBS y de la seal multiseno del ejemplo.
4-20
Por otra parte sustituyendo el valor de estos parmetros en las expresiones (4.31) y (4.32) se obtiene
los siguientes valores para los parmetros de diseo de una PRBS: Tsw=2.1, N=15 y n=4. Adems el
periodo de un ciclo es NTsw=152.1= 31.5 minutos. Se va a tomar como amplitud de la seal a=1.0.
En la Figura 4.14 ([Rivera, 2007]) se muestra la representacin temporal de la seal multiseno y de la
seal PRBS. Se observa que la amplitud de la seal PRBS oscila en un rango de valores [-1,1] ms
pequeo que la amplitud de la seal sinusoidal que se mueve entre [-1,7,1.7] aproximadamente. Sin
embargo la seal multiseno requiere de movimientos menos bruscos de los actuadores en
comparacin con la seal PRBS.
En la Figura 4.15 ([Rivera, 2007]) se muestra la salida del sistema cuando es excitado con la seal
multiseno y con la seal PRBS. Se observa que la amplitud de la seal de salida es muy parecida en
ambos casos y muestra desviaciones similares del punto de operacin nominal.
Figura 4.15: Series temporales de la salida del sistema cuando es excitado con la seal PRBS y con
la seal multiseno del ejemplo.
Figura 4.16: Espectro de potencia de la seal PRBS y de la seal multiseno del ejemplo.
4-21
En la Figura 4.16 ([Rivera, 2007]) se muestra el espectro de potencia de ambas seales. Se observa
que las dos seales tienen el mismo ancho de banda; sin embargo nicamente la seal multiseno es
una autentica seal pasa-baja. Sin embargo esta seal no tiene suficiente excitacin persistente para
identificar las componentes de alta frecuencia, como por ejemplo las que poseen los modelos tipo FIR
(ver seccin 6.2.2). Una forma de corregir este problema es aadir armnicos a alta frecuencia pero
solo como una fraccin de la potencia a baja frecuencia. (ver Figura 4.17 ([Rivera, 2007]))
Figura 4.17: Serie temporal y espectro de potencia de la seal multiseno modificada

Otra opcin es disear la seal multiseno para que su espectro se parezca al de la seal PRBS en el
rango de frecuencias de inters (ver Figura 4.18 ([Rivera, 2007]))
Figura 4.18: Serie temporal y espectro de potencia de la seal multiseno modificada para que se
parezca a la seal PRBS en el rango de frecuencias de inters.
Otro aspecto a considerar en el diseo de las seales multiseno, es que la eleccin de

los ngulos de fase i de los armnicos de la seal no influye sobre la forma del espectro de
potencia. Sin embargo afectan al valor de los parmetros que se calculan para medir la
amigabilidad de la seal de entrada con la planta, como es el caso del factor de cresta.
4-22
Eligiendo adecuadamente los valores i de cada componente sinusoidal es posible

disear una seal multiseno con un espectro de potencia determinado y con un factor de
cresta lo ms pequeo posible. Para ello hay que resolver un problema de optimizacin no
lineal que se puede enunciar de la siguiente forma: Dada la siguiente estructura de seal
multiseno
ns
u s ( k ) 2 i cos(i k T i )
(4.41)
i 1
y una densidad de potencia espectral (definida por los coeficientes de Fourier 2 i

i=1,..,,ns de cada uno de los componentes sinusoidales) obtener el vector de fases de las
componentes sinusoidales ptimo
p 1 ,2 , ..., ns
(4.42)
que minimiza el factor de cresta CF(us).

La resolucin de este problema no se puede hacer de forma directa (derivando e
igualando a cero) ya que la norma l (u ) incluida en la definicin del factor de cresta es no
diferenciable. Adems la funcin objetivo es no convexa.
Guillaume et al. (1991) propusieron aproximar la minimizacin de l (u ) por la
minimizacin secuencial de normas l p (u ) donde p=4, 8, 16,.... Esta aproximacin se basa en
el algoritmo de Plya que afirma que
lim p p p
p
Donde p es la solucin minimax. Puesto que la norma l 2 (u ) permanece invariante

con respecto a las fases i, este mtodo efectivamente aproxima la minimizacin del factor
de cresta. El vector de fases p es inicializado con las fases producidas por la ecuacin de
Schroeder (4.37).
Aunque el algoritmo de Guillaume et al. (1991) no garantiza alcanzar el mnimo global,
si permite evitar muchos mnimos locales y produce en la prctica resultados bastante
buenos.
4-23
Ntese que a la formulacin original del problema de optimizacin tambin se le podran

aadir restricciones sobre los valores mnimos y mximos permitidos en la entrada [Rivera et
al., 2007]. As como restricciones sobre el valor mximo permitido en las transiciones desde
un valor uk al siguiente uk+1 de la entrada.
4.3.8 Conclusiones
Con vistas a la reproducibilidad del experimento es conveniente usar una seal
determinista que una aleatoria. Si se conoce el rango de frecuencias del sistema que se
desea identificar entonces se puede elegir como seal de entrada una suma de sinusoides
distribuidas de forma regular sobre dicho rango. Si no se conoce el rango lo mejor es utilizar
una seal RBS o una seal PRBS.
4.4 ELECCIN DEL PERIODO DE MUESTREO

El teorema del muestreo de Shannon afirma que si una seal x(t) en tiempo continuo es
muestreada con un periodo de muestreo T, sta podr ser reconstruida a partir de la seal
muestreada x*(t)=x(tk) tk=kT k=1, 2, ..,N si se cumple la siguiente relacin:
s 21
(4.43)
Siendo 1 es la componente de ms alta frecuencia presente en la seal de tiempo

continuo x(t) y s es la frecuencia de muestreo
2
T
(4.44)
En la prctica normalmente el periodo de muestreo se suele elegir para que se cumpla

la relacin
s 101
(4.45)
La eleccin del periodo de muestreo en el proceso de toma de datos de entrada/salida

del sistema a identificar est ligada a las constantes de tiempo de dicho sistema. Adems se
deben tener en cuenta los siguientes aspectos:
La existencia de un intervalo de tiempo fijo para el experimento. Como el
periodo de muestreo no puede disminuirse una vez realizado el registro de los
4-24
datos conviene muestrear a una velocidad rpida y realizar despus la

estimacin considerando valores dobles, triples, etc del valor de muestreo.
El nmero total de datos a registrar fijo. El periodo de muestreo se debe elegir
entonces como un compromiso. Si es muy grande los datos contendrn poca
informacin sobre la dinmica de alta frecuencia del sistema. Si el periodo es
pequeo las perturbaciones pueden tener una influencia excesiva en el modelo
y, adems, puede haber poca informacin del comportamiento a baja
frecuencia.
El objetivo final de la aplicacin. Para los sistemas en lazo abierto se aconseja
tomar entre 2 y 4 muestras en el tiempo de subida. Para sistemas en lazo
cerrado se aconseja tambin ese nmero de muestras en el tiempo de subida
del sistema en lazo cerrado o bien entre 8 y 16 muestras en una oscilacin
amortiguada del sistema. Otro valor que se suele indicar es el de realizar entre
5 y 16 muestras en el tiempo de asentamiento al 95% de la respuesta del
sistema en lazo cerrado a un escaln de entrada.
La fiabilidad del modelo resultante. El uso de periodos de muestreo muy
pequeos puede llevar a problemas prcticos, ya que los polos tienen a
agruparse en torno al punto z=1 del plano complejo y la determinacin del
modelo se hace muy sensible a errores y perturbaciones, pudiendo resultar que
pequeos errores en los parmetros tengan una influencia importante sobre las
propiedades de entrada-salida del modelo. Adems un muestreo muy rpido
lleva a que el modelo sea de fase no mnima lo que puede causar problemas a
la hora de disear la ley de control.
Ejemplo 4.3:
Se tiene la siguiente expresin para la funcin de transferencia de una planta que posee a su entrada
un retenedor de orden cero.
G ( s)
K (1 T4 s)e Td s
(1 T1s)(1 T2 s)(1 T3 s)
K 1; T1 10; T2 7; T3 3; T4 2; Td 4
El modelo discreto equivalente que se obtiene considerando un periodo de muestreo T es:
4-25
G ( z ) z nk
(b0 b1 z 1 b2 z 2 b3 z 3 )
(1 a1 z 1 a2 z 2 a3 z 3 )
La ganancia es
b
1 a
i
En la Tabla 4.1 se muestran los valores de los coeficientes de G(z) en funcin del periodo de
muestreo T.
Cuando el periodo de muestreo disminuye las magnitudes de los parmetros a se incrementan y la de
los parmetros b disminuyen. Para un periodo de muestreo pequeo, por ejemplo T=1 s, se tiene
bi ai
1 ai ai
Se observa que pequeos errores en los parmetros pueden tener una influencia significativa en el
comportamiento entrada-salida del modelo, ya que, por ejemplo, el valor de
depende
fuertemente de los valores de las cifras decimales cuarta y quinta.
T=1
T=4
T=8
T=16
a1
-2.48824
-1.49836
-0.83771
-0.30842
a2
2.05387
0.70409
0.19667
0.02200
a3
-0.56203
-0.09978
-0.00995
-0.00010
b0
0.06525
0.37590
b1
0.00462
0.06525
0.25598
0.32992
b2
0.00169
0.04793
-0.02850
0.00767
b3
-0.00273
-0.00750
-0.00074
-0.00001
bi
0.00358
0.10568
0.34899
0.71348
1+ai
0.00358
0.10568
0.34899
0.71348
Tabla 4.1: Coeficientes de G(z) en funcin del periodo de muestreo.

Por otra parte la eleccin de un periodo de muestreo muy grande puede llevar a una simplificacin
excesiva del modelo dando este una descripcin muy pobre de su comportamiento dinmico. En el
ejemplo se ve que para T=8 s. el modelo se reduce prcticamente a un sistema de segundo orden,
porque
4-26
a3 << 1 ai
y b3 <<
Para T=16 s el modelo se reduce prcticamente a uno de primer orden.
La eleccin del periodo de muestreo T determina tambin el valor de la frecuencia de

Nyquist N la cual se define de la siguiente forma:
S
2
(4.46)
La frecuencia de Nyquist establece la frecuencia ms alta que puede contener una

seal antes de que aparezca el fenmeno del aliasing. Este fenmeno consiste en el
plegamiento de la funcin de densidad espectral de la seal para frecuencias mayores que
la frecuencia de Nyquist. Es decir, que debido al fenmeno del aliasing las frecuencias en la
seal ms altas que la frecuencia de Nyquist son consideradas errneamente como
frecuencias ms bajas.
Para evitar el aliasing se recomienda usar un filtro antialiasing antes de muestrear la
salida del proceso (ver Figura 4.19). Un filtro antialiasing es un filtro analgico de tipo
pasabajas cuya frecuencia de corte se fija en la frecuencia de Nyquist.
Figura 4.19: Localizacin del filtro antialiasing
Obviamente si se utiliza un filtro antialiasing el modelo que se identifique a partir de los

datos de entrada {u(k)} e {y(k)} incluir tambin la dinmica del filtro.
4.5 TRATAMIENTO DE LOS DATOS

Antes de iniciar el proceso de identificacin es necesario realizar un tratamiento de los
datos de entrada-salida medidos experimentalmente. Dicho tratamiento consta de las
siguientes acciones: filtrado, eliminacin de valores medios y deteccin de outliers.
4-27
Siempre hay que analizar si es necesario llevar a cabo cada una de estas acciones.
Dependiendo de la calidad de los datos de que se dispongan pueden ser necesario realizar
todas, alguna o ninguna de estas acciones.
4.5.1 Filtrado de los datos

El filtrado de los datos de entrada-salida (u(t), y(t)) consiste en disear un filtro digital
L(q) que puede ser un polinomio o una funcin racional del operador desplazamiento q que
se aplica tanto a los datos de entrada u(t) como a los de salida y(t) (ver Figura 4.20):
y F (t ) L( q )y (t )
u F (t ) L( q )u(t )
(4.47)
Los datos de entrada-salida filtrados (uF(t), yF(t)) son los que se utilizan para identificar
el modelo.
Figura 4.20: Filtrado de los datos de entrada-salida
Sealar que en la literatura L(q) recibe el nombre de prefiltro y a (uF(t), yF(t)) se les
denomina datos prefiltrados. Asimismo a la operacin de filtrar los datos de entrada/salida a
travs del filtro L(q) se le denomina operacin de prefiltrado de datos.
El diseo del filtro L(q) se realiza con el objetivo de conseguir uno o varios de los
siguientes objetivos:
Eliminacin del comportamiento no estacionario.
Eliminacin de las perturbaciones de alta frecuencia.
Enfatizar el rango de frecuencias donde se desea que el ajuste del modelo a los
datos experimentales sea mejor.
4-28
En las siguientes subsecciones se describe el diseo de un prefiltro para la consecucin

de cada uno de los objetivos enumerados. Se deja para la seccin 6.4.3 la descripcin del
efecto que tiene el uso de un prefiltro sobre el espectro del error de prediccin filtrado.
Adems en la seccin 9.5 se describir el diseo de un prefiltro para la identificacin
relevante para control.
4.5.1.1 Eliminacin del comportamiento no estacionario
Las derivas y/o tendencias en el valor medio o/y en la pendiente caractersticas de una
serie temporal no estacionaria aparecen en el dominio de la frecuencia como componentes
de baja frecuencia. En consecuencia si los datos presentan un comportamiento no
estacionario, ste se puede eliminar filtrando los datos con un filtro pasa-alta, el cual atena
las componentes de baja frecuencia existente en los datos.
El filtro pasa-alta ms simple es el diferenciador. Por ello la no estacionaridad de una
serie temporal se puede eliminar diferenciando la seal d veces, tal y como se describi en
la seccin 2.6.5. En el caso de los datos de entrada-salida la diferenciacin se realiza de la
siguiente forma:
y F (t ) y (t ) y (t 1) (1 q 1 ) y (t )
uF (t ) u(t ) u (t 1) (1 q 1 ) u(t )
(4.48)
Luego el filtro L(q) que implementa la operacin de diferenciacin toma la forma:
L( q) (1 q 1 )
(4.49)
Que se puede expresar equivalentemente en la forma:
L( z )
z 1
z
(4.49)
Si se representa su diagrama de Bode puede comprobarse que L(z) tiene un

comportamiento de filtro pasa-alta.
En Matlab existen varias funciones que dados los coeficientes del filtro realizan el
filtrado de una seal. Este es el caso por ejemplo de la funcin filter de la toolbox de
procesamiento de seales.
4-29
Ejemplo 4.4:
La funcin filter de Matlab presenta la siguiente sintaxis:
v=filter(B,A,x);
Donde x es la seal a filtrar, v es la seal filtrada, A y B son los coeficientes del filtro L(q) de acuerdo
a la siguiente ecuacin:
a1 v n b1 x n b2 x n1 ... bnb 1 x n nb a 2 v n1 ... a na 1 v nna

Por ejemplo, para diferenciar una vez los datos de entrada y salida habra que ejecutar los siguientes
comandos:
yf=filter([1 -1],1,y);
uf=filter([1 -1],1,u);
4.5.1.2 Eliminacin de las perturbaciones de alta frecuencia
Si el filtro antialiasing no ha sido diseado correctamente o el periodo de muestreo no

se ha elegido bien, entonces los datos pueden presentar ruido de alta frecuencia. Para
eliminarlo se puede disear un filtro L(q) de tipo pasa-baja que atena las componentes de
alta frecuencia.
4.5.1.3 Enfatizar el rango de frecuencias donde se desea que el ajuste del modelo a los datos
experimentales sea mejor
Para enfatizar el rango de frecuencias donde se desea que el modelo presente un mejor
ajuste se debe usar un filtro pasa-banda. Usando un filtro de este tipo se consigue tambin
eliminar el comportamiento no estacionario asociado a componentes de baja frecuencia y el
ruido de alta frecuencia.
La funcin idfilt de la toolbox SITB permite implementar el filtrado de datos a travs
de filtros pasabanda de tipo Butterworth, de orden 5 por defecto.
Ejemplo 4.5
La funcin idfilt de Matlab presenta la siguiente sintaxis:
zf=idfilt(z,filter);
4-30
Donde zf son los datos filtrados, z los datos de entrada-salida y filter es la especificacin del
filtro la cual puede hacerse de diferentes formas. Por ejemplo, para implementar un filtro pasa-banda
en el rango de frecuencias [7.5, 22.5] (rad/s) se debera ejecutar el siguiente comando
zf= idfilt(z,[7.5, 22.5]);
Ejemplo 4.6
Como se estudiar en el Tema 6 un modelo paramtrico de tipo ARX se ajusta con un nfasis en el
comportamiento de alta frecuencia presente en los datos de entrada-salida, lo cual no es deseable en
general. Este efecto puede ser compensado prefiltrando los datos con un prefiltro L(q) de tipo pasabaja o pasa-banda.
Un mtodo bastante til y sencillo para disear este prefiltro consiste en obtener un modelo ARX
usando los datos originales (u(t),y(t)). Supngase que el modelo ARX identificado es
A1 ( q) y (t ) B1 ( q)u(t nk ) e(t )
El prefiltro se define entonces como:
L( q )
1
A1 ( q)
4.5.2 Eliminacin de valores medios

En la identificacin de sistemas lineales, los valores medios en los datos de entrada
salida deben ser eliminados ya que pueden contribuir al error de sesgo en las estimas de los
parmetros (ver seccin 6.4.3). No sucede as en la identificacin de sistemas no lineales
donde los valores medios son importantes y no deben ser eliminados, ya que de lo contrario
se introduce error de sesgo.
Una forma de eliminar los valores medios de los datos de entrada/salida es fijar una
tendencia polinomial a la entrada y la salida mediante regresin lineal
y * ( t ) m0 m1t ... mr t r
u* ( t ) n0 n1t ... ns t s
y despus calcular los datos eliminando las tendencias:
4-31
y (t ) y (t ) y* (t )
u ( t ) u( t ) u* ( t )
Es a estos datos a los que se aplica el algoritmo de identificacin.
Si los grados r y s son cero el procedimiento consiste simplemente en calcular los
valores medios de las seales
y*
u*
1
N
1
N
y (t )
t 1
u(t )
t 1
y sustraerlos de las medidas. Con valores de r>0 y s>0 se modela una tendencia polinomial.
En Matlab la funcin detrend de la SITB permite eliminar los valores medios y las
tendencias lineales de los datos de entrada/salida.
Ejemplo 4.7
Se van a considerar como datos de entrada/salida los suministrados a modo de ejemplo en el fichero
dryer2.mat de la toolbox SITB de Matlab. En la Figura 4.21a se representan las series temporales
de la entrada y salida originales. Se observa que tanto la entrada como la salida presentan un valor
medio no nulo. En la Figura 4.21b se representan las mismas series temporales pero con los valores
medios eliminados.
y1
y1
10
20
30
40
50
60
70
80
10
20
30
u1
2
10
20
30
40
50
60
70
80
50
60
70
80
u1
40
50
60
70
80
10
20
(a)
30
40
(b)
Figura 4.21: Representacin grfica de las series temporales de entrada y salida: (a) Originales. (b)
Tras eliminar los valores medios.
4-32
La secuencia de comandos de Matlab necesaria para obtener estas figuras es la siguiente:

load dryer2
Ts=0.08; %Periodo de muestreo
datos0 = iddata(y2,u2,Ts);
figure(1)
plot(datos0)
datos1=detrend(datos0);
figure(2)
plot(datos1)
Tambin se observa que la entrada es una seal RBS o PRBS (slo puede saberse si es una PRBS
si se tiene un registro suficientemente largo de datos donde pueda observar su periodicidad) y que no
parece existir ruido de alta frecuencia ya que ni la entrada ni la salida poseen fluctuaciones pequeas
y rpidas en sus valores temporales.
Sealar que con este mtodo se pueden eliminar tanto valores medios como tendencias
de tipo polinomial, por lo que si una seal no estacionaria presenta tendencias de este tipo
pueden ser eliminadas usando este mtodo sin necesidad de diferenciarla previamente.
4.5.3 Deteccin de outliers

Cuando se realizan los experimentos ocurre a veces que hay grandes errores en las
medidas. Estos errores, denominados outliers, pueden estar causados por perturbaciones,
errores en las transmisiones de datos, fallos en la conversin, etc. Es importante detectar y
eliminar esos errores antes de analizar los datos, ya que su influencia cambiar en gran
medida los resultados de la identificacin.
Los outliers aparecen como picos en la secuencia de errores de prediccin o residuos,
que como se estudiar en el Tema 6, se definen como la diferencia entre la salida y medida
experimental y la salida estimada y por el modelo:
k y k y k
k 1,..., N
Una forma bastante usual de tratar los outliers es hacer un test de presencia de outliers
y ajustar los datos errneos. En este caso se obtiene un modelo ajustando los datos sin
prestar atencin a los outliers. Despus se obtienen los residuos k y se representan
grficamente. Se detecta la existencia de posibles picos en la secuencia k . Si por ejemplo
4-33
algn valor | k | para algn cierto valor j es anormalmente grande entonces el dato j de la
salida medida experimental yj se modifica. Una modificacin sencilla es tomar
y j 0.5 y j 1 y j 1
Otra posibilidad es tomar como valor yj el valor estimado:
y j y j
La secuencia de valores obtenida haciendo las sustituciones anteriores se utiliza para
obtener un nuevo modelo.
BIBLIOGRAFA
[Davies, 1970]
W. D. T. Davies. System Identification For Self-Adaptative

Control. Wiley Interscience. 1970.
[Godfrey, 1993]
K. Godfrey. Perturbation Signals For System Identification.

Prentice Hall. 1993.
[Godfrey et al., 1999]
K. Godfrey, H. A Barker, A. J. Tucker. Comparison of

perturbation signals for linear system identification in the
frequency domain. IEE Proceedings of Control Theory and
Applications. Vol. 146 , No. 6, pp. 535 548. 1999.
[Guillaume et al, 1991]
P. Guillaume, J. Schoukens, R. Pintelon, I. Kollar. Crestfactor
minimization
approximation
using
methods.
nonlinear
IEEE
Chebyshev
Transactions
on
Instrumentation and Measurement, Vol: 40 , No 6, pp. 982989. 1991.


Hall. 1994.
[Ljung, 1999]
L. Ljung. System Identification: Theory for the user. 2nd

Edition. Prentice Hall.1999.
[Ljung, 2010]

2010.
4-34
[Rivera, 1992]
D. E. Rivera. Monitoring tools for PRBS testing in system

identification. Paper 131d, AIChE Nationa Meeting, Miami
Beach. 1992.
[Rivera et al., 1993]
D. E Rivera, X. Cheng, D. S. Bayard. Experimental design for

robust process control using Schroeder-phased input signals.
Proceeding of American Control Conference 1993. Pp. 895
899. 1993.
D. E Rivera, L. Hyunjin, W. B. Martin, H. Mittelmann. PlantFriendly system identification : a challenge for the process
industries. Proceeding of 13th IFAC Symposium on System
Identification (SYSID 2003). 2003.
[Rivera, 2007]

D. E. Rivera, H. Lee, H. D Mittelmann, M. W. Braun. Highpurity distillation using plant-friendly multisine signals to
identify a strongly interactive process. Control Systems
Magazine, IEEE Vol. 27 ,No : 5 pp.72-89. 2007.
[Schroeder, 1970]
M. Schroeder. Synthesis of low-peak-factor signals and

binary sequences with low autocorrelation (Corresp.), IEEE
Transactions on Information Theory. Vol. 16. No.1.pp. 85 89. 1970.
4-35
TEMA 5
IDENTIFICACIN DE MODELOS
NO PARAMTRICOS
5.1 INTRODUCCIN
Un modelo de un sistema se considera no paramtrico si viene expresado en forma de
tabla o grfica. Este tipo de modelos no pueden ser usados de forma directa para
simulacin. Pese a esta limitacin los modelos no paramtricos pueden aportar informacin
importante sobre las caractersticas temporales o frecuenciales del sistema que puede ser
utilizada en la etapa de estimacin o validacin de modelos paramtricos.
Considrese el sistema representado en la Figura 5.1, que posee una entrada u(t), una
salida y(t) y est sometido a una perturbacin v(t).
Figura 5.1: Sistema a identificar
Supngase que se disponen de N muestras (con periodo de muestreo T unidad) de la

seal de entrada {u(t)} t=1,2,...,N y de la seal de salida {y(t)}. Si se supone que el sistema
es lineal e invariante en el tiempo discreto de forma general dicho sistema se puede
expresar mediante la siguiente ecuacin:
5-1
TEMA 5: Identificacin de modelos no paramtricos
y (t ) G ( q )u(t ) v(t )
(5.1)
donde G(q) es la funcin de transferencia del sistema
G ( q ) g ( k )q k
(5.2)
k 1
expresada en trminos del operador desplazamiento q
q 1 u(t ) u(t 1)
(5.3)
Los nmeros {g(k)} son denominados la respuesta a un impulso del sistema.

Obviamente, g(k) es la salida del sistema en el instante k si la salida es un impulso (pulso)
en el instante cero. A partir de la respuesta a un impulso se puede obtener la respuesta a un
escaln.
Por otra parte, la funcin de transferencia evaluada sobre el circulo unidad (q=ei)
genera la funcin de la frecuencia
G (e i )
(5.4)
En (5.1) el trmino v(t) es una perturbacin estocstica no medible (ruido). Sus

propiedades pueden ser expresadas mediante su espectro de potencia
v ( )
(5.5)
que se define mediante
v ( )
R ( )e
i t
(5.6)
donde Rv() es la funcin de covarianza de v(t):
Rv ( ) E[ v(t )v(t )]
(5.7)
Alternativamente, se puede considerar que la perturbacin v(t) se obtiene filtrando ruido

blanco e(t) de media nula y varianza a travs de un filtro H(q)
v(t ) H ( q )e(t )
5-2
(5.8)
En ese caso el espectro de potencia de v(t) toma la siguiente forma (ver seccin 2.7):
v ( ) H (e i )
(5.9)
Si se sustituye (5.8) en (5.1) se obtiene
y (t ) G ( q )u(t ) H ( q )e(t )
(5.10)
Esta ecuacin da la descripcin en el dominio temporal del sistema mientras que G(ei)
y v() constituyen su descripcin en el dominio frecuencial.
Tanto la respuesta a un impulso {g(k)} (o a un escaln) como la funcin de frecuencia
del sistema G(ei) son una coleccin de puntos que pueden ser representados en una
grfica o recopilados en una tabla. Se trata por lo tanto de modelos no paramtricos del
sistema. Lo mismo ocurre con el espectro de la perturbacin del sistema v().
La respuesta a un impulso {g(k)} (o a un escaln) de un sistema permite obtener
informacin sobre la constante de tiempo y el retardo del sistema. As como sobre la
ganancia en el estado estacionario. Los dos mtodos ms utilizados para obtener una
estima de la respuesta a un impulso de un sistema son:
Anlisis del transitorio. Se trata de un mtodo emprico que consiste en excitar al

sistema con un impulso (o pulso) o un escaln y registrar la respuesta que es la
que se estudia para obtener la informacin deseada.
Anlisis de correlacin. Consiste en obtener una estima de la respuesta a un

impulso del sistema usando las estimas de las funciones de correlacin cruzada
calculada a partir de los datos de entrada-salida del sistema.
La funcin de frecuencia G(ej) del sistema proporciona informacin sobre el

comportamiento en frecuencia del sistema: si amplifica o atena, filtrado de frecuencias,
rango de frecuencias de inters, etc. Los tres mtodos ms utilizados para obtener una
estima de la respuesta en frecuencia del sistema son:
Anlisis de frecuencia. Se trata de un mtodo emprico que consiste en excitar al

sistema con una sinusoide pura a diferentes frecuencias. Supuesto que el sistema
tambin es lineal la salida ser otra sinusoide desfasada. A partir de los datos de
la magnitud y la fase de la entrada y de la salida a una determinada frecuencia se
5-3
puede obtener la magnitud y la fase de la funcin de frecuencia a dicha

frecuencia.
Anlisis de Fourier. Consiste en generar una estima de la funcin de frecuencia

del sistema a partir de las transformadas de Fourier de la entrada y de la salida
del sistema. A la estima obtenida de esta forma se le denomina estima de la
funcin de frecuencia emprica o ETFE (Empirical Transfer Function Estimate).
Anlisis espectral. Consiste en generar una estima de la funcin de frecuencia del

sistema a partir del clculo de las estimas de los espectros de potencia de la
entrada y la salida, y del espectro de potencia cruzada entre la entrada y la salida.
Dicho espectros se estiman a su vez a partir de las funciones de correlacin
asociadas que se calculan a partir de los datos de entrada-salida. Este mtodo
tambin permite obtener una estima del espectro de potencia de la perturbacin.
Este tema est dedicado a describir las caractersticas bsicas de los principales
mtodos utilizados para obtener una estima de la respuesta a un impulso y de la funcin de
frecuencia de un sistema, que son modelos no paramtricos del sistema. En primer lugar se
describen los mtodos para obtener una estima de la respuesta a un impulso: el anlisis del
transitorio y el anlisis de correlacin. A continuacin se describen los mtodos para obtener
una estima de la funcin de frecuencia del sistema: el anlisis de frecuencia, el anlisis de
Fourier y el anlisis espectral.
5.2 ANLISIS DEL TRANSITORIO

Se denomina anlisis del transitorio al estudio de la respuesta de un sistema excitado
con una entrada impulso (o pulso) o una entrada escaln. De dicho anlisis se puede
obtener la siguiente informacin:
Variables del sistema afectadas por la entrada. Esto simplifica la obtencin de
diagramas de bloques del sistema y la decisin sobre que influencias pueden ser
despreciadas.
Constante de tiempo dominante del sistema. Lo que posibilita decidir que relaciones
en el modelo pueden ser descritas como estticas, es decir, tienen constantes de
tiempo significativamente ms rpidas que la escala de tiempo con la que estemos
trabajando.
5-4
Retardo existente entre la salida y la entrada. Es decir, el tiempo que transcurre

desde que se excita el sistema hasta que este responde.
Caracterstica (oscilatoria, subamortiguada, amortiguamiento crtico, montona,...) de
la respuesta a un escaln y magnitud de la ganancia en el estado estacionario. Esta
informacin resulta de gran utilidad en la validacin del modelo paramtrico
identificado.
En general el anlisis del transitorio es un mtodo excelente para conseguir de forma
rpida y sencilla informacin relevante del sistema, como por ejemplo: constante de tiempo,
retardo y ganancia esttica.
El anlisis del transitorio es uno de los mtodos de identificacin ms ampliamente
usados de forma prctica en la industria. Ntese que con la informacin que se obtiene con
este mtodo es posible construir un modelo de primer orden del sistema, lo que en algunas
ocasiones resulta suficiente.
Una desventaja de este mtodo es que la informacin que proporciona sobre el sistema
es limitada. Por otra parte los lmites prcticos existentes en la amplitud de la entrada, junto
con las perturbaciones y los errores de medida pueden dificultar la obtencin de esta
informacin con un grado razonable de precisin.
0.6
0.8
0.5
0.7
0.4
0.6
0.3
0.2
0.5
0.1
0.4
0.3
-0.1
0.2
-0.2
0.1
-0.3
-0.4
0
10
15
Tiempo (segundos)
(a)
20
25
0
0
10
15
Tiempo (segundos)
20
25
(b)
Figura 5.2. Respuesta medida experimentalmente a un impulso y a un escaln de un cierto sistema
5-5
Ejemplo 5.1:
En la Figura 5.2 se muestra la respuesta de un sistema medida experimentalmente a un impulso y a
un escaln. Del anlisis de las mismas se puede deducir que no parece existir retardo entre la
entrada y la salida. Se observa que la respuesta es subamortiguada, por lo que podra probarse a
modelar el sistema con un modelo de segundo orden.
Adems se observa que la ganancia en el estacionario tiende a 0.5. Tambin podran estimarse otros
parmetros del sistema como el tiempo de subida o el tiempo de asentamiento.
5.3 ANLISIS DE CORRELACIN

No es necesario usar un impulso como entrada para estimar directamente la respuesta
a un impulso de un sistema. Supngase un sistema en tiempo discreto cuya respuesta a un
impulso {gk} viene dada por la siguiente expresin:
y (t ) g k u(t k ) v(t )
(5.11)
k 0
Sea {u(t)} una seal que es una realizacin de un proceso estocstico con valor medio
cero y funcin de covarianza Ru():
Ru ( ) E[u(t )u(t )]
(5.12)
Supngase que {u(t)} y {v(t)} no estn correlacionadas, lo que implica que el sistema
est en lazo abierto. La funcin de covarianza cruzada entre la entrada u y la salida y se
determina de la siguiente forma:
R yu ( ) E[ y (t )u(t )]
(5.13)
Sustituyendo (5.11) en (5.13) y desarrollando se obtiene la siguiente expresin:
k 0
k 0
R yu ( ) g k E[u(t k )u(t )] E[ v(t )u(t )] g k Ru ( k )

Si la entrada u(t) es ruido blanco entonces su funcin de covarianza es:
Ru ( )
0
5-6
si 0
si 0
(5.14)
donde es la varianza. Adems la funcin de covarianza cruzada (5.14) entre la entrada y la

salida es
R yu ( ) g
(5.15)
Se observa que la funcin de covarianza cruzada es proporcional a la respuesta a un

impulso. Por supuesto esta funcin no es conocida, pero puede ser estimada a partir de los
datos experimentales de la entrada y la salida del sistema mediante la siguiente expresin:
1 N
R yuN ( ) y(t )u(t )
N t 1
(5.16)
Usando este estimador y de acuerdo con la expresin (5.15), es posible obtener la

siguiente estima para la respuesta a un impulso
1
g N R yuN ( )
(5.17)
Si la entrada u(t) no es ruido blanco, se puede filtrar la secuencia de datos de la entrada

usando un filtro de blanqueo L(q) tal que la secuencia filtrada (ver seccin 4.5.1):
u F (t ) L( q )u(t )
(5.18)
se pueda considerar aproximadamente ruido blanco.

El filtro de blanqueo L(q) a menudo se calcula describiendo u(t) como un proceso AR
A( q )u(t ) e(t )
Ntese que L(q)=A(q). Este polinomio se estima usando el mtodo de los mnimos
cuadrados (se explica en el Tema 6).
Si se filtra la seal de entrada a travs de L(q), entonces tambin hay que filtrar la
secuencia de salida y
y F (t ) L( q )y (t )
(5.19)
De esta forma la estima de la funcin de covarianza cruzada se calcula usando los

datos filtrados
5-7
1 N
R yNF uF ( ) y F (t )u F (t )
N t 1
(5.20)
Calculando adems la estima de la varianza de la entrada:
1 N 2
N u F (t )
N t 1
(5.21)
la estima para la respuesta a un impulso usando la expresin se calcula mediante la

siguiente expresin
R yNF uF ( )
g
(5.22)
Dados unos datos de entrada u(k) y salida y(k), k=1,...,N, cuyos valores medios han sido
eliminados:
1
y( k ) y(k )
N
1
u ( k ) u( k )
N
y(t );
t 1
u(t );
t 1
1. Filtrar las seales usando un filtro de blanqueo.
y F ( k ) L( q )y (t );
u F ( k ) L( q )u (t );
2. Calcular la estima de la funcin de covarianza entre la entrada y la salida.
1 N
R yNF uF ( ) y F (t )u F (t )
N t 1
3. Calcular la estima de la varianza de la entrada.
1 N 2
u F (t )
N t 1
4. Calcular la estima de la respuesta a un impulso.
g N
R yNF uF ( )
Cuadro 5.1. Pasos del anlisis de correlacin
5-8
Si se conoce la estima de la respuesta a un impulso es sencillo calcular la estima de la

respuesta a un escaln unidad usando (5.2) y (5.1).
Puesto que la decisin de blanquear las secuencias se realiza tras estudiar la funcin
de correlacin de la entrada, a este procedimiento de obtencin de la estima de la respuesta
a un impulso tambin se le conoce como anlisis de correlacin. En el Cuadro 5.1 se
resumen los principales pasos del anlisis de correlacin. La funcin cra (correlation
analysis) de la toolbox SITB de Matlab implementa este anlisis.
Otra forma de obtener una estima de la respuesta a un impulso es usando un modelo
FIR (ver seccin 6.2.2). Este mtodo es implementado por la funcin impulse de la toolbox
SITB de Matlab. Para obtener una estima de la respuesta a un escaln se puede usar la
funcin step de esta toolbox.
Ejemplo 5.2:
dryer2.mat de la toolbox SITB de Matlab. En la Figura 5.3 se muestra la respuesta estimada a un
impulso y a un escaln usando la funcin cra. De estas figuras se puede extraer informacin relativa
al retardo del sistema, el tipo de respuesta y la ganancia estacionaria. En la respuesta estimada a un
impulso se observa que el sistema presenta un retardo de tres muestras. En la respuesta estimada a
un escaln se confirma la existencia de este retardo y se deduce adems que la respuesta del
sistema es sobreamortiguada con un valor aproximado de la ganancia en el estacionario de 0.88.
Step response estimate
Impulse response estimate

0.9
0.8
0.7
1.5
0.6
0.5
0.4
0.3
0.5
0.2
0.1
0.5
0
10
lags
(a)
15
20
0.1
0
10
15
20
25
lags
(b)
Figura 5.3. Respuesta estimada a un impulso (a) y a un escaln (b)
5-9
La secuencia de comandos de Matlab utilizada para obtener estas figuras es la siguiente:

load dryer2
%Eliminacin de valores medios
%Seleccionar los primeros 500 puntos para estimar.
d_est=datos1(1:500);
%Estimar la respuesta a un impulso mediante anlisis de correlacin
figure(1)
ir=cra(d_est,20,10,1);
%Calcular la respuesta a un escaln a partir de la respuesta a un impulso
figure(2)
sr=cumsum(ir);
plot(sr,'o');
xlabel('lags');
title('Step response estimate');
Las propiedades bsicas del anlisis de correlacin se pueden resumir en los siguientes
puntos:
El resultado del anlisis de correlacin son modelos no paramtricos que no se
pueden utilizar para simulacin directamente.
Al igual que suceda con el anlisis del transitorio permite estimar de forma rpida las
constantes de tiempo, los retardos o las ganancias estacionarias del sistema.
Para su realizacin no es necesario disponer de datos de entrada- salida del sistema
obtenidos con una entrada con un alto grado de excitacin (PRBS, multiseno,...). De
hecho se pueden utilizar incluso seales con una razn seal-ruido pequea siempre
y cuando se disponga de un nmero de puntos N suficientemente grande.
El anlisis de correlacin, como se describe aqu, presupone que la entrada no est
correlacionada con las perturbaciones. Esto significa que este anlisis no funcionar
correctamente cuando los datos son tomados de un sistema en lazo cerrado, es
decir, con realimentacin de su salida.
Permite detectar la existencia de realimentaciones en los datos (ver seccin 6.6.2).
5-10
5.4 ANLISIS DE FRECUENCIA

Un sistema lineal queda determinado de forma nica por su respuesta a un impulso o
por su respuesta en frecuencia G(i) (la transformada de Laplace de la respuesta a un
impulso evaluada en s=i) o G(ej) si el sistema ha sido muestreado. Una posible forma de
estimar la respuesta en frecuencia G(i) es usando el mtodo del anlisis en frecuencia que
se describe a continuacin
Si un sistema lineal con funcin de transferencia G(s) se excita con una entrada de tipo
sinusoidal (o cosenoidal)
u(t ) u0 cos(t )
(5.23)
entonces la salida en el estacionario es tambin de tipo sinusoidal
y (t ) y 0 cos(t )
(5.24)
y 0 G (i ) u0
(5.25)
arg G (i )
(5.26)
donde
Excitando al sistema con una entrada sinusoidal de amplitud u0 a diferentes frecuencias

i i=1,...,N y midiendo las fases i y las amplitudes yi de la salida es posible obtener la
magnitud |G(ji)| y la fase argG(ji) del sistema a las diferentes frecuencias i usando las
expresiones anteriores. Se puede construir as una tabla [i, |G(ji)|, argG(ji)] o
representaciones grficas del modulo y de la fase de G frente a la frecuencia. Se tiene por lo
tanto una estima en forma de tabla o grfica de la funcin G(j). Al mtodo descrito de
obtencin de una estima de la funcin G(j) se le conoce como anlisis de frecuencia.
Ejemplo 5.3
En la Figura 5.4 se muestran representados en un diagrama de Bode los puntos de magnitud (en
decibelios) y de fase (en grados) a catorce frecuencias de la funcin de transferencia de un cierto
sistema que han sido estimados mediante anlisis de frecuencia.
5-11
Diagram a de B ode de Gp(we) a velocidad 20 nudos
M agnitud (dB )
10
-10
-20
-1
10
10
10
200
Fas e (deg)
100
0
-100
-200
-300
-1
10
10
Frecuencia de enc uentro we (rad/s)
10
Figura 5.4. Estima de la funcin de transferencia de un cierto sistema usando anlisis de frecuencia
El anlisis de frecuencia proporciona un modelo no paramtrico de la respuesta en

frecuencia de un sistema. Aunque tambin es posible usar la informacin que proporciona
para estimar un modelo paramtrico, tal y como se describir en la seccin 7.4.2.
El anlisis de frecuencia tiene las siguientes propiedades bsicas:
Es fcil de implementar y no requiere de un procesamiento complicado de los
datos.
Para su aplicacin no es necesario realizar ninguna suposicin acerca de la
estructura del sistema, excepto que debe ser lineal.
Es fcil concentrarse en rangos de frecuencia de especial inters, como por
ejemplo las frecuencias de resonancia.
Proporciona como resultado bsico un modelo no paramtrico en forma de tabla o
de grfica de N puntos de magnitud y fase de la funcin G(j). Como el resto de
modelos no paramtricos no pueden usarse de forma directa para simulacin.
El anlisis de frecuencia implica la realizacin de un nmero de experimentos
sobre la planta igual o superior al nmero de frecuencias para los que se desea
5-12
estimar G(j). Debe recordarse (ver seccin 4.2.3) que muchos sistemas,
especialmente los usados en la industria de procesos, no pueden ser usados
libremente para la realizacin de cualquier tipo de experimentos.
5.5 ANLISIS DE FOURIER

Sea un sistema lineal que puede ser descrito mediante la funcin de transferencia G(s).
Si la entrada tiene energa finita, entonces se cumple la siguiente relacin entre la entrada y
la salida del sistema:
Y ( ) G (i )U ( )
(5.27)
Donde Y() y U() son las transformadas de Fourier de la entrada y la salida,

respectivamente.
Si se conocieran Y() y U() entonces la funcin G(i) podra ser calculada
despejndola de la expresin anterior:
G (i )
Y ( )
U ( )
(5.28)
Normalmente, se dispone de informacin sobre la entrada u(t) y la salida y(t) durante un

intervalo finito de tiempo 0 t S. Las transformadas de Fourier de la entrada y la salida en
dicho intervalo se pueden calcular a travs de las siguientes expresiones:
S
YS ( ) y (t )e it dt
0
U S ( ) u (t )e it dt
(5.29)
Con lo que se puede construir la siguiente estima de la funcin de frecuencia:
Y ( )
G N ( j ) N
U N ( )
(5.30)
A (5.30) se le denomina estima de la funcin de transferencia emprica o ETFE

(Empirical Transfer Function Estimate) ya que se construye directamente a partir de los
datos experimentales sin ninguna otra suposicin sobre el sistema salvo que es lineal.
Si la entrada es
u(t ) u0 cos(*t )
(5.31)
5-13
de acuerdo con (5.29) su transformada de Fourier es
U S ( )
u0S
2
k 1, 2,...
(5.32)
Aplicando (5.30) se obtiene la siguiente expresin para la ETFE:

S
S
G S ( j* )
y
(
t
)cos(
t
)
dt
j
y (t )sen(* t )dt
u0 S 0
0
(5.33)
Si nicamente se dispone de valores muestreados de la entrada u y la salida y,

(u(kT),y(KT)), k=1,...,N, lo cual suele ser lo habitual, entonces se utilizan las siguientes
aproximaciones para las transformadas de Fourier de la entrada y la salida:
YN ( )
1 N
y ( kT )e ikT ,
N k 1
1 N
u(kT )e ikT
N k 1
U N ( )
(5.34)
donde T es el periodo de muestreo y S=NT. Ntese que estas expresiones pueden ser
calculadas eficientemente en =r2/N, r=0,...,N-1, usando la transformada rpida de Fourier
o FFT (Fast Fourier Fransform). N se ajusta para que sea una potencia de 2.
Se puede demostrar [Ljung y Glad, 1994] que una cota para el error existente en la
ETFE respecto a la G(i) real viene dada por la siguiente expresin:
2cu c g
| V ( ) |
S
| G S ( j ) G ( j ) |
| U S ( ) | | U S ( ) |
(5.35)
donde VS() es la transformada de Fourier de la perturbacin v(t) sobre el intervalo [0,S].

Adems se debe cumplir que:
u(t ) cu
g ( ) d c
Para una seal con energa infinita la transformada de Fourier tpicamente tiene la
siguiente magnitud
| U S ( ) | S const
5-14
En el caso de un sinusoide pura con frecuencia 0 entonces
| U S (0 ) | S const
Analizando la expresin (5.35) se concluye que si la entrada contiene sinusoides puras
(y la seal de perturbacin no) la funcin de transferencia puede ser estimada a travs de la
ETFE con una precisin arbitraria en las frecuencias de las sinusoides, cuando el intervalo
de tiempo tiende a infinito.
Para entradas que no contienen sinusoides puras, la ETFE tiene un error para S
grandes que es igual a la razn VS()/US() entre el ruido y la seal para la frecuencia en
cuestin.
Adems el hecho de que en la prctica se usan seales en tiempo discreto en vez de
seales en tiempo continuo introduce discrepancias adicionales entre la ETFE y la funcin
de transferencia real adems del error que indica la expresin (5.35). Para periodos de
muestreo T pequeos en comparacin con la dinmica del sistema, estas discrepancias
adicionales suelen ser pequeas.
El anlisis de Fourier tiene las siguientes propiedades bsicas:
Es fcil y eficiente de usar (especialmente si se utiliza la FFT).
La ETFE es una estima bastante buena de la funcin de frecuencia G(j) si se
usan sinusoides puras como entradas. En caso contrario, la ETFE flucta
bastante, con lo que nicamente proporciona una aproximacin bastante grosera
de la funcin real.
El comando etfe de la toolbox SIT de Matlab permite calcular la ETFE a partir de los
datos de entrada-salida de un sistema.
Ejemplo 5.4
En la Figura 5.5 se muestra el diagrama de Bode (en lnea punteada) de la funcin de transferencia
G(i) real de un cierto sistema y la ETFE (en lnea continua) construida a partir de datos de entradasalida del sistema. Se observa como la ETFE supone una estima bastante razonable de la funcin de
transferencia G(i) hasta aproximadamente =0.8 rad/s. Por encima de este valor oscila bastante y
no es una estima fiable.
5-15
From u1 to y1
Amplitude
10
10
10
10
10
10
Phase (degrees)
0
500
1000
1500
2
10
10
10
10
Frequency (rad/s)
Figura 5.5. Funcin de transferencia real (lnea punteada) de un cierto sistema y ETFE (lnea
continua)
5.6 ANALISIS ESPECTRAL

5.6.1 Periodograma
Basndose en la definicin del espectro de potencia o funcin de densidad espectral de
una seal u dada en la seccin 2.5.4 una estima natural del mismo es la siguiente:
1
2 k
N
| U N ( ) |2 ,
, k 1, 2,..., N
u ( )
N
N
(5.36)
donde
N
U N ( ) u( k ) e ik
(5.37)
k 1
A la estima
N ( ) de la funcin de densidad espectral de una seal se le denomina
periodograma.
5-16
La representacin grfica del periodograma de una seal de forma general suele

presentar las siguientes propiedades:
1) Los armnicos de la seal (sinusoides puras) se manifiestan en la representacin
grfica del periodograma como picos pronunciados.
2) El periodograma flucta bastante (alta variabilidad)
3) Suavizar a ojo la representacin grfica del periodograma proporciona una imagen
bastante razonable del contenido de frecuencia de la seal.
Ejemplo 5.5
dryer2.mat de la toolbox SITB de Matlab. En la Figura 5.6 se muestra la representacin del
periodograma del espectro de potencia de la entrada y de la salida.
Power spectrum for signal y
Power spectrum for signal u

1.4
2.5
1.2
1.5
Power
Power
0.8
0.6
0.4
0.5
0.2
0
0
10
20
Frequency (rad/s)
30
0
0
40
10
20
Frequency (rad/s)
30
40
(b)
(a)
Figura 5.6. Representacin grfica del periodograma de las series temporales de (a) entrada y (b)
salida.
La secuencia de comandos de Matlab utilizada para obtener estas figuras es la siguiente (la escala
lineal de las figuras se ha configurado en las propiedades de las figuras generadas) :
load dryer2
%Estimar el periodograma de la entrada y la salida
u=get(d_est,'InputData');
perio_u = etfe(u,[],[],0.08);
5-17
y=get(d_est,'OutputData');
perio_y = etfe(y,[],[],0.08);
figure(1)
bode(perio_u)
figure(2)
bode(perio_y)
Estas representaciones permiten visualizar las componentes de frecuencia existentes en la entrada y
la salida. Por lo que adems de identificar los armnicos dominantes de la seales se puede saber si
existen perturbaciones de baja frecuencia o de alta frecuencia y en consecuencia si es necesario
filtrar las seales. Tambin de estas representaciones es posible deducir el comportamiento del
sistema, es decir, si es pasa baja, pasa alta o pasa banda y si atena o amplifica la entrada.
Para este ejemplo de la representacin grfica del espectro de potencia estimado de las series
temporales de entrada y salida, se puede deducir que el sistema posee un comportamiento pasa baja
y que atena la entrada. Adems como no aparecen en la salida componentes a frecuencias distintas
de las excitadas por la entrada eso indica tambin que no existen perturbaciones ni de baja ni de alta
frecuencia.
Otro aspecto importante a considerar a la hora de valorar la bondad de la estima de un

espectro es el de la resolucin en frecuencia que proporciona. La resolucin en frecuencia
de la estima de un espectro hace referencia a la capacidad para poder distinguir en el
espectro componentes de frecuencia de la seal muy cercanas entre si. Si existe una buena
resolucin de frecuencia las componentes de frecuencia que estn cerca pueden ser
separadas.
En el caso del periodograma obtenido para una seal de la que se dispone de N datos
la resolucin de frecuencia es bastante buena y toma el valor 2/N (radianes/unidad de
tiempo). Este resultado se deduce del hecho de que la expresin (5.37) con que se
construye el periodograma proporciona la transforma de Fourier discreta a las frecuencias
=2h/N, h=1,...,N. Entre estas frecuencias la transformada de Fourier consiste de valores
interpolados trigonomtricamente.
En resumen la principal ventaja del periodograma de una seal es que su resolucin en
frecuencia es bastante buena. Por contra su principal inconveniente es su alto grado de
fluctuacin o variabilidad.
5-18
En las siguientes secciones se examinan diferentes mtodos para reducir la varianza de

la estima del espectro de potencia. El precio que se paga por esta reduccin de la varianza
es un empeoramiento de la resolucin de frecuencia.
5.6.2 Periodograma promedio: Mtodo de Welch

Una forma clsica de reducir la varianza de una estima es utilizar el mtodo de Welch
que consiste en tomar como estima el valor promedio de un determinado nmero de estimas
independientes. En este caso, la seal se divide en R segmentos de longitud M y se
construye el periodograma de cada uno de los R segmentos: (Nk ) ( ) , k=1,...,R.

La estima del espectro es el valor promedio de estos periodogramas:
1 R
N ( ) M ( )
R k 1
(5.38)
Seleccionando la longitud de los segmentos como una potencia de 2, el clculo del

periodograma puede realizarse eficientemente usando la transformada rpida de Fourier.
Puesto que los R periodogramas estn no correlacionados (si no existe solapamiento) la
varianza de la estima N ( ) se reduce en un factor R. Sin embargo, el precio a pagar por
esta reduccin de la varianza es que se empeora la resolucin de frecuencia en la estima,
que aumenta de 1/N (radianes/unidad de tiempo) (N es la longitud original de los datos) a
1/M=R/N (radianes/unidad de tiempo) (M=N/R es la longitud de los segmentos no
superpuestos). El acuerdo entre la varianza y la resolucin de frecuencia est por lo tanto
determinado por el nmero de segmentos R que se consideren. A mayor nmero R de
segmentos menor varianza pero peor resolucin.
5.6.3 Suavizado del periodograma: El mtodo de Blackman - Tukey

5.6.3.1 Descripcin del procedimiento
Otro procedimiento para suavizar un periodograma es promediando sobre un cierto

nmero de frecuencias vecinas:
N ( )
W
(
N ( ) d
M
(5.39)
5-19
En la expresin anterior WM ( ) es una funcin denominada funcin ventana o ventana

frecuencial que sirve para enfatizar las componentes de frecuencia ms importantes y
despreciar las menos relevantes. De esta forma se logra suavizar la forma del espectro de
potencia que proporciona el periodograma que recordemos tiene un alto grado de
variabilidad.
La funcin de ventana cumple la siguiente propiedad
( )d 1
(5.40)
Normalmente WM ( ) suele estar centrada entorno a =0. El parmetro M, a veces

denominado como parmetro de truncacin, describe la anchura de la ventana de
frecuencia, ya que M es inversamente proporcional a la anchura de la ventana.
Por ejemplo, una ventana rectangular de anchura 1/M viene descrita por la siguiente
funcin
M
WM ( )
0
1
2M
1
si | |
2M
si | |
(5.41)
1. Elegir la ventana temporal wM().

2. Elegir el tamao de ventana M.
3. Calcular la estima de la covarianza de la seal para =0,...,M.
N
1
R uN ( )
N
u(t )u(t )
t 1
4. Calcular la estima de Blackman-Tukey
N ( )
( ) R uN ( )e i
Cuadro 5.2: Pasos para construir la estima de Blackman-Tukey del espectro de potencia de una seal
5-20
La anchura de la ventana se corresponde con la resolucin en frecuencia de la estima
suavizada N ( ) . Normalmente, se utilizan otros tipos de ventanas distintas de la

rectangular con lo que es posible dar ms peso a los valores centrales de frecuencia.
Se puede demostrar [Ljung y Glad, 1994] que la expresin (5.39) puede ser escrita
equivalentemente de la siguiente forma:
N ( )
( ) R uN ( )e i
(5.42)
En la expresin anterior wM() es la funcin ventana expresada en el dominio del tiempo.

A esta funcin tambin se le denomina como ventana temporal o ventana de retardo (lag
window).
wM ( ) WM ( )ei d
(5.43)
Mientras que R uN ( ) es la estima de la funcin de covarianza de la entrada:
1
R uN ( )
N
u(t )u(t )
(5.44)
t 1
A la estima del espectro de potencia dada por la ecuacin (5.42) se le conoce como
estima de Blackman-Tukey. En el Cuadro 5.2 se resume el procedimiento para poder
obtener la estima de Blackman-Tukey.
En las expresiones anteriores se supone que wM() ha sido elegida para ser cero si
||>M. Esto implica que existen requerimientos especiales a la hora de escoger la ventana
WM() (una ventana rectangular no sera vlida). Adems en (5.44) se ha supuesto que
u(t)=0 cuando t se encuentra fuera del intervalo [1,N].
5.6.3.2 Eleccin de la funcin de ventana
El par de transformadas de Fourier wM() WM() determina las propiedades de la

estima de Blackman-Tukey del espectro de potencia de una seal. Para una anchura M
dada de la ventana temporal wM() es deseable tener una funcin de frecuencia WM/) tan
alta y estrecha como sea posible. No existe una solucin ptima para este problema. Una
ventana muy utilizada es la conocida como ventana de Hamming (ver Figura 5.10) que tiene
la siguiente expresin:
5-21
1

1 cos
wM ( ) 2
M
(5.45)
1
1

DM ( ) DM ( ) DM ( )
2
4
M
M
(5.46)
Su transformada de Fourier es:
WM ( )
donde
sin ( M )
2
DM ( )
sin( / 2)
La anchura efectiva de la ventana frecuencial A(M) (ver Figura 5.7) que da la resolucin
de frecuencia puede ser calculada a travs de la siguiente expresin:
A( M ) M 2 WM ( )d
1/ 2
(5.47)
En el caso de la ventana de Hamming se obtiene que
A( M )
2 M
(5.48)
Se observa que es inversamente proporcional a la anchura M de la ventana temporal.

Puede demostrarse [Ljung y Glad, 1994] que la resolucin de frecuencia de la estima
del espectro de frecuencia de Blackman-Tukey es aproximadamente igual a
M 2
(5.49)
Adems la varianza de la estima del espectro de frecuencia de Blackman-Tukey es

aproximadamente igual a
5-22
M
( u ( )) 2
N
(5.50)
20
0.9
0.8
15
0.7
0.6
10
0.5
0.4
0.3
0.2
0.1
0
20
15
10
0
Tiempo
10
15
20
5
2
1.5
1
0.5
0
0.5
1
Frecuencia (radianes/unidad de tiempo
(a)
1.5
(b)
Figura 5.7. Ventana de Hamming en el dominio temporal (a) y en el dominio frecuencial para M=20
(lnea continua) y M=5 (lnea discontinua).
5.6.3.3 Eleccin del tamao de ventana
La eleccin del valor de M, de acuerdo con (5.49) y (5.50), es un compromiso entre la

resolucin de frecuencia y la varianza (variabilidad). Si M se hace cada vez ms grande
(Figura 5.7) la ventana frecuencial WM() se hace ms alta y estrecha, mientras que la
ventana temporal wM() se hace cada vez ms ancha. Ello implica que la resolucin de
frecuencia mejora pero a costa de que la varianza del espectro aumente. Para un espectro
con picos de resonancia estrechos se hace necesario escoger un valor de M grande y
aceptar por tanto la existencia de una alta varianza. Por el contrario para un espectro ms
plano, valores de M pequeos funcionan bastante bien, con lo cual la varianza se reduce.
De forma prctica, lo que se suele hacer es probar con un conjunto de diferentes
valores de M y ver cual funciona mejor. Normalmente se comienza con un valor pequeo de
M y se va aumentando hasta que el espectro presenta un equilibrio en el compromiso entre
resolucin de frecuencia y varianza. Un valor tpico para el espectro sin resonancias muy
estrechas es M[20,30]. Valores mayores de M puede que sean necesarios para
resonancias estrechas.
5.6.4 Estimacin de la densidad espectral cruzada

La obtencin de una estima del espectro de potencia cruzada entre dos seales u e y es
anloga a la obtencin de una estima del espectro de potencia de una seal explicada en
las secciones anteriores.
5-23
A partir de los valores muestreados y(k) e u(k) k=1,...,N la funcin de covarianza

cruzada se estima a travs de la siguiente expresin:
1
R yuN ( )
N
y(t )u(t )
(5.51)
t 1
Y el espectro de potencia cruzada se estima mediante la siguiente expresin:
yuN ( )
( ) R yuN ( )e i
(5.52)
La funcin de ventana wM() es la misma que la utilizada en la expresin (5.42) y las

mismas consideraciones sobre como elegirla realizadas en la seccin anterior son
aplicables en este caso.
5.6.5 Estima de la funcin de frecuencia usando anlisis espectral

Considrese el sistema dado por la siguiente expresin:
y(t ) G ( q )u(t ) v(t )
(5.53)
donde y(t) es la salida, u(t) la entrada y v(t) la perturbacin.

Si la entrada u(t) es independiente de la perturbacin v(t), entonces el espectro de
potencia la salida es
2
y ( ) G ( e i ) u ( ) v ( )
(5.54)
Y el espectro de potencia cruzada entre la entrada y la salida es:
yu ( ) G ( e i ) u ( )
(5.55)
A partir de las estimas de los espectros (5.42) y (5.52) es posible obtener una estima de
la funcin de frecuencia G(ejT) del sistema:
Nyu ( )
G N (e jT ) N
u ( )
(5.56)
Adems tambin es posible obtener una estima del espectro de la perturbacin v():
5-24
1. Elegir la ventana temporal wM().

2. Elegir el tamao de ventana M.
3. Calcular
R yN ( ), R uN ( ) y R yuN ( ) para |k|M.

N
1
R uN ( )
N
u(t )u(t )
t 1
1
R yuN ( )
N
y(t )u(t )
t 1
1
R vN ( )
N
v(t )v(t )
t 1
4. Calcular la estima del espectro de u e y, as como la estima del espectro cruzado entre
y e u:
uN ( )
N ( )
y
Nyu ( )
( ) RuN ( )e j
( ) R yN ( )e i
N
( ) R yu
( )e i
5. Obtener la estima de la funcin de frecuencia y del espectro de la perturbacin
Nyu ( )
iT
G N (e ) N
u ( )
2
Nyu ( )
N
N
v ( ) y ( ) N
u ( )
Cuadro 5.3. Obtencin de una estima de la funcin de frecuencia y del espectro de la perturbacin
mediante anlisis espectral.
5-25
2
Nyu ( )
N
N
v ( ) y ( ) N
u ( )
(5.57)
A este procedimiento de clculo de las estimas de la funcin de la frecuencia y del

espectro se le conoce como anlisis espectral y se resume en el Cuadro 5.3. La funcin spa
(spectral analysis) de la toolbox SIT de Matlab implementa el anlisis espectral del Cuadro
5.3.
La funcin de frecuencia estimada a partir de datos muestreados GT(ejT) no difiere
mucho de la funcin de frecuencia estimada continua G(j) en la regin de frecuencias de
inters. Adems la experiencia muestra que la estima de G(j) es poco fiable a altas
frecuencias.
Ejemplo 5.6:
dryer2.mat de la toolbox SITB de Matlab. En la Figura 5.8 se muestra la representacin de la
estima de la funcin de la frecuencia y de la estima del espectro del ruido, considerando un valor de
M=30. La secuencia de comandos de Matlab utilizada para obtener estas figuras es la siguiente:
load dryer2
%Estima mediante anlisis espectral de la funcin de frecuencia
%y del espectro del ruido
[Gspa,phiVspa]=spa(d_est);
figure(1)
bode(Gspa)
figure(2)
bode(phiVspa)
En la representacin de la estima de la respuesta de la frecuencia se observa que el sistema
presenta un comportamiento de filtro pasa-baja. Tambin se deduce que el sistema presenta un
comportamiento atenuador ya que la magnitud se encuentra por debajo de la lnea de 0 dB. Adems
se observa que aumenta el desfase conforme aumenta la frecuencia.
En la representacin del espectro del ruido se observa que a bajas frecuencias presenta una
magnitud constante y que a partir de 0.2 rad/s comienza a disminuir. Por lo que en dicho rango podra
5-26
asemejarse al espectro de un ruido blanco. La parte final del espectro es oscilante y generalmente
est asociada a errores en la estima por lo que no se considera.
0
10
10
10
10
Phase (degrees)
10
10
10
10
0
200
Power
Amplitude
10
10
10
10
400
600 1
10
10
10
Frequency (rad/s)
10
10
10
10
10
Frequency (rad/s)
10
(b)
(a)
Figura 5.8. Representacin de la estima mediante anlisis espectral con M=30 de: a) La funcin de la
frecuencia. b) Espectro del ruido.
Ntese que si M=N entonces la estima que se obtiene del espectro de una seal y del
espectro cruzado de dos seales es precisamente el periodograma
N ( ) | U ( ) |2
u
N
N ( ) Y ( )U ( )
u
N
N
Usando estas estimas de los espectros se obtiene la siguiente estima de la funcin de
frecuencia:
Y ( )
G N (i ) N
U N ( )
que es precisamente la ETFE.
5-27
5.6.6 Resumen de las caractersticas bsicas del anlisis espectral

Las caractersticas bsicas del anlisis espectral que han ido apareciendo en las
secciones anteriores se pueden resumir en los siguientes puntos:
El anlisis espectral es un mtodo muy comn para obtener estimas del espectro
de seales, del espectro cruzado entre seales y de la funcin de frecuencia
Tras realizar un ajuste adecuado del tamao M de la ventana, es usualmente

posible
obtener
una
buena
representacin
grfica
de
las
propiedades
frecuenciales del sistema y de sus seales. Proporciona como resultado bsico un

modelo no paramtrico en forma de tabla o de grfica de N puntos de magnitud y
fase de la funcin de frecuencia G(j) o del espectro de la perturbacin. Como el
resto de modelos no paramtricos no pueden usarse de forma directa para
simulacin.
Es un mtodo general, cuya nica hiptesis de partida es que el sistema es lineal,

y no requiere de seales de entrada especficas.
El anlisis espectral no se puede aplicar a sistema que operan en lazo cerrado. El

motivo es que la suposicin de que la entrada u y la perturbacin v no estn
correlacionadas no se cumple en dicho caso.
BIBLIOGRAFA
[Jenkins and Watts, 1968]
G. M. Jenkins y D. G. Watts. Spectral Analysis and Its

Applications. Holden-Day. 1968.

Hall. 1994.
[Ljung, 1999]

[Ljung, 2010]

2010.
[Rivera, 2007]

5-28
TEMA 6
IDENTIFICACIN DE MODELOS
PARAMTRICOS DISCRETOS
6.1 INTRODUCCIN
En el tema anterior se estudi la identificacin de modelos no paramtricos. Aunque
estos modelos proporcionan informacin relevante del sistema, al ser tablas o grficas no
pueden usarse para simular, controlar o predecir el comportamiento de un sistema. Para
poder lograr estos objetivos se hace necesario disponer de un modelo matemtico del
sistema, el cual queda definido mediante un conjunto de parmetros.
De hecho el objetivo final de la metodologa de identificacin de sistemas es estimar un
modelo paramtrico que describa lo mejor posible al sistema de acuerdo con el uso final al
que se vaya a destinar el modelo, ya sea simulacin, control o prediccin del sistema.
Este tema est dedicado a explicar la estimacin de modelos paramtricos en tiempo
discreto. Se deja para el prximo tema la explicacin del caso de tiempo continuo. En primer
lugar se define la clase de modelos que se van a considerar, que tpicamente son modelos
basados en la minimizacin del error de prediccin o ms abreviadamente denominados
modelos PEM (Prediction error model). En segundo lugar se explica cmo se estiman los
parmetros de un modelo PEM. A continuacin se explican las principales propiedades del
modelo estimado: el error de sesgo y el error de varianza. Posteriormente se realizan
algunas consideraciones sobre la eleccin del tipo y la estructura del modelo. Finalmente se
explican las tcnicas que se utilizan para validar el modelo estimado y se incluyen algunas
directrices para obtener el modelo PEM ms apropiado.
6-1
TEMA 6: Identificacin de modelos paramtricos discretos
6.2 MODELOS PARAMTRICOS BASADOS EN EL ERROR DE

PREDICCIN
6.2.1 Definicin
Considrese un sistema lineal invariante en el tiempo descrito por la siguiente ecuacin
en diferencias (ver Figura 6.1):
y (t ) G0 ( q )u(t ) v(t )
(6.1)
G0(q) es la funcin de transferencia de la planta, u(t) es la entrada, v(t) es la

perturbacin e y(t) es la salida. Adems q es el operador retardo q-1u(t)=u(t-1) De forma
general la entrada puede ser una seal aleatoria o determinista. Por su parte la perturbacin
ser una seal aleatoria autocorrelacionada. En consecuencia la seal de salida tambin
ser una seal aleatoria autocorrelacionada.
a(t)
H0(q)
v(t)
u(t)
G0(q)
y(t)
Figura 6.1. Sistema lineal a identificar
De acuerdo con el teorema de factorizacin espectral (ver seccin 2.7) la perturbacin

v(t) se puede considerar la salida de un filtro H0(q) que es excitado por una seal de ruido
blanco a(t):
v(t ) H 0 ( q )a (t )
(6.2)
Luego la ecuacin del sistema se puede expresar de la siguiente forma:
y (t ) G0 ( q )u(t ) H 0 ( q )a (t )
(6.3)
Se desea identificar un modelo lineal que se aproxime lo mejor posible al sistema real.
La ecuacin del modelo a identificar se puede escribir de la siguiente forma:
6-2
y (t ) G ( q )u(t ) H ( q )e(t )
(6.4)
La variable e(t) es el error de prediccin a un paso:
e(t ) y (t ) y (t | t 1)
(6.5)
En la ecuacin anterior y(t) es la salida real medida en el instante t e y (t | t 1) es la

salida estimada en el instante t usando el modelo y los datos disponibles de la salida en el
intervalo [0, t-1]. A y (t | t 1) se le denomina predictor a un paso de y o salida predicha a un
paso. La variable e(t) representa la parte de la salida y(t) que no puede ser predicha a partir
de los datos pasados. Se trata de ruido blanco que es independiente de todos los datos
anteriores. Despejando e(t) de (6.4) se obtiene la ecuacin del error
e(t ) H 1 ( q )[ y (t ) G ( q )u(t )]
(6.6)
Igualando con (6.5) y despejando y (t | t 1) se obtiene la siguiente expresin para el

predictor a un paso de la salida:
y (t | t 1) H 1 ( q )G ( q )u(t ) (1 H 1 ( q ))y (t )
(6.7)
Si no se considera un modelo del ruido ( H ( q ) 1 ), el error de prediccin se reduce al

error de la salida o residuo:
e(t ) eresid (t ) v~(t ) y (t ) G ( q )u(t )
(6.8)
Al modelo dado por (6.4) se le denomina modelo basado en el error de prediccin o

modelo PEM (Prediction-Error Model). Las funciones G(q) y H(q) son funciones racionales
que quedan especificadas por los coeficientes de su numerador y denominador. En
consecuencia un modelo PEM es un modelo paramtrico ya que queda definido mediante
un nmero finito de parmetros: los coeficientes del numerador y del denominador.
Un modelo PEM se puede expresar de forma general mediante la siguiente ecuacin:
y (t )
B( q )
C(q)
u(t nk )
e(t )
A( q )F ( q )
A( q )D ( q )
(6.9)
6-3
El parmetro nk es el nmero de muestras que transcurren desde que se introduce una

entrada en el sistema hasta que genera una salida, es decir, representa el retardo del
sistema.
Igualando con (6.4) se deduce que:
G(q)
B( q )
q nk
A( q )F ( q )
H (q)
C(q)
A( q )D( q )
(6.10)
Tambin se puede expresar en la forma:
A( q )y (t )
B( q )
C(q)
u(t nk )
e(t )
F (q)
D( q )
(6.11)
En las expresiones anteriores A(q), B(q), C(q), D(q) y F(q) son polinomios:
A( q) 1 a1q 1 ... ana q na

B( q) b1 b2q 1 ... bnbq nb1
C ( q) 1 c1q 1 ... cnc q nc
(6.12)
D ( q) 1 d1q 1 ... d nd q nd
F ( q) 1 f1q 1 ... f nf q nf
La estructura de un modelo PEM queda definida por los valores de los ordenes de sus
polinomios, es decir (na,nb,nc,nd,nf) y del retardo nk.
6.2.2 Tipos de modelos PEM

El tipo de modelo PEM queda establecido por el nmero de polinomios distintos a la
unidad. Se distinguen en consecuencia 32 posibles tipos de modelos PEM. Entre los
modelos PEM ms utilizados se encuentran los siguientes (ver Tabla 6.1):
Modelo ARX. Se define mediante la siguiente ecuacin en diferencias
A( q ) y (t ) B( q )u(t nk ) e(t )
(6.13)
con
A( q ) 1 a1 q 1 ... a na q na
B( q ) b1 b2 q 1 ... bnb q nb 1
6-4
(6.14)
El nombre ARX (AutoRegressive with eXternal input) que se le da a este tipo de

modelo es porque A(q)y(t) es una autoregresin. Mientras que B(q)u(t-nk)
representa la contribucin de la entrada externa. El problema de estimacin de los
coeficientes de los polinomios A(q) y B(q) requiere resolver un problema de
regresin lineal.
La estructura de un modelo ARX queda definida por la tripleta de nmeros
(na,nb,nk). Si se consideran valores muy altos para na y nb las estimas de los
coeficientes son ms consistentes (ver seccin 6.4.3) pero puede producir
problemas de varianza en presencia de una perturbacin significativa. Por el
contrario si se consideran valores muy pequeos para na y nb las estimas son
problemticas si existe una perturbacin significativa o cuando la estructura del
modelo es incorrecta.
Sealar que un modelo ARX utiliza un modelo para el ruido de la forma:
H ( q)
1
A( q)
En consecuencia el espectro del error de prediccin filtrado (ver seccin 6.4.3)

tendr en su trmino asociado a la potencia de la seal de entrada el factor
2
A(ei ) en el numerador, lo que le confiere tpicamente un claro comportamiento

de tipo pasa-alta. Esto implica que el modelo ARX se ajusta con un nfasis en el
comportamiento de alta frecuencia presente en los datos de entrada-salida, lo cual
no es deseable en general. Para evitarlo se recomienda prefiltrar los datos con un
filtro pasa-baja o pasa-banda (ver seccin 4.5.1.3).
Modelo FIR (Finite Impulse Response). Se define mediante la siguiente ecuacin
en diferencias
y (t ) B( q )u(t nk ) e(t )
(6.15)
B( q ) b1 b2 q 1 ... bnb q nb 1
(6.16)
con
6-5
Un modelo FIR se obtiene de un modelo ARX haciendo A(q)=1. El problema de

estimacin de los coeficientes del polinomio B(q) requiere resolver un problema de
regresin lineal.
La estructura de un modelo FIR queda definido por la dupla (nb,nk). En general nb
suele ser grande: igual o superior a 20. El nmero de parmetros necesarios es
funcin del tiempo de asentamiento y de la constante de tiempo dominante.
Un modelo FIR es otra forma adicional de obtener la respuesta a un impulso de un
sistema. Recurdese que la otra forma de estimar la respuesta a un impulso es
mediante anlisis de correlacin.
De acuerdo con (6.10) cuando se obtiene un modelo FIR no se estima un modelo
autocorrelacionado del ruido ya que H ( q ) 1 .
Modelo ARMAX. Se define mediante la siguiente ecuacin en diferencias
A( q ) y (t ) B( q )u(t nk ) C ( q )e(t )
(6.17)
con
A( q ) 1 a1 q 1 ... a na q na
B( q ) b1 b2 q 1 ... bnb q nb 1
1
C ( q ) 1 c1 q ... c nc q
(6.18)
nc
El nombre ARMAX (AutoRegressive Moving Average with eXtra Input) que se le

da a este tipo de modelo es por que A(q)y(t) es una autoregresin (AR), C(q)e(t)
es un ruido blanco de media mvil (MA) y B(q)u(t-nk) representa la contribucin
de la entrada externa. El problema de estimacin de los coeficientes de los
polinomios A(q), B(q) y C(q) requiere resolver un problema de regresin no lineal.
La estructura de un modelo ARMAX queda definida por (na,nb,nc,nk).
Normalmente se escogen valores bajos de na, nb y nc. La presencia de un
polinomio autoregresivo (A(q)) puede conducir a problemas de sesgo (ver seccin
6.4) en presencia de ruido significativo y/o a desajuste con la estructura del
modelo. Sin embargo el polinomio de media mvil (C(q)) a veces contrarresta
estos efectos.
6-6
Modelo OE (Output-Error). Se define mediante la siguiente ecuacin en

diferencias
y (t )
B( q )
u(t nk ) e(t )
F (q)
(6.19)
con
B( q ) b1 b2 q 1 ... bnb q nb 1
F ( q ) 1 f 1 q 1 ... f nf q nf
(6.20)
El nombre OE (Output-Error) deriva del hecho de que la fuente del ruido del
modelo e(t) coincide con la perturbacin v(t), luego ser la diferencia (error) entre
la salida actual y la salida libre de ruido. El problema de estimacin de los
coeficientes de los polinomios B(q) y F(q) requiere resolver un problema de
regresin no lineal.
La estructura de un modelo OE queda definida por (nb,nf,nk). Normalmente se
escogen valores bajos de nb y nf.
De acuerdo con (6.10) cuando se obtiene un modelo OE no se estima un modelo
autocorrelacionado del ruido ya que H ( z ) 1 .
Modelo BJ (Box-Jenkins). Se define mediante la siguiente ecuacin en diferencias
y (t )
B( q )
C (q)
u(t nk )
e(t )
F (q)
D( q )
(6.21)
con
B( q ) b1 b2 q 1 ... bnb q nb 1
C ( q ) 1 c1 q 1 ... c nc q nc
D( q ) 1 d 1 q 1 ... d nd q nd
(6.22)
F ( q ) 1 f 1 q 1 ... f nf q nf
El problema de estimacin de los coeficientes de los polinomios B(q), C(q), D(q) y
F(q) requiere resolver un problema de regresin no lineal. La estructura de un
modelo BJ queda definida por (nb,nc,nd,nf,nk). Normalmente se escogen valores
bajos de nb, nc, nd y nf.
6-7
Un modelo BJ proporciona funciones de transferencia independientes para la

parte determinista y la estocstica del modelo. Los modelos BJ son difciles de
estimar ya que requieren de muchas iteraciones (computacionalmente costoso) y
de una mayor toma de decisiones por parte del diseador.
G (z )
H (z )
Tipo modelo PEM
Polinomios unidad
ARX
C=1, D=1, F=1
B( z ) nk
z
A( z )
1
A( z )
ARMAX
D=1, F=1
B( z ) nk
z
A( z )
C( z)
A( z )
FIR
A=1, C=1, D=1, F=1
B( z )z nk
Box-Jenkins
A=1
B( z ) nk
z
F ( z)
C( z)
D( z )
Output Error
A=1, C=1, D=1
B( z ) nk
z
F ( z)
Tabla 6.1. Tipos de modelos PEM ms utilizados
Supngase que se dispone de un conjunto de N muestras de la entrada u(t) y la salida

y(t) t=1,...,N de un sistema real el problema que se desea resolver es el de obtener el
modelo PEM que mejor represente al sistema real. Es decir, que la salida que genere el
modelo sea lo ms parecida posible a la salida real del sistema medida experimentalmente.
Obtener el mejor modelo PEM implica seleccionar un tipo de modelo, fijar una estructura
y estimar los coeficientes de los polinomios que definen el modelo.
6.3 ESTIMACIN DE LOS PARMETROS DE UN MODELO PEM

6.3.1 Planteamiento general del problema
Seleccionado el tipo y la estructura [na,nb,nc,nd,nf,nk] de un modelo PEM, la estimacin
de los coeficientes de los polinomios de dicho modelo se realiza resolviendo un problema de
regresin lineal o no lineal.
Para un modelo general PEM la ecuacin del error de prediccin a un paso se puede
expresar de la siguiente forma:
C ( q )F ( q ) y (t | ) D( q )B( q )u(t nk ) F ( q )[C ( q ) D( q )A( q )]y (t )
6-8
(6.23)
La expresin anterior puede ser escrita equivalentemente en la forma de una regresin

pseudolineal:
y (t | ) T (t | )
(6.24)
donde
(t | ) [ y (t 1),..., y(t na ), u(t nk ),..., u(t nk nb 1),

w(t 1 | ),..., w(t n f | ), e(t 1 | ),..., e(t nc | )
(6.25)
v(t 1 | ),..., v(t nd | )]
[ a1 ,..., a na , b1 ,...., bnb , f 1 ,...., f nf , c1 ,...., c nc , d 1 ,...., d nd ]T
(6.26)
Al vector columna se le denomina vector de parmetros ya que contiene los

parmetros del modelo que hay que estimar. Ntese que la dimensin del vector de
parmetros coincide con el nmero de parmetros que definen al modelo, tambin
denominado como orden del modelo. Salvo que se indique lo contrario se va denotar con la
letra d al nmero de parmetros de que consta un modelo:
d na nb nf nc nd
Ntese que cuanto mayor sea el valor de d, mayor ser la complejidad del modelo.
Por su parte al vector columna (t | ) se le denomina vector de regresin ya que
contiene los valores pasados de las salidas y las entradas medidas del sistema. Adems
contiene los valores anteriores de las variables auxiliares w, v y e que dependen tanto de los
parmetros del modelo como de los datos (de ah proviene el trmino de pseudolineal):
w(t | )
B( q )
u(t )
F (q)
(6.27)
v(t | ) A( q )y(t ) w(t | )

e(t | ) y (t ) y (t | )
D( q )
v(t | )
C(q)
(6.28)
(6.29)
Para determinar se puede usar la siguiente funcin de coste o funcin objetivo
6-9
VN ( )
1
N
(t | )
t 1
1
N
[ y
(t | )]2
(6.30)
t 1
El objetivo o criterio de identificacin es encontrar aquel vector de parmetros N que

minimice la funcin de coste:
N arg min VN
(6.31)
Ntese que la funcin de coste es la suma de los cuadrados de los errores. Por ello a la
estima N se le denomina estima de mnimos cuadrados. Este procedimiento de estimacin
fue propuesto por Gauss en el siglo XVIII. Se trata en consecuencia de un problema de
optimizacin que puede ser resuelto usando algn mtodo de bsqueda.
Aunque no van a ser tratados en estos apuntes, conviene saber que aparte de los
mtodos de mnimos cuadrados existen otros mtodos para estimar los parmetros del
modelo basndose en el error de prediccin como el mtodo de la variable instrumental y el
mtodo de mxima verosimilitud. Asimismo existen otros mtodos de estimacin con una
filosofa diferente como los mtodos basados en subespacios.
6.3.2 Clculo de la estima cuando el modelo PEM se puede

expresar como una regresin lineal
En el caso de un modelo PEM tipo ARX o FIR se puede demostrar que la estima de sus
parmetros se reduce a un problema de regresin lineal por lo que se puede obtener una
expresin analtica a travs de la cual obtener la estima de mnimos cuadrados .
Desarrollando (6.30) la funcin de coste se puede escribir de la siguiente forma:
VN ( )
1
N
y (t ) 2
t 1
1
N
2 T (t ) y(t )
t 1
1
N
(t ) T (t )
(6.32)
t 1
O equivalentemente como
VN ( )
Donde
6-10
1
N
y (t )
t 1
2 T f N T R N
(6.33)
fN
1
N
RN
1
N
(t ) y (t )
(6.34)
t 1
(t )
(t )
(6.35)
t 1
Ntese que fN es un vector columna de dimensin d x 1 y RN es una matriz cuadrada de

dimensin d x d que se denomina matriz de covarianza de las estimas.
Si la matriz RN es invertible entonces la funcin de coste se puede escribir de la
siguiente forma:
VN ( )
1
N
y (t )
t 1
f NT R N1 f N ( R N1 f N )T R N ( R N1 f N )
(6.36)
El ltimo trmino de la ecuacin anterior es siempre cero ya que la matriz RN es

semidefinida positiva. El valor mnimo de VN() se obtiene cuando este trmino es cero, es
decir, cuando
N R N1 f N
(6.37)
Por lo tanto la estima de mnimos cuadrados N se calcula entonces mediante la

siguiente expresin:
1
N R N1 f N
N
(t ) (t )
t 1
1
N
(t ) y (t )
(6.38)
t 1
En la prctica para evitar problemas numricos que pueden encontrarse al invertir una
matriz la estima N se calcula resolviendo el sistema de ecuaciones lineales dado por la
ecuacin:
RN N f N
(6.39)
Ejemplo 6.1:
Considrese un modelo ARX:
A( q ) y (t ) B( q )u(t nk ) e(t )
6-11
El predictor a un paso de la salida que proporciona este modelo es
y (t | t 1) a1 y (t 1) ... a na y (t na ) b1 u(t nk ) ... bnb u(t nk nb 1)

Dicho predictor puede ser expresado en la forma de una regresin lineal
y (t | t 1) T (t )
Donde el vector de regresin y el vector de parmetros tienen la siguiente expresin:
[ y (t 1),..., y (t na ), u(t nk ),..., u(t nk nb 1)]T
[ a1 ,..., a na , b1 ,...., bnb ]T

Para determinar se usa la siguiente funcin de coste o funcin objetivo
VN ( )
1
N
(t | )
t 1
1
N
[ y
(t | )]2
(6.40)
t 1
El objetivo es encontrar aquel vector de parmetros N que minimice la funcin de coste. Puesto que
se trata de una regresin lineal la estima de mnimos cuadrados se puede obtener de forma directa
resolviendo el siguiente sistema de ecuaciones
RN N f N
donde
fN
1
N
(t ) y (t )
t 1
RN
1
N
(t )
(t )
t 1
Ntese que los elementos del vector fN y de la matriz RN para un modelo ARX son sumas de la forma:
1
N
y(t j )u(t k )
t 1
1
N
y (t j ) y (t k )
t 1
1
N
u(t j )u(t k )
t 1
Luego la estima N es construida usando las estimas de las funciones de covarianza de la entrada y
la salida.
Por ejemplo supngase el siguiente modelo ARX
y(t ) ay(t 1) bu(t 1) e(t )
6-12
(e5)
En este caso:
y (t 1)
a
,
b
u(t 1)

(t )
y
1 N
N y (t )y (t 1)
1 N
t 1
f N (t ) y (t )
N
1
N t 1
y (t )u(t 1)
N
t 1
1 N 2
1 N
y
(
t
1
)
y (t 1)u(t 1)
1
N t 1
N t 1
R N (t ) T (t )
N
1 N 2
N t 1
1
y (t 1)u(t 1)
u (t 1)
N
t 1
t 1
Luego el sistema de ecuaciones a resolver para encontrar la estima de mnimos cuadrados es
1 N 2
1 N
1 N
y
t
y
t
u
t
(
1
)
(
1
)
(
1
)
y (t )y (t 1)
a
N t 1
N t 1
N t 1
N
N
1
b 1 N
2
1
y (t 1)u(t 1)
u (t 1)
y (t )u(t 1)
N
N
t 1
t 1
t 1
Resolviendo se obtiene
N
N
N
N
u 2 (t 1) y (t )y (t 1) y (t 1)u(t 1) y (t )u(t 1)
t 1
t 1
t 1
a t 1
2
N
N
N
y 2 (t 1) u 2 (t 1) y (t 1)u(t 1)
t 1
t 1
t 1
N
N
N
N
y (t 1)u(t 1) y (t )y (t 1) y 2 (t 1) y (t )u(t 1)
t 1
t 1
t 1
b t 1
2
n
N
N
y 2 (t 1) u 2 (t 1) y (t 1)u(t 1)
t 1
t 1
t 1
6-13
6.3.3 Clculo de la estima cuando el modelo PEM no se puede

expresar como una regresin lineal
Para otros tipos de modelos PEM como los modelos ARMAX, OE y BJ la funcin de
coste (6.30) es una funcin no lineal de por lo que la obtencin de la estima del vector de
parmetros N que minimiza la funcin de coste debe realizarse usando algn mtodo
numrico de bsqueda iterativa como el mtodo de Newton-Raphson o el de Gauss-Newton
La base de todos estos mtodos es la necesidad de encontrar una regla para iterar
sobre el vector de parmetros:
( i 1) ( i ) f ( i )
(6.41)
En la expresin anterior f(i) es la direccin de bsqueda determinada en base a los

valores de la funcin de coste de las iteraciones anteriores, sus gradientes (primeras
derivadas) y sus hessianos (segundas derivadas). Asimismo es una constante positiva
cuyo valor se debe fijar para obtener una apropiada disminucin del valor de la funcin de
coste.
Por ejemplo, el mtodo de Newton-Raphson permite resolver numricamente la
ecuacin
g( x) 0
Para ello va buscando valores para x de forma iterativa:
x ( i 1) x ( i ) [g ( x ( i ) )]1 g ( x ( i ) )
(6.42)
En la expresin anterior g es la derivada de g con respecto a x, y es un parmetro

denominado longitud del paso que permite garantizar que x(i+1) ser mejor x(i).
El mtodo Newton-Raphson puede ser utilizado para buscar el mnimo de la funcin de
coste (6.30), para ello hay que encontrar las soluciones de la ecuacin
dVN ( )
0
d
(6.43)
Aplicando (6.41) se obtiene
( i 1) ( i ) ( i ) [VN ( ( i ) )]1 VN ( ( i ) )
6-14
(6.44)
Ntese que puesto que es un vector columna de dimensin d x1. El gradiente (primera
derivada) VN () de la funcin de coste VN es tambin un vector columna de la misma
dimensin. Por su parte VN () el Hessiano (segunda derivada) de VN es una matriz
cuadrada de dimensin d x d. La longitud del paso (i) es determinada para que
VN ( ( i 1) ) VN ( ( i ) ) .
La toolbox SIT de Matlab contiene funciones (arx, armax, oe , bj, pem, ...) que
permiten estimar los parmetros de un modelo PEM. Por ejemplo la funcin arx permite
estimar los parmetros de un modelo ARX, mientras que la funcin armax estima un modelo
ARMAX. En ambos casos es necesario obviamente especificar la estructura del modelo a
estimar, es decir, los valores [na,nb,nk] en el caso de un modelo ARX y los valores
[na,nb,nc,nk] en el caso de un modelo ARMAX.
Ejemplo 6.2:
dryer2.mat de la toolbox SIT de Matlab, donde el periodo de muestreo era T=0.08 s. Una vez
eliminados los valores medios se van a utilizar los primeros 500 datos para estimar un modelo ARX
con na=1, nb=1 y nk=2.
La secuencia de comandos necesarios para estimar dicho modelo ARX y mostrar informacin sobre
el mismo es la siguiente:
load dryer2
%Seleccionar los primeros 500 puntos para estimar
%Estimar el modelo ARX (1,1,2)
arx112=arx(d_est,[1,1,2]);
%Presentar la infomracin del modelo
present(arx112)
En pantalla aparece lo siguiente:
Discrete-time IDPOLY model: A(q)y(t) = B(q)u(t) + e(t)
A(q) = 1 - 0.9444 (+-0.009375) q^-1
B(q) = 0.06944 (+-0.005256) q^-2
6-15
Estimated using ARX from data set d_est

Loss function 0.0290152 and FPE 0.0292483
Sampling interval: 0.08
Es decir, se muestra el polinomio A(q) y B(q) estimado. As como informacin sobre el valor de la
funcin de coste (loss function) y del criterio de informacin FPE utilizado (que se explicar en la
seccin 6.5.2).
6.4 PROPIEDADES DEL MODELO PEM ESTIMADO

6.4.1 Calidad del modelo
Tres son los aspectos que se pueden considerar para evaluar la calidad del modelo
estimado:
Uso final de modelo. Un modelo de un sistema puede ser excelente para poder
realizar un control del sistema pero resultar inadecuado para realizar simulacin.
Habilidad del modelo para reproducir el comportamiento del sistema. Es decir, que la
salida que produce el modelo se parezca lo mximo posible a la salida real del
sistema cuando ambos son excitados por la misma entrada.
Estabilidad del modelo. Hace referencia a como de bien el modelo puede ser
reproducido a partir de diferentes segmentos de datos de entrada-salida del sistema
real. Obviamente habr que cuestionarse el modelo resultante si vara mucho en
funcin de los segmentos de datos a partir de los cuales fue estimado.
6.4.2 Errores existentes en un modelo

De forma general el modelo estimado para un cierto sistema incluye dos tipos de
errores que evitan que pueda reproducir fielmente al sistema real:
Error de varianza. Engloba a los errores del modelo que surgen a causa del ruido
que influye sobre las medidas y el sistema. Si un experimento se repite usando la
misma entrada, la salida que se medir no ser exactamente la misma ya que el
ruido al ser aleatorio no puede ser reproducido. A causa de este ruido el modelo que
se estime ser diferente. El error de varianza se puede disminuir si se aumenta el
nmero N de datos recogidos, es decir la duracin de los experimentos. Tambin
6-16
disminuye si aumenta la razn seal-ruido. Por el contrario aumenta conforme mayor

es el nmero d de parmetros del modelo (orden del modelo).
Error de sesgo (bias). Engloba a los errores sistemticos que contiene el modelo
estimado debido a la estructura de modelo elegida. Si la estructura elegida para el
modelo no es adecuada, ste no ser capaz de reproducir el comportamiento del
sistema real. Los errores de sesgo se manifiestan como variaciones en los
parmetros del modelo cuando son estimados con datos que han sido medidos en
diferentes
condiciones
(incluso
aunque
los
intervalos
de
medida
sean
suficientemente grandes para hacer el error de varianza insignificante). El motivo es

que segn sean las
condiciones del experimento (punto de operacin,
caractersticas de la entrada y modo de operacin (lazo abierto o cerrado)) los datos

contendrn ciertas propiedades del sistema y ocultarn otras. El modelo se ajusta
entonces nicamente a los aspectos dominantes de las propiedades del sistema
recogidas por los datos.
6.4.3 Error de sesgo

Considrese la estima del vector de parmetros N que minimiza la funcin de coste
VN ( )
1
N
(t | )
t 1
Supuesto que el nmero N de datos medidos tiende a infinito, el error de varianza ser
despreciable y el nico error que tendr la estima ser el asociado al error de sesgo.
Si el ruido que afecta al sistema puede ser descrito como un proceso estocstico
estacionario, entonces el error de prediccin e(t|) para cada valor de es un proceso
estacionario. La varianza del error de prediccin es:
E[e 2 (t | )] V ( )
(6.45)
Si e(t|) es una secuencia de variables estocsticas independientes, es decir, ruido

blanco, entonces cuando N la funcin de coste V() tiende a la varianza del error de
prediccin V ( ) :
1
N
e
t 1
(t | )
E[ e 2 (t | )] V ( )
N
(6.46)
6-17
La convergencia ocurre con una probabilidad 1. La convergencia es tambin uniforme

en el parmetro , esto implica que
N arg minVN ( )
* arg minV ( )
N
(6.47)
Es decir, la estima del vector de parmetros N converge al valor que minimiza la

varianza del error de prediccin. Este resultado es completamente general y contiene toda la
informacin del error de sesgo.
Si no se puede conseguir un modelo exacto se puede conseguir al menos la mejor
aproximacin disponible dentro del modelo parametrizado, aquella que minimiza la varianza
del error de prediccin. Esta es una importante propiedad de robustez de la estima.
En el caso de modelos lineales este resultado se interpreta mejor en el dominio de la
frecuencia. Considrese el siguiente sistema lineal
y (t ) G0 ( q )u(t ) v(t ) G0 ( q )u(t ) H 0 ( q )a (t )
(6.48)
Supngase que se ha estimado el siguiente modelo del sistema
y(t ) G ( q )u(t ) H ( q )e(t )
(6.49)
El error de prediccin es
e(t ) y (t ) y (t | t 1) H 1 ( q )[ y (t ) G ( q )u(t )]
H 1 ( q )[G0 ( q )u(t ) v(t ) G ( q )u(t )]
H 1 ( q )G0 ( q )u(t ) H 1 ( q )v(t ) H 1 ( q )G ( q )u(t )
(6.50)
H 1 ( q )[G0 ( q ) G ( q )]u(t ) H 1 ( q )v(t )

De acuerdo con el teorema de factorizacin espectral (ver seccin 2.7) y supuesto que
la entrada es independiente de la perturbacin, el espectro del error de prediccin es
u ( )
v ( )
e | G0 (e j ) G ( e j ) |2
j
2
| H (e ) | | H ( e j ) |2
(6.51)
Considerando la frmula de Parseval
E[ e 2 (t | )]
6-18
1
e ( | )d
2
(6.52)
se llega al siguiente resultado [Ljung y Glad, 1994]:
u ( )
d
| H (e j ) |2
* lim N arg min | G0 (e j ) G (e j ) |2
(6.53)
Ntese que en esta expresin no aparece el ltimo trmino de (6.51) ya que es

independiente de .
Por lo tanto la estima converge al valor *, el cual hace a la funcin de transferencia
G (e j , * ) del modelo tan cercana como sea posible a la funcin de transferencia de la

planta real G0 (e j ) medida en una norma de frecuencia cuadrtica con una funcin de peso
u ( )
| H ( e j ) |2
(6.54)
En el caso de que los datos de la entrada y la salida hayan tenido que ser prefiltrados,
usando un prefiltro L(z), es decir,
u F (t ) L( z )u(t )
y F (t ) L( z )y (t )
entonces la norma de frecuencia cuadrtica pasa a ser:
u ( )
| L( e j ) |2
| H (e j ) |2
Ntese que seleccionando adecuadamente el prefiltro L, el espectro de potencia de la
entrada u y el modelo de la perturbacin H ( e j ) es posible controlar los rangos de
frecuencia donde el ajuste entre el modelo y el sistema puede ser mejor. Este resultado
ilustra el hecho de como el error de sesgo depende de las condiciones del experimento, en
este caso el espectro de la entrada.
Expresando el espectro del error de prediccin filtrado de la siguiente forma
eF ( )
| L |2
[| G0 G |2 u 2Re((G0 G )H 0* ( ei ) ua ) | H 0 ( ei ) |2 a2 ]
2
|H |
(6.55)
es posible deducir las principales fuentes del error de sesgo:
6-19
Potencia de la seal de entrada u. La seal de entrada debe tener suficiente

potencia en el rango de frecuencias de excitacin del sistema. Es decir, debe
tener excitacin persistente suficiente.
Eleccin del prefiltro L(z). El prefiltro acta en el problema de estimacin como un
peso dependiente de la frecuencia que se debe utilizar para mejorar la bondad del
ajuste en ciertas porciones de la respuesta del modelo.
Estructura del modelo G. Aumentar el nmero d de parmetros del modelo
disminuye el sesgo, aunque aumenta el error de varianza.
Estructura del modelo de la perturbacin H. Acta como un peso similar al
prefiltro. Los trminos de autoregresin (A(z) y D(z)) enfatizan el ajuste a altas
frecuencias.
Espectro del ruido | H 0 ( ei ) |2 a2 . Si la dinmica del ruido difiere substancialmente
de la dinmica de la planta, un acuerdo entre el ajuste de H 0 y H se producir
siempre que A(z)1.
Espectro cruzado ua. Si la entrada est correlacionada con la perturbacin
(debido a operacin en lazo cerrado) puede producir sesgo.
Ajustando adecuadamente las fuentes anteriores es posible disminuir el error de sesgo
en los rangos de frecuencia de inters.
Se dice que la estima de mnimos cuadrados es consistente (libre de errores de sesgo)(
es decir converge a la planta real con probabilidad uno) si cuando N se cumple que
1
lim
N N
1
e (t ) lim
N 2
t 1
N
2
F
G ( z ) G0 ( z )
eF
( )d a2
(6.56)
H ( z) H 0 ( z)
Es decir, la nica fuente de error entre el modelo y el sistema real es la perturbacin.

Ntese que la estima consistente se obtiene cuando se cumplen las siguientes
condiciones:
1) La estructura del modelo de la planta G y del ruido H describe al sistema real (G0
y H0). Es decir, sus rdenes son adecuados.
6-20
2) La entrada u posee excitacin persistente de grado adecuado. Es decir el

espectro de la entrada debe ser distinto de cero en un rango de frecuencia
adecuado.
La teora no exige que la entrada u y el ruido a tenga que ser secuencias
independientes, no correlacionadas (es decir ua ( ) 0 ), es decir, que la operacin
se realice en lazo abierto. Sin embargo, es un requisito deseable en la prctica ya que se
simplifica el proceso de identificacin.
Si existiera un valor 0 tal que
G ( e j , 0 ) G ( e j )
entonces de (6.53) * 0 independientemente de u () y H ( e j ) si u () es diferente de
cero para un nmero suficiente de frecuencias.
Otro resultado general que tambin se deduce directamente de (6.47) es el siguiente.
Supuesto que en el caso general, que existe un valor 0 tal que el error de prediccin
e(t , 0 ) y (t ) y (t | 0 ) a (t )
(6.57)
sea ruido blanco a de varianza , entonces de (6.53) se obtiene lo siguiente:
V ( ) E[e 2 (t , )] E[( y (t ) y (t | )) 2 ] E[( a (t ) y (t | 0 ) y (t | )) 2 ]

E[( y (t | 0 ) y (t | )) 2 ]
(6.58)
ya que a(t) es independiente de todos los datos.

En consecuencia se observa que * 0 minimiza la varianza V ( ) . De lo que se
deduce el siguiente resultado
N
0
N
(6.59)
El resultado anterior es valido bajo la siguiente condicin:
y (t | 0 ) y (t | ) 0
(6.60)
6-21
6.4.4 Error de varianza

Sea N la estima que minimiza la funcin de coste (6.30) y sea 0 la estima tal que el
error de prediccin sea ruido blanco a de varianza . Se puede demostrar que el error de
varianza de la estima se puede aproximar por la siguiente expresin [Ljung y Glag, 1994]:
PN E[(N 0 )(N 0 )T ] R 1
N
donde R es la matriz de covarianza de las estimas cuando N.
Ejemplo 6.3:
Considrese un sistema descrito por la siguiente ecuacin
y (t ) 0.9y (t 1) u(t 1) e(t )

La entrada u es ruido blanco de varianza y el ruido {e(t)} es ruido blanco de varianza .
Supngase que se usa para identificar el sistema el siguiente modelo ARX
y(t ) ay (t 1) bu(t 1) e(t )

El predictor a un paso de la salida que proporciona este modelo es
y (t | ) ay (t 1) bu(t 1)
En este caso el vector de regresin y el vector de parmetros son:
a
y (t 1)
,
b
u(t 1)
(t )
Adems la matriz de covarianza es
1 N 2
1 N
y
(
t
1
)
y (t 1)u(t 1)
1
N t 1
N t 1
R N (t ) T (t )
N
1 N 2
N t 1
1
y (t 1)u(t 1)
u (t 1)
N
N t 1
t 1
Supuesto que
6-22
(6.61)
1 N 2
1 N
x (t 1) x 2 (t )
N t 1
N t 1
y que N entonces la matriz de covarianza toma la siguiente forma:
E[ y 2 (t )]
E[ y (t )u(t )] R y (0) R yu (0)
R
E[u 2 (t )] R yu (0) R y (0)

E[ y (t )u(t )]
Hay que calcular los valores esperados de diferentes magnitudes. Como la entrada u y el ruido e son
independientes se cumple:
E[e(t )e(t 1)] 0

E[u (t )u (t 1)] 0
E[e(t )u (t )] 0
Por otra parte las varianzas de la entrada y el ruido son
E[ e(i ) 2 ]
E[u(i ) 2 ]
Adems como el valor el valor pasado de la salida y es independiente del valor actual de e o de u, se
cumple:
E[ y (t 1)u (t )] 0
E[ y (t 1)e(t )] 0
Elevando al cuadrado los dos miembros de la expresin del sistema y tomando el valor esperado E[
], se obtiene la siguiente ecuacin
(1 0.81)R y (0) 1.8R y (1)

Multiplicando la ecuacin del sistema por u(t) e tomando el valor esperado se obtiene
R yu (0) E[ y (t )u(t )] 0
Ya que u(t) es independiente de y(t-1), u(t-1) y e(t).
Multiplicando la ecuacin del sistema por y(t-1) y tomando el valor esperado se obtiene
R y (1) 0.9R y (0) 0
6-23
Por lo tanto
R y (0)

0.19
Luego la matriz de covarianza toma la siguiente forma:

R 0.19
0
De acuerdo con (6.61) la varianza en la estima a N del parmetro a es:
Var( a N )
1 0.19
Mientras que la varianza en la estima de bN del parmetro b es
1
Var (bN )
N
Se observa como la varianza de la entrada influye en la precisin de la estima. Ntese adems que
si N el error de varianza se hace nulo.
A partir de (6.61) es posible estimar la varianza del modelo estimado para la planta
G ( e j ) y para la perturbacin H ( e j ) .Sea d el nmero de parmetros que contiene el

modelo y N el nmero de datos de entrada-salida disponibles. Si d y N son suficientemente
grandes la covarianza asinttica para la estima del modelo es [Ljung y Glag, 1994]:
G (e j ) d
u ( ) ua ( )
Cov
(
)
v
( )
j

au
H ( e ) N
(6.62)
Donde u ( ) es el espectro de potencia de la entrada, v ( ) | H 0 (e i ) |2 a2 es el

espectro de potencia de la perturbacin y ua ( ) *au ( ) es el espectro de potencia
cruzada entre la entrada u(t) y el ruido blanco a(t).
6-24
En el caso de operar en lazo abierto ( ua ( ) 0 ) la covarianza para la estima del

modelo toma la siguiente forma:
d v ( )
N u ( )
(6.63)
d v ( ) d
| H ( e i ) |2
N
N
(6.64)
Cov G ( e j )
Cov H ( e j )
Se observa que la covarianza de la estima del modelo, o lo que es lo mismo el error de

varianza, depende del nmero d de parmetros del modelo, del nmero N de datos y de la
relacin ruido-seal. En consecuencia el error de varianza se puede disminuir si se reduce el
nmero de parmetros d del modelo, se aumenta el nmero N de datos o se aumenta la
potencia de la seal de entrada.
6.4.5 Compromiso entre el error de sesgo y el error de varianza

En la Figura 6.2 se representa el valor del error de sesgo y del error de varianza de un
cierto modelo en funcin del nmero de parmetros d del modelo que define la complejidad
de un modelo. Se puede observar como el error de sesgo disminuye cuando d aumenta. Por
su parte el error de varianza aumenta linealmente cuando d aumenta, lo cual era esperado
de acuerdo con (6.63).
En consecuencia a la hora de fijar la estructura de un modelo que define el nmero de
parmetros d que contendr el mismo, hay que llegar a un compromiso entre el error de
sesgo y el error de varianza. Para ello se debe escoger el valor de d que minimice el error
total, es decir la suma del error de sesgo y del error de varianza (ver Figura 6.3).
Si se calculara el error del modelo con el conjunto de datos usados para estimar los
parmetros del modelo, no se podra detectar el error de varianza (ver Figura 6.4). Por ello
la validacin de un modelo, como se explicar en la prxima seccin, siempre es deseable
realizarla, si es posible, con un conjunto de datos (datos para validar) diferente al conjunto
de datos usados para estimar el modelo.
6-25
(a)
(b)
Figura 6.2. [Berenguel, 2004] Evolucin tpica del error de sesgo (a) y del error de varianza (b) en
funcin del nmero de parmetros de un modelo que define la complejidad de un modelo
complejidad
Complejidad
ptima
ptima
modelo
varianza
sesgo
Figura 6.3. [Berenguel, 2004] Seleccin de la complejidad de un modelo como un compromiso entre
el error de sesgo y el error de varianza
6-26
complejidad
ptima
error con datos
para validacin
error con datos
para estimacin
Figura 6.4. [Berenguel, 2004] Error de un modelo en funcin del nmero de parmetros del modelo
calculado con los datos usados para estimar y con los datos usados para validar
En general, los errores de sesgo y varianza no son conocidos, de modo que se suelen
estimar varios modelos de diferente complejidad y se comparan los errores evaluados sobre
el conjunto de datos usados para validar.
6.5 CONSIDERACIONES SOBRE LA ELECCIN DEL TIPO Y LA

ESTRUCTURA DEL MODELO PEM
6.5.1 Eleccin del tipo de modelo
De acuerdo con el principio de parsimonia puesto que los modelos ARX son los ms
fciles de estimar, siempre se recomienda su utilizacin como modelo de partida de
cualquier problema de identificacin de sistemas. La principal desventaja de un modelo ARX
es que el modelo de la perturbacin H ( q ) 1 / A( q ) comparte los mismos polos que el
modelo de la planta G ( q ) B( q ) / A( q ) . En consecuencia es posible tener una estima
incorrecta de la dinmica del sistema porque el polinomio A(q) tambin describe las
propiedades de la perturbacin. Puede ser necesario que los grados na y nb de los
polinomios A y B sean altos. Si la razn seal-ruido es adecuada, esta desventaja es menos
importante.
6-27
Un modelo ARX con los rdenes adecuados es capaz de proporcionar una estima
consistente. Esto rdenes pueden ser altos, por lo que quizs sea necesario reducir el
modelo obtenido
En el caso de no obtener buenos resultados con modelos ARX se debe pasar a utilizar
modelos ARMAX que presentan una mayor flexibilidad para tratar las perturbaciones,
gracias al polinomio C(q) que poseen que genera un modelo de ruido correlacionado.
El uso de los modelos OE se recomienda cuando las propiedades de las seales de
perturbacin no necesitan ser modeladas, es decir, H=1. Permiten obtener una descripcin
correcta de la funcin de transferencia determinista G sin importar la forma de las
perturbaciones.
Slo cuando no se obtiene buenos resultados con modelos ARX, ARMAX y OE se
puede probar a usar modelos BJ, que permiten obtener funciones de transferencia
independientes para la parte determinista y la estocstica del modelo. Los modelos BJ son
difciles de estimar ya requieren de muchas iteraciones (computacionalmente costoso) y de
una mayor toma de decisiones por parte del diseador.
Los modelos ARX y ARMAX tienen dinmicas comunes (mismos polos) para el ruido
a(t) y la entrada u(t). Esto resulta adecuado cuando la perturbacin dominante entra antes
en el proceso, por ejemplo en la entrada. Por otra parte, un modelo BJ es preferible cuando
las perturbaciones modeladas entran despus en el proceso, por ejemplo, como ruido
medido en la salida.
6.5.2 Eleccin de la estructura del modelo

Una vez seleccionada la familia o tipo de modelos con la que se va identificar, se deben
estimar modelos con distintos rdenes de los polinomios (estructuras) y seleccionar aquel
que presenta un menor valor de la funcin de coste (6.30) al ser evaluada sobre un conjunto
de datos (datos de validacin) distinto al conjunto de datos utilizados para estimar los
modelos (datos de estimacin).
En ocasiones el nmero de datos disponibles es pequeo por lo que no es posible
reservar un conjunto de datos para validar, es decir, los datos que se usan para estimar los
modelos se deben usar tambin para validarlos. En este caso aparece el fenmeno
conocido como sobreestimacin o sobreparametrizacin que consiste en que el modelo que
minimiza la funcin de coste (6.30) es siempre aquel que tiene un mayor nmero de
parmetros. A medida que aumenta el nmero de parmetros de un modelo se suele
6-28
obtener un valor ms pequeo para la funcin de coste. Ya que se calcula minimizando

sobre un mayor nmero de parmetros. Si se dibujan los valores de la funcin de coste
como funcin del nmero de parmetros se obtiene una curva estrictamente decreciente. El
valor de la funcin de coste disminuye porque el modelo est incluyendo cada vez ms
propiedades relevantes del sistema real. Sin embargo, an despus de que un orden
correcto del modelo ha sido alcanzado la funcin de coste contina disminuyendo.
Un modelo sobreparametrizado contiene ms parmetros de los realmente necesarios,
estos parmetros adicionales se utilizan para ajustar el modelo a las seales de
perturbacin especficas presentes en las series temporales de los datos. El poseer un
modelo sobrestimado no sirve para ningn propsito prctico ya que el modelo ser utilizado
con otras perturbaciones, puesto que stas suelen tener una naturaleza estocstica.
La sobreestimacin puede ser evitada utilizando funciones de coste que incluyan un
factor f(d,N) que penalice la utilizacin de un nmero de parmetros d excesivo.
N
min f ( d,N ) 2 (i, )

d,
i 1
(6.65)
A estas funciones de coste modificadas se las conoce como criterios de informacin.

Los ms utilizados son los siguientes:
Error final de prediccin de Akaike (FPE)
1
FPE min
d,
1
1
N 2 (i, )
d N
i 1
N
Criterio terico de informacin de Akaike (AIC)
2d N 2
AIC min 1
(i, )
d,
N i1
(6.66)
(6.67)
Longitud mnima de la descripcin de Rissanen (MDL)

N
2d
MDL min 1
log( N ) 2 (i, )
d,
N
i1
(6.68)
6-29
Ejemplo 6.4
dryer2.mat de la toolbox SIT de Matlab. Se van a usar los 500 primeros datos para estimar y los
500 restantes para validar. Se desea obtener el modelo ARX que mejor se ajusta, es decir, minimiza
la funcin de coste (6.30) dentro del rango de estructuras na=1,,10, nb=1,,10 y nk=1,,10.
La secuencia de comandos de Matlab necesaria para obtener el mejor modelo es la siguiente:
load dryer2
Ts=0.08;
d_val=datos1(501:1000);
NN=struc(1:10,1:10,1:10);
V=arxstruc(d_est,d_val,NN);
NNmin=selstruc(V,0)
arxsel=arx(d_est,NNmin);
present(arxsel)
En la pantalla se mostrara lo siguiente:

NNmin =
6
Discrete-time IDPOLY model: A(q)y(t) = B(q)u(t) + e(t)

A(q) = 1 - 0.9563 (+-0.04574) q^-1 + 0.02774 (+-0.06338) q^-2
- 0.09131 (+-0.06303) q^-3 + 0.09325 (+-0.06298) q^-4
+ 0.001598 (+-0.06072) q^-5 + 0.02927 (+-0.03302) q^-6
B(q) = 0.004215 (+-0.001528) q^-2 + 0.0644 (+-0.001842) q^-3
+ 0.0627 (+-0.003486) q^-4 + 0.02005 (+-0.00447) q^-5
- 0.007039 (+-0.004435) q^-6 - 0.01739 (+-0.004395) q^-7
- 0.01571 (+-0.004053) q^-8 - 0.009152 (+-0.003461) q^-9
- 0.005082 (+-0.00261) q^-10
Estimated using ARX from data set d_est
Luego el modelo ARX que minimiza la funcin de coste es aquel con una estructura
(na,nb,nk)=(6,9,2)
6-30
Ejemplo 6.5
dryer2.mat de la toolbox SIT de Matlab. Se van a usar los 500 primeros datos para estimar y
tambin para validar. Considerando el conjunto de modelos ARX con estructuras na=1,,10,
nb=1,,10 y nk=1,,10, se pide : a) Obtener el modelo ARX que minimiza la funcin de coste (6.30).
b) Obtener el modelo ARX segn el criterio de informacin AIC.
a) La secuencia de comandos de Matlab necesaria para obtener el mejor modelo es la siguiente:
load dryer2
Ts=0.08;
NN=struc(1:10,1:10,1:10);
V=arxstruc(d_est,d_est,NN);
NNmin=selstruc(V,0)
arxsel=arx(d_est,NNmin);

NNmin =
10
10
(na,nb,nk)=(10,10,2). Se observa que al usar el mismo conjunto de datos para estimar y para validar
la estructura seleccionada es aquella que presenta el mayor nmero de parmetros (na=10 y nb=10).
Puede comprobarse que si se aumentase el espacio de estructuras a otras de mayor orden, siempre
el modelo ARX que minimizara la funcin de coste sera aquella con mayor nmero de parmetros.
Es decir, existe el problema de la sobreestimacin.
b) Los comandos necesarios para obtener el mejor modelo ARX segn el criterio de informacin AIC
es (supuesto que se han escrito ya los del apartado anterior):
NNmin=selstruc(V,aic)
arxselb=arx(d_est,NNmin);
NNmin =
6
10
6-31
(na,nb,nk)=(6,10,2). Ntese lo prximo que est este modelo al obtenido como mejor modelo en el
Ejemplo 6.4.
6.6 VALIDACIN DEL MODELO ESTIMADO

Es muy importante tener en cuenta que en el proceso de seleccin y validacin de los
modelos se debe usar, siempre que sea posible, un conjunto de datos distinto (datos de
validacin) a los usados para estimar el modelo (datos de estimacin), ya que de lo contrario
no se ve reflejado el error de varianza. A la validacin del modelo con datos distintos a los
usados para estimarlo se le denomina en la literatura como validacin cruzada.
Para analizar la validez del modelo estimado es conveniente realizar los siguientes
estudios: verificacin del comportamiento de entrada-salida y anlisis de los residuos.
6.6.1 Verificacin del comportamiento de entrada-salida

Para validar el comportamiento de entrada-salida del modelo estimado se deben hacer
los siguientes test:
Comparar la respuesta temporal medida con la estimada por el modelo. Para ello
se debe utilizar la misma entrada usada en la identificacin, as como otras
entradas no usadas en la identificacin.
Comparar la respuesta a un impulso y a un escaln que proporciona el modelo
identificado con la respuesta a un impulso y a un escaln estimada mediante
anlisis de correlacin.
Comparar la respuesta en frecuencia obtenida por el modelo identificado con la
calculada mediante anlisis espectral.
Puede suceder que un modelo presente un buen comportamiento de entrada-salida pero
que sin embargo el anlisis de sus residuos indique que no se trata de un buen modelo.
Pese al desacuerdo entre ambas validaciones, dependiendo del uso final que se le vaya a
dar al modelo (simulacin, control, prediccin, filtrado,), quizs el modelo no tenga por qu
ser rechazado.
6-32
Ejemplo 6.6
En la Figura 6.5 se representan la respuesta temporal del modelo ARX (6,9,2) estimado en el Ejemplo
6.4 y la salida medida experimentalmente. Esta figura se puede obtener con el comando de Matlab
compare(d_val,arxsel);
Se observa que la salida del modelo coincide bastante bien con la salida medida experimentalmente.
Adems describe el 89.78% de la varianza de la salida.
Measured Output and Simulated Model Output
1.5
Measured Output
arxsel Fit: 89.78%
1
0.5
0
0.5
1
1.5
2
40
45
50
55
60
65
70
75
80
Figura 6.5. Representacin de la respuesta temporal del modelo ARX (6,9,2) estimado en el Ejemplo
6.4 (lnea punteada) y de la salida medida experimentalmente (lnea continua)
Amplitude
10
10
10
10
10
10
10
10
Phase (degrees)
0
arx692
Gspa
200
400
600 1
10
10
10
10
Frequency (rad/s)
Figura 6.6. Representacin de la respuesta en frecuencia del modelo ARX (3,4,3) estimado en el
Ejemplo 6.4 (lnea punteada) y de la funcin de la frecuencia del sistema estimada usando anlisis
espectral (lnea continua)
6-33
En la Figura 6.6 se representan la respuesta en frecuencia del modelo ARX (6,9,2) estimado en el
Ejemplo 6.4 y la funcin de la frecuencia del sistema estimada mediante anlisis espectral. Esta
Figura se puede obtener con los siguientes comandos de Matlab.
[Gspa,phiVspa]=spa(d_est);
bode(arxsel,Gspa)
legend('arx692','Gspa')
Se observa que la respuesta en frecuencia del modelo ARX (6,9,2) es bastante parecida a la funcin
de frecuencia estimada para el sistema, aunque discrepa ligeramente en cuanto al valor de la
ganancia a baja frecuencia y en su comportamiento de alta frecuencia.
6.6.2 Anlisis de los residuos

El error de prediccin que produce el modelo estimado para t=1,...,N se calcula de la
siguiente forma:
e(t ) y (t ) y (t | N )
(6.69)
El estudio del error de prediccin (que se denominan residuos si el modelo del ruido es
igual a la unidad) que produce el modelo estimado puede aportar la siguiente informacin
sobre el modelo:
Existencia de dinmicas no modeladas. El modelo no recoge todas las dinmicas

del sistema.
Existencia de realimentaciones de la salida en la entrada. Lo que indica que los

datos utilizados han sido adquiridos en lazo cerrado.
Validez del modelo de la perturbacin estimado. En el caso de que se requiera

obtener aparte un modelo de la planta tambin un modelo de las perturbaciones,
entonces se debe exigir que los residuos sean mutuamente independientes.
Bsicamente el estudio del error de prediccin se realiza a partir de la representacin

grfica de la estima de la funcin de correlacin cruzada entre la entrada y el error de
prediccin, y de la representacin grfica de la estima de la funcin de autocorrelacin de
los residuos.
La funcin de correlacin cruzada entre la entrada y el error de prediccin se calcula
mediante la siguiente expresin:
6-34
1
R eu ( )
N
e(t )u(t )
| | M
t 1
Se puede demostrar que si {e(t)} y {u(t)} son realmente independientes, entonces la

estima de la funcin de correlacin cruzada cuando N es grande est distribuida
normalmente, con valor medio cero y varianza
Pr
1
N
R (k )R ( k )
donde Re(k) y Ru(k) son las funciones de covarianza de e y u, respectivamente.

La estima de la funcin de covarianza cruzada se suele representar grficamente junto
con la representacin de las lneas horizontales
3 Pr
que definen el intervalo de confianza del 99.7%.
Si algn valor de R eu ( ) sale fuera del intervalo de confianza entonces eso indica que
e(t+) y u(t) probablemente son dependientes para dicho valor de .
Si >0 entonces el modelo puede que est incompleto, es decir, pueden existir
dinmicas no modeladas. Por ejemplo si se ha utilizado un modelo ARX y R eu ( ) es
significativamente distinto de cero en =0, esto indica que el trmino u(t-0) debera ser
incluido en el modelo. Lo cual sirve de gua para seleccionar una mejor estructura ARX, en
concreto para elegir los rdenes nk y nb. Si no se consigue mejorar habr que plantearse
otros tipos de modelos como un ARMAX.
Si hay correlacin para valores negativos de , es decir e(t) influye en valores de la
entrada u(s) con s>t, entonces ello indica la existencia de realimentacin de la salida en la
entrada, no que el modelo est incompleto.
La funcin de autocorrelacin de los residuos se define de la siguiente forma:
1
R e ( )
N
e(t )e(t )
| | M
t 1
6-35
En el caso de que se requiera obtener un modelo de las perturbaciones, entonces se

debe exigir que los residuos sean mutuamente independientes, es decir, tengan una
distribucin similar al ruido blanco. Si los residuos son ruido blanco la funcin de
autocorrelacin deber ser aproximadamente cero (estar dentro del intervalo de confianza)
en todos los puntos salvo en el origen. En caso contrario significar que las perturbaciones
no estn bien modeladas.
En general en el anlisis de los residuos se puede seguir la siguiente regla: si la
representacin de la funcin de autocorrelacin de los residuos y la representacin de la
funcin de correlacin cruzada entre los residuos y la entrada (hay que fijarse en los valores
positivos de de la funcin de correlacin cruzada) cruzan significativamente sus
respectivos intervalos de confianza entonces el modelo no puede ser aceptado como una
buena descripcin del sistema. Pese a ello si la verificacin del comportamiento de entradasalida ha sido satisfactoria, dependiendo del uso final del modelo ste podra ser
considerado como vlido.
Si se est interesado principalmente en identificar la parte determinista G del modelo,
como ocurre con los modelos OE, entonces habr que concentrarse en conseguir la
independencia de los residuos frente a la entrada ms que en la blancura de los residuos.
Ejemplo 6.7
Se van a analizar los residuos del modelo ARX (6,9,2) estimado en el Ejemplo 6.4. En la Figura 6.7
se representan la autocorrelacin de los residuos y la correlacin cruzada entre los residuos y la
entrada. Esta Figura se ha obtenido usando el comando de Matlab
resid(arxsel,d_val)
Se observa que la autocorrelacin de los residuos se asemeja a la del ruido blanco por lo que el
modelo en cuanto a la modelizacin de las perturbaciones del sistema es correcto.
Por otra parte, la funcin de correlacin cruzada entre los residuos y la entrada no cruza
significativamente la regin de confianza del 99.7% en desplazamientos (lags) positivos , lo que
indica que no existen dinmicas no modeladas. Tampoco la cruza en desplazamientos negativos lo
que indica que no existe realimentacin de la perturbacin en la entrada, es decir, que el sistema
durante la adquisicin de los datos ha estado operando en lazo abierto.
6-36
Correlation function of residuals. Output y1

1
0.5
0
0.5
0
10
15
20
lag
Cross corr. function between input u1 and residuals from output y1
25
0.2
0.1
0
0.1
0.2
25
20
15
10
0
lag
10
15
20
25
Figura 6.7. Anlisis de los residuos del modelo ARX (6,9,2) estimado en el Ejemplo 6.4
6.7 REDUCCIN DEL MODELO

Si el modelo identificado presenta unos rdenes en sus polinomios elevados, se puede
intentar simplificarlo buscando cancelaciones de polos y ceros. Si el modelo identificado es
de orden (por ejemplo n) mayor que el real (por ejemplo n0) entonces aparecern n-n0 pares
de ceros-polos que se cancelan entre s de forma aproximada. En dicho caso puede
probarse a estimar un modelo con una estructura de orden reducida en el nmero de
cancelaciones que se hayan producido.
Tambin otra forma de conseguir un modelo de rdenes ms reducidos es usando los
criterios de informacin que penalizan el uso de un nmero de parmetros excesivos.
Obviamente si se valida el modelo reducido se obtendrn peores resultados que con el
modelo original. Si el empeoramiento producido no es excesivo el modelo reducido podr
considerarse como vlido.
Ejemplo 6.8
En la Figura 6.8 se representa el diagrama de polos y ceros del modelo ARX (6,9,2) estimado en el
Ejemplo 6_4. Se muestran adems los intervalos de confianza del 99.7% para la posicin de los
ceros y los polos. Esta Figura se puede obtener con el comando de Matlab.
zpplot(arxsel,1)
6-37
Se observa que los intervalos de confianza de dos polos intersecta con los intervalos de confianza de
dos ceros, esto indica que se pueden estar cancelando dos polos con dos ceros. Por tanto se puede
probar a reducir el modelo ARX (6,9,2) a un modelo ARX (4,7,2). Para quedarse con el modelo
reducido habra que validarlo y ver si no es mucho peor que el modelo original.
1
0.8
0.6
0.4
Img
0.2
0
0.2
0.4
0.6
0.8
1
1
0.5
0
Real
0.5
Figura 6.8. Diagrama de polos y ceros del modelo ARX (5,5,3)
6.8 ALGUNAS DIRECTRICES PARA OBTENER EL MODELO PEM

MAS APROPIADO
Las siguientes directrices pueden resultar tiles para lograr obtener el modelo PEM ms
adecuado:
1) Encontrar el modelo ARX que mejor se ajusta dentro del rango de estructuras
na=1,,10, nb=1,,10 y nk=1,,10.
2) Si el modelo no se ajusta bien probar otros modelos ARX de rdenes na y nb
mayores. Puede que los na y nb necesarios para obtener un buen modelo ARX sean
bastante elevados.
3) Intentar reducir el modelo anterior mediante el estudio de las cancelaciones de polos
y ceros.
4) Si el modelo ARX reducido no se ajusta bien probar modelos ARMAX, OE o BJ con
los rdenes para el modelo de la planta obtenidos en el paso 4 y con modelos de
primer o segundo orden para la perturbacin.
6-38
5) Si el modelo obtenido en el paso anterior no resulta adecuado, intentar descubrir si

existen entradas adicionales en el sistema que estn afectando a la salida. Si pueden
ser medidas incluirlas en el modelo.
6) Si se sigue sin obtener un buen modelo utilizar el modelado semifsico, es decir
basndose en las leyes fsicas que sigue el sistema y en el sentido comn probar
alguna transformacin no lineal sobre los datos de entrada-salida y aplicar sobre los
datos transformados la metodologa de identificacin.
Obviamente se presupone que se dispone de datos de entrada - salida de la calidad
suficiente, es decir, que el sistema ha sido excitado con una entrada con un grado de
excitacin adecuado.
BIBLIOGRAFA

Hall. 1994.
[Ljung, 1999]

[Ljung, 2010]

2010.
[Rivera, 2007]



Hall. 1989.
6-39
TEMA 7
IDENTIFICACIN
DE
MODELOS
PARAMTRICOS CONTINUOS
7.1 INTRODUCCIN
Las propiedades de un modelo paramtrico en tiempo discreto dependen del periodo de
muestreo T que se haya utilizado para muestrear los datos de la entrada y la salida del
sistema utilizados para estimar el modelo. Si cambia el periodo de muestreo tambin
cambiarn los polos y ceros del modelo estimado y en consecuencia las caractersticas de la
respuesta del mismo. Un modelo en tiempo continuo es ms general y no sufre de este
problema. Por ello resulta ms til, siempre que sea posible, disponer de un modelo
continuo del sistema que de uno discreto.
En este tema se describen las principales tcnicas utilizadas, dentro del marco de la
identificacin de sistemas, para obtener un modelo continuo de un sistema: obtencin a
partir de la transformacin del modelo discreto identificado, estimacin a partir de datos
muestreados de las series temporales de la entrada y la salida, y estimacin a partir de los
datos en el dominio de la frecuencia.
7.2 OBTENCIN A PARTIR DE LA TRANSFORMACIN DEL

MODELO DISCRETO IDENTIFICADO
Supngase que se ha identificado un modelo paramtrico en tiempo discreto ( G ( z ) ,
H ( z ) ) de un cierto sistema usando datos de entrada-salida muestreados con un cierto

periodo T. A partir de este modelo discreto es posible obtener un modelo en tiempo continuo
equivalente ( G ( s ) y H ( s ) ).
7-1
TEMA 7: Identificacin de modelos paramtricos continuos
Por simplificar en lo que resta de seccin se utilizar la siguiente notacin: G(z) es la

funcin de transferencia en tiempo discreto dada y G(s) es la funcin de transferencia en
tiempo continuo que se deriva de G(z).
La planta de un proceso real es un proceso en tiempo continuo controlada
generalmente por un controlador digital. La seal digital del controlador se pasa de digital a
analgico (ver Figura 7.1) usando tpicamente un retenedor de orden cero o ZOH (zero order
hold) que convierte una seal muestreada u*(t) en una seal en tiempo continuo u(t).
Adems la salida de la planta y(t) es muestreada para obtener la seal digital y*(t) que es
realimentada al controlador.
Figura 7.1. Relacin entre G(z) y G(s) usando un ZOH
El circuito ZOH puede ser representado como un integrador que es automticamente

inicializado a cero despus de cada periodo de muestreo. Tal sistema tiene la siguiente
funcin de transferencia
G zoh ( s )
1 e Ts
s
(7.1)
Usando un ZOH las funciones G(z) y G(s) se relacionan de la siguiente forma:
1 e Ts
G( s)
G ( s ) (1 z 1 )Z
G ( z ) Z [G zoh ( s )G ( s )] Z
s
s
(7.2)
Aplicando la transformada Z inversa se obtiene:
G( s)
G( z )
Z 1
1
s
1 z
(7.3)
expresin a partir de la cual sera posible obtener la funcin G(s) exacta siempre y cuando
no existan polos sobre el eje real negativo, sino slo se puede obtener una aproximacin a
la misma.
7-2
Ejemplo 7.1:
Supngase que utilizando los datos de entrada-salida de una cierto sistema muestreado con un
periodo de muestreo T=0.1 s se ha identificado el siguiente modelo discreto para la planta:
G( z )
0.6321
z 0.3679
Se desea obtener la funcin G(s) equivalente. Si se utiliza un ZOH de acuerdo con (7.2) se tiene la
siguiente relacin entre G(z) y G(s):
G( s)
1
0.6321z 1
G( z )
1
Z 1
Z
1 z 1 (1 0.3679 z 1 )
1
s
1 z
En este caso sencillo usando por ejemplo una tabla de equivalencias entre transformadas z y s se
puede encontrar que la transformada de Laplace de
H ( z)
(1 e aT ) z 1
(1 z 1 )(1 e aT z 1 )
es
H (s)
a
s(s a )
En este caso se tiene que a=10. Luego
G( s)
10
s
s( s 10)
Con lo que finalmente se obtiene que la funcin G(s) equivalente es:
G( s)
10
( s 10)
Otra forma de pasar una funcin de transferencia discreta G(z) a continua G(s) es usar
alguna transformacin matemtica. La variable z de un modelo discreto se relaciona con la
variable s de un modelo continuo mediante la siguiente expresin:
7-3
z e sT
(7.4)
Dos aproximaciones utilizadas para esta expresin que derivan de su expansin en

serie son:
z e sT 1 sT
(7.5)
1
1 sT
(7.6)
z e sT
La expresin (7.5) procede de la aplicacin del mtodo de Euler que consiste en

aproximar la derivada de una seal x(t) en el instante t por la diferencia entre el valor
muestreado en el instante (t+T) y el instante t, a esta diferencia se le denomina diferencia
hacia delante (forward difference):
px(t )
dx(t ) x(t T ) x(t ) q 1
x(t )
dt
T
T
(7.7)
En la expresin anterior q es el operador desplazamiento y p es el operador

diferenciacin.
Desde el punto de vista de las transformadas s y z, el mtodo de Euler proporciona la
siguiente transformacin
s'
z 1
T
(7.8)
Ntese que se ha utilizado la notacin s para enfatizar el hecho de que no se obtiene a

partir de la variable z la variable s exacta sino una aproximacin a la misma. Despejando z
de la expresin anterior se obtiene (7.5).
Por su parte la expresin (7.6) procede de aproximar la derivada de una seal x(t) en el
instante t por la diferencia entre el valor muestreado en el instante (t) y el instante (t-T), a
esta diferencia se le denomina diferencia hacia atrs (Backward difference):
px(t )
Con lo que
7-4
dx(t ) x(T ) x(t T ) q 1
x(t )
dt
T
qT
(7.9)
s'
z 1
zT
(7.10)
Despejando z de la expresin anterior se obtiene (7.6).

Otra aproximacin posible que derivada del mtodo trapezoidal de integracin numrica
es la denominada como aproximacin bilineal o aproximacin de Tustin:
z e sT
1 sT / 2 1 s' T / 2
1 sT / 2 1 s' T / 2
(7.11)
De las tres aproximaciones propuestas la que ms se utiliza es la aproximacin de

Tustin ya que permite transformar el plano s dentro del crculo unidad del plano z. Con la
aproximacin (7.5) obtenida por el mtodo de Euler el semiplano izquierdo del plano s es
transformado en el semiplano Real[z] <1. En consecuencia una funcin de transferencia en
tiempo continuo todava seguir siendo estable si se utiliza la aproximacin de Tustin para
obtener la funcin de transferencia discreta, mientras que puede que sta sea inestable si
se usa la aproximacin basada en el mtodo de Euler.
El principal problema que presenta la aproximacin de Tustin es que deforma la escala
de frecuencias ya que transforma el plano z en el plano s no en el plano s verdadero. Sea v
la frecuencia en el plano s y la frecuencia en el plano s. Pues bien el intervalo de
frecuencias 0.5s s en el plano s corresponde al intervalo s v s en el
plano s. Se puede demostrar que se cumple la siguiente relacin entre ambas:
2
T
v tan
T
2
(7.12)
Ntese que si T es pequeo entonces v es prcticamente igual a . Luego si se utiliza

un periodo de muestreo muy pequeo v es prcticamente igual a en un mayor rango de
frecuencias.
Por otra parte, es posible modificar la transformacin de Tustin para eliminar la
distorsin en una frecuencia determinada 1
1 T
s'
2
z
T
1 tan 1 s'
2
1 tan
(7.13)
7-5
La toolbox Control de Matlab dispone de la funcin d2c para pasar a una funcin de
transferencia discreta a continuo usando entre otros mtodos, un ZOH y la aproximacin de
Tustin.
Ejemplo 7.2:
Supngase que utilizando los datos de entrada-salida de una cierto sistema muestreado con un
periodo de muestreo T=0.1 s se ha identificado el siguiente modelo para la planta:
G( z )
0.6321
z 0.3679
Se desea obtener el modelo continuo equivalente. Usando el mtodo ZOH se obtiene
10
s 10
G( s)
Por otro lado si se utiliza la aproximacin de Tustin se obtiene
G( s)
0.4621s 9.242
s 9.242
En la Figura 7.2 se puede observar el error que posee la G(s) obtenida con la aproximacin de Tustin
con respecto a la G(s) obtenida con un ZOH.
Bode Diagrams
From: U(1)
0
-10
-15
-20
-25
0
-50
To: Y(1)
Phase (deg); Magnitude (dB)
-5
-100
-150
-200
0
10
10
10
Frequency (rad/sec)
Figura 7.2: G(s) usando un ZOH (lnea continua) y usando la aproximacin de Tustin (lnea
discontinua).
7-6
La secuencia de comandos de Matlab que permite obtener estos resultados es la siguiente:

num=0.6321;
den=[1 -0.3679];
G=tf(num,den,0.1);
Gc_zoh=d2c(G,'zoh')
Gc_tustin=d2c(G,'tustin')
bode(Gc_zoh, Gc_tustin)
7.3 ESTIMACIN A PARTIR DE DATOS DE ENTRADA-SALIDA

TEMPORALES
En el control de procesos industriales, los modelos ms utilizados para la planta son
modelos continuos simples del tipo
G( s)
K
e sTd
1 sT p1
(7.14)
Es decir un modelo de primer orden donde hay que estimar la ganancia en el

estacionario K, la constante de tiempo Tp1 y el retardo Td.
Entre las variantes de este modelo se encuentran el modelo sin retardo (Td=0)
G( s)
K
1 sT p1
(7.15)
G( s)
K
e sTd
s(1 sT p1 )
(7.16)
y el modelo con integrador
Adems, se pueden considerar dos polos con o sin un cero:
G( s)
K (1 sTz )
e sTd
s(1 sT p1 )(1 sT p 2 )
(7.17)
Otra posibilidad adicional es permitir polos resonantes (modelos subamortiguados)
7-7
G( s)
K (1 sTz )
e sTd
2
1 2 sTr ( sTr )
(7.18)
Pueden encontrarse en la literatura varios artculos y libros que discuten como estimar
modelos continuos de los tipos comentados a partir de datos de entrada-salida
muestreados, por ejemplo [Astrm y Hgglund, 1995], [Rake, 1980] y [Ziegler et al., 1943].
La mayora de los mtodos clsicos son de tipo grfico o semigrfico, como por ejemplo:
encontrar la tangente ms inclinada a la respuesta a un escaln y calcular la interseccin
con el eje de tiempo, calcular el rea que encierra la curva de respuesta, etc.
En el marco de la identificacin de sistemas estndar, la estimacin de modelos de
procesos del tipo (7.14) a (7.18) no difiere de la estimacin de cualquier modelo lineal
parametrizado discreto. Cualquiera de los modelos (7.14) a (7.18) pueden ser escritos en la
forma:
G ( s , )
(7.19)
donde es el vector que contiene a los parmetros (K, Td, Tp1,...) del modelo.
Para estimar los parmetros usualmente se dispone de un conjunto de N datos
muestreados de la entrada u(t) y la salida y(t) t=1,...,N.
Supngase que el periodo de muestreo es constante e igual a T, el modelo (7.19) es
muestreado tambin con este periodo de muestreo obtenindose el siguiente modelo de
tiempo discreto
GT ( q, )
(7.20)
La salida que proporciona este modelo es la siguiente:
y (t | ) GT ( q, )u(t ),
t 1,..., N
(7.21)
Los parmetros pueden entonces ser estimados obteniendo el vector de parmetros N

que minimice la funcin de coste del cuadrado de los errores de prediccin:
N
N arg min [ y (t ) y (t | )]2
t 1
Tambin es sencillo incluir ruido aditivo en el modelo continuo del sistema:
7-8
(7.22)
y(t ) G ( p, )u(t ) H ( p, )e(t )
(7.23)
donde p denota el operador diferenciacin (sustituyendo a s):
d
dt
(7.24)
Simplemente hay que determinando el predictor muestreado adecuado del modelo (7.23) y
minimizar el error de la salida predicha por el mismo. Ntese que si se los datos de entrada
y salida son filtrados con un filtro de blanqueo L entonces H ( p, ) =1.
Las propiedades asintticas del modelo estimado son bien conocidas. Supngase que
la funcin de transferencia discreta de la planta del sistema es GT ( e i ) . Entonces para H=1,
se puede demostrar que
N arg min | GT (e i , ) G0T (e i ) |2 u ( ) L(e i ) d
(7.25)
donde u ( ) es el espectro de potencia de la entrada. La expresin anterior describe

exactamente en que forma un modelo continuo describe al sistema real.
A partir de la versin 6 de la toolbox SIT de Matlab 7.0 es posible estimar modelos
continuos simples del tipo (7.14)-(7.18). La forma de referirse a ellos es a travs de un
acrnimo construido a partir de los siguientes smbolos bsicos:
P significa modelo del proceso (Process Model) .
Un nmero entero denota el nmero de polos, sin incluir el integrador.
D significa que el modelo incluye un tiempo de retardo (time Delay).
I significa que el modelo incluye un integrador (Integrator).
Z significa que el modelo incluye un cero (zero).
U significa que el modelo incluye un polo subamortiguado (under-damped).
De acuerdo con lo anterior (7.14) se denotara como P1D, (7.15) como P1, (7.16) como
P1ID, (7.17) como P2ZD y (7.18) como P2ZU.
Para crear un modelo de cualquiera de los tipos anteriores se utiliza el comando
idproc y para estimar sus parmetros a partir de un conjunto de datos de entrada-salida
7-9
hay que usar el comando pem. Con estos comandos tambin es posible incluir condiciones
iniciales, modelos de ruido aditivo, fijar el valor de algn parmetro, y establecer cotas
superiores inferiores y superiores para los valores de los parmetros. La estimacin de
modelos continuos simples tambin se puede realizar desde el GUI de la SIT, en concreto
seleccionado la entrada Process Model dentro del men Estimate.
Ejemplo 7.3:
dryer2.mat de la toolbox SITB 6.0 de Matlab 7.0, donde el periodo de muestreo era T=0.08 s. Una
vez eliminados los valores medios se van a utilizar los primeros 300 datos para estimar un modelo
continuo del tipo
P( s )
K
e sTd
1 sT p1
La secuencia de comandos necesarios para realizar estas acciones es la siguiente:

load dryer2.mat
z2=[y2(1:300),u2(1:300)];
z2=dtrend(z2); y=z2(1:300,1); u=z2(1:300,2);
data=iddata(y2,u2,0.08);
m0=idproc('P1D');
m=pem(data,'P1D')
m0=m;
En pantalla aparece lo siguiente
Process model with transfer function
K
G(s) = ---------- * exp(-Td*s)
1+Tp1*s
with
K = 0.9789
Tp1 = 0.3789
Td = 0.22071
Estimated using PEM from data set data

Ntese que como suceda en el caso discreto despus de estimar el modelo continuo hay que
validarlo para comprobar si es aceptable o debe ser rechazo. Los test de validacin a utilizar son los
mismos que en el caso discreto (ver seccin 6.6).
7-10
7.4 ESTIMACIN A PARTIR DE DATOS EN EL DOMINIO DE LA

FRECUENCIA
7.4.1 Estimacin a partir de las transformadas de Fourier de la
entrada y de la salida.
Supngase que se disponen de N datos muestreados de la entrada u(t) y de la salida
y(t) del sistema a identificar. Si se aplica la transformada de Fourier discreta sobre la entrada
y la salida
N
U ( ) u( h )exp( j2 (k 1) * ( h 1) / N ) 1 k N
(7.26)
h 1
Y ( ) y ( h )exp( j2 (k 1) * ( h 1) / N ) 1 k N
(7.27)
h 1
es posible estimar directamente usando la aproximacin del error de prediccin un modelo

OE continuo G(s):
G( s)
b1 s nb 1 ... bnb 1 s bnb

s nf f 1 s nf 1 ... f nb 1 s f nb
(7.28)
La estructura de este modelo queda definida por los rdenes del numerador y del
denominador [nb,nf].
Ejemplo 7.4:
dryer2.mat de la toolbox SITB 6.0 de Matlab 7.0, donde el periodo de muestreo era T=0.08 s. Una
vez eliminados los valores medios se van a utilizar los primeros 300 datos para estimar un modelo
OE continuo con estructura [2, 4], es decir
G( s)
b1 s b2
s f1 s f 2 s 2 f1 s f 4
4
La secuencia de comandos necesarios para realizar estas acciones es la siguiente:

load dryer2.mat
z2=[y2(1:300),u2(1:300)];
z2=dtrend(z2); y=z2(1:300,1); u=z2(1:300,2);
data=iddata(y2,u2,0.08);
7-11
df=fft(data); %Transformada de Fourier discreta

df.ts=0; % Se fija el tiempo de muestreo a 0 para tratar los datos en
%tiempo continuo
nb=2;nf=4;
m=oe(df,[nb nf])
Continuous-time IDPOLY model: y(t) = [B(s)/F(s)]u(t) + e(t)
B(s) = -8.051e006 s + 9.937e007
F(s) = s^4 + 7.272e005 s^3 + 8.232e006 s^2 + 5.574e007 s + 1.015e008
Estimated using OE from data set df
Ntese que como suceda en el caso discreto despus de estimar el modelo continuo hay que
validarlo para comprobar si es aceptable o debe ser rechazo. Los test de validacin a utilizar son los
mismos que en el caso discreto (ver seccin 6.6).
Si los datos son muestreados con un periodo de muestreo muy pequeo, suele ser una buena idea
aplicar algn filtro pasa baja antes de hacer el ajuste. Por ejemplo si slo interesa que el modelo este
bien ajustado en el rango de frecuencias entre 0 y 10 rad/s entonces el comando OE se debe escribir
de la siguiente forma
m=oe(df,[nb nf],'focus',[0, 10])
En pantalla se muestre el siguiente resultado:
B(s) = -349.6 s + 5637
F(s) = s^4 + 46.96 s^3 + 517.9 s^2 + 3194 s + 5695
Estimated using OE from data set df
7.4.2 Estimacin a partir de datos obtenidos del anlisis en

frecuencia.
Si un sistema lineal con funcin de transferencia G(s) se excita con una entrada de tipo
sinusoidal (o cosenoidal)
u(t ) u0 cos(t )
(7.29)
entonces la salida en el estacionario es tambin de tipo sinusoidal
y(t ) y0 cos(t )
donde
7-12
(7.30)
y0 G (i ) u0
(7.31)
arg G (i )
(7.32)
Excitando al sistema con una entrada sinusoidal de amplitud u0 a diferentes frecuencias

i i=1,...,N y midiendo las amplitudes yi y las fases i de la salida es posible obtener la
magnitud |G(ji)| y la fase argG(ji) del sistema a las diferentes frecuencias i usando las
expresiones anteriores. Se puede construir as una tabla [i, |G(ji), argG(ji)] o
representaciones grficas del modulo y de la fase de G frente a la frecuencia. Se tiene por lo
tanto una estima en forma de tabla o grfica de la funcin G(j). Al mtodo descrito de
obtencin de una estima de la funcin G(j) se le conoce como anlisis en frecuencia.
A partir de los datos del anlisis en frecuencia discreta, tambin es posible estimar
directamente usando la aproximacin del error de prediccin un modelo OE continuo G(s) de
la forma (7.28) que se ajuste lo mejor posible a dichos datos.
Frecuencia (rad/s)
Magnitud (u. aritmticas)
0.1
0.14384
0.20691
0.29764
0.42813
0.61585
0.88587
1.2743
1.833
2.6367
3.7927
5.4556
7.8476
11.288
16.238
23.357
33.598
48.329
69.519
100
9.901
9.7973
9.5894
9.1862
8.451
7.2502
5.603
3.8113
2.2937
1.2576
0.65
0.32506
0.15978
0.077865
0.037784
0.018296
0.0088508
0.0042795
0.0020687
0.0009999
Fase (grados)
-11.421
-16.371
-23.381
-33.15
-46.355
-63.254
-83.073
-103.75
-122.77
-138.46
-150.46
-159.23
-165.48
-169.88
-172.95
-175.1
-176.59
-177.63
-178.35
-178.85
Tabla 7.1: Datos de magnitud y fase obtenidos usando anlisis de frecuencia sobre un cierto sistema
Ejemplo 7.5:
Supngase que usando anlisis de frecuencia sobre un cierto sistema se han obtenido los puntos de
magnitud y fase que se muestran en la Tabla 7.1. Se desea estimar un modelo OE continuo con
estructura [1, 2], es decir
G( s)
b1
s f 1 s f 2
2
7-13
La secuencia de comandos necesarios para realizar estas acciones usando la toolbox SIT 6.0 de
Matlab 7.0 es la siguiente:
[w,M_ua,F_g]; % Variables que contienen los datos de frecuencia, magnitud
% y fase, respectivamente.
F_rad=F_g*pi/180; %Paso de la fase a radianes.
X=M_ua.*(cos(F_rad)+j*sin(F_rad)); % Paso de magnitud a fase a nmero
%complejo
sys=frd(X,w); % Creacin de una estructura que contenga los datos.
mp=oe(sys,[1 2]) % Estima del modelo OE continuo con estructura [1 2]
B(s) = 10
F(s) = s^2 + 2 s + 1
Estimated using OE from data set sys
Loss function 7.49973e-031 and FPE 7.96364e-031
Magnitud(dB)
10
0
10
20
30
1
10
10
10
10
Fase(grados)
0
50
100
150
200
1
10
10
10
10
Frecuencia(rad/s)
Figura 7.3: G(s) estimada (lnea continua) y puntos experimentales (o) obtenidos mediante anlisis
de frecuencia
En la Figura 7.3 se representan en un diagrama de Bode los datos experimentales y la funcin G(s)
estimada. Se observa que el ajuste es muy bueno.
7-14
BIBLIOGRAFA

Hall. 1994.
[Ljung, 2010]

2010.
[Ogata, 1996]
K. Ogata. Sistemas de Control en Tiempo Discreto. Prentice

Hall.1996.
7-15
TEMA 8
IDENTIFICACIN EN LAZO CERRADO
8.1 INTRODUCCIN
Muchos sistemas y procesos trabajan habitualmente en lazo cerrado (ver Figura 8.5), es
decir, usando un controlador realimentado con los valores de las salidas, en funcin de las
cuales y segn una determinada ley de control genera los valores de las entradas.
Algunos sistemas son inestables en lazo abierto por lo que no es posible realizar ningn
experimento de identificacin sobre ellos. Razones de seguridad o de tipo econmico son el
principal argumento para operar con el sistema en lazo cerrado.
La realizacin de la identificacin en lazo cerrado presenta varias ventajas:
Elimina la necesidad de poner el lazo de control en modo manual durante los

experimentos de identificacin.
Permite mantener a la planta dentro de los lmites habituales de operacin.
Posibilita la realizacin de una identificacin amigable con la planta de sistemas

que en lazo abierto son inestables.
Es importante saber si es posible identificar el sistema en lazo abierto a partir de datos

obtenidos operando en lazo cerrado. En general la existencia de realimentacin introduce
diversos problemas que dificultan la identificacin del sistema en lazo abierto, pero stos
pueden ser tratados oportunamente. El principal objetivo de la identificacin en lazo cerrado
es obtener buenos modelos del sistema en lazo abierto a pesar de la realimentacin.
Existen diferentes mtodos de identificacin en lazo cerrado, los cuales se pueden
clasificar en dos grandes grupos:
8-1
TEMA 8: Identificacin en lazo cerrado
Mtodos basados en la aproximacin directa. Ignoran la existencia de

realimentacin e identifican el sistema en lazo abierto usando medidas de la
entrada u(t) y la salida y(t). Para obtener estas medidas el sistema es excitado
introduciendo una entrada externa ya diseada (PRBS, multiseno,..) en el punto
de consigna r o en la entrada de la planta ud.
Mtodos basados en la aproximacin Indirecta. Identifican el sistema en lazo

cerrado usando medidas de la seal de referencia r y la salida y. Despus
utilizan esta estima para obtener los parmetros del sistema en lazo abierto
supuesto que se conoce exactamente el modelo matemtico del controlador.
Los mtodos de identificacin en lazo cerrado basados en la aproximacin directa

producen mejores resultados que los basados en la aproximacin indirecta. Esto es as
porque en la aproximacin indirecta se requiere de un conocimiento exacto del controlador,
el problema es que en la realidad los controladores ms simples, como por ejemplo un PID,
pueden no comportarse de acuerdo a su modelo matemtico.
En este tema en primer lugar se comentan los problemas que presenta la identificacin
en lazo cerrado. A continuacin se describen las caractersticas y propiedades de los
mtodos de identificacin en lazo cerrado basados en la aproximacin directa. El tema
finaliza con una recopilacin de las principales conclusiones sobre la identificacin en lazo
cerrado.
8.2 PROBLEMAS QUE PRESENTA LA IDENTIFICACIN EN LAZO

CERRADO
A menudo resulta peligroso o caro realizar experimentos sobre el sistema del cual se
desea obtener un modelo, por este motivo los datos tienen que ser obtenidos durante las
condiciones normales de operacin del sistema. Usualmente esto significa que el proceso
est controlado, es decir opera en lazo cerrado, con lo que la entrada es determinada
parcialmente mediante la realimentacin de la salida.
El principal problema que presenta la identificacin en lazo cerrado segn palabras de
L. Ljung es el siguiente: el objetivo de la realimentacin es hacer que la funcin de
sensibilidad del sistema sea pequea, especialmente en aquellas frecuencias con presencia
de perturbaciones y con un pobre conocimiento del sistema. La realimentacin, por lo tanto,
empeora la informacin que los datos medidos contienen sobre el sistema a dichas
frecuencias.
8-2
En resumen la informacin sobre el sistema que contienen los datos que se obtienen en
lazo cerrado es menor que si se obtienen en lazo abierto. Sera posible aumentar la cantidad
de informacin de los datos medidos en lazo cerrado pero a costa de empeorar el
comportamiento del control (su sintona) del sistema en lazo cerrado. En definitiva cuando
se realiza identificacin en lazo cerrado se debe llegar a un compromiso entre el
comportamiento del control y el grado de informacin que contienen los datos.
Adems otros problemas que presenta la identificacin en lazo cerrado son los
siguientes:
La realimentacin introduce correlacin entre la entrada u y la perturbacin v. Este el

motivo por el que algunos mtodos de identificacin como los no-paramtricos o la
aproximacin de subespacios, que funcionan bien en lazo abierto, fallan cuando se
aplican sobre datos obtenidos en lazo cerrado, excepto si se toman unas medidas
especiales.
La accin de control distorsiona la seal de entrada, lo que introduce un error de

sesgo adicional al comerse parte de la excitacin de la seal de entrada.
Ejemplo 8.1:
Considrese el siguiente sistema real
y (t ) a 0 y (t 1) b0 u(t 1) e(t )
(1)
Supngase que el sistema opera en lazo cerrado usando el siguiente regulador proporcional
u(t ) f y (t )
(2)
Supngase que a partir de datos obtenidos de este sistema se desea estimar los parmetros del
siguiente modelo ARX:
y(t ) ay (t 1) bu(t 1) e(t )

El predictor de la salida es por lo tanto:
y (t | ) ay (t 1) bu(t 1) ( b f a )y (t 1)
Todos las estimas ( a , b ) de los parmetros del modelo tal que b f a sea un cierto nmero dado
producirn por lo tanto idnticas predicciones con la realimentacin existente. En consecuencia
8-3
debido a la existencia de realimentacin no es posible determinar a0 y b0 de manera nica, pese a

que el modelo tiene la misma estructura que el sistema real.
Si se cambia la ley de control para incluir una seal de referencia r(t) para la entrada, es decir,
u(t ) f ( y (t ) r (t ))
(3)
El predictor de la salida sera ahora
y (t | ) ( b f a )y (t 1) b f r (t 1)
Si r no es igual a cero, entonces el predictor distinguir entre los diferentes valores de a y b.
Figura 8.1. [Ljung y Glad, 1994] Series temporales de la entrada y la salida del sistema realimentado
El sistema real (1) controlado por (3) fue simulado con los valores a=-0.9, b=0.5 y f=1. {e(t)} fue
simulado con una distribucin de ruido blanco con varianza 0.1. La seal de referencia utilizada r(t)
fue alternando valores entre 0 y 1 de acuerdo a la Figura 8.2. En la Figura 8.1 se muestran las series
temporales de la entrada y la salida del sistema realimentado.
Se estimaron para el modelo ARX los parmetros a y b usando 300 datos obtenindose los
siguientes resultados:
a 300 0.8902 0.0521
b300 0.6100 0.0521
Se observa que los valores estimados son bastante aceptables.
8-4
Por otra parte usando anlisis espectral de acuerdo al algoritmo SPA se obtuvo una estima de la
funcin de transferencia del sistema. Se observa en la Figura 8.3 que dicha estima es bastante mala.
Estos es debido a que la entrada u(t) est correlacionada con el ruido e(t) debido a la existencia de la
realimentacin. Recurdese que el anlisis espectral requera que la entrada u(t) y el ruido no
estuviesen correlacionados para poder aplicarse.
Figura 8.2. [Ljung y Glad, 1994] Seal de referencia r(t) para el sistema realimentado.
Figura 8.3. [Ljung y Glad, 1994] Diagrama de Bode de la funcin de transferencia obtenida mediante
anlisis espectral (lnea discontinua), la funcin de transferencia del sistema real (lnea continua)
8-5
Ejemplo 8.2:
Supngase un cierto sistema en lazo cerrado con la estructura que se muestra en la Figura 8.5.
Supngase que con la idea de identificar la planta en el punto de consigna se inyecta la seal r2 de
tipo PRBS que se muestra en lnea discontinua en la Figura 8.4. Como consecuencia de operar en
lazo cerrado el controlador considera dicha entrada como una perturbacin y trata de rechazarla; por
ello la seal u que realmente recibe la planta a su entrada es la que se muestra en lnea continua en
la Figura 8.4. Se observa como el controlador ha distorsionado la entrada.
Figura 8.4. [Rivera, 2007] Seal de entrada PRBS original que se inyecta al sistema (lnea
discontinua) y seal que realmente recibe la planta a su entrada (lnea continua) como consecuencia
de operar en lazo cerrado
Por otra parte, debe tenerse en cuenta que dados unos datos de entrada-salida
podemos encontrar un modelo que se ajuste bastante bien a los mismos sin embargo eso
no garantiza que dicho modelo sea un buen modelo de la planta, depender de la
informacin sobre la planta que contenga dichos datos.
En lazo abierto si se disea adecuadamente la seal de entrada los datos de entrada y
salida contendrn suficiente informacin de tal forma que identificar un modelo que se ajuste
adecuadamente a los datos garantiza (si el error de varianza es pequeo y la estructura del
modelo es suficientemente grande para recoger todas las dinmicas de la planta) que se
est obteniendo un buen modelo de la planta.
En lazo cerrado si se inyecta la misma seal de entrada que la que habamos diseado
para el lazo abierto, la accin del controlador se come parte del grado de excitacin de la
seal y en consecuencia los datos de entrada y salida pierden informacin sobre la planta.
Por lo tanto, en lazo cerrado identificar un modelo que se ajuste bien a los datos de
entrada-salida disponibles no garantiza (si el error de varianza es pequeo y la estructura
8-6
del modelo es suficientemente grande para recoger todas las dinmicas de la planta) que se
est obteniendo un buen modelo de la planta, depender del grado de informacin sobre la
planta que contenga los datos. Dicho grado de informacin depende de la distorsin que
haya introducido el controlador a la seal de entrada inyectada. Cuanto ms rpida sea la
velocidad de respuesta del controlador mayor ser la distorsin de la seal de entrada y
menos informacin contendrn los datos de entrada-salida.
8.3 IDENTIFICACIN
EN
LAZO
CERRADO
MEDIANTE
APROXIMACIN DIRECTA
8.3.1 Consideraciones generales
Considrese el sistema en lazo cerrado de la Figura 8.5 donde C es el controlador, G0
es la planta, r es una seal de referencia o punto de consigna, ud es una seal de excitacin
externa, u es la entrada de la planta, y es la salida del sistema y v una perturbacin
aleatoria.
Figura 8.5. Sistema en lazo cerrado
El sistema real en lazo abierto es:
y (t ) G0 ( q)u(t ) v (t ) G0 ( q)u(t ) H 0 ( q)a (t )
(8.1)
donde {a(t)} es ruido blanco con varianza a2 . En lazo cerrado la entrada de la planta es:
u(t ) ud (t ) C ( q)( r (t ) y (t ))
(8.2)
El sistema en lazo cerrado se puede escribir de la siguiente forma (supuesto ud=0):
y (t ) T0 ( q) r (t ) S0 ( q)v (t )
(8.3)
donde S0(q) es la funcin de sensibilidad de la salida y a la perturbacin v:
8-7
S0 ( q )
1
1 G0 ( q)C ( q)
(8.4)
Y T0(q) es la funcin de sensibilidad complementaria:
T0 ( q) 1 S0 ( q)
G0 ( q)C ( q)
1 G0 ( q)C ( q)
(8.5)
La identificacin en lazo cerrado mediante aproximacin directa consiste en:

1. Excitar al sistema en lazo cerrado con una seal de entrada (tpicamente PRBS
o multiseno bien diseada) que se inyecta en el punto de consigna (seal de
referencia r(t)) o en la entrada de la planta (seal ud(t)).
2. Recoger los datos de la entrada u(t) y la salida y(t).
3. A partir de los datos de entrada-salida medidos obtener un modelo del sistema
real en lazo abierto mediante algn mtodo de identificacin.
Generalmente se suelen obtener modelos basados en la minimizacin del error de
prediccin (modelos PEM) cuyas propiedades y obtencin fue descrita en el Tema 6 de
estos apuntes. Se trabaja con modelos de la forma
y(t ) G ( q, )u(t ) H ( q, )e(t )
(8.6)
El predictor a un paso de la salida es
y (t | ) H 1 ( q, )G ( q, )u(t ) (1 H 1 ( q, ))y (t )
(8.7)
El error de prediccin para este modelo viene dado por
(t , ) y (t ) y (t | ) H 1 ( q, )( y (t ) G ( q, )u(t ))
(8.8)
En general, la estima ptima se obtiene de la siguiente forma:
N arg minVN ( )
donde
8-8
(8.9)
VN ( )
1
N
( t , )
(8.10)
F (t , ) L( q, ) (t , )
(8.11)
t 1
2
F
Siendo L algn prefiltro estable que se puede utilizar para realzar ciertos rangos de
frecuencia. Con lo que el error de prediccin prefiltrado es:
F (t , ) L( q, )H 1 ( q, )( y (t ) G ( q, )u(t ))
(8.12)
El efecto del prefiltro L puede ser incluido dentro del modelo del ruido y es posible
suponer que L(q,)=1 sin prdida de generalidad.
8.3.2 Consideraciones sobre al error de sesgo

Si el nmero de datos N tiende a infinito, el error de varianza ser despreciable, y se
puede demostrar (ver seccin 6.4.3) que el espectro del error de prediccin prefiltrado es:
eF ( )
| L |2
[| G0 G |2 u 2Re((G0 G )H 0* ( ei ) ua ) | H 0 ( ei ) |2 a2 ]
2
|H |
(8.13)
En la expresin anterior se encuentran presentes todas las fuentes que contribuyen al

error de sesgo. Ntese que en lazo cerrado existe correlacin cruzada entre la entrada u y la
perturbacin a debido a la realimentacin de la salida sobre la entrada y por ello el trmino
ua del espectro cruzado entre la entrada y la perturbacin a es distinto de cero y contribuye

al error de sesgo.
Si el nmero de datos N tiende a infinito se puede obtener una estima consistente, es
decir, que las estimas de las funciones de transferencia de la planta y del ruido coincidan
con las del sistema real
G ( q) G0 ( q)
H ( q) H 0 ( q)
Para ello se tienen que cumplir las siguientes condiciones:
8-9
1) La estructura de los modelos G y H de la planta y del ruido describe adecuadamente

a la planta G0 y al ruido H0 del sistema real. Es decir, se ha tenido que elegir
estructuras adecuadas para dichos modelos.
2) La entrada u(t) posee excitacin persistente de orden adecuado. Es decir, el espectro
de potencia de la entrada debe ser distinto de cero en un rango de frecuencias
adecuado.
Ntese que estas dos condiciones para conseguir una estima consistente son
independientes del modo de operacin del sistema (lazo abierto o lazo cerrado), es decir, no
requieren que la entrada u(t) y el ruido a(t) no estn correlacionados ( ua =0). Sin embargo,
en lazo abierto ( ua =0) se puede obtener una estima consistente G de la planta G0 aunque
el modelo del ruido no sea muy bueno. Por el contrario, en lazo cerrado, para obtener una
estima consistente G de la planta G0 se requiere disponer tanto de un buen modelo G de la
planta como de un buen modelo H del ruido. Por ello en lazo cerrado modelos PEM que no
consideran el ruido como los modelos OE no dan buenos resultados.
8.3.3 Seleccin del punto de aplicacin de la seal de excitacin

Puede demostrarse que en lazo cerrado la expresin del espectro del error de
prediccin prefiltrado cuando el nmero de datos N tiende a infinito toma la siguiente forma:
eF ( )
| L |2
| G0 G |2 | G01T0 |2 r | S0 |2 ud |1 GC |2 | S0 |2 v ]
2
|H |
(8.14)
Analizando la expresin anterior se obtienen las siguientes conclusiones:

Para aquellas frecuencias donde el espectro del ruido v predomine, el
espectro del error de prediccin se puede minimizar eF 0 cuando el modelo
de la planta es igual a la inversa del controlador:
1
C
Para aquellas frecuencias donde ud / v 1 o r / v 1 es posible obtener

una estimacin sin error de sesgo de la planta, es decir, G=G0.
8-10
El espectro en potencia de la entrada ud se ve afectado por la funcin de

sensibilidad S0 cuyo comportamiento en frecuencia depender de la velocidad
de respuesta del controlador que se est utilizando. En general cuanto ms
rpido sea el controlador ms atenuar el contenido a baja y media frecuencia
de la seal de entrada externa ud, con la consiguiente prdida de excitacin
persistente de dicha seal.
El espectro en potencia de la seal de referencia r se ve afectado por la
funcin G01T0 cuyo comportamiento tambin depende de la velocidad del
controlador que se est utilizando. En este caso si el controlador es muy rpido
amplifica el contenido en alta frecuencia de la seal de referencia r. Por el
contrario si el controlador es muy lento atena el contenido en alta frecuencia.
Independientemente de cmo sea el controlador el contenido en baja frecuencia
no se ve afectado.
Ejemplo 8.3:
En la Figura 8.6 se muestra la representacin en el dominio del tiempo y el espectro de potencia de
una seal PRBS que ha sido diseada para identificar una cierta planta que opera en lazo cerrado
con un esquema como el que se muestra en la Figura 8.5.
Figura 8.6. [Rivera, 2007] Representacin temporal y espectro de frecuencia de una cierta seal
PRBS
8-11
Supongamos que inyectamos est seal en la entrada de la planta, es decir, en el punto ud. En la
parte superior de la Figura 8.7 se muestra la amplitud de la funcin de sensibilidad S0 del sistema con
un controlador que ha sido sintonizado para presentar tres velocidades de respuesta distintas. Se
observa que cuanto ms rpido es el controlador ms atenuar el contenido en baja frecuencia de la
seal ud(t) y en consecuencia la seal u(t) que realmente recibe la planta en su entrada se diferencia
ms de la seal inyectada ud(t) como se puede apreciar en la Figura 8.8.
Figura 8.7. [Rivera, 2007] Amplitud de la funcin de sensibilidad S0 (figura superior) y de la funcin
G01T0 (figura inferior) para un controlador que ha sido sintonizado para presentar tres velocidades de
respuesta distintas: alta (color rojo), media (color verde) y baja (color azul)
Figura 8.8. [Rivera, 2007] Seal de entrada u(t) medida al inyectar la seal PRBS de la Figura 8.6 en
ud para un controlador que ha sido sintonizado para presentar tres velocidades de respuesta distintas:
alta (color rojo), media (color verde) y baja (color azul)
8-12
Supongamos ahora que inyectamos la seal PRBS en el punto de consigna, es decir, como seal de
referencia r(t). En la parte inferior de la Figura 8.7 se muestra la amplitud de la funcin
G01T0 del
sistema para un controlador que ha sido sintonizado para presentar tres velocidades de respuesta
distintas. Se observa que si el controlador es muy rpido entonces amplifica el contenido de alta
frecuencia de la seal. Por el contrario si es muy lento lo amortigua. En ambos casos se observa (ver
Figura 8.9) que la seal u(t) que realmente recibe la planta en su entrada se diferencia ms de la
seal PRBS inyectada en el punto de consigna. Solo cuando la velocidad del controlador es
intermedia se consigue que la seal u(t) se asemeje ms a la seal PRBS inyectada.
Figura 8.9. [Rivera, 2007] Seal de entrada u(t) medida al inyectar la seal PRBS de la Figura 8.6
como seal de referencia r(t) en el punto de consigna para un controlador que ha sido sintonizado
para presentar tres velocidades de respuesta distintas: alta (color rojo), media (color verde) y baja
(color azul)
De acuerdo con lo anterior en lazo cerrado para que los datos de entrada-salida
contengan la mayor informacin se recomienda, siempre que sea posible, introducir la seal
de excitacin en el punto de consigna (seal de referencia r) con el controlador sintonizado
de tal forma que su velocidad de respuesta sea intermedia, ni muy alta ni muy baja. Si no
queda ms remedio que introducir la seal de excitacin en la entrada de la planta ud,
entonces el controlador debe estar sintonizado para que su velocidad de respuesta sea
lenta.
8-13
8.3.4 Consideraciones sobre el error de varianza

En la seccin 6.4.4 se obtuvo la siguiente expresin para LA covarianza asinttica del
modelo estimado para la planta G ( e j ) y para la perturbacin H ( e j ) , supuesto que el
nmero de parmetros d que contiene el modelo y N el nmero de datos de entrada-salida
disponibles es suficientemente grande:
G ( e j ) d
u ( ) ua ( )
Cov
(
)
v
( )
j
a2
au
H (e ) N
(8.15)
Donde u ( ) es el espectro de potencia de la entrada, v ( ) | H 0 (e i ) |2 a2 es el

espectro de potencia de la perturbacin y ua ( ) *au ( ) es el espectro de potencia
cruzada entre la entrada u(t) y el ruido blanco a(t).
Si se opera con el elemento (1,1) de (8.15) se obtiene la siguiente expresin:
Cov[G ( e j )]
d
a2
v ( ) 2
2
N
a u ( ) ua ( )
(8.16)
Para el caso de considerar en lazo cerrado las entradas externas (ext) r y ud, las cuales
se suponen que no estn correlacionadas con la perturbacin v, se obtiene la siguiente
expresin:
Cov[G (e j )]
( )
d v ( )
d
1 2 v
ext
2
N u ( ) N | G0 T0 | r | S0 | ud
(8.17)
En lazo cerrado el error de varianza en la estima de la planta depende, al igual que

suceda en lazo abierto, de la relacin seal ruido
v ( )
. Sin embargo en lazo cerrado la
uext ( )
potencia de la seal de entrada se ve influenciada por la accin de control.

Si se compara el espectro de la salida en lazo cerrado
y G0 uext ( ) | S0 |2 v
2
con el espectro de la salida en lazo abierto
8-14
(8.18)
y G0 u ( ) v
2
(8.19)
Se observa que cabe la posibilidad de generar datos en lazo cerrado que reduzcan la
varianza de la seal de salida sin incrementar la varianza de G. Para conseguirlo se
necesitar usar en lazo cerrado una seal de entrada externa con una magnitud mayor que
la que se necesitara si se operara en lazo abierto.
8.4 CONCLUSIONES
Las principales conclusiones que se pueden extraer sobre la identificacin en lazo
cerrado son:
El principal problema que produce la existencia de realimentacin es que la
informacin que contienen los datos de entrada-salida es menor que en el caso de
operar en lazo abierto.
La existencia de realimentacin tambin introduce correlacin entre las medidas y
afecta al contenido en frecuencia de la seal de entrada, lo que influye en el error de
sesgo y en el error de varianza de la estima.
Para identificar en lazo cerrado se requiere usar una seal de excitacin externa que
se recomienda inyectar en el punto de consigna (r(t)) sintonizando el controlador de
tal forma que su velocidad de respuesta sea intermedia.
Los mtodos de identificacin en lazo cerrado basados en la aproximacin directa
proporcionan en la prctica mejores resultados que los mtodos basados en la
aproximacin indirecta.
Si se usa la aproximacin directa los mtodos basados en el error de prediccin con
un modelo del ruido que pueda describir las propiedades del ruido que afecta al
sistema real pueden proporcionar estimas consistentes de una precisin arbitraria.
Varios mtodos que dan estimas consistentes cuando se aplican a datos obtenidos
en lazo abierto pueden fallar en lazo cerrado si se utiliza la aproximacin directa.
Entre estos mtodos se encuentran los mtodos no paramtricos, el mtodo de la
variable instrumental, los mtodos basados en subespacios y el uso de modelos OE
con un modelo incorrecto del ruido.
8-15
BIBLIOGRAFA
[Forssell and Ljung, 1997]
U. Forsell, L. Ljung L. Issues in closed-loop identification.

Informe Tcnico LiTH-ISY-R-1940. Department of Electrical
Engineering, Linkping University (Sweeden). 1997.
[Forssell and Ljung, 1999]
U. Forsell, L. Ljung, Closed-loop identification Revisited.

Automatica, Vol 35, pp 1215-1241, 1999.

Hall. 1994.
[Ljung, 1999]

[Ljung, 2010]

2010.
[Rivera, 2007]



Hall. 1989.
[Van Den Hof y Schrama, 1995]
P. Van Den Hof y R. Schrama, R. Identification and control :

closed-loop issues. Automatica. Vol. 31. No. 12. Pp. 17511770, 1995.
8-16
TEMA 9
IDENTIFICACIN RELEVANTE PARA EL
CONTROL
9.1 INTRODUCCIN
Los controladores o reguladores son diseados generalmente basndose en un modelo
paramtrico y cuantitativo del sistema dinmico o planta que va a ser controlada. Cuando se
identifican modelos de la planta con este fin se debe poner especial cuidado en que el
modelo identificado sea particularmente preciso en aquellos aspectos que son ms
relevantes para el control.
Por un lado, para disear controladores de complejidad manejable suele ser
recomendable que el modelo de la planta sea de un determinado orden limitado. Este
requisito obliga a identificar modelos de rdenes reducidos que sean relevantes para el
control. Para la identificacin de tales modelos, los experimentos en lazo cerrado tienen
ventajas particulares. Adicionalmente, la interrelacin entre la identificacin y el control a ha
conducido a una amplia variedad de mtodos iterativos en los cuales, la identificacin
relevante para el control se entrelaza con el diseo y anlisis del control, con el objetivo de
conseguir una mejora gradual en el comportamiento del controlador.
Este tema est dedicado a describir los aspectos bsicos de la identificacin relevante
para control. En primer lugar se analiza la relacin existente entre el modelo identificado y el
diseo del controlador. En segundo lugar se describe la identificacin de modelos
aproximados relevantes para control. A continuacin se propone un esquema iterativo de
identificacin y control. Finalmente se describe la realizacin del proceso de prefiltrado de
datos con el objetivo de que el modelo se ajuste a los datos experimentales en aquellas
frecuencias que resultan ms relevantes para el control.
9-1
TEMA 9: Identificacin relevante para el control
9.2 RELACIN ENTRE EL MODELO IDENTIFICADO Y EL DISEO

DEL CONTROLADOR
Cuando se disea un sistema de control realimentado para un proceso dinmico, la
informacin que contiene el modelo sobre el proceso juega un papel fundamental. El
sistema de control es bsicamente diseado y analizado sobre la base del modelo del
proceso utilizado. Dependiendo de cada estrategia de control en particular, la informacin
que debe aportar el modelo es distinta. Por ejemplo los mtodos de sintona de
controladores PID y los mtodos de ajuste de la funcin de lazo en el dominio de la
frecuencia se basan generalmente en representaciones no paramtricas (grficas) como la
respuesta a un escaln, la respuesta en frecuencia, el espectro de la perturbacin, etc. No
obstante otras estrategias de control ms avanzadas, las cuales tpicamente se utilizan en
sistemas con mltiples entradas y mltiples salidas, requieren un modelo dinmico
paramtrico del proceso, adems de un modelo de las perturbaciones que estn actuando
sobre las seales medidas.
En el problema de identificacin el proceso es sometido a diversos experimentos, los
datos de la entrada y la salida del proceso son utilizados para identificar un modelo del
mismo. En la etapa de diseo del control, el modelo identificado es utilizado para disear un
sistema de control realimentado segn una determinada estrategia o metodologa de control
que cumpla con unos determinados requisitos de comportamiento como estabilidad, rechazo
de perturbaciones, seguimiento de una seal de referencia, etc.
Cuando se considera la cuestin de que modelo identificado sera el ms conveniente
para servir como base para el posterior diseo del control, existe una respuesta obvia. Si el
modelo
representa
exactamente
al
proceso
bajo
consideracin,
incluyendo
las
perturbaciones que actan sobre el proceso, entonces este modelo ser el ptimo para
todos los posibles usos que se hagan del modelo, incluido el diseo de controladores
basados en modelos. Este principio de equivalencia segura que requiere que se construya
un modelo exacto y despus usarlo para diseo de control, es difcil de justificar cuando el
modelo tiene que ser identificado a partir de datos medidos, ya que en este caso el modelo
contendr incertidumbres debidas a las perturbaciones actuando sobre los sensores, tiempo
de observacin finito, excitacin limitada de las seales de entrada, el tipo de modelo
considerado, etc. Recurdese que el modelo contiene un error de sesgo y un error de
varianza.
9-2
En la prctica suele ser imposible caracterizar todos los fenmenos que describen el
comportamiento dinmico del proceso. Por lo tanto, los modelos sern necesariamente
aproximados. Adems, muchos mtodos de diseo de control proporcionan controladores
cuyos rdenes estn esencialmente determinados por el orden del modelo del proceso
considerado. De esta forma, un modelo del proceso de alto orden conducir a un controlador
de orden alto, lo cual puede no resultar factible desde el punto de vista de su
implementacin. Por lo tanto, para el diseo del control se necesitan modelos aproximados
del proceso de orden bajo.
Por
otra
parte,
muchos
procesos
industriales
complejos
son
controlados
satisfactoriamente por controladores de orden bajo como por ejemplo los PID. Esto sugiere
que los modelos del proceso de orden bajo son suficientes cuando sirven como base para el
diseo del control. Para identificar modelos de rdenes bajos que sean relevantes para el
diseo del control, es necesario seleccionar adecuadamente tanto los experimentos a
realizar como el mtodo de identificacin a utilizar.
Los modelos que describen con precisin la respuesta en lazo abierto del proceso no
son necesariamente buenos para el control. Asimismo los modelos que parecen ser malos
desde el punto de vista de la respuesta en frecuencia en lazo abierto pueden ser buenos
como base para el diseo del control. Esto es as ya que errores que pueden parecer
pequeos en lazo abierto pueden conducir a grandes errores en el comportamiento en lazo
cerrado. Por otra parte errores que pueden parecer grandes en lazo abierto pueden no
siempre conducir a un mal comportamiento en lazo cerrado. En consecuencia son los
requerimientos del control los que dictan la precisin que se requiere para el modelo que se
identifique, no al revs.
Ejemplo 9.1:
En la Figura 9.1 se muestra (en negro) la respuesta en frecuencia de un proceso dinmico, junto con
dos posibles modelos del proceso modelo 1(rojo) y modelo 2 (azul). El modelo 2 (azul) es muy exacto
en el rango de frecuencias bajas (<0.2 rad/s) pero se desva en el rango de altas frecuencias. Por
su parte el modelo 1 (rojo) es bastante malo en el rango de frecuencias 0.2 rad/s 1 rad/s. La
pobre calidad del modelo 1 se pone tambin de manifiesto en la Figura 9.2a donde se muestra la
respuesta a un escaln del proceso real y de los dos modelos propuestos.
Cuando se evalan las propiedades del proceso y los modelos en una configuracin en lazo cerrado
con un determinado control que consigue un ancho de banda en lazo cerrado de 0.7 rad/s se
observa (ver Figura 9.2b) que la respuesta a un escaln en lazo cerrado del modelo 1 es muy
parecida a la del proceso real, mientras que la del modelo 2 se desva bastante.
9-3
En general se puede afirmar que en el diseo de un control basado en un modelo, el modelo del
proceso que se utilice debera ser particularmente exacto cerca del ancho de banda del sistema en
lazo cerrado. No obstante, la exactitud requerida a otras frecuencias no puede ser especificada de
antemano.
Figura 9.1. [Van Den Hof and Callafon, 2003] Respuesta en frecuencia del proceso real (color negro),
del modelo 1 (rojo) y del modelo 2 (azul)
(a)
(b)
Figura 9.2. [Van Den Hof and Callafon, 2003] Respuesta a un escaln en lazo abierto (a) y en lazo
cerrado (b) del proceso real (color negro), del modelo 1 (rojo) y del modelo 2 (azul)
9-4
9.3 IDENTIFICACIN DE MODELOS APROXIMADOS

9.3.1 Identificacin basada en el error de prediccin
Considrese el siguiente sistema o proceso real (ver Figura 9.3) descrito por las
siguientes ecuaciones:
y (t ) G0 ( q )u(t ) v(t )
v(t ) H 0 ( q )e(t )
(9.1)
donde G0 y H0 representa dos sistemas lineales invariantes en el tiempo, u(t) e y(t) son la
entrada y la salida del proceso, {e(t)} es una secuencia de ruido blanco y q denota el
operador desplazamiento q-1u(t)=u(t-1). La representacin H0 es utilizada para caracterizar la
distribucin de potencia espectral del ruido aditivo v.
Figura 9.3. [Van Den Hof and Callafon, 2003] Sistema real a identificar
Para un modelo parametrizado {G(q,), H(q,)} con un vector de parmetros , el error

de prediccin a un paso filtrado tiene la siguiente expresin:
F (t , ) L( q )H ( q, ) 1 [ y (t ) G ( q, )u(t )]
(9.2)
que es utilizado como base para estimar el vector de parmetros, empleando un criterio de
identificacin (mnimos cuadrados) el cual es construido con los datos de la entrada u(t) y de
la salida y(t) t=1,...,N del proceso obtenidos experimentalmente. El prefiltro L(q) es una
variable de diseo adicional que debe ser elegida por el usuario (ver seccin 9.5).
Bajo condiciones suaves la estima converge (para N tendiendo a infinito) a una estima
lmite, la cual para estructuras del modelo con un modelo de ruido fijo, es decir, H(q,)=H(q),
y para u y v no correlacionadas, se puede demostrar que viene dada por la siguiente
expresin:
9-5
* arg min
1
2
i
2
i
i
2 u ( )| L( e ) |
G
e
G
e
|
(
)
(
,
)
|
0
| H (e i ) |2
(9.3)
Que pone de manifiesto que en esta configuracin el modelo del proceso G ( q ) G ( q, * ) es

obtenido como resultado de la minimizacin del error cuadrtico integrado entre G0 y G,
pesado con una funcin de peso particular determinada mediante el espectro de la entrada,
el prefiltro y el modelo del ruido.
9.3.2 Desajuste modelo - proceso en lazo cerrado

En el caso en que el modelo G del proceso vaya a ser utilizado para el diseo de un
control basado en un modelo, la aproximacin a G0 dada por G no debera estar basada en
consideraciones en lazo abierto. De hecho la aproximacin debera ser dirigida hacia un
ajuste en lazo cerrado en el modelo y el proceso, teniendo en cuenta el controlador C(q) que
va a ser diseado.
Cuando un controlador CG es diseado sobre la base de un modelo G , el ajuste
deseado entre el sistema y el modelo queda verificado mediante la similitud entre los lazos
cerrados del proceso controlado (lazo conseguido) y el del modelo controlado (lazo de
diseo) tal y como se muestra en la Figura 9.4.
Figura 9.4. [Van Den Hof and Callafon, 2003] Lazo cerrado obtenido (superior) y lazo cerrado de
diseo (inferior).
9-6
Las funciones de sensibilidad de cada uno de estos lazos son:
S 0 [1 G0 CG ]1
(9.4)
S [1 G CG ]1
(9.5)
Mientras que el error entre la salida real y la salida del modelo (ambos en lazo cerrado)
es:
y y
G0 CG
1 G0 CG
G CG
(G0 G )CG S 0 S (G0 G )W
1 G C
(9.6)
donde
W CG S 0 S
(9.7)
La expresin anterior pone de manifiesto que desde una perspectiva en lazo cerrado, el
desajuste relevante entre el modelo y el proceso no debera ser considerado en una forma
aditiva simple, sino que el error aditivo debera ser pesado con una funcin de peso W.
Como consecuencia directa de lo anterior, el modelo del proceso G debera ser preciso en
la regin de frecuencia donde la funcin de peso W es grande.
Un ejemplo tpico es cuando el controlador diseado CG contiene una accin integral, lo
que implica que a bajas frecuencias | CG (e i ) | 1 . En este caso la funcin de peso verifica
la siguiente relacin
| W |
1
1
CG G0 G
(9.8)
Esto implica que el error del modelo G0 ( q ) G ( q ) en la regin de baja frecuencia no

tiene casi influencia en las propiedades en lazo cerrado del modelo. Lo cual ya se puso de
manifiesto en el Ejemplo 9.1.
9-7
9.3.3 Criterio de identificacin relevante para control

El criterio de comportamiento del control realimentado dado por la ecuacin (9.6)
sugiere el siguiente criterio de identificacin para la identificacin del modelo G :
1
arg min
2
*
1
C ( e i )
|
(
)
(
,
)
|
G
e
G
e
d
0
i
i
i
1 C (e )G0 (e ) 1 C (e )G (e i , )
i
(9.9)
Si se compara este criterio de identificacin con el criterio dado por la ecuacin (9.3)
usado en los mtodos de identificacin basados en la minimizacin del error de prediccin,
es posible hacerlos equivalentes si se considera la siguiente configuracin de identificacin:
C ( e i )
u ( )
1 C (e i )G 0 (e i )
L(q )
1
1 C (q )G (q, )
H (q ) 1
(9.10)
(9.11)
(9.12)
En esta configuracin, el espectro de la seal de entrada deseada es generado

mediante u=CS0r. Este espectro se consigue haciendo experimentos con una seal de
referencia que tenga una funcin de densidad espectral plana ( r ( ) 1 ) mientras el
proceso es controlado con el controlador C. El prefiltro L que se requiere depende de los
parmetros del modelo y puede ser implementado mediante adaptacin iterativa de la
estimacin del modelo. La eleccin H(q)=1 indica que se debe usar un modelo OE.
La configuracin de identificacin descrita generar datos experimentales y un modelo
identificado resultante que por construccin tiene propiedades que refleja aspectos
relevantes para el control del proceso.
Ntese que el experimento ptimo bajo el cual el proceso debera ser identificado, es
igual a la situacin bajo la cual el modelo es utilizado. En consecuencia, en el caso de un
modelo que vaya a ser utilizado para control, el experimento de identificacin ptimo es un
experimento en lazo cerrado usando el controlador CG . Este controlador todava tiene que
ser diseado, luego es desconocido. Ello sugiere un esquema de identificacin y de diseo
de control de tipo iterativo. Dicho esquema ser explicado en la seccin 9.4.
9-8
9.3.4 Identificacin a partir de datos obtenidos en lazo cerrado

El problema tpico de la identificacin en lazo cerrado es el hecho de que la entrada u
de la planta est correlacionada con la perturbacin v, a diferencia de lo que suceda en los
experimentos en lazo abierto.
En los mtodos de identificacin basados en la aproximacin directa (tal y como se
coment en la seccin 8.3.7), simplemente se aplica el procedimiento de identificacin
estndar (error de prediccin) sin tomar especiales medidas debido a la presencia de un
controlador realimentado. Una estima de los parmetros es obtenida de forma similar al
caso en lazo abierto. El criterio de identificacin asinttico en el dominio de la frecuencia en
este caso viene dado por el espectro del error:
S 0 G0 G ( )
2
H ( )
H 0 S0
H ( ) S ( )
2
(9.13)
donde S(q,)=(1+CG(q,))-1 es la funcin de sensibilidad del modelo parametrizado. Esta

expresin se obtiene simplemente combinando la ecuacin (9.1) y (9.2) con la ecuacin del
controlador u=C(r-y). Si G0 puede ser modelado exactamente dentro del conjunto de
modelos elegido, es decir G0 G, el primer termino del espectro del error se puede hacer
cero; pero esto no es necesariamente una solucin mnima debido a la presencia de G() en
el segundo trmino, cualquier desajuste en este trmino debido a H(q,) ser compensado a
travs de G(q,) en S(q,).
La aproximacin directa puede proporcionar buenas estimas cuando se es capaz de
identificar modelos del orden que sea necesario tanto para la dinmica de la planta como
para la dinmica del ruido. En el caso de identificar modelos aproximados o cuando no se
considera el modelado de la dinmica del ruido completa, G0 no es identificado
consistentemente, y el criterio que gobierna la identificacin aproximada de G0 no es
ajustable explcitamente por el usuario. Es decir, no tomar una forma simple como la dada
por (9.3) con el error aditivo en G0 ponderado con una funcin de peso conocida.
Para conseguir en una identificacin en lazo cerrado un desacoplo entre G0 y H0 se
pueden usar otros aproximaciones a la identificacin en lazo cerrado como la aproximacin
indirecta o la aproximacin de entrada-salida conjunta.
En los mtodos basados en la aproximacin indirecta se identifica el siguiente sistema
en lazo cerrado
9-9
y (t ) T (q )r (t ) W (q )e(t )
(9.14)
a partir de las medidas de r(t) e y(t). Se obtienen por tanto los modelos T (q ) y W (q ) .
Supuesto adems que el controlador C es conocido es posible obtener los modelos G y H

en lazo abierto a travs de la siguiente expresin:
C ( q )G ( q )
T ( q )
1 C (q )G ( q )
W (q )
H (q)
1 C (q )G (q )
(9.15)
(9.16)
En los mtodos basados en la aproximacin de entrada-salida conjunta, como por

ejemplo el mtodo de las dos etapas, en primer lugar se identifica el siguiente sistema:
u (t ) M (q )r (t ) N (q )e(t )
(9.17)
a partir de las medidas de u(t) y r(t). Se obtienen por tanto los modelos M y N . A
continuacin se construye la siguiente entrada para la planta libre de ruido:
u r (t ) M (q )r (t )
(9.18)
La cual es utilizada en una segunda etapa para identificar el sistema
y (t ) G0 (q )u r (t ) H 0 (q )S 0 (q )e(t )
(9.19)
donde la seal de entrada libre de ruido ur=C(q)S0(q)r(t) que es no medible es sustituida

por su estima u r (t ) . Ntese que en este mtodo no es necesario ningn conocimiento
explcito sobre el controlador.
Los mtodos anteriores basados en la aproximacin indirecta o en la aproximacin de
entrada-salida conjunta permiten la identificacin separada de modelos para la planta y el
ruido. Cuando dichos modelos son parametrizados de forma independiente (o usando un
modelo de ruido fijo W* ) el criterio de identificacin asinttica para la estimacin de G0 toma
la siguiente forma en el caso de la aproximacin indirecta:
9-10
1
arg min
2
*
| G
(e ) G (e , ) |
2
C (e i )S 0 (e i )S (e i , ) r ( )
| W* | 2
(9.20)
el cual se ajusta perfectamente al criterio requerido formulado en (9.9) (en el caso del
mtodo de las dos etapas la expresin de este criterio varia ligeramente). Esto implica que
en el caso con una eleccin aproximada de r y W* el criterio, que es requerido desde el
punto de vista de relevancia para el control, puede ser realizado exactamente mediante la
aplicacin de un mtodo de identificacin en lazo cerrado basado en la aproximacin
indirecta. En el caso particular de seales de excitacin peridicas, la identificacin
separada de G0 y H0 puede ser conseguida mediante la estimacin de modelos del ruido no
paramtricos.
Las consideraciones realizadas hasta ahora han sido sobre las propiedades asintticas
de las estimas. Esto se refiere a las propiedades de sesgo asintticas de los modelos
identificados. Para analizar la varianza asinttica de las funciones de transferencia
estimadas, es conocido que cuando el orden n (nmero de parmetros) del modelo y el
nmero de datos N tienden a infinito se obtiene:
1
G (e i ) n
u ( ) eu ( )
v ( )
cov
i
0
ue ( )
H (e ) N
(9.21)
Que conduce a
(9.22)
(9.23)
n v
n v ue
cov G r r 1 r
N u N u u
n
n e
cov H v ur v 1 ur
N 0 u N 0 u
Siendo ur la densidad espectral de ur, y ue la densidad espectral de ue=- CS0v, es

decir, la parte de la seal de entrada que se origina a partir de e. Estas expresiones de la
varianza se mantienen para todos los mtodos de identificacin en lazo cerrado
independiente de la aproximacin usada.
Estas expresiones muestran que slo la parte libre de ruido ur de la seal de entrada
contribuye a la reduccin de la varianza de las funciones de transferencia. Ntese que si se
9-11
hace ur =u (ue=0) se obtienen los resultados correspondientes al caso en que el sistema

hubiese sido identificado en lazo abierto.
En el caso en que el espectro de la seal de entrada es limitado, se observa que slo
parte de dicha potencia de entrada puede ser utilizada para reducir la varianza. Este hecho
conduce a los siguientes resultados:
Si la potencia de entrada es ilimitada y el controlador es diseado slo en base a
G y no de H , el experimento de identificacin ptima para minimizar el coste de

la varianza del comportamiento del control es un experimento en lazo abierto con
un espectro de entrada que es proporcional a la funcin de sensibilidad del
sistema en lazo cerrado que vaya a ser diseado.
Si durante los experimentos de identificacin la potencia de la salida est limitada,

entonces los experimentos en lazo cerrado son entonces los ptimos.
Si el controlador es diseado en base tanto G y de H , entonces los experimentos

en lazo cerrado son entonces los ptimos.
9.4 IDENTIFICACIN Y CONTROL ITERATIVOS

La situacin descrita en las secciones anteriores muestra que los modelos relevantes
para el control son obtenidos cuando la identificacin tiene lugar bajo condiciones
experimentales en lazo cerrado con el controlador (que an tiene que ser diseado)
C G siendo implementado sobre el proceso. Como este controlador es desconocido antes

que el modelo sea identificado se requiere un esquema iterativo para llegar a la situacin
deseada:
Paso 1. Realizar un experimento de identificacin con el proceso siendo

controlado por un controlador de estabilizacin inicial C.
Paso 2. Identificar un modelo G con un criterio relevante para control.
Paso 3. Disear un controlador C G usando el modelo obtenido en el paso 2.
Paso 4. Usar el controlador diseado en el paso 3 sobre el proceso y volver al

paso 1 usando este nuevo controlador.
9-12
Figura 9.5. [Van Den Hof and Callafon, 2003] Esquema iterativo de identificacin en lazo cerrado y
diseo del control.
Este esquema iterativo es ilustrado en la Figura 9.5. Otro motivo para aplicar un
esquema iterativo es el hecho de que cuando se disea un sistema de control, las
limitaciones de comportamiento no son conocidas de antemano. Por lo tanto, el esquema
iterativo
propuesto
puede
tambin
ser
considerado
para
permitir
mejorar
las
especificaciones de comportamiento del sistema de control, segn se va teniendo un mejor

conocimiento del sistema mediante los experimentos de identificacin. De esta forma, el
conocimiento mejorado de la dinmica del proceso permite el diseo de un controlador con
un comportamiento mejor.
Otra visin alternativa del esquema iterativo propuesto se obtiene considerando una
funcin de coste para el comportamiento del control J (G0 , C G ) , relacionada al sistema en
lazo cerrado con el proceso G0 y el controlador C G , J puede ser por ejemplo una funcin de
sensibilidad ponderada:
J (G0 , C G )
V
1 C G G0
(9.24)
9-13
que tiene como objetivo a un sistema de control que satisfaga la especificacin: |S0(ei)| <
|V(ei)|-1, elecciones alternativas para J incluyen un criterio LQ/LQG, control con referencia a
una modelo, optimizacin robusta y esquemas de control H.
En esta notacin se presupone que el controlador C puede ser tambin una funcin del
modelo del ruido H . La meta del sistema de control es conseguir un valor mnimo de
J (G0 , C G ) mediante la eleccin apropiada de G y C G . La siguiente desigualdad triangular

es de gran ayuda para estudiar este problema:
J (G , C G ) J (G0 , C G ) J (G , C G ) J (G , C G ) J (G0 , C G ) J (G , C G )
(9.25)
En ella se observan tres trminos diferentes:
J (G0 , CG )
J (G , CG )
, el comportamiento conseguido.
, el comportamiento diseado.
J (G0 , CG ) J (G , CG )
, la degradacin del comportamiento.
Tomando como punto de partida que hay que obtener un comportamiento de diseo
que hay que satisfacer, dos requerimientos pueden ser formulados para conseguir un alto
comportamiento de la planta controlada:
1) Comportamiento nominal alto. Se consigue si J (G , C G ) es pequeo.
2) Comportamiento robusto. Se consigue si
J (G0 , C G ) J (G , C G ) J (G , C G ) .
Ntese que si se cumple este requerimiento, entonces la diferencia entre la funcin

de comportamiento diseada J (G , C G ) y la funcin de comportamiento conseguida
J (G0 , C G ) es relativamente pequea.

En la aproximacin iterativa ambos requerimientos son incorporados como pasos
separados: minimizando el coste de comportamiento diseado J (G , C ) sobre C para un
modelo fijo G (diseo del control), y minimizando el trmino de degradacin del
9-14
comportamiento J (G0 , C G ) J (G , C G ) sobre G para un controlador fijo C (identificacin

relevante para el control). En este caso, el trmino de degradacin puede ser interpretado
como un criterio de modelado inducido por el comportamiento del control:
G arg min J (G0 , C ) J (G, C )

G
(9.26)
Si se considera la eleccin de J dada por (9.24) el criterio anterior toma la siguiente

forma:
G arg min
G
V (G0 G )C
(1 C G0 )(1 C G )
(9.27)
Ntese que para una norma-2 este criterio tiene la misma expresin que la expresin
del sesgo para los mtodos de identificacin en lazo cerrado dada por (9.9).
Mediante la minimizacin del trmino de degradacin del comportamiento, y hacindolo
mucho ms pequeo que el coste diseado J (G , C G ) , se sigue a partir de la desigualdad
triangular (9.25) que el comportamiento obtenido es forzado a estar cerca del
comportamiento diseado, es decir,
J (G , C G ) J (G0 , C G )
Esto es exactamente lo que el ingeniero que disea el control intenta conseguir: disear
un controlador basado en un modelo que (despus de ser implementado sobre el sistema
real) presente un coste del comportamiento que sea similar al comportamiento del modelo
controlado.
En general los esquemas iterativos tal y como han sido descritos no garantizan la
convergencia hacia un mejor modelo y un mejor controlador, aunque se pueden construir
esquemas robustos que s la garantizan.
El esquema iterativo propuesto podra asemejarse con el control adaptativo donde
recursivamente en cada paso de tiempo un modelo actualizado es identificado y un nuevo
controlador es diseado. Sin embargo en este esquema, no hay ninguna necesidad de
actualizar el modelo diseado y el controlador en cada paso de tiempo, sino nicamente
despus de la realizacin de experimentos separados. En consecuencia sera un control
adaptativo extremadamente lento.
9-15
9.5 PREFILTRADO RELEVANTE PARA CONTROL

Cuando se desea identificar modelos relevantes para el control, todas las etapas de la
metodologa de identificacin (diseo de la seal de entrada, seleccin de la estructura del
modelo, estimacin de parmetros y validacin del modelo) se deben considerar desde el
punto de vista relevante para control. En esta seccin nos vamos a concentrar en la etapa
de estimacin de parmetros usando mtodos basados en el error de prediccin, en
particular en el desarrollo de un prefiltro relevante para control. El prefiltrado acta como un
peso dentro de la funcin de coste utilizada para estimacin, y es por tanto una de las
variables de diseo mas importantes para selectivamente enfatizar la bondad del ajuste en
la identificacin. El propsito del prefiltrado relevante para el control es enfatizar aquella
informacin contenida en los datos de entrada-salida que resulta ms importante para
propsitos de control.
9.5.1 Estimacin de parmetros relevantes para control

Las especificaciones de control pueden estrechar las regiones de tiempo y frecuencia
sobre las cuales un ajuste adecuado del modelo es necesario. Por lo tanto, si las
especificaciones de control son incorporadas dentro del problema de estimacin de
parmetros, es posible obtener modelos mejorados sobre la banda de frecuencia que es
importante para el problema de control. Este es el objetivo del problema de estimacin de
parmetros relevantes para el control (PEPRC). En el sentido matemtico ms general el
PEPRC es un problema de optimizacin que requiere minimizar un funcional del error
ponderado entre el modelo de la planta verdadero y el modelo estimado:
PEPRC min f ( peso, error )
(9.28)
mod elo
El PEPRC lleva al tema de sistemticamente seleccionar la descripcin del funcional, el

peso y el error para ajustar el problema de control a mano.
En las siguientes secciones se mostrar como el prefiltrado acta como un peso
dependiente de la frecuencia en el problema de estimacin de parmetros. A continuacin
se derivar un prefiltro relevante para el control a partir de la norma-2 de una funcin
objetivo en lazo cerrado.
9-16
9.5.2 Efecto del prefiltrado en la estimacin de parmetros

El objetivo es conseguir una estimacin tal que las propiedades importantes de la planta
con respecto al control deseado estn retenidas en el modelo. Se va a suponer que la planta
es descrita por el siguiente modelo lineal:
y(t ) G0 ( q )u(t ) v(t )
(9.29)
v(t ) H 0 ( q )e(t )
donde v(t) es una secuencia de ruido estacionaria con potencia espectral v . Se desea
estimar un modelo para la planta de la siguiente forma:
y(t ) G ( q )u(t ) H ( q )e(t )
(9.30)
Aplicando el prefiltro L(q) tanto a la entrada como a la salida se obtiene:
y F (t ) L( q )y (t )
(9.31)
u F (t ) L( q )u(t )
Con lo que el error de prediccin filtrado toma la siguiente forma:
eF (t ) L( q )H 1 ( q )[(G0 ( q ) G ( q ))u(t ) v(t )]
(9.32)
La funcin objetivo o funcin de coste para la estimacin de los parmetros es:
1
N
[e
t 1
(t )]2
(9.33)
Esta funcin se puede escribir de la siguiente forma cuando N:
1
lim V
N
2
| G (e
0
| L(e i ) |2
d
) G (e i ) |2 u ( ) v ( )
| H ( e i ) |2
(9.34)
Esta expresin pone de manifiesto algunas fuentes de error de sesgo en el problema de

estimacin: la densidad espectral de la seal de entrada u , la eleccin del prefiltro L(q), la
estructura de G y H, y la densidad espectral de la seal de perturbacin v .
Esta expresin tambin pone de manifiesto que L(z) acta como un peso dependiente
de la frecuencia sobre el espectro de potencia del error de prediccin, por lo tanto permite al
9-17
diseador enfatizar selectivamente en que rango de frecuencias desea que la estimacin de

los parmetros sea ms precisa. Este conocimiento, sin embargo, resulta de poca utilidad
para el diseador del control si no dispone de unas directrices claras sobre como disear L
(q).
9.5.3 Obtencin de un prefiltro relevante para control

La identificacin relevante para control requiere que se conozca el problema de control
(ver Figura 9.6) para el cual se desea obtener un modelo de la planta. Aparte de la
estructura del modelo, se debe especificar de antemano el tipo de modelo a ser identificado
(planta o perturbacin), la estructura del controlador (realimentado, feedforward, PID, ...) y el
carcter de la respuesta (constantes de tiempo en lazo cerrado, porcentaje de
sobreelongacin, etc). Esta informacin es normalmente conocida para el ingeniero en el
momento en que se va a realizar la estimacin de parmetros.
d
r +
e
-
G0
Figura 9.6. Sistema de control realimentado clsico

Supngase que se desea realizar la estimacin relevante para el control de la planta
G0(z) que va a ser utilizada en un sistema de control realimentado con un nico grado de
libertad. El objetivo de control es minimizar la norma-2 del error de control eC=r-y:
eC
eC2 ( k )
k 0
1/ 2
(9.35)
Considrese el modelo estimado G ( z ) el cual ha sido obtenido a partir del ajuste sobre
los datos de entrada-salida del sistema verdadero G0(z). Se va suponer un controlador
realimentado C(z) diseado con G ( z ) :
u(t ) C ( q )e(t )
(9.36)
Se tienen, por tanto, las siguientes funciones de sensibilidad y de sensibilidad

complementaria para la respuesta nominal en lazo cerrado:
9-18
S ( z ) [1 G ( z )C ( z )]1
(9.37)
T ( z ) 1 S ( z ) G ( z )C ( z )[1 G ( z )C ( z )]1
(9.38)
Cuando C(z) es implementado sobre la planta verdadera G0(z) el deterioro resultante en

el comportamiento del control causado por el desajuste entre el modelo y la planta se puede
representar de la siguiente forma:
S( z)
(r d )
1 T ( z )em ( z )
(9.39)
em ( z ) (G0 ( z ) G ( z ))G 1 ( z )
(9.40)
eC ( z )
donde
es el error multiplicativo entre la planta verdadera y el modelo estimado.

La estabilidad de C sobre G ( z ) , el modelo estimado, no asegura la estabilidad con
respecto a G0(z), la planta verdadera. La estabilidad del sistema de control es mucho ms
rigurosamente determinada usando el criterio de estabilidad de Nyquist sobre T(z)em(z). Un
requerimiento de estabilidad computacionalmente ms simple es usar el teorema de
ganancia pequea:
| T (e j )em ( e j ) | 1
(9.41)
Si dicho teorema se cumple entonces es posible desarrollar eC en serie de Taylor:
eC ( z ) S (1 T em (T em ) 2 ....)( r d )
(9.42)
Truncando en el segundo termino se obtiene la siguiente aproximacin:
eC ( z ) S (1 T em )( r d )
(9.43)
Esta aproximacin es especialmente vlida cuando | T (e j )em (e j ) | 1 sobre el ancho

de banda definido mediante S(r-d). Sustituyendo la aproximacin en (9.35) se obtiene una
expresin aproximada para la funcin objetivo la cual puede ser escrita en el dominio de la
frecuencia usando el teorema de Parseval:
9-19
eC
eC
1

2
1

2
| S | | r d | d
2
1/ 2
| S | |1 T em | | r d | d
2
1

2
1/ 2
| S | | T em | | r d | d
2
(9.44)
1/ 2
(9.45)
La expresin anterior tiene dos trminos, uno est basado en las propiedades
nominales de la respuesta en lazo cerrado supuesto que G ( z ) G0 ( z ) , y el otro basado en
la reduccin del error multiplicativo em. El planteamiento del PEPRC se obtiene minimizando
la contribucin que surge del error de identificacin
min
G 2
| S (e ) | | T (e ) | | r d | | em (e ) | d
j
1/ 2
(9.46)
De la expresin anterior que define el PEPRC se pueden deducir las siguientes

conclusiones importantes:
Es un problema de error multiplicativo ponderado, al contrario del error aditivo no

ponderado ea=G-G0 que se utiliza habitualmente en la literatura de control.
La funcin de peso |ST(r-d)| incorpora explcitamente la respuesta en lazo

cerrado deseada y la descripcin referencia/perturbacin del problema.
La definicin del prefiltro es obtenida comparando las expresiones (9.34) y (9.46).

Supuesto que la entrada u es ruido blanco (con lo que u 1 ) y despreciando el trmino
asociado con la perturbacin v(t) se obtiene la siguiente expresin para el prefiltro:
L( z ) H ( z )G 1 ( z )S ( z )T ( z )(r( z ) d ( z ))
(9.47)
Se observa que el prefiltro L(z) consta de cuatro componentes:
Las funciones de sensibilidad S(z) y de sensibilidad complementaria T(z), que

definen la respuesta en lazo cerrado de la planta. Cuanto ms rpida sea la
velocidad de respuesta deseada, mayor ser el rango de frecuencia en que debe
coincidir el modelo estimado con el sistema real, y por lo tanto mayor ser la
9-20
necesidad para obtener un buen modelo. Por otro lado, si se desea una respuesta
lenta, un modelo simple podra resultar adecuado.
La descripcin referencia/perturbacin r - d. Si el sistema de control es diseado

para rechazar escalones, rampas, o perturbaciones estacionaras influir en los
requerimientos del ajuste.
El modelo estimado de la planta G ( z ) . La estimacin de parmetros relevantes

para el control requiere la minimizacin de error multiplicativo ponderado em. Los
mtodos basados en el error de prediccin, sin embargo, minimizan el error aditivo
ponderado ea. Por lo tanto, la inversa del modelo identificado debe ser incluida en
el prefiltro. Puesto que G ( z ) es desconocido inicialmente, la implementacin del
prefiltro es inherentemente iterativa.
El modelo estimado del ruido H ( z ) . El modelo del ruido acta como un peso en el
problema de estimacin lo cual podra producir un error de sesgo nocivo. Para
eliminarlo, el modelo del ruido es incluido en la definicin del prefiltro.
Ejemplo 9.2:
Considrese un modelo estimado de primer orden de tipo OE definido mediante la siguiente
expresin:
G ( z )
k
0.096
; H ( z ) 1
z z 0.904
(1)
Esta planta tiene una constante de tiempo de 10 minutos y es muestreada con un periodo T=1
minuto. Supuesto que la constante de tiempo deseada en lazo cerrado es de 5 minutos, representada
por la siguiente expresin de primer orden:
T ( z)
(1 )
0.1813
z
z 0.818
(2)
Donde =exp(-T/cl) y cl es la constante de tiempo en lazo cerrado.

Un controlador PI adecuadamente sintonizado podra conseguir esta respuesta en lazo cerrado.
Supngase adicionalmente, que el sistema est sujeto a perturbaciones de tipo escaln a su salida:
9-21
T ( z)
z
z 1
(3)
Usando (9.47), el prefiltro que se obtiene para este sistema es:
1
L( z )
k
z(z 0.904)
z( z )
1.89
2
( z 0.818) 2
(z )
(4)
Por otra parte, si la constante de tiempo deseada en lazo cerrado fuera de 10 minutos entonces la
expresin del prefiltro sera:
z
L( z ) 1.89
( z 0.904) 2
(5)
Obsrvese que tanto (4) como (5) son esencialmente filtros pasa-baja con un ancho de banda
definido por la velocidad de respuesta del sistema en lazo cerrado. Esto significa que el nfasis de la
estimacin est situado en preservar un buen ajuste en el rango de bajas frecuencias, las cuales son
las que tienen ms impacto en el problema de control, mientras que ignora el comportamiento de altafrecuencia el cual no tiene un efecto significativo en la respuesta en lazo cerrado. Puesto que el
prefiltro (4) demanda una velocidad de respuesta ms rpida que el prefiltro (5), su ancho de banda
es mayor.
Si el objetivo de control es cambiado de perturbaciones escaln a rechazar perturbaciones
estacionarias tales como una perturbacin de primer orden de constante de tiempo de 7 minutos:
d ( z)
0.133z
z
z z 0.867
(6)
Entonces, el prefiltro relevante para control es de la forma:
z(z 0.904)(z 1)
(1 ) z ( z )( z 1)
L( z )
0.251
2
k
( z 0.818) 2 (z 0.867)
(z ) (z )
(7)
Este prefiltro es un filtro pasabanda o filtro notch. La atenuacin de las bajas frecuencias por el
prefiltro es por tanto esperada, como fsicamente por las perturbaciones estacionarias, la accin
integral en el sistema de control no es necesaria, por lo tanto se elimina la necesidad de un buen
ajuste del modelo a bajas frecuencias.
9-22
9.5.4 Algoritmo para la implementacin de un prefiltro relevante

para control
Puesto que el prefiltro relevante para el control requiere tanto del modelo estimado para
la planta como del modelo estimado para el ruido, lo cuales son inicialmente desconocidos,
su implementacin ms rigurosa es iterativa. En [Rivera et al. 1992] se puede encontrar un
algoritmo iterativo para la implementacin de un prefiltro relevante para control. En esta
seccin se incluye el algoritmo no iterativo propuesto por [Rivera et al. 1992] que funciona
bastante bien en numerosos casos y que requiere que el usuario disponga de estimas
razonables de la constante de tiempo dominante de la planta y de la velocidad de respuesta
en lazo cerrado deseada.
El algoritmo no iterativo de [Rivera et al. 1992] se basa en el uso de la expresin (9.47)
para el prefiltro usando conjuntamente algunas hiptesis y simplificaciones. En primer lugar
se sugiere utilizar la siguiente estructura para T(z):
T ( z ) z nk f ( z )
(9.48)
donde el orden de f(z) es dictado por el procedimiento del diseo del control y su ancho de
banda se elige para incluir las limitaciones al comportamiento en lazo cerrado que se puede
obtener creado mediante las restricciones de la velocidad de respuesta de las variables
controladas y manipuladas. Adems, se supone el conocimiento de la constante de tiempo
de la planta con el objetivo de usar la siguiente aproximacin para G :
z nk 1
G ( z )
z
(9.49)
donde =exp(-T/dom) y dom es la constante de tiempo dominante del sistema. Una estima de
la ganancia en estado estacionario no es necesaria ya que la ganancia simplemente
aparece como una constante en (9.47). Para modelos del tipo OE o FIR, se tiene que H 1 ,
lo cual conduce a la siguiente definicin del prefiltro:
L( z ) ( z )(1 z nk f ( z )) z 1 f ( z )(r ( z ) d ( z ))
(9.50)
Siendo f(z) un filtro pasa-baja usado para suministrar robustez y atenuar los
movimientos de la variable manipulada. Una eleccin bastante comn es considerar un filtro
de primer orden:
9-23
f ( z)
(1 )z
z
(9.51)
donde =exp(-T/cl) y cl es la constante de tiempo o velocidad de respuesta en lazo cerrado.

Para modelos de tipo ARX se puede aproximar el modelo del ruido H con la misma
constante de tiempo dominante utilizada en G :
H ( z )
z
z
(9.52)
con lo que se obtiene la siguiente expresin para el prefiltro:
L( z ) (1 z nk f ( z )) f ( z )(r ( z ) d ( z ))
(9.53)
Ntese que en esta expresin se evita la necesidad de especificar dom lo cual sugiere
que la estimacin ARX prefiltrada debera ser ms fcil y ms fiable que los otros mtodos.
Se debe tener en cuanta que la estimacin de los parmetros autoregresivos del modelo
ARX requieren un compromiso entre ajustar G y ajustar H , y por lo tanto un modelo
adecuado quizs no sea obtenido si la magnitud del ruido, especificada por v , es
significante.
Ejemplo 9.3:
Considrese el siguiente modelo estimado para una planta
K
G ( z )
z
que ser controlada usando control predictivo va QDMC (Quadratic Dynamic Matrix Control). La
estructura resultante para T(z) es de segundo orden, con lo que se va a definir f(z) de la siguiente
forma:
f ( z)
(1 ) 2 z 2
( z )2
e 1.555T /
cl
Se va suponer un cambio en la seal de referencia de tipo escaln. El prefiltro resultante para la

estimacin FIR y OE es:
9-24
L( z )
(1 ) 2 z 2 (z )( z 2 )
( z )4
Para modelos ARX se obtiene:
(1 ) 2 z 3 (z 2 )
L( z )
( z )4
En conclusin habiendo definido una estructura del modelo y la naturaleza del problema
de diseo del control, la eleccin del prefiltro queda reducida a simplemente especificar la
velocidad de respuesta en lazo cerrado (CL) y la constante de tiempo dominante en lazo
abierto (dom). Esta informacin puede ser fcilmente obtenida en la mayora de las
situaciones a las que se enfrentan los ingenieros de control de procesos.
9.6 CONCLUSIONES
Es posible disear una configuracin de identificacin de tal forma que los modelos
resultantes automticamente reflejen aquellos aspectos del proceso real que son ms
relevantes para el subsiguiente diseo del control basado en el modelo. Desde el punto de
vista del error de sesgo, los experimentos en lazo cerrado son ptimos; desde el punto de
vista del error de varianza depende de si la potencia de la entrada y de la salida estn
limitadas durante la realizacin de los experimentos y de si el controlador es diseado en
base tanto a la dinmica de la planta como a la dinmica del ruido.
La optimizacin del diseo del control y de la identificacin puede ser conseguida
mediante iteracin entre la estimacin del modelo y el diseo e implementacin del
controlador. Este procedimiento iterativo se basa en el principio de aprendizaje, donde los
experimentos subsiguientes posibilitan un mejor entendimiento de las dinmicas del proceso
ms relevantes y el diseo de controladores con un comportamiento que gradualmente se
va mejorando.
Por otra parte es posible disear un prefiltro que al ser aplicado sobre los datos
garantice el ajuste del modelo en aquellos rangos de frecuencia que son ms relevantes
para el control.
9-25
BIBLIOGRAFA
D. E. Rivera, J. F. Pollard, C. Garca. Control-relevant

prefiltering : A systematic design approach and case study.
IEEE Transactions on Automatic Control. Vol. 37. N 7, July
1992.
[Rivera, 2007]

[Van Den Hof and Callafon, 2003]
P. Van Den Hof, R. Callafon. Identification for control.

Control Systems, Robotics and Automation, edited by H.
Unbehauen, in Encyclopedia of Life Support Systems
(EOLSS), Developed under the auspices of the UNESCO,
Eolss Publishers, Oxford, UK. 2003.
9-26
TEMA 10
IDENTIFICACIN
MULTIVARIABLES
DE
SISTEMAS
10.1 INTRODUCCIN
En los temas anteriores se han considerado principalmente sistemas con una entrada y
una salida, es decir, sistemas SISO (Single-Input Single-Output). Sin embargo, los procesos
reales suelen ser sistemas multivariables con mltiples entradas y mltiples salidas (ver
Figura 10.1), es decir, son sistemas MIMO (Multiple Input - Multiple Output).
La principal dificultad que presenta un sistema MIMO no viene dada por la existencia de
un nmero excesivo de variables (entradas y salidas) sino por el grado de interaccin
existente entre ellas, es decir, a como una determinada salida yj del sistema se ver
afectada por una o varias entradas uk. Una fuerte interaccin puede dificultar la identificacin
y control del sistema. El grado de interaccin existente entre las variables de un sistema
MIMO puede ser medido. Existen de hecho diferentes medidas de la interaccin, entre las
ms utilizadas se encuentran [Skogestad y Postlethwaite, 96]: la matriz de ganancias
relativas o RGA, los vectores singulares y el nmero de condicin. Ntese que el estudio de
la interaccin de las variables de un sistema MIMO resulta de gran utilidad para poder saber
si es posible simplificar el modelo MIMO usando en su lugar varios modelos SISO o varios
modelos MISO (Multiple Input - Single Output).
u1
u2
y1
y2
Proceso
um
yp
Figura 10.1. Proceso multivariable
10-1
TEMA 10: Identificacin de sistemas multivariables
La identificacin de un sistema MIMO se realiza con la misma metodologa comentada

en los temas anteriores para el caso de sistemas SISO. Simplemente el carcter
multivariable complica la realizacin de las diferentes etapas. Adems si el grado de
interaccin de las variables es elevado se deben tomar medidas y estrategias adicionales,
las cuales han dado lugar a multitud de publicaciones.
El objetivo de este tema es dar una sencilla y breve introduccin de aquellos aspectos
de la identificacin de sistemas multivariables que resultan menos complejos de entender en
una primera aproximacin. As en primer lugar se realiza una descripcin de los sistemas
multivariables. A continuacin se realizan varias consideraciones sobre el diseo de las
seales de entrada que se van a utilizar en los experimentos de identificacin para excitar el
sistema. Finalmente se describe la estimacin de los parmetros de un modelo
multivariable.
10.2 DESCRIPCIN DE UN SISTEMA MULTIVARIABLE

Supngase un sistema multivariable con m entradas y p salidas que puede ser descrito
por el siguiente modelo discreto
y (t ) G ( q )u(t ) v(t )
v(t ) H ( q )e(t )
(10.1)
En la expresin y(t) es el vector de salidas de dimensin p x 1, u(t) es el vector de

entradas de dimensin m x 1, v(t) es el vector de perturbaciones de dimensin p x 1 (cada
salida tiene una perturbacin asociada), y e(t) es un vector de secuencias de ruido blanco de
dimensin p x 1, de media nula y matriz de covarianza E[ e(t )e T (t )] .
Adems G(q) es una matriz de funciones de transferencia de dimensin p x m. Siendo q
el operador desplazamiento. En consecuencia el elemento Gij(q) de la matriz G(q) ser la
funcin de transferencia que relaciona la salida yi con la entrada uj. Por su parte H(q) es una
matriz de funciones de transferencia cuadrada de dimensin p x p.
Otra forma de describir un sistema dinmico, que resulta especialmente cmoda cuando
ste es multivariable, es la representacin en variables de estado:
x( kT T ) Ax( kT ) Bu( kT ) K e( kT )
y ( kT ) Cx( kT ) Du( kT ) e( kT )
x(0) x 0
10-2
(10.2)
donde T es el periodo de muestreo, u(kT) es la entrada en el instante kT, e y(kT) es la salida

en el instante KT. Ntese que el modelo queda descrito por las matrices A, B, K, C y D que
habra que estimar, pero los elementos de estas matrices son nmeros reales en vez de
funciones racionales en q como sucede en G(q) y H(q).
A partir de las matrices A, B, K, C y D es posible obtener las matrices de funciones de
transferencia G(q) y H(q):
G ( q ) C(qI nx A) 1 B D
H ( q ) C(qI nx A) 1 K I ny
(10.3)
En la expresin anterior Inx es la matriz identidad nx x nx, siendo nx la dimensin del

vector x. Asimismo Iny es la matriz identidad ny x ny, siendo ny=p la dimensin del vector y (y
del vector e).
Adems cuando se trabaja con un sistema multivariable hay que tener en cuenta lo
siguiente:
Las respuestas a un impulso g(k) y h(k) son matrices de dimensin p x m y p x p,

respectivamente, con la siguiente norma:
g ( k ) | g ij |2
i, j
1/ 2
(10.4)
Las covarianzas son matrices y se definen de la siguiente forma:
E [ s(t )s T (t )] Rs ( )
(10.5)
E [ s(t )w T (t )] Rsw ( )
(10.6)
El espectro de las salidas se obtiene de la siguiente forma
y ( ) G (e i ) u ( )G T (e i ) H (e i )H T (e i )
(10.7)
Ntese que la definicin de espectro sobre un vector de seales define

implcitamente el espectro cruzado entre las componentes de la seal.
10-3
El teorema de factorizacin espectral ahora se enuncia de la siguiente forma:

supngase que v ( ) es una matriz p x p definida positiva para toda y cuyas
entradas son funciones racionales de cos o (ei). Entonces existe una matriz H(z)
mnica de dimensin p x p cuyas entradas son funciones racionales de z ( o z-1) tales
que la funcin racional dada por el determinante de H no tiene ningn polo y ningn
cero sobre o fuera del circulo unidad.
10.3 DISEO DE ENTRADAS PARA SISTEMAS MULTIVARIABLES

A cada una de las entradas disponibles en un sistema multivariable se le denomina
canal de entrada o simplemente canal. Para obtener datos de las entradas-salidas del
modelo con los que poder identificar un modelo del sistema multivariable se debe inyectar
en cada canal de entrada una seal que sea independiente (no est correlacionada) de las
seales inyectadas en los restantes canales. Obviamente, como suceda en el caso SISO,
las seales de entrada que se elijan deben ser dentro de los posible amigables con la
planta.
Supngase un sistema MIMO con m entradas habra que disear por tanto m seales
de entrada, usualmente las seales usadas son todas del mismo tipo, por ello al conjunto de
las m seales se las suele denominar de forma conjunta como seal [tipo] multientrada. En
las siguiente secciones se comenta como disear una seal RBS multientrada, una seal
PRBS multientrada y una seal multiseno multientrada.
10.3.1 Diseo de seales RBS multientrada

Para conseguir seales RBS independientes no correlacionados en cada canal de un
sistema multivariable se puede usar una semilla distinta en el generador de nmeros para
cada seal RBS que se desee generar.
10.3.2 Diseo de seales PRBS multientrada

En la seccin 4.3.6 se coment que las principales variables de diseo de una seal
PRBS son el tiempo de conmutacin Tsw, el tamao n del registro de desplazamiento y la
amplitud de la seal.
En el caso de un sistema con mltiples entradas, el valor inicial del registro de
desplazamiento debe ser seleccionado para que la seal PRBS que se inyecte en un canal
no est correlacionada con la de los restantes canales. Esta inicializacin se consigue
10-4
retrasando la realizacin de la seal PRBS que se inyecta en un canal k un nmero de

muestras D respecto a la que se inyecta en el siguiente canal k+1. Este retardo D es por lo
tanto una variable de diseo adicional.
Figura 10.2. Ejemplo de seal PRBS multientrada diseada para un sistema con 3 canales
El diseo de una seal PRBS multientrada se reduce a disear una nica seal PRBS
que se va desplazando para generar las m-1 restantes (Ver Figura 10.2). Las siguientes
expresiones propuestas en [Rivera, 2007] se pueden usar como guas para ayudar a disear
una seal PRBS multientrada:
Tsw
(1 )
s
L
2.8 dom
(10.8)
H
2 s dom
Tsw
5 H
D dom
Tsw
(10.9)
N s( 2 ) m D
N s 2 n 1 max( N s(1) , N s( 2 ) )
(10.10)
(10.11)
(10.12)
10-5
L
H
En las expresiones anteriores dom
y dom
son las estimas inferior y superior,
respectivamente, de la constante de tiempo dominante del sistema o planta. s es el factor

de representacin del tiempo de asentamiento de la planta y s es el factor de
representacin de la velocidad en lazo cerrado expresado como un mltiplo del tiempo de
respuesta en lazo abierto.
Adems n y N deben ser valores enteros. As como Tsw y D, que deben ser mltiplos
enteros del periodo de muestreo T y del periodo de conmutacin Tsw.
10.3.3 Diseo de seales multiseno multientrada

Una seal multiseno es una seal determinista peridica que se genera como la suma
de mltiples sinusoides. Cada sinusoide especifica un armnico a una determinada
frecuencia.
Si se desea disear una seal multiseno multientrada un mtodo consiste en disear
una seal multiseno base que se inyecta en cada canal desplazada (retardada) con respecto
a los restantes. El principal problema que presenta este mtodo es que supuesto que se ha
empezado a excitar en el canal 1, la duracin del ciclo de la seal inyectada en el canal k+1
es menor que la seal inyectada en el canal k, es decir, la duracin del ciclo de la seal va
disminuyendo conforme se va inyectando en los diferentes canales.
Para evitar este problema y disponer de una duracin de ciclo ms larga en la seal
sinusoidal inyectada en cada canal k, se puede disear una seal multiseno en cremallera
(zippered). Se trata de una seal multiseno cuyo contenido en frecuencia se desglosa en m
seales multiseno. El desglose de dicho contenido en frecuencia se realiza de forma alterna
o en cremallera (zippered) entre los diversos canales. En la Figura 10.3 se muestra el
espectro en frecuencia de una seal multiseno en cremallera para un sistema con dos
canales. Se observa que los armnicos impares de la seal multiseno en cremallera
(representados con un cuadrado) se usan para formar la seal multiseno que se inyectar
en el canal 1. Mientras que los armnicos pares de la seal multiseno en cremallera
(representados con un crculo) se usan para formar la seal multiseno que se inyectar en el
canal 2.
10-6
Figura 10.3. Espectro estndar de una seal multiseno en cremallera
De acuerdo con la seccin 4.3.7 entre los parmetros de diseo de una seal multiseno
se encuentran el nmero de componentes ns, la longitud de secuencia Ns y el periodo de
muestreo T. En el caso de un sistema multivariable de m entradas para disear la seal
multiseno en cremallera las variables de diseo de la seal deben cumplir las siguientes
especificaciones [Rivera, 2007]:
*
*
n s (1 )
T min * , *
1
ns
*
2m(1 )
N S max 2mn S ,
* T
(10.13)
(10.14)
(10.15)
En las expresiones anteriores * y * denotan la frecuencia inferior y la frecuencia

superior, respectivamente, del rango de frecuencias donde el espectro de la seal se
mantiene aproximadamente constante. Recurdese que se verifica la siguiente relacin
L s
H
s dom
dom
(10.16)
L
H
, dom
, s y s tienen el mismo significado que en el caso de las
Los parmetros dom
seales PRBS multientrada.
10-7
Por otra parte es un parmetro definido por el usuario. Los valores de los parmetros
finalmente determinados (que se van a denotar con el superndice d) deberan satisfacer la
siguiente desigualdad:
N sd
( * * ) d d
d
N s N (1 ) n s
2 m
2m
(10.17)
10.4 ESTIMACIN DE MODELOS MULTIVARIABLES

Supngase que se dispone de N datos de cada una de las m entradas y de las p salidas
de un sistema MIMO. Se desea obtener una estima del vector de parmetros del siguiente
modelo del sistema multivariable
y(t ) G ( q, )u(t ) H ( q, )e(t )
(10.18)
Donde recurdese que G(q,) y H(q,) son matrices de dimensin p x m y p x p,

respectivamente, cuyos elementos son funciones de transferencia. Adems y, e y u son
vectores de dimensin p x1, p x 1 y m x 1, respectivamente. Adems t=1,2,,..,N
Ejemplo 10.1:
Considrese la ecuacin de un modelo ARX
A( z )y (t ) B( z )u(t ) e(t )
(1)
En el caso de un sistema MIMO con p salidas y n entradas, y(t) sera un vector de dimensin p x 1,
u(t) sera un vector de dimensin m x 1 y e(t) sera un vector de dimensin p x 1. En consecuencia
A(z) debe ser una matriz de dimensin p x p donde cada uno de sus elementos aij(z) ser un
polinomio de orden naij
a11 ( z )
a1 p ( z )
...
A( z ) :
aij ( z )
:
a p1 ( z )
a pp ( z )
...
aij ( z ) 1 aij1 z 1 ... aijnaij z naij
Por su parte B(z) es una matriz de dimensin p x m donde cada uno de sus elementos bij(z) ser un
polinomio de orden nbij.
10-8
b11 ( z )
...
b1m ( z )
B( z ) :
bij ( z )
:
b p1 ( z )
...
a pm ( z )
bij ( z ) bij0 bij1 z 1 ... bijnbij z nbij
En consecuencia para especificar la estructura de un modelo ARX MIMO m x p se deben especificar
los rdenes de los elementos de la matriz A y de la matriz B:
na11
NA :
na p1
nb11
NB :
nb p1
...
naij
...
...
nbij
...
na1 p
:
na pp
(1)
nb1m
:
nb pm
(1)
Adems habra que especificar los retardos en las salidas con respecto a las entradas:
nk11
NK :
nk p1
...
nk ij
...
nk1m
:
nk pm
(1)
Multiplicando con A-1 por la izquierda de los dos miembros de (1) se obtiene:
y (t ) A 1 ( z ) B( z )u(t ) A 1 ( z )e(t )
(1)
Con lo que
G ( q, ) A 1 ( z ) B( z )
H ( q, ) A 1 ( z )
(1)
Ntese que si se tuviese un sistema MISO de m entradas y una salida entonces la matriz A(z)
constara de un nico elemento a(s), por lo que NA=na. Mientras que la matriz B sera un vector fila
de m elementos, al igual que las matrices de ordenes NB y NK.
10-9
El predictor de la salida a un paso es un vector de dimensin p x 1:
y (t | ) H 1 ( q, )G ( q, )u(t ) ( I H 1 ( q, ))y (t )
(10.19)
En la expresin anterior I es la matriz identidad de dimensin p x p.

El error de prediccin es tambin un vector de dimensin p x 1:
e(t , ) y (t ) y (t | ) H 1 ( q, )[ y (t ) G ( q, )u(t )]
(10.20)
Si se usa un prefiltro L(q) sobre el error para enfatizar determinadas zonas de

frecuencia se tendr el error de prediccin filtrado:
eF (t , ) L( q )e(t , )
(10.21)
Se desea encontrar la estima N que miminiza la siguiente funcin de coste:
VN ( )
1 N T
eF (t , )eF (t , )
N y 1
(10.22)
Es decir, el problema a resolver es el siguiente:
N arg minVN ( )
(10.23)
Tambin en el caso multivariable se suele usar dentro de la funcin de coste una matriz
de peso W de dimensin p x p para dar ms o menos importancia a minimizacin de los
errores de ciertas salidas en particular
VN ( )
1 N T
eF (t , )W 1 eF (t , )
N y 1
(10.24)
La toolbox SIT de Matlab a partir de su versin 6.0 (Matlab 7.0) soporta la estimacin de
modelos MIMO en variables de estado de la forma (10.2) a travs del comando pem. Ntese
que una vez estimadas las matrices A, B, K, C y D del modelo en variables de estado, es
posible a travs de la ecuacin (10.3) obtener las matrices de funciones de transferencia
G(q,) y H(q,). Con el comando pem no se pueden obtener directamente modelos ARX,
ARMAX, OE y BJ para sistemas MIMO, pero si para sistemas MISO.
10-10
Tambin es posible obtener modelos ARX MIMO a travs del comando arx. Ntese
que hay que especificar las matrices de rdenes NA, NB y NK.
Ejemplo 10.2:
SteamEng.mat de la toolbox SITB de Matlab 7.0. Se trata de los datos de un motor de vapor que es
un sistema MIMO con dos entradas (m=2) y con dos salidas (p=2). Las entradas son la presin del
vapor (normalmente aire comprimido) despus del control de la vlvula y el voltaje de magnetizacin
sobre el generador conectado al eje de salida. Las salidas son el voltaje generado y la velocidad
rotacional del generador (frecuencia del voltaje AC generado). El periodo de muestreo es T=50 ms.
En primer lugar se van a recoger las entradas y las salidas dentro de un objeto iddata de nombre
steam. Adems se va a poner nombre a las entradas y a las salidas:

load SteamEng
steam = iddata([GenVolt,Speed],[Pressure,MagVolt],0.05);
steam.InputName = {'Pressure';'MagVolt'};
steam.OutputName = {'GenVolt';'Speed'};
A continuacin se van a representar las series temporales de las entradas y las salidas los datos
disponibles (ver Figura 10.4):
plot(steam(:,1,1))
plot(steam(:,1,2))
plot(steam(:,2,1))
plot(steam(:,2,2))
Para tener una idea de la dinmica del sistema se va a estimar las respuestas a escalones (Ver
Figura 10.5) y a impulsos (ver Figura 10.6) del sistema a partir de los datos de entrada-salida
disponibles:
ms=step(steam);
step(steam)
impulse(ms,'sd',3)
Se observa que la entrada voltaje de magnetizacin no parece afectar mucho a la velocidad. Adems
la dinmica de la salida voltaje del generador debido a la entrada voltaje de magnetizacin no tiene
mucha dinmica, slo un retardo.
Se va a estimar un modelo en variables de estado de la forma (10.2) usando el comando pem con
sus valores por defecto y usando los primeros 250 datos para estimar
>> mp = pem(steam(1:250))
10-11
(a)
(b)
(c)
(d)
Figura 10.4. Representacin temporal de los datos de entrada-salida del motor de vapor: a) Entrada:
presin, salida: voltaje generado. b) Entrada: voltaje de magnetizacin, salida: voltaje generado. c)
Entrada: presin, salida: velocidad. d) Entrada: voltaje de magnetizacin, salida: velocidad.
10-12
Figura 10.5. Estima de las respuestas a escalones del motor de vapor
Figura 10.6. Estima de las respuestas a impulsos del motor de vapor
10-13
State-space model:
x(t+Ts) = A x(t) + B u(t) + K e(t)

y(t) = C x(t) + D u(t) + e(t)
A =
x1
x2
x1
0.15043
0.15893
x2
0.084359
0.93787
x1
x2
Pressure
-0.00043924
-0.00082436
MagVolt
0.034544
-0.007428
GenVolt
Speed
x1
10.367
-0.6629
x2
-3.9245
-3.0046
GenVolt
Speed
Pressure
0
0
MagVolt
0
0
x1
x2
GenVolt
-0.008793
-0.098116
Speed
-0.038367
-0.31591
x1
x2
0
0
B =
C =
D =
K =
x(0) =
Estimated using PEM from data set z

Se va a comparar (ver Figura 10.7) las respuestas a escalones del modelo y las estimadas, para ello
se usar el siguiente comando
step(ms,'b:',mp,'r',3)
10-14
To GenVolt
From Pressure
0.6
0.4
0.4
0.2
0.2
0.2
1
To Speed
From MagVolt
0.6
0.2
1
0.6
0.1
0.4
0.05
0.2
0.05
0.2
1
0.1
1
Figura 10.7. Comparacin de las respuestas a escalones del modelo (lnea continua) y las estimadas
(lnea discontinua)
Se observa en la Figura 10.7 que el modelo estimado no es bueno. Se va a mejorar el modelo
aumentando su orden, se va a considerar un modelo en variables de estado con nx=3.
mp3 = pem(steam(1:250),'nx',3)
Se obtiene el siguiente resultado en pantalla
State-space model:
x(t+Ts) = A x(t) + B u(t) + K e(t)

y(t) = C x(t) + D u(t) + e(t)
A =
x1
x2
x3
x1
0.1327
0.0041715
-0.068659
x2
0.07799
0.97661
0.16754
x1
x2
x3
Pressure
5.9884e-005
0.0028277
-0.023543
MagVolt
0.03186
0.00068242
0.0040119
GenVolt
Speed
x1
12.079
-0.12299
x2
2.1582
3.5167
x3
-0.012023
-0.22004
0.7054
B =
C =
x3
0.092239
0.26285
10-15
D =
GenVolt
Speed
Pressure
0
0
MagVolt
0
0
x1
x2
x3
GenVolt
0.0055432
0.034068
0.1318
Speed
0.010936
0.17572
0.039441
x1
x2
x3
0
0
0
K =
x(0) =
Estimated using PEM from data set z

Sampling interval: 0.05:
Se va a comparar las respuestas a escalones del modelo y las estimadas, para ello se usar el
siguiente comando
step(ms,'b:',mp3,'r',3)
La representacin grfica que se obtiene se muestra en la Figura 10.8. Se observa que nuevo modelo
ahora ofrece mejores resultados que el modelo anterior excepto en el caso de la velocidad frente al
voltaje magntico, que tambin era muy malo entonces. Aunque tampoco importa ya que la influencia
de esta entrada sobre esta salida tampoco es significativa.
Se va a comparar las respuestas temporales del modelo frente a las respuestas medidas usando los
datos 251:400 para validar
compare(steam(251:450),mp3)
En la Figura 10.9 se muestran la representacin grfica que se obtiene. El modelo es muy bueno en
reproducir el voltaje generado y no va mal para reproducir la velocidad.
10-16
To GenVolt
From Pressure
From MagVolt
0.6
0.6
0.4
0.4
0.2
0.2
0.2
1
To Speed
0.6
0.2
1
0.02
0
0.4
0.02
0.2
0.04
0
0.06
0.2
1
0.08
1
Figura 10.8. Comparacin de las respuestas a escalones del modelo en variables de estado de orden
nx=3 (lnea continua) y las estimadas (lnea discontinua)
Measured Output and Simulated Model Output

2
Measured Output
mp3 Fit: 89.54%
GenVolt
1
0
1
2
12
14
16
18
20
22
24
0.4
Measured Output
mp3 Fit: 47.62%
Speed
0.2
0
0.2
0.4
0.6
12
14
16
18
20
22
24
Figura 10.9. Comparacin de las respuestas del modelo (lnea continua) y las medidas
experimentalmente (lnea discontinua)
10-17
Finalmente se va a validar el modelo en el dominio de la frecuencia, para ello se va comparar su

respuesta en frecuencia con la obtenida mediante anlisis espectral. Para ello se usarn los
siguientes comandos:
msp = spa(steam);
bode(msp,mp3) % Se debe pulsar ENTER cuatro veces para ir viendo
% las cuatro pares de figuras
From Pressure to GenVolt
Amplitude
Amplitude
10
10
10
10
10
10
10
10
10
10
10
10
200
Phase (degrees)
Phase (degrees)
From MagVolt to GenVolt
10
400
600
800
1000
1200
1
10
10
10
50
100
150
200
1
10
10
10
10
Frequency (rad/s)
(a)
(b)
From Pressure to Speed
10
Frequency (rad/s)
From MagVolt to Speed
Amplitude
10
Amplitude
10
10
10
10
10
10
10
10
10
10
10
10
Phase (degrees)
Phase (degrees)
200
400
600
1
10
10
10
10
600
400
200
0
1
10
Frequency (rad/s)
10
10
10
Frequency (rad/s)
(c)
(d)
Figura 10.10. Respuesta en frecuencia del modelo (lnea continua) y respuesta estimada mediante
anlisis espectral (lnea discontinua): a) Entrada: presin, salida: voltaje generado. b) Entrada: voltaje
de magnetizacin, salida: voltaje generado. c) Entrada: presin, salida: velocidad. d) Entrada: voltaje
de magnetizacin, salida: velocidad.
10-18
Se observa en la Figura 10.10 que el modelo es bastante aceptable excepto en el caso de la

velocidad frente al voltaje magntico. Aunque tampoco importa ya que la influencia de esta entrada
sobre esta salida tampoco es significativa.
Afortunadamente se ha obtenido rpidamente un modelo MIMO aceptable. En otros casos esto no se
ser posible y habr que plantearse despreciar interacciones y modelar independientemente los
canales con modelos SISO o MISO.
Ejemplo 10.3:
Considrese los datos del motor de vapor del ejemplo anterior, se desea estimar un modelo ARX
MIMO. Se van a considerar los siguientes rdenes para el modelo:
NA=[4 4; 4 4], NB=[4 4;4 4], NK=[1 1; 1 1]
El modelo se estima usando el siguiente comando:
arx441=arx(steam(1:250),'na',NA,'nb',NB,'nk',NK)
En la pantalla se muestra el siguiente resultado:
Multivariable ARX model
A0*y(t)+A1*y(t-T)+ ... + An*y(t-nT) =
B0*u(t)+B1*u(t-T)+ ... +Bm*u(t-mT) + e(t)
A0:
1
0
0
1
A1:
-0.19295
-0.26254
-0.6796
-0.65077
0.054257
0.066238
-0.15973
-0.22465
-0.037682
0.072165
0.17015
0.046203
A4:
-0.0026903
-0.011025
0.0048563
0.055283
A2:
A3:
10-19
B0:
0
0
0
0
B1:
0.0047785
0.0054493
0.38658
-0.0012769
0.014671
0.01617
-0.022031
-0.10054
0.021951
0.02188
0.015004
0.010344
0.0086785
0.011904
-0.010176
0.030536
B2:
B3:
B4:
Estimated using ARX from data set data

Se puede comprobar usando los test comentados en el ejemplo anterior que el modelo ARX MIMO
estimado produce unos resultados parecidos a los del modelo en variables de estado obtenido en el
ejemplo anterior.
BIBLIOGRAFA
[Ljung, 2010]

2010.
[Rivera, 2007]

[Skogestad y Postlethwaite, 1996]
S. Skogestad, I. Postlethwaite. Multivariable feedback

control. analysis and design. John Wiley & Sons. 1996
10-20
TEMA 11
IDENTIFICACIN
LINEALES
DE
SISTEMAS
NO
11.1 INTRODUCCIN
La mayora de los sistemas y procesos industriales son sistemas no lineales, en
consecuencia modelar tales sistemas usando modelos lineales introduce un cierto grado de
aproximacin. Mientras que dicha aproximacin puede ser considerada aceptable en
muchas aplicaciones, en ciertos casos no producir los resultados deseados y habr que
plantearse la identificacin de un modelo no lineal, la cual resulta en general mucho ms
laboriosa que la identificacin de sistemas lineales sobre todo en las etapas de la seleccin
de la estructura adecuada y estimacin de los parmetros del modelo.
En este tema se realiza una pequea introduccin a la identificacin de sistemas no
lineales. En primer lugar se analiza cuando es necesario identificar un modelo no lineal. En
segundo lugar se describen varios test para detectar si el sistema bajo consideracin es no
lineal. En tercer lugar se describen los modelos no lineales ms comunes. Finalmente se
realizan varias consideraciones sobre el prefiltrado y el anlisis de los residuos cuando se
realiza identificacin de sistemas no lineales.
11.2 ALGUNAS CONSIDERACIONES SOBRE LA NECESIDAD DE

IDENTIFICAR MODELOS NO LINEALES
Un modelo lineal resulta a menudo suficiente para describir adecuadamente la dinmica
de un sistema. En consecuencia en la mayora de los casos antes de plantearse identificar
un modelo no lineal conviene usar modelos lineales. Si la salida del modelo lineal elegido no
reproduce adecuadamente los datos reales del sistema medidos experimentalmente,
entonces quizs habr que identificar un modelo no lineal.
11-1
TEMA 11: Identificacin de sistemas no lineales
Antes de construir un modelo no lineal conviene verificar si realmente el sistema es no

lineal realizando sobre el mismo algunos test (ver seccin 11.3). Si el sistema es no lineal
conviene probar a transformar las variables de entrada y de salida de tal forma que la
relacin entre las variables transformadas sea lineal. Por ejemplo, considrese un
calentador que tiene como entradas una intensidad de corriente y un voltaje y como salida la
temperatura del lquido calentado. La salida depende de las entradas a travs de la potencia
del calentador, la cual es igual al producto de la corriente y el voltaje. En vez de construir un
modelo no lineal para este sistema de dos entradas y una salida, se puede crear una nueva
variable de entrada tomando el producto de la intensidad y el voltaje, y despus construir un
modelo que describa la relacin entre la potencia y la temperatura.
En el caso de que no se encuentre ninguna transformacin sobre las variables de
entrada y salida que permita relacionarlas linealmente, entonces habr que usar un modelo
no lineal.
11.3 COMPROBACIN DE LA NO LINEALIDAD DE UN SISTEMA

Antes de plantearse la identificacin de un modelo no lineal conviene asegurarse de que
el sistema real es realmente no lineal, para ello se pueden realizar diferentes test sobre el
sistema. Entre los ms usuales se encuentra el estudio de la respuesta a un escaln y el
estudio de las funciones de correlacin de rdenes ms altos.
11.3.1 Test en el dominio del tiempo basado en la respuesta a

escalones.
Se puede verificar la no linealidad de un sistema estudiando la respuesta del sistema a
una determinada entrada. Si se observa que la salida difiere dependiendo del nivel o del
signo de la entrada, entonces eso es un signo de no linealidad.
Supngase que el sistema est operando en un cierto nivel estacionario [u0(t),yo(t)],
entonces se aplica un cambio escaln en la seal de entrada (u0(t)+u1) al proceso y se
mide la seal de salida y1(t). A continuacin, cuando la planta vuelva a su nivel de operacin
normal, se aplica un segundo escaln al proceso (u0(t)+u2) con
u2 u1
(11.1)
Siendo una constante mayor que uno, es decir, u2 es veces mayor que u1. Se
debe medir la seal de salida y2(t) y construir la siguiente razn:
11-2
(t )
y 2 (t ) y 0
y1 (t ) y 0
(11.2)
Si (t) es constante e igual a entonces el sistema es lineal. Obviamente, para explotar

completamente este test se deberan aplicar escalones positivos y negativos. Puesto que las
medidas experimentales se ven afectadas por el ruido de los sensores, este test se debe
repetir varias veces y a las seales de salida se les deben eliminar sus valores medios.
Este test est especialmente recomendado para aquellos procesos en los que es
posible perturbar su actividad normal.
11.3.2 Test basado en las funciones de correlacin de orden ms

alto.
Para aquellos sistemas sobre los que no es posible perturbar su actividad normal o si ya
se dispone de un determinado conjunto de datos de entrada-salida de la planta, entonces se
recomienda usar un test basado en las funciones de correlacin de rdenes ms altos.
Para poder aplicar este test se debe verificar que la entrada u(t) y el ruido e(t) son
independientes y de media nula. Adems todos los momentos impares de u(t) y e(t) son
nulos. Adems los momentos pares existen.
Bsicamente el test se realiza de la siguiente forma: aplicar la entrada u(t)+b, donde b
es un nivel de continua, al proceso y medir la seal de salida y(t). Eliminar cualquier nivel
medio de la respuesta del proceso:
y (t ) y (t ) E[ y (t )]
(11.3)
Calcular la funcin de correlacin de orden ms alto:
yy ( ) E[ y (t )( y (t )) 2 ]
2
(11.4)
Se puede demostrar que y y 2 ( ) 0 si y solo si el proceso es lineal. Ntese que el

nivel b de continua es aadido a la entrada para asegurarse que todos los trminos que
reflejan la no linealidad del sistema contribuyen a yy 2 ( ) .
11-3
11.4 DISEO DE LA SEAL DE ENTRADA

Cuando se realiza la identificacin de un sistema no lineal conviene tener presentes las
siguientes consideraciones a la hora de disear la seal de entrada con que se va a excitar
al sistema:
Las seales de entrada de tipo binario pueden no resultar adecuadas para identificar
ciertos tipos de sistemas no lineales.
El uso de seales de entrada con una determinada frecuencia no garantiza que la

seal de salida vaya a tener la misma frecuencia.
Ejemplo 11.1:
Supngase que un cierto sistema no lineal se puede describir por la siguiente ecuacin
y (t ) k u 2 (t )
Si la seal de entrada fuese una seal de tipo binario PRBS o RBS con amplitud comprendida entre
-1 y 1, la salida del sistema sera
y (t ) k
Es decir, debida a la presencia de una no linealidad cuadrtica, la salida es siempre una seal
constante, de la que no se puede extraer mucha informacin sobre el sistema.
Por otra parte si la entrada fuese la seal sinusoidal
u(t ) sen(0 t )
la salida sera
1 cos(20 t )
u(t ) k sen 2 (0 t ) k
2
Es decir, la seal de salida es de tipo sinusoidal con una frecuencia distinta (20) a la frecuencia (0)
de la seal de entrada.
11-4
En general en la identificacin de sistemas no lineales se recomienda utilizar seales de

entradas con mltiples niveles, por ejemplo las seales multiseno o las seales PRBS
multinivel (ver Figura 11.1).
Figura 11.1. [Rivera, 2007] Ejemplos de seales PRBS multinivel
En el caso de las seales multiseno se recomienda suprimir algunos armnicos, es

decir, aplicar seales sin potencia en al menos los armnicos pares. Para contrarrestar la
perdida de excitacin hay que aumentar el nmero de armnicos a considerar, o bien
aumentar el tiempo de duracin del experimento.
11.5 MODELOS NO LINEALES MS USUALES

En las siguientes secciones se describen los modelos no lineales ms usuales como: el
modelo de Hammerstein-Weiner, el modelo ARX no lineal, el modelo ARMAX no lineal y el
modelo de Volterra.
11.5.1 Modelo de Hammerstein- Weiner

El modelo de Hammerstein-Weiner tiene la siguiente forma general (ver Figura 11.2):
y (t ) h(G ( q ) f (u(t )))
(11.5)
Donde:
f() es una funcin no lineal que acta sobre los datos de entrada u(t):
11-5
w(t ) f (u(t ))
(11.6)
G(q) es una funcin de transferencia lineal:
G(q)
B( q )
F (q)
(11.7)
h() es una funcin no lineal que acta sobre la salida x(t) del bloque lineal para
generar la salida del sistema y(t)
y (t ) h( x(t ))
(11.8)
En el modelo w(t) y x(t) son variables internas que definen la entrada y la salida del
bloque lineal. Ambas son de la misma dimensin que la entrada u(t) y la salida y(t) del
sistema.
No lineal
u(t)
Lineal
w(t)
f( )
No lineal
x(t)
G(q)
y(t)
h( )
Figura 11.2. Estructura de un modelo de Hammerstein-Weiner
Tanto f como h son funciones estticas sin memoria, es decir, que el valor que generan
en un instante t depende nicamente del valor de sus entradas en dicho instante t. Por
ejemplo: w(t ) r0 r1 u(t ) r2 u 2 (t ) ... . Si h=1 entonces se dice que se tiene un modelo de
Hammerstein. Asimismo si g=1, se dice que se tiene un modelo de Weiner.
En el caso de un sistema MIMO de m entradas y p salidas habra que disear m
funciones f y p funciones h. Adems G(q) sera una matriz de funciones de transferencia.
Un modelo de Hammerstein-Wiener calcula la salida y en tres etapas:
1) Calculo de w(t)=f(u(t)).
2) Calculo de la salida del bloque lineal: x(t)=G(q) w(t)= (B(q)/F(q))w(t).
3) Calculo de la salida del modelo mediante la transformacin de la salida del bloque
lineal x(t) usando la funcin no lineal h: y(t)=h(x(t).
11-6
En general el principal problema que presenta el uso de un modelo no lineal reside en

encontrar la estructura ms adecuada para el tipo de modelo no lineal elegido, ya que hay
ms grados de libertad y el usuario tiene que tomar ms decisiones.
La estructura de un modelo de Hammerstein-Weiner queda definida por la funciones no
lineales f y h que se elijan, as como por los ordenes de los polinomios B(q) y F(q). Luego el
diseador debe tomar varias decisiones.
Elegida una determinada estructura el vector de parmetros de un modelo de
Hammerstein-Weiner est compuesto por los parmetros de la funcin f, los parmetros de
los polinomios B(q) y F(q), y los parmetros de la funcin h.
La estima de mnimos cuadrados se obtiene resolviendo el siguiente problema de
optimizacin:
N arg min y (t ) y (t ) 2
2
(11.9)
Siendo y (t ) el predictor a un paso de la salida

Para resolver este problema se puede seguir el siguiente esquema iterativo:
1) Resolver (11.9) dando unos valores iniciales a los parmetros de las funciones no
lineales f y h. Se determina de este modo los parmetros del modelo lineal G(q)
2) Resolver (11.9) fijando los parmetros de G(q) con el valor obtenido en el paso 1.
Se determinan los parmetros de las funciones no lineales f y h.
3) Repetir el paso 1 con los valores para los parmetros de las funciones no lineales
f y h obtenidos en el paso 2.
4) Repetir el paso 3 con los valores de los parmetros del filtro lineal G(q) obtenidos
en el paso 3.
5) Repetir los pasos 3 y 4 hasta obtener valores convergentes.
La toolbox SIT de Matlab a partir de su versin 7.0 (Matlab R2007a) soporta la
estimacin de modelos de Hammerstein-Weiner mediante el uso del comando nlhw.
11-7
11.5.2 Modelo NARMAX

El modelo ARMAX no lineal o NARMAX (Nonlinear ARMAX) tiene la siguiente forma
general:
y(t ) f ( y (t 1), ,..., y (t n y ), u(t 1),..., u(t nu ), e(t 1),..., e(t ne )) e(t ) (11.10)
donde y(t) denota la salida, u(t) la entrada y {e(t)} es una secuencia de ruido blanco. Por su
parte f(.) es una funcin no lineal.
Expandiendo f(.) como un polinomio de grado L (donde L representa el grado de no
linealidad) se obtiene la siguiente representacin:
n
y(t ) i xi (t ) e(t )
(11.11)
i 1
donde
L
n ni
(11.12)
n0 1
(11.13)
i 0
con
ni ni 1 (n y nu ne i 1) / i
i 1,..., L
(11.14)
Adems i es el parmetro del modelo i-simo, x1(t)=1, y

p
j 1
k 1
m 1
xi (t ) y (t n yj ) u(t nuk ) e(t nem )

i 2,..., n; p, q, r 0; 1 p q r L
1 n yj n y
1 nuk nu
(11.15)
1 nem ne
La expansin polinomial de f(.) produce una ecuacin de diferencias no lineal que es

lineal en los parmetros. Los componentes del modelo son funciones polinomiales lineales y
no lineales de la entrada y de la salida.
La estructura de un modelo NARMAX queda definida por los valores de nu, ny, ne y L.
Mientras que el vector de parmetros tiene por lo tanto la siguiente forma:
11-8
1 ,..., n
(11.16)
Una vez fijada la estructura la estimacin de los parmetros del modelo NARMAX puede
ser formulado y resuelto como un problema estndar de mnimos cuadrados (11.9).
Obviamente lo complicado es seleccionar la estructura correcta. Se puede comenzar fijando
una estructura sencilla e ir gradualmente incrementando nu, ny, ne y L hasta conseguir la
precisin deseada. No obstante esta forma de proceder suele conducir a modelos de
rdenes elevados sobreparametrizados y adems el procedimiento de estimacin estar mal
condicionado.
Podra pensarse por otro parte en ir estimando los parmetros para todas las posibles
estructuras y seleccionar la mejor de acuerdo con algn criterio de informacin como por
ejemplo el criterio de informacin de Akaike (AIC). Sin embargo este mtodo no resulta
vlido debido al gran nmero de estructuras a probar, incluso aunque el orden L de la
expansin polinomial sea pequeo.
Afortunadamente se han desarrollado diferentes algoritmos, como por ejemplo el
propuesto en [Thomson et al., 1996], para seleccionar la estructura de un modelo NARMAX
ms adecuada, es decir con la complejidad mnima para reproducir adecuadamente la
dinmica del sistema no lineal.
11.5.3 Modelo NARX

El modelo ARX no lineal o NARX (Nonlinear ARX) tiene la siguiente forma general:
y (t ) f ( y (t 1), ,..., y (t n y ), u(t 1),..., u(t nu )) e(t )
(11.17)
donde y(t) denota la salida, u(t) la entrada y {e(t)} es una secuencia de ruido blanco. Por su
parte f(.) es una funcin no lineal. Al igual que suceda con los modelos NARMAX la funcin
f() de un modelo NARX puede expandirse como un polinomio de grado L.
La toolbox SIT de Matlab a partir de su versin 7.0 (Matlab R2007a) soporta la estimacin
de modelos NARX mediante el uso del comando nlarx. Este comando considera la
estructura para un modelo NARX que se muestra en la Figura 11.2. Dicho modelo calcula la
salida y en dos etapas:
1) Calculo de los regresores a partir del valor actual de la entrada y de los valores
pasados de la entrada y la salida.
11-9
2) El estimador de la no linealidad genera la salida y del modelo usando una combinacin

de funciones lineales y no lineales sobre los regresores
En el caso ms simple se usan regresores estndar, es decir, las entrada y la salida en
los instantes pasados, como por ejemplo y(t-3) y u(t-1). Aunque el comando nlarx tambin
permite especificar regresores no lineales como por ejemplo, tan(u(t-1)) o u(t-1)*y(t-3). Por
defecto todos los regresores son utilizados como entradas para las funciones lineales y no
lineales del estimador de la no linealidad.
Estimador de
la no linealidad
u
Regresores
u(t), u(t-1), y(t-1),
Funcin
no lineal
Funcin
lineal
Figura 11.2. Estructura de un modelo NARX
Tambin es posible seleccionar el tipo de estimador de la no linealidad a utilizar por el

comando nlarx, como por ejemplo, redes de particin en rbol (tree-partition), redes de
wavelet y redes neurales multicapa. Adems es posible excluir o el bloque de la funcin
lineal o el bloque de la funcin no lineal del estimador de la no linealidad.
El bloque de estimacin de la no linealidad tambin puede incluir bloques lineales y no
lineales en paralelo. Por ejemplo
F ( x ) LT ( x r ) d g (Q( x r ))
(11.18)
donde, x es un vector de regresores, LT(x-r) + d es la salida del bloque de la funcin lineal y

es afn cuando d0, d es un escalar, g(Q(x-r) representa la salida del bloque de la funcin no
lineal, r es la media del vector de regresores x, y Q es una matriz de proyeccin que hace
que los clculos estn bien condicionados. La forma exacta de F(x) depende de la eleccin
que se realice del estimador de la no linealidad.
La estimacin de un modelo NARX mediante el comando nlarx, calcula los valores de
los parmetros del modelo, tales como L, r, d, Q y otros parmetros especficos de g(.)
11-10
11.5.4 Modelo de Volterra

El modelo de Volterra tiene la siguiente forma general:
N
y (t ) 0 v Mn (t )
(11.19)
n 1
donde
M
v Mn (t ) ... n (i1 , i2 ,..., in )u(t i1 )u(t i2 )...u(t in )

i10 i 2 0
(11.20)
in 0
Fijado el valor de M y de N se obtiene una clase de modelos de Volterra que es un

conjunto de posibles modelos de media mvil. Por ejemplo entre los modelos contenidos en
la clase de modelos de Volterra V(N=2, M=1) se encuentran los siguientes:
Modelo FIR:
y ( k ) u(t ) u(t 1)
Modelo de Hammerstein:
y ( k ) u(t ) u(t 1) u 2 (t ) u 2 (t 1)
Modelo de Weiner:
y ( k ) u(t ) u(t 1) u 2 (t ) u 2 (t 1) 2u(t )u(t 1)
Modelo de Robinsons Volterra:
y ( k ) u(t ) u(t 1) 2u(t )u(t 1)
11.6 CONSIDERACIONES
ADICIONALES
SOBRE
IDENTIFICACIN DE SISTEMAS NO LINEALES
LA
11.6.1 Prefiltrado
El prefiltrado de los datos de entrada-salida permite en la identificacin de sistemas
lineales establecer en que rangos de frecuencia se desea que el modelo se ajuste mejor a
los datos experimentales. El prefiltro ejerca dentro del criterio de identificacin expresado en
el dominio de la frecuencia el papel de funcin de peso configurable. Este comportamiento
del prefiltro no se obtiene sin embargo en el caso de los sistemas no lineales, donde el
prefiltrado de los datos puede introducir un error de sesgo no deseado.
Por otra parte en los sistemas no lineales no es equivalente el prefiltrado de los datos y
el prefiltrado del error de prediccin. Mientras que el prefiltrado de los datos puede introducir
error de sesgo, el prefiltrado del error puede tener efectos positivos sobre el ajuste de los
modelos de tipo serie de Volterra a los datos.
11-11
11.6.2 Anlisis de los residuos

Los test clsicos de anlisis de los residuos (ver seccin 6.6.2) consistentes en el
estudio de la funcin de autocorrelacin de los residuos y en el estudio de la funcin de
correlacin cruzada entre los residuos y las entradas, no son suficientes para el caso de
sistemas no lineales. En este caso se requiere el estudio de las funciones de correlacin de
rdenes ms altos para detectar la presencia de trminos lineales o no lineales no
modelados. Las funciones de correlacin que hay que estudiar son las siguientes [Sriniwas
et al., 1995]:
( u
( u
( ) E[(u 2 (t )) (t )] 0
) 2
(11.21)
( ) E[(u 2 (t )) 2 (t )] 0
(11.22)
( ) E[ (t ) u (t )] 0
(11.23)
u ( ) E[u(t ) u (t )] 0
(11.24)
( ) (t )
(11.25)
donde
x (t ) x(t ) E[ x(t )]
(11.26)
xy ( )
( x(k ) x )( y(k ) y )
k
N
(11.27)
( x(k ) x ) ( y(k ) y )
2
( )
N ( k ) ( k 1)(u( k ) u )
k
N
(11.28)
( k )
(u(k ) u )
Es decir, habr que estudiar la representacin grfica de cada una de las funciones de
correlacin anteriores y comprobar que se son cercanas a 0 (se encuentran dentro del
intervalo de confianza seleccionado).
11-12
Se puede demostrar [Sriniwas et al., 1995] que los residuos no contienen trminos
lineales o no lineales no modelados con un nivel de confianza del 95% si el valor absoluto
de cada una de las anteriores funciones de correlacin es menor que 1.96 / N .
BIBLIOGRAFA
[Ljung, 2010]

2010.
[Nelles, 2001]
Nelles, O. (2001). Nonlinear System Identification. SpringerVerlag.
[Rivera, 2007]

[Spinelli et al, 2005]
W. Spinelli, L. Piroddi, M. Lovera M. On the role of prefiltering

in nonlinear system identification. IEEE Transactions on
Automatic Control, Vol.50, No.10, pp.1597-1602. 2005.
[Sriniwas et al., 1995]
G. R. Sriniwas; Y. Arkun, I, L. Chien; B. A Ogunnaike. (1995).

Nonlinear identification and control of a high-purity distillation
column: a case study. Journal of Process Control, Vol. 5, No.
3, pp. 149-162. 1995
[Thomson et al., 1996]
M. Thomson, S. P. Schooling, M. Soufian. The practical

application of a nonlinear identification methodology. Control
Engineering in Practice. Vol.4, No.3, pp. 295-306. 1996.
[Zhang et al., 2005]
L. F. Zhang, Q. M. Zhu; A. Longden. Nonlinear model

validation using novel correlation tests. Proceedings of 2005
IEEE International Conference on Systems, Man and
Cybernetics. Volume : 3. Pp. 2879 - 2884. 2005.
11-13

Unlock-Apuntes Identificación 5ed (Julio2014)

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Unlock-Apuntes Identificación 5ed (Julio2014)

Uploaded by

Copyright:

Available Formats

APUNTES DE

TEMA 1: MODELOS DE SISTEMAS CONTINUOS Y DISCRETOS

1.5.6 Respuesta frecuencial de un derivador ................................................................. 1-54

TEMA 2: MODELOS DE PERTURBACIONES

TEMA 3: CONSIDERACIONES GENERALES SOBRE LA IDENTIFICACIN DE

TEMA 4: DISEO DE EXPERIMENTOS Y TRATAMIENTO DE DATOS

TEMA 5: IDENTIFICACIN DE MODELOS NO PARAMTRICOS

TEMA 6: IDENTIFICACIN DE MODELOS PARAMTRICOS DISCRETOS

6.5.2 Eleccin de la estructura del modelo ..................................................................... 6-28

TEMA 7: IDENTIFICACIN DE MODELOS PARAMTRICOS CONTINUOS

TEMA 8: IDENTIFICACIN EN LAZO CERRADO

TEMA 9: IDENTIFICACIN RELEVANTE PARA EL CONTROL

9.3 IDENTIFICACIN DE MODELOS APROXIMADOS ....................................................... 9-5

9.3.2 Desajuste modelo - proceso en lazo cerrado .......................................................... 9-6

TEMA 10: IDENTIFICACIN DE SISTEMAS MULTIVARIABLES

TEMA 11: IDENTIFICACIN DE SISTEMAS NO LINEALES

11.6 CONSIDERACIONES ADICIONALES SOBRE LA IDENTIFICACIN DE SISTEMAS

experimentacin. Por ejemplo, se puede conectar el condensador a la resistencia y ver qu

TEMA 1: Modelos de sistemas continuos y discretos

modelos dependiendo de la amplitud y frecuencia de la seal aplicada. Generalmente, se

Figura 1.1. Entradas, salidas y perturbaciones de un sistema.

Si el sistema posee m entradas, r perturbaciones y p salidas u(t), w(t) e y(t) son

Si la magnitud de las entradas, salidas y perturbaciones puede cambiar en cualquier

1.2 MODELADO DE SISTEMAS CONTINUOS

g ( y ( n ) (t ), y ( n 1) (t ),...., y (t ), y (t ), u ( m ) (t ), u ( m1) (t ),..., u(t ), u(t )) 0

y g() es una funcin no lineal arbitraria y vector-valuada.

TEMA 1: Modelos de sistemas continuos y discretos

Donde g es la aceleracin de la gravedad.

A la ecuacin anterior se le denomina como balance de masa, ya que la densidad es constante.

Si se introducen n variables internas xi(t) con i=1,...,n la ecuacin diferencial (1.2) se

Equivalentemente las ecuaciones anteriores se pueden escribir de forma ms compacta

Equivalentemente las ecuaciones anteriores se pueden escribir de forma ms compacta

1.2.2 Modelo en el espacio de estados

TEMA 1: Modelos de sistemas continuos y discretos

En la expresin anterior A, B, C y D son matrices de dimensiones n x n, n x m, p x n y

Figura 1.2: Masa con resorte y amortiguamiento sobre mvil

Para este sistema la variable de entrada es la aceleracin u(t) y la variable de salida es el

Y la ecuacin de salida es:

TEMA 1: Modelos de sistemas continuos y discretos

Figura 1.3: Red elctrica RLC

La ecuacin de salida es:

TEMA 1: Modelos de sistemas continuos y discretos

1.2.3 Funcin de transferencia

El proceso inverso de encontrar la funcin del tiempo f(t) a partir de la transformada de

Puesto que F(s) es una funcin racional, si descompone en fracciones simples es

As en el caso de la primera (k=1) y segunda (k=2) derivada se obtienen,

TEMA 1: Modelos de sistemas continuos y discretos

Otras propiedades bastante tiles de la transformada de Laplace son las siguientes:

Teorema del valor final.

Teorema del valor inicial.

Teorema de traslacin en el tiempo

Donde a es nmero real positivo y u1 (t ) es la funcin escaln unidad.

donde G es una matriz de dimensin p x m que de denomina funcin de transferencia.

Si u e y son escalares (p=m=1), entonces G(s) es una funcin racional:

Tabla 1.1. Transformadas de Laplace de algunas funciones

TEMA 1: Modelos de sistemas continuos y discretos

Si se aplica la ecuacin (1.26) se obtiene el mismo resultado.

n.m.p es el acrnimo derivado del trmino ingls non-minimum phase.

se obtiene que la funcin de transferencia es:

A la transformada inversa de Laplace de la funcin de transferencia G(s)

se le denomina funcin de respuesta a un impulso del sistema. Se puede demostrar que la

A esta expresin se le denomina integral de convolucin. La convolucin es una

con lo que se demuestra as que g(t) es la respuesta a un impulso del sistema.