IDENTIFICACIN DE SISTEMAS: BUSQUEDA DE UN MODELO

CONCEPTUAL.
Javier Sedano Franco
Dpto. Electromecnica, Universidad de Burgos, jsedano@ubu.es
Jos R. Villar Flecha
Dpto. Informtica, Universidad de Oviedo, villarjose@uniovi.es
ngel Alonso lvarez
Dpto. Ingeniera Elctrica y Electrnica, Universidad de Len, dieaaa@unileon.es

Resumen
Se va a discutir la bsqueda de un modelo
conceptual para la identificacin de sistemas, a
partir de tres fases: El desarrollo del procedimiento
de identificacin, la contrastacin con la experiencia
y educcin de las reglas y la creacin del modelo
conceptual. El procedimiento buscar ser una gua
capaz de aglutinar el conocimiento de los grandes
maestros y ser flexible, adaptable y personalizable al
sistema a identificar, con el objeto de reducir o
eliminar en lo posible las dificultades; teniendo
presente, que el procedimiento deber de retocarse,
de acuerdo con la aplicacin en la que se utilice.
Palabras Clave: Identificacin
herramientas de identificacin,
estimacin, mtodos de validacin.

de sistemas,
mtodos de

PROCEDIMIENTO DE
IDENTIFICACION.

Todo proceso de identificacin prctica, requerir de

intangibles del equipo, grupo o persona que lo
realice, as la experiencia, el ingenio, la intuicin y la
perspicacia formarn parte de las caractersticas del
proceso de identificacin. El uso, conocimiento, y
dominio de las tcnicas, constituirn la herramienta
bsica de investigacin y comprensin de los
sistemas de la vida real.
El presente trabajo fruto de una tesis doctoral, busca
sintetizar el conocimiento, buscando un compromiso
entre el propio conocimiento y la base de la
experiencia, as que se desarrollar cumpliendo la
filosofa de la tesis, una metodologa, procedimiento
o modelo que conste de una serie de etapas, pautas y
reglas, que sean capaces de hacer que el modelo
final, sea representativo del modelo identificado y
que cuente como aptitud la capacidad de poderse
ejecutar de forma automtica.

La bsqueda de un modelo conceptual para la

identificacin de sistemas; se llevar a cabo a partir
de tres fases. En la primera fase: El desarrollo del
procedimiento de identificacin, se presentan los
etapas y las pautas del procedimiento de
identificacin, que ir desde el diseo del
experimento, la adquisicin y tratamiento de los
datos, la eleccin de la estructura del modelo y la
seleccin de los parmetros, hasta la validacin del
modelo. En la segunda fase: La contrastacin con la
experiencia y educcin de las reglas, se definen las
pruebas y los ensayos desarrollados, ensayos que han
servido de base para adquirir la experiencia; se
muestran los sistemas analizados, sistemas simulados
y reales; las herramientas de ensayo, las seales, los
mtodos, los indicadores y los registros obtenidos de
los ensayos con el espectro de su solucin. Por
ltimo y como fase final, en la tercera fase: La
creacin del modelo conceptual, se modelar el
procedimiento con una serie de reglas de decisin,
reglas que se presentan a partir de las pautas del
modelo, obtenidas del propio conocimiento y de la
experiencia recogida de poner a prueba el modelo
ante los sistemas.

2
HERRAMIENTAS
EN
LA
IDENTIFICACIN DE SISTEMAS.
Todo proceso de identificacin tiene su base en la
realizacin, con orden y rigor, de un experimento. En
este sentido el software de identificacin jugar un
papel fundamental, i.e., l ser el encargado de
ejecutar todas las rutinas de identificacin.
El software disponible para identificacin de
sistemas, deber de contener rutinas de
identificacin, que permitan comprobar todo lo
expuesto en el estado del arte, as deber de contener
diferentes mdulos; entre ellos el de diseo del
experimento, diseo de la frecuencia de muestreo,
diseo de la seal de excitacin del sistema,
manipulacin y preprocesamiento de los datos,
representacin y semejanzas entre ellos, filtrado de

datos, supresin de impulsos, pruebas de no

linealidad, eleccin de los segmentos de datos. El de
la seleccin de la estructura modelos, familia de
estructuras: Modelos lineales, no lineales, modelos
Hammerstein, MLP, etc. y sus subgrupos: ARX,
NARMAX, etc. El de la estimacin, cuya estrategia
comn va a ser designar al modelo que mejor se
aproxime en trminos del menor error; por mtodos
no paramtricos, transformadas de Fourier, anlisis
de correlacin y espectral y por mtodos
paramtricos, estimacin de los parmetros,
estimados de las diferentes estructuras de los
modelos. El de la presentacin de modelos,
simulacin, estimacin y representacin de polos y
ceros, clculo de funciones de frecuencia y
representacin de diagramas Bode. El de la
validacin del modelo, clculo y anlisis de residuos
( t , N ) , comparacin y semejanza entre las
diferentes propiedades de los modelos.
El software comercial ms usado en la identificacin
de sistemas, es la Toolbox de Mathwork, System
Identification desarrollado por Ljung y de uso con
Matlab [11]. Aunque la mayor cantidad de
aplicaciones sean de software no comercial, i.e., han
sido generadas a partir de las investigaciones de la
comunidad cientfica internacional y se encuentra en
distribucin libre a travs de sus paginas web.
Con el objeto de disponer de una lista de aplicaciones
de uso general o especfico, para la resolucin de un
problema de identificacin, se pueden incluir los
siguientes paquetes, teniendo presente que si son
todos los que estn, pero no estn todos los que son:
Modelo de identificacin en matriz-X [17], software
de identificacin de sistemas automatizado Adaptx
[10], herramientas de identificacin en el dominio de
la frecuencia para uso con Matlab [7][8],
identificacin para caja gris, IDKIT [2],
identificacin no lineal basado en ANN NNSYSID,
para uso con Matlab [14], identificacin no lineal
basado en bases ortonormales ORTTOOL, para uso
con Matlab [4][5], identificacin en el dominio de la
frecuencia FREQID, para uso con Matlab [1],
identificacin de sistemas en bucle cerrado CLOSID,
para uso con Matlab [16], Labview System
Identification [9] y otros.

Figura 1 Ruta de identificacin propuesta por el

profesor Lennart Ljung. Las etapas mostradas dentro
de un rectngulo indican que la responsabilidad se
puede delegar al software, siendo el resto
responsabilidad del equipo o persona investigadora.

3
PROCEDIMIENTO PARA LA
IDENTIFICACIN DE UN SISTEMA.
Ya que el proceso requiere experiencia, nuestro
procedimiento buscar ser una gua capaz de
aglutinar el conocimiento de los grandes maestros y
expertos de la Identificacin de Sistemas Ljung,
Iserman, Walter, Nrgaard, Haber, Sderstrn, Stoica
[11] [12] [6] [18] [14] [13] [3] [15] y ser flexible,
adaptable y personalizable al sistema a identificar,
con el objeto de reducir o eliminar en lo posible las
dificultades; teniendo presente, que el procedimiento
deber de retocarse, de acuerdo con la aplicacin en
la que se utilice. El procedimiento de identificacin
ser iterativo, volviendo haca atrs para determinar
diferentes modelos y probar con diferentes
estructuras; de forma que si sto no diera el fruto
deseado, se debera repetir el experimento. La figura
1 representa el proceso de identificacin propuesto
por Ljung, experto reconocido mundialmente y una
de las figuras ms relevantes en el campo de la
identificacin de sistemas. El procedimiento que se
propone y objeto de este trabajo de tesis doctoral,
constar de siete etapas, primera etapa: Diseo del
experimento, segunda etapa: Observacin de los
datos, tercera etapa: Anlisis previo y estimacin
posterior, cuarta etapa: Validacin, quinto etapa:
Depuracin del modelo, sexta etapa: La vuelta atrs
en el procedimiento y sptima etapa: Aceptacin del
modelo. Un croquis de todo sto se presenta desde la
figura 3 hasta la figura 9. En la figura 2 se muestran
las claves de anlisis de las figuras siguientes.

COMO
PARA QUE

ETAPA
SIGUIENTE

ETAPA
ANTERIOR

DISEO DEL EXPERIMENTO

CAPTURA DE DATOS

FILTRADO
Y PREFILTRADO

TRATAMIENTO
DE DATOS
DATOS

DETERMINACION DE
LA ESTRUCTURA

LOS DATOS
NO SON
SUFICIENTEMENTE
BUENOS

LA ESTRUCTURA NO
ES CORRECTA

ESTIMACION Y
AJUSTE DEL
MODELO

MODELO

VALIDACION

ES EL MODELO
SUFICIENTEMENTE
REPRESENTATIVO?

SI

Figura 2. Diagrama de anlisis, el cuadro marrn,

marca las pautas de cmo se consigue la etapa; el
cuadro azul, marca los objetivos de la etapa ( para
que sirve la etapa). El procedimiento se desplaza por
etapas de la primera a la sptima.

Producir
datos
que
proporcionen una correcta
informacin.

DISEO DEL
EXPERIMENTO.

Disear en condiciones similares a las de

utilizacin.
Disear las seales de excitacin.
Utilizar los resultados de la covarianza
asinttica.
Revelar caractersticas dinmicas.
Elegir el periodo de muestreo.

Figura 3. Propuesta de la primera etapa del procedimiento de identificacin: Diseo del experimento.

Detectar sus dinmicas, los

efectos no lineales, las
imperfecciones en los datos,
las redundancias,.....

OBSERVACION
DE LOS DATOS.

Determinar el grado de linealidad del

sistema.
Filtrar los datos, para la eliminar
perturbaciones peridicas y offset.
Utilizar filtros analgicos de premuestreo
antialising.
Determinar redundancias y datos no
validos.
Preprocesar los datos y realizar la
particin de los grupos de datos.

Figura 4. Propuesta de la segunda etapa del procedimiento de identificacin: Observacin de los datos.

Apreciar las bondades y las

dificultades del proceso de
identificacin.
Obtener un modelo que sea
capaz
de
describir
suficientemente bien al
sistema real.

ANALISIS PREVIO.
ESTIMACION DEL
MODELO.

Calcular, representar y comparar

diferentes estructuras.
Seleccionar la estructura de los modelos.
Seleccionar el orden de estimacin y las
caractersticas lineales o no de la
estructura.
Seleccionar el criterio de identificacin y
elegir el mtodo que minimice el
criterio: Mtodo PEM, mtodo del
subespacio y criterio de correlacin.

Figura 5. Propuesta de la tercera etapa del procedimiento de identificacin: Anlisis previo y estimacin del
modelo.

Comparar los diferentes

modelos con el objeto
analizarlos y presentar
luego el mejor.

VALIDACION.

Generar un escenario posible de

estructuras.
Definir los indicadores de aceptacin:
Generalizaciones del error
Analizar los residuos.
Visualizar las habilidades de prediccin.

Figura 6. Propuesta de la cuarta etapa del procedimiento de identificacin: Validacin.

Reajustar los parmetros y

los retrasos. Revisar las
estructuras.

DEPURACION
DEL MODELO

Observar carencias en las capacidades de

estimacin del modelo; observadas
durante la validacin.
Eliminar ceros y polos redundantes.
Utilizar criterios regularizados.
Disponer de estrategias de recorte.

Figura 7. Propuesta de la quinta etapa del procedimiento de identificacin: Depuracin del modelo.

LA VUELTA
ATRAS EN EL
PROCEDIMIENTO

Eliminar el descontento
sobres las capacidades del
modelo estimado.

Reestimar de nuevo el modelo.

Seleccionar una nueva estructura.
Repetir el experimento.

Figura 8. Propuesta de la sexta etapa del procedimiento de identificacin: La vuelta atrs en el procedimiento.
El modelo cumple con las
propuestas establecidas y se
puede utilizar con garantas.

LA ACEPTACION
DEL MODELO

Cumplir con los lmites establecidos.

Figura 9. Propuesta de la ltima etapa del procedimiento de identificacin: La aceptacin del modelo.

4
LA CONTRASTACION CON LA
EXPERIENCIA.
En este apartado se presentan dos registros, registros
de los ensayos de los sistemas sobre el procedimiento
de identificacin implementado o modelo prctico;
en stos se indican las caractersticas de las pruebas,
el mtodo, los indicadores ms significativos y la
representacin de la estimacin versus la evolucin
del sistema real.
El primer registro corresponde a un sistema en lazo
cerrado generado por simulacin, con un retenedor
de orden cero. En cambio, el segundo corresponde a
un sistema real, concretamente un proceso de
neutralizacin de pH en un tanque en agitacin.
4.1 PRIMER
SISTEMA
ENSAYAR.

SIMULADO

Sistema generado por simulacin, la funcin que se

obtiene es: y(t)= F9*u(t)+F9_0*e(t)
Boceto:
e(t)
|+
u(t) --->O---->[|ZOH|]--[ sys1 ]->O----> y(t)
|
|
+------------[ sys2 ]<--------+

y(t)=sys1*sys0*u(t)+sys0*e(t)
sys0=(1+sys2*sys1)^-1
Funciones del sistema:
1
0.095163
(z-0.9048)
sys1=----- ; sys2 =1; F9=----------; F9_0=-------------s+1
(z-0.8097)
(z-0.8097)
Ceros y polos de la funcin de transferencia F9:
Ceros:
0
Polos:
0.5000; 0.3657
El registro que se representa en la figura 11
corresponde al sistema excitado con la seal u(t)
seal PRBS de nivel 30; el ruido del sistema e(t) es

blanco gaussiano aleatorio de media 0 y varianza 1.

Nmero de muestras 1000, periodo de muestreo 0.1s.
Indicadores obtenidos: FIT1 (porcentaje de
representacin del modelo respecto del sistema real,
utilizando prediccin un paso adelante): 76,15%,
NSSE (Valor de la generalizacin del error calculado
a partir de los datos de validacin): 2,44. Modelo
propuesto: Anlisis mediante modelos de caja negra,
RARMAX recursivo off-line, modelo basado en el
filtro Kalman, el orden del modelo se selecciona a
partir del mejor criterio AIC del modelo ARX; [7 7 3
1]. El valor de la matriz de covarianza del cambio
aleatorio R1 se fija a 1,4; donde R1 = w( t )wT ( t ) y

( t ) = ( t 1 )w( t ) .
4.2 SEGUNDO SISTEMA REAL A ENSAYAR:
NEUTRALIZACIN DE PH.
Descripcin: Datos de un proceso de neutralizacin
de pH a volumen constante en un tanque con
agitacin. Volumen 1100 litros. Concentracin de la
solucin cida (HAC) 0.0032 Mol/l. Concentracin
de la solucin bsica (NaOH) 0,05 Mol/l. Periodo:
10s. Nmero de muestras: 2001. Entradas: Flujo de
solucin cida en litros u1, flujo de solucin bsica
en litros u2. Salidas: pH de la solucin en el tanque.
Categora: Sistema de proceso industrial. Figura 10.
Fichero de datos elaborado por J. Espinosa, K. U.
Leuven ESAT-SISTA, K. Mercierlaan 94, B3001
Heverlee.
El registro que se representa en la figura 12
corresponde al ensayo sobre de la coleccin de datos,
de 1 salida y 2 entradas. Indicadores FIT1:79,56%, se
mejora con la comparacin filtrada a FIT1:89,03%,
NSSE: 0,286. Modelo propuesto: Anlisis mediante
modelos de caja negra, RARX recursivo, calculado
por el mtodo de mnimos cuadrados recursivos RLS,
con factor de olvido 0.997; el orden del modelo se
selecciona a partir del mejor criterio AIC del modelo
ARX; [2 1 1 1 10].

Figura 10. Entradas: Flujo de solucin cida en litros u1, flujo de solucin bsica en litros u2. Salida:
pH de la solucin en el tanque y1.

Indicadores:
FIT1: 76,15%
NSSE: 2,44
Figura 11. Representacin de la estimacin versus la evolucin del sistema real.

Indicadores:
FIT1: 79,56%
NSSE: 0,286

Figura 12. Representacin de la estimacin versus la evolucin del sistema real.

5 CONCLUSIONES

[12]

Ljung L., (1999) System Identification. Theory for

the user, Prentice Hall.

Se han mostrado las herramientas, las etapas y las

pautas de identificacin, con el objeto de generar un
modelo que se corresponda con el sistema real, que
sea capaz de aproximarse a l con exactitud y
proporcionar una buena prediccin de la salida,
prediccin de pequeo error. Para conseguir este
modelo, se debe tener presente que no existen
soluciones mgicas, ni que unas aproximaciones son
o sern mejores que otras, sino que todas son
posibles y todas tienen sus ventajas.

[13]

Nelles O., (2001) Nonlinear System Identification.

From Classical Approaches to Neural Networks
and Fuzzy Models, Springer.

[14]

Nrgaard M., (2000) Neural network Based

System Identification Toolbox, Report Technical
00-E-891, Department de Automation Technical
University de Denmark.

[15]

Sderstrm T. and Stoica P., (1989) System

identification, Prentice Hall.

[16]

Van Den Hof P.M.J., De Callafon R.A. and Van

Donkelaar E.T., (1996) CLOSID A closed- loop
system identification toolbox for use with
MATLAB, Identification, Modeling and Control,
9, pp. 121-128.

[17]

Van Overschee P., De Moor B., Aling H., Kosut

R.L. and Boyd S., (1994) Xmat interactive system
identification module, Integrated System Inc.,
Santa Clara, CA.

[18]

Walter E. and Pronzato L., (1997) Identification of

Parametric Models from Experimental Data
Masson Great Britain.

El resultado conseguido en el trabajo es la educcin

de unas reglas de identificacin, reglas que
modelarn el procedimiento; obtenidas a partir del
propio conocimiento, de la experiencia recogida de
poner a prueba el modelo ante los sistemas y de
analizar con orden y rigor los miles de registros
recogidos.
Referencias
[1]

De Callafon R.A. and Van Den Hof P.M.J., (1996)

FREQID Frequency-domain identification toolbox
for use with MATLAB, Identification Modeling and
Control, 9, pp. 129-134.

[2]

Graebe S., (1990) Teory and Implementation of

Gray Box Identification PhD. Thesis Automatic
Control, Royal Institute of Technology, Stocklom,
Sweden. TRITA-REG 90/3 and 90/6.

[3]

Haber R. and Keviczky L., (1999) Nonlinear System

Identification. Input-Output Modeling Approach. Part
2: Nonlinear System structure Identification, Kluwer
Academic Publishers, 1999.

[4]

Heuberger P., (1996) ORTOOL version A.1,

MATLAB Toolbox.

[5]

Heuberger P. and Van Den Hof P.M.J., (1996)

ORTTOOL: A Matlab toolbox for system
identification with generalized orthonormal basis
functions Identification, Modeling and Control, 9,
pp. 135-140.

[6]

Iserman R., (1980) Practical aspects of process

identification, Automatica, 16, pp. 575-587.

[7]

Kollar I., (1997) Frecuency Domain System

Identification Toolbox, The Math Works, Inc.
NaticK,.

[8]

Kollar I., (2005) Frequency Domain System

Identification Toolbox V3.3 for MATLAB, Gamax
Ltd, Budapest.

[9]

LabView, (2004) System Identification Toolkit User

Manual, National Instruments Corporation.

[10] Larimore W.E., (1997) AdaptX Automated System

Identification Software, User Manual Adaptatics,
Inc. 1717 Briar Ridge Road, McLean, VA.
[11] Ljung L., (2003) System Identification Toolbox: For
use with Matlab, The MathWorks V6.0.