Proceso de identificacin

El proceso de identificacin es un proceso iterativo, cuyos pasos pueden observarse en

el organigrama de la Figura 1.

En trminos generales, el proceso de identificacin comprende los siguientes pasos:

1.- Obtencin de datos de entrada salida: Para ello se debe excitar el sistema mediante
la aplicacin de una seal de entrada y registrar la evolucin de sus entradas y salidas
durante un intervalo de tiempo.

2.- Tratamiento previo de los datos registrados: Los datos registrados estn
generalmente acompaados de ruidos indeseados u otro tipo de imperfecciones que
puede ser necesario corregir antes de iniciar la identificacin del modelo. Se trata, por
tanto, de preparar los datos para facilitar y mejorar el proceso de identificacin.

3.- Eleccin de la estructura del modelo: Si el modelo que se desea obtener es un

modelo paramtrico, el primer paso es determinar la estructura deseada para dicho
modelo. Este punto se facilita en gran medida si se tiene un cierto conocimiento sobre
las leyes fsicas que rigen el proceso.

Adquisicin de
datos

Pre- Eleccin de la
procesamiento estructura de
de los datos los datos
Eleccin del criterio
de ajustes de los
parmetros

Clculo del modelo

Validacin del modelo

Modelo no vlido
revisar
Modelo aceptado
Figura 1. Diagrama de flujo del proceso de identificacin.

4.- Obtencin de los parmetros del modelo: A continuacin se procede a la estimacin

de los parmetros de la estructura que mejor ajustan la respuesta del modelo a los datos
de entrada salida obtenidos experimentalmente.
5.- Validacin del modelo: El ltimo paso consiste en determinar si el modelo obtenido
satisface el grado de exactitud requerido para la aplicacin en cuestin. Si se llega a la
conclusin de que el modelo no es vlido, se deben revisar los siguientes aspectos como
posibles causas:

a) El conjunto de datos de entrada salida no proporciona suficiente informacin sobre

la dinmica del sistema.

b) La estructura escogida no es capaz de proporcionar una buena descripcin del

modelo.

c) El criterio de ajuste de parmetros seleccionado no es el ms adecuado.

Mtodos de identificacin

Existen diversos mtodos de identificacin, que pueden clasificarse segn distintos

criterios:

Dependiendo del tipo de informacin disponible

1.- Modelos de caja blanca o fundamental: Un modelo mecanistico completo es

construido a partir de conocimiento previo y leyes fsicas. Aqu, los modelos dinmicos
son derivados basados en balance de masa, energa y momento del proceso.

2.- Modelos de caja negra o empricos: Por lo general se basan en ensayos no

destructivos que permiten caracterizar el proceso sin utilizar conocimiento fsico,
utilizando estructuras lo suficientemente generales cajas negras como aproximadores
universales de funciones.

3.- Modelos de caja gris o hbridos: Combina las ventajas de las aproximaciones de caja
blanca y caja negra, de forma que las partes conocidas del sistema son modeladas
usando principios fsicos, y las partes desconocidas o con ms incertidumbre son
modeladas usando esquemas caja negra, empleando datos del proceso y estructuras de
modelado de caja negra.

4.- Modelos en lgica difusa: Son modelos lingsticamente interpretables los cuales
usan reglas si-entonces y operadores lgicos para establecer relaciones cualitativas
sobre las variables del sistema. Los modelos difusos integran el procesamiento lgico de
informacin con las atractivas propiedades de los aproximadores universales de
funciones. Es debido a esta propiedad de integracin, que son ideales para formalizar el
conocimiento experto, y al mismo tiempo, dadas sus estructuras matemticas flexibles,
pueden representar sistemas no lineales complejos a partir de datos de entrada-salida,
haciendo uso efectivo de algoritmos de aprendizajes en combinacin con tcnicas de
regresin convencionales.

Dependiendo del tipo de modelo obtenido

1.- Mtodos no paramtricos: Permiten obtener modelos no paramtricos del sistema

bajo estudio. Algunos de estos mtodos son: anlisis de la respuesta transitoria, anlisis
de la respuesta en frecuencia, anlisis de la correlacin, anlisis espectral, anlisis de
Fourier, etc.

2.- Mtodos paramtricos: Permiten obtener modelos paramtricos. Estos mtodos

requieren la eleccin de una posible estructura del modelo, de un criterio de ajuste de
parmetros, y por ltimo de la estimacin de los parmetros que mejor ajustan el
modelo a los datos experimentales.

Dependiendo de la aplicacin

1.- Mtodos de identificacin off-line (fuera de lnea): Son utilizadas en aquellas

aplicaciones en que no se requiera un ajuste continuado del modelo. En estos casos, se
realiza la identificacin previa de la planta, considerndose que la validez de los
parmetros obtenidos no se ver alterada con el paso del tiempo.

2.- Mtodos de identificacin on-line (en lnea): Son utilizados en aquellos casos en que
los parmetros se van actualizando continuamente a partir de los nuevos datos de
entrada-salida obtenidos durante la evolucin del proceso. Estos mtodos son muy
utilizados en sistemas de control adaptativo.

Dependiendo del criterio de ajuste de los parmetros

Existen diversos mtodos matemticos para ajustar los parmetros de un modelo a un

conjunto de datos de entrada-salida. Algunos de los ms utilizados en el campo de la
identificacin son el mtodo de mnimos cuadrados y el mtodo de las variables
instrumentales.

Mtodos de identificacin no paramtrica

Los mtodos de identificacin no paramtricos permiten obtener modelos o

representaciones no paramtricas de la planta bajo estudio. No paramtrico no significa
que no haya parmetros, sino que no se emplea (en forma explcita) un vector finito de
parmetros en la bsqueda de una mejor descripcin del sistema.

Entre sus principales caractersticas se tiene que son mtodos que no asumen una
estructura de modelo especfica, no considera las perturbaciones a la hora de modelar, y
que se obtienen directamente de curvas o tablas. La estimacin de modelos no
paramtricos es mucho ms sencilla y ms eficiente, pero al mismo tiempo menos
acertada que la estimacin paramtrica.

Entre los principales mtodos de identificacin no paramtricos se encuentran, el

anlisis de correlacin para determinar la respuesta impulsiva y el anlisis espectral para
determinar la respuesta en frecuencia [1].

Mtodos de identificacin paramtrica

Los modelos paramtricos, a diferencia del anterior, quedan descritos mediante una
estructura y un nmero finito de parmetros que relacionan las seales de inters del
sistema (entradas, salida y perturbaciones). En muchas ocasiones es necesario realizar la
identificacin de un sistema del cual no se tiene ningn tipo de conocimiento previo. En
estos casos, se suele recurrir a modelos estndar, cuya validez para un amplio rango de
sistemas dinmicos ha sido comprobada experimentalmente. Generalmente estos
modelos permiten describir el comportamiento de cualquier sistema lineal.

Tipos de modelos paramtricos

Generalmente los modelos paramtricos describen el sistema en trminos de ecuaciones

diferenciales, en diferencias o funciones de transferencias, tanto discretas como
continuas. Comparado con los modelos no paramtricos, estos ofrecen una mejor visin
de la fsica subyacente del sistema y son una estructura de modelo ms compacta, sin
embargo, requieren de conocimiento previo de las dinmicas del sistema para poder
determinar el orden del modelo, retardo del sistema, entre otros parmetros.

Existen tres tipos bsicos de modelos paramtricos:

1.- Modelo simple de proceso

Consiste en simples modelos continuos del proceso, caracterizados por una ganancia
esttica, constante de tiempo dominante, y posibles retardos de tiempo. Estos son
variantes del modelo en estructura de la funcin de transferencia del tipo que se
muestra:

() = (1)
+ 1

Donde es la ganancia esttica, es la constante de tiempo y es el retardo. Este tipo

de modelos es frecuentemente usado en control de procesos para aproximar el
comportamiento del sistema, a modelos que pueden ser descritos por su ganancia
esttica, constante de tiempo dominante, y posible retardo del sistema. Por lo general
estos modelos son obtenidos a partir de tablas o con ayuda del computador.

2.- Modelo Polinomial

Generalmente se puede describir un sistema usando la ecuacin (2), la cual es conocida

como modelo polinomial general lineal o modelo general lineal [2].

() = ( 1 , )() + ( 1 , )() (2)

Donde () y () son la entrada y la salida del sistema respectivamente, () es la

perturbacin del sistema, ( 1 , ) es la funcin de transferencia de la parte
determinstica del sistema y ( 1 , ) es la funcin de transferencia de la parte
estocstica del sistema.
La parte determinstica determina la relacin entre la entrada y la salida, mientras la
parte estocstica especifica como la salida es afectada por las perturbaciones.

3.- Modelos en ecuacin de estados

Adems de los modelos polinomiales y de proceso, estn los modelos en ecuaciones de
estado, los cuales son determinados siguiendo la estructura segn (3).

= () + ()
(3)
() = () + ()

Donde x(t) es el vector de estados; A,B,C,D son las matrices del sistema con
dimensiones apropiadas.

Las matrices de transferencia de las ecuaciones de estado frecuentemente reflejan

caractersticas fsicas del sistema, de all que, los modelos en ecuaciones de estado son
frecuentemente preferidos a los modelos polinomiales, especialmente en aplicaciones de
control moderno y sistemas multivariables.

Los modelos en ecuaciones de estado ofrecen una representacin ms completa de un

sistema, especialmente para sistemas de mltiples entradas y salidas (MIMO), en
comparacin a los modelos polinomiales.

Sistemas multivariables

Sistemas con varias entradas y salidas se conocen con el nombre de sistemas

multivariables (MIMO). Tales sistemas son frecuentemente ms difciles de modelar, en
particular sistemas con ms de una salida. Un ejemplo de este tipo de sistemas se
muestra en la Figura 2.

Figura 2. Sistema con mltiples entradas y mltiples salidas (MIMO).

Todos los modelos mencionados anteriormente soportan entrada mltiple, salida

sencilla. Para salidas mltiples, modelos de ecuacin de estados cubren las expectativas.
Generalmente, es preferible trabajar con modelos en ecuaciones de estado cuando se
trabaja con sistemas multivariables. La Toolbox de identificacin de sistemas de Matlab
maneja modelos multivariables lineales generales.