1
IDENTIFICACIÓN DE SISTEMAS
DINÁMICOS, TIPO MIMO Y SISO.
Freddy Campos, Angela Lugo
Abstact— This article presents the identification of a dynamic
system such as a steam turbine, this MIMO type system being 2x2,
containing Magnetization Voltage and Vapor Pressure as input
variables, Generated Voltage and output variables. Speed of generator
rotation. The identification of the same will be done using the
MATLAB tool "System Identification", the polynomial structures
ARX, ARMAX, OUTPUT ERROR (OE) AND BOX-JENKINS (BJ)
are used, comparing their yields. A study will be done identifying the
system with a SISO type model and determining the MIMO type model.
This article is made up of an Introduction, Development, Design and
Conclusions where the generalities that allow obtaining a reliable
model are presented, which can represent the system we call “black
box”.
Keywords— System, Model, Identification, Turbine, Pressure,
Speed, SISO, MIMO.
Resumen— Este artículo presenta la identificación de un sistema
dinámico como lo es una turbina de vapor, siendo este sistema de tipo
MIMO de 2x2, al contener como variables de entrada el Voltaje de
Magnetización y la Presión del vapor, como variables de salida el
Voltaje Generado y la Velocidad del rotación del generador. La
identificación del mismo se realizará haciendo uso de la herramienta
de MATLAB “System Identification”, se emplean las estructuras
polinomiales ARX, ARMAX, ERROR DE SALIDA (OE) Y BOX-
JENKINS (BJ), comparando sus rendimientos. Se hará un estudio
identificando el sistema con un modelo tipo SISO y determinando el
modelo tipo MIMO. Este artículo está conformado por una
Introducción, Desarrollo, Diseño y Conclusiones donde se presentan
las generalidades que permiten obtener un modelo fiable, que puede
representar el sistema al que denominamos como “caja negra”.
Palabras Clave— Sistema, Modelo, Identificacion, Turbina,
Presión, Velocidad, SISO, MIMO.
I. INTRODUCCIÓN
L a identificación de sistemas trata el problema de construir
modelos matemáticos de Sistemas Dinámicos a partir de datos
obtenidos del propio sistema. El tema se basa en metodologías
teóricamente bien sustentadas y, debidas a la abundancia de
sistemas dinámicos que existen a nuestro alrededor, las
técnicas de identificación de sistemas encuentran un extenso
campo de aplicación.
Debido a que los sistemas dinámicos abundan en nuestro
medio ambiente, las técnicas de identificación de sistemas han
cobrado gran relevancia en diversas áreas del conocimiento
(ingenierías, economía, biotecnología, etc.), donde se requiere
Freddy Campos UNEXPO, Ciudad Guayana, Bolívar 8050 Venezuela.
freddycampos1994@gmail.com
Angela Lugo UNEXPO, Ciudad Guayana, Bolívar 8050 Venezuela.
anglugo28@gmail.com
de un modelo preciso para fines de análisis, predicción,
simulación, diseño y control.
El sistema que se requiere identificar, es el de una turbina de
vapor, éste es un equipo tan conocido ytan robusto que si no se
hacen barbaridades con él tiene una vida útil muy extensa y
exenta de problemas.
Una turbina de vapor consta de diversas variables de entrada
y diversas variables de salida, viendo la misma desde un punto
de vista de sistemas, la misma es un sistema tipo MIMO
(Multiple Input – Multiple Output, MIMO).
II. DESARROLLO.
A. Identificación de sistemas dinámicos.
Aspectos Generales
Se denomina identificación a la técnica de construir un
modelo a partir de las variables medidas del proceso: entradas
o variables de control, salidas o variables controladas y,
posiblemente, perturbaciones. En principio y con el objetivo de
modelizar se pueden proponer tres formas distintas de utilizar
los métodos de identificación:
- Hacer distintas aproximaciones para estructurar el problema:
seleccionar las señales de interés, observar la dependencia entre
ellas, estudiar el grado de linealidad del proceso.
- Construir un modelo que describa el comportamiento entre
las entradas y las salidas, prescindiendo del comportamiento
físico. Hay distintas formas de abordar el problema, según se
consideren modelos no paramétricos o modelos paramétricos.
- Utilizar los datos para determinar los parámetros no
conocidos del modelo físico obtenido a base del estudio de
propiedades y leyes físicas del proceso estudiado. En este caso
se habla de modelos “tailor-made” de los cuales se debe estimar
solamente los valores de los parámetros no conocidos. Para ello
se recurre a ensayos de comportamiento o pruebas físicas y/o a
la utilización de técnicas de optimización.
Para el caso de este artículo, se hará el uso del segundo
lineamiento.
Otro aspecto a tener en cuenta será el tipo de modelo
matemático que se pretende identificar. Hay varias formas de
catalogar los modelos matemáticos: deterministas o
estocásticos, dinámicos o estáticos, de parámetros distribuidos

o concentrados, lineales o no lineales, y de tiempo continuo o
tiempo discreto. [1]
Estructuras del modelo
Se obtiene generalmente del conocimiento previo que se tenga
del sistema y de las perturbaciones. Se escoge un conjunto de
modelos candidatos dentro de un grupo de modelos que parecen
acomodarse al sistema. Tal escogencia es de suma importancia,
y no en vano, uno de los pasos más difíciles en el procedimiento
de Identificación. Entran en juego entonces la intuición y el
conocimiento a priori del sistema. En muchos casos se recurre
a representaciones de sistemas lineales de tipo general. Pueden
entonces manejarse las estructuras del modelo como modelos
de “cajas negras”. Como ejemplo de modelo en ecuación de
diferencias tenemos que:
A(q)y(k) = B(q)u(k) + C(q)e(k) Ec. 1.
En donde u es la entrada, y la salida, y e una perturbación de
tipo ruido blanco.
Modelos paramétricos de sistemas lineales invariantes en el
tiempo
Un modelo de un sistema consiste en una descripción
conveniente de algunas de sus propiedades, y de acuerdo a un
propósito particular. El modelo no necesita ser una exacta
descripción del sistema, y el usuario debe saber esto para poder
llevar a cabo su propósito. El primer paso en la identificación
de sistemas es determinar una clase de modelos, dentro de la
cual se hallará el modelo más conveniente.
Un modelo lineal invariante en el tiempo, puede ser
especificado por su respuesta impulsiva (𝑔(𝑘))∞, ∅ (𝑤) =
1 𝑤
𝜎2|(𝑒𝑗𝑤)|2 de la perturbación aditiva, y, posiblemente por la
función de densidad de probabilidad (fdp) de la perturbación
e(t). Por lo tanto un modelo completo estaría dado por:
y(t) G(q).u(t) H(q).e(t) Ec. 2.
𝑓𝑒 (𝑥) , fdp de e(t)
Con,
∞
𝐻(𝑞) Ec. 3.
𝐺(𝑞) = ∑ 𝑔(𝑘). 𝑞−𝑘 ∞ Tal vez el camino más inmediato para parametrizar G y H
𝑘=1 = 1 + ∑(𝑘). 𝑞−𝑘
𝑘=1
En la mayoría de los casos es impracticable el hecho de hacer
esta especificación tomando las secuencias infinitas {g(k)} y
{h(k)} conjuntamente con la función fe(x). En lugar de esto uno
elige trabajar con estructuras que permitan la especificación de
G y H en términos de un número finito de valores. Tal es así
que las funciones de transferencia racionales son típicos
ejemplos de esto. Incluso es muy común que la fdp no sea
especificada como función, pero descripta en función de unas
pocas características numéricas como los momentos de primero
y segundo orden:
2
Ec. 4a.
𝐸{𝑒(𝑡)} = ∫𝑥. 𝑓𝑒 (𝑥)𝑑𝑥 = 0
Ec. 4b.
{𝑒2(𝑡)} = ∫ 𝑥2. 𝑓𝑒 (𝑥)𝑑𝑥 = 𝜎2
Es también muy común asumir que e(t) tiene una distribución
Gaussiana, en cuyo caso la fdp queda enteramente especificada
por (Ec. 4). La especificación (Ec. 2) en términos de un número
finito de valores, o coeficientes, se conoce como modelado
paramétrico e involucra métodos de estimación y predicción
conocidos métodos de identificación paramétrica. Muy a
menudo no es posible determinar a priori estos coeficientes
partiendo del conocimiento de las leyes físicas que gobiernan el
comportamiento del sistema. Es por eso que la determinación
de todos o algunos de dichos valores debe ser dejada a los
procedimientos de estimación. Esto quiere decir que los
coeficientes en cuestión entran en el modelo como parámetros
a ser determinados. Llamaremos entonces θ al vector que
contenga todos los parámetros a estimar. O sea que ahora la
descripción del modelo será la siguiente:
(t, θ) = G(q, θ ). u(t) + H(q, ). 𝑒(t) Ec. 5a.
𝑓𝑒 (𝑥, 𝜃), 𝑓𝑑𝑝 de (t); {𝑒(t)}ruido blanco. Ec. 5b.
Cabe destacar que este no es un modelo sino un set de
modelos, aunque por lo general vamos a hablar
despreocupadamente del “modelo (Ec. 5)” aunque sea un abuso
de notación desde un punto de vista formal [2]. Realizando la
predicción de las muestras futuras para (Ec. 5), y para enfatizar
la dependencia que mantiene el estimador con el vector de
parámetros θ, la notación se hace de la siguiente manera:
𝑦̂(t, θ) = 𝐻 −1 (q, θ). G(q, θ). u(t) + [1 Ec. 6.
− 𝐻−1(q, θ). y(t)]
Es notable que la forma de este predictor no depende de
fe(x,θ) ya que, como hemos expresado anteriormente, es posible
llegar a (Ec. 6) sin hacer consideraciones probabilísticas. A
continuación serán analizados diferentes modos de describir
(Ec. 5a) en términos de θ.
Familia de modelos de Funciones de Transferencia
sería representarlas como funciones racionales y dejar que los
parámetros sean los coeficiente del numerador y del
denominador. En lo que sigue presentaremos varias estructuras
modelo, conocidas como modelos de caja negra.
Estructura ARX
Probablemente la relación entrada-salida más simple que se
puede obtener sea la proveniente de una descripción del sistema
como una ecuación lineal en diferencias.
 3

Estructura Error de Salida (OE)

Hasta ahora hemos visto estructuras en las cuales la

descripción de las funciones de transferencia tienen al
polinomio A(q) como factor común en sus denominadores. Pero
desde un punto de vista físico sería más natural parametrizar
estas transferencias en forma independiente.

Supongamos entonces por un momento que la relación entre

la entrada y una salida no perturbada w(t) puede ser
Figura 1: Estructura ARX. representada como una ecuación en diferencias lineal, y que la
perturbación consiste en ruido blanco.
A este modelo de la Figura 1, se lo conoce como estructura
“ARX”, donde “AR” hace referencia a la parte autorregresiva 𝐵(𝑞) Ec. 9
A(q).y(t) y “X” a la entrada extra (extra imput) B(q).u(t) también 𝑦(𝑡) = . 𝑢(𝑡) + 𝑒(𝑡)
𝐹(𝑞)
conocida como variable exógena.
En la figura 3, se observa la estructura de la misma al ser
𝐵(𝑞) 1 Ec. 7.
𝑦(𝑡) = . 𝑢(𝑡) + . 𝑒(𝑡) realizados los ajustes previamente descritos.
𝐴(𝑞) 𝐴(𝑞)

El flujo de señal de la Figura 1, nos indica que posiblemente

este no sea el modelo más natural desde un punto de vista físico,
ya que el ruido blanco es sumado a la salida luego de pasar a
través del denominador del sistema dinámico. Sin embargo, el
set de modelos de ecuación de error posee una propiedad
importante que lo convierte en una buena primera elección en
muchas aplicaciones. Y es que la forma del predictor define una
regresión lineal.

Estructura ARMAX Figura 3: Estructura Error de Salida (OE).

La principal desventaja del modelo de la figura 1, reside en

la escasez o falta de libertad en la descripción del término de
perturbación. Sin embargo, es posible incorporar mayor
flexibilidad al modelado si es que agregamos un término
conocido como media en movimiento (moving average) del
ruido blanco.
En la Ecuación 8, se observa al nuevo término de media en
movimiento C(q)e(t).
Estructura Box-Jenkins (BJ)
El desarrollo del modelo de error de salida de la figura 3, es
para adicionar al modelo las propiedades del ruido en la salida.
Pero si describimos esto mismo en el marco de un modelo
ARMA llegamos al siguiente resultado:

𝐵(𝑞) 𝐶(𝑞) Ec. 8 𝐵(𝑞) 𝐶(𝑞) Ec. 10.

𝑦(𝑡) = . 𝑢(𝑡) + . 𝑒(𝑡) 𝑦(𝑡) = . 𝑢(𝑡) + . 𝑒(𝑡)
𝐴(𝑞) 𝐴(𝑞) 𝐹(𝑞) 𝐷(𝑞)

El modelo de la figura 2 será llamado ARMAX. Este modelo

se ha convertido en una herramienta estándar en control y
econometría, tanto para la descripción de sistemas como para el
diseño de control.
Siendo esta la parametrización de dimensiones finitas más
natural si es que partimos de (Ec. 5). Ya que Las funciones de
transferencia G y H son parametrizadas en forma independiente
como funciones racionales. Entonces, de acuerdo a (Ec. 6) el
predictor para el set de modelos (Ec. 10) será:

𝐷(𝑞). 𝐵(𝑞) 𝐶(𝑞) − 𝐷(𝑞) Ec. 11.

𝑦̂(𝑡, 𝜃) = . 𝑢(𝑡) + . 𝑦(𝑡)
𝐶(𝑞). 𝐹(𝑞) 𝐶(𝑞)

Figura 2: Estructura ARMAX.


Figura 4: Estructura Box-Jenkins.
B. Sistemas SISO y MIMO
Existen sistemas en los cuales constan de una señal de
entrada, esta señal de entrada genera una señal de salida (Single
Input – Single Output, SISO) (ver figura 5). Pero en la práctica
en general se presentan muchas variables a controlar a la vez,
que responden a los estímulos de distintas señales de entrada a
la vez (Multiple Input – Multiple Output, MIMO) (ver figura
6). Por ejemplo, alcanza con que tengamos que controlar
producción (en el sentido de cantidad producida) y calidad (en
el sentido de composición) de un proceso para que tengamos al
menos dos salidas. [3]
Figura 5: Esquema SISO.
Figura 6: Esquema MIMO nxn.
Cuando intervienen varias variables se dan interacciones
entre ellas. En general, para un problema con n variables
podrían plantearse en principio !n interacciones.
Volviendo a un sistema de 2x2, pueden identificarse dos
tipos de “acoplamientos” entre las señales:
Una alternativa es el acoplamiento 1 – 1 / 2 – 2, como se
observa en la figura 7.
4
Figura 7: Acoplamiento 1-1 / 2-2.
C. Turbina a vapor
Una turbina a vapor se mueve impulsada por el vapor
producido en una caldera. La expansión del vapor hace girar el
rotor de la turbina transmitiéndole una potencia. La turbina va
acoplada mecánicamente a un generador, que transforma en
potencia eléctrica la recibida de la turbina. En la figura 8 se
muestra una breve ilustración de dicha explicación.
Figura 8: Turbina de vapor acoplada a un generador.
Existe siempre un equilibrio entre, la potencia eléctrica del
generador más las perdidas, con la potencia aportada por el
vapor a la turbina. Este equilibrio se mantiene por medio de
válvulas de regulación, las cuales dejan pasar más o menos
vapor a la turbina según su apertura de acuerdo con la demanda
de energía eléctrica, para lo cual se utiliza la variación del
número de revoluciones como señal primaria de regulación.
Cada turbina tiene sus propias características dependiendo
del número de rotores, de la presión y de la temperatura de
trabajo, de las velocidades posibles de rotación según el
material de que estén hechos los elementos de la turbina que
entran en contacto con el vapor, de hecho, cada turbina genera
una familia de curvas, puesto que a velocidades diferentes rinde
potencias de distintas magnitudes.
III. DISEÑO
Para efectos de este artículo, se va a manejar un sistema que
corresponde a una turbina de vapor. Haciendo el uso del
software MATLAB, son cargados los datos a nivel de
laboratorio de dicha turbina, a través del comando “load
 5

SteamEng”, se observa que son cargados los datos de entrada canal GenVolt vs MagVolt. En la figura 13, se observa el canal
como lo son la presión de vapor después de la válvula de Speed vs MagVolt.
control y el voltaje de magnetización sobre el generador
conectado al eje de salida. Las salidas son voltaje generado en
el generador y velocidad de rotación del generador, la
frecuencia de muestreo para este análisis es de 500ms.

Haciendo el uso del toolbox de MATLAB “System

Identification”, se procede a la importación de datos para
realizar un acondicionamiento de las señales y posterior a esto,
proceder a la identificación de los sistemas.

Ahora bien, se procederá de dos maneras distintas, un

procedimiento para determinar un sistema SISO y otro
procedimiento para determinar un sistema MIMO.

Sistema SISO Figura 10: Speed vsPressure .

Se realiza la importación de los datos al espacio de trabajo en

el toolbox, se le asigna el nombre de “TurbinaS”, cabe estacar
que los datos de entrada, para efectos de este artículo, se usa la
variable “Pressure”, la cual corresponde a la presión de vapor
y como datos de salida, se hace el uso de la variable “Speed”,
correspondiente a la velocidad de rotación del generador.

Luego de esto se hace un acondicionamiento y se canaliza la

primera mitad de la muestra de los valores para realizar el
experimento, a esta se le asigna el nombre de “TurbinaSe” y la
segunda mitad de la muestra para realizar la validación, a esta
se le asigna el nombre de “TurbinaSv”. En la figura 9, se
observa una gráfica de estas señales, siendo la de color verde
Figura 11: GenVolt vs Pressure.
“TurbinaSe” y la de color rojo “TurbinaSv”.

Figura 9: Grafica de señales.

Figura 12: GenVolt vs MagVolt.
Sistema MIMO

De la misma manera que se realiza la importación de datos

que en el sistema SISO, con la salvedad que ahora se agregan
ambas señales de entrada y ambas señales de salida, se le asigna
el nombre de “TurbinaM”.

Luego de esto se hace un acondicionamiento y se canaliza la

primera mitad de la muestra de los valores para realizar el
experimento, a esta se le asigna el nombre de “TurbinaMe” y
la segunda mitad de la muestra para realizar la validación, a esta
se le asigna el nombre de “TurbinaMv”. En la figura 10, se
observa el canal Speed vs Pressure. En la figura 11, se observa
el canal GenVolt vs Pressure. En la figura 12, se observa el
Figura 13: Speed vs MagVolt.
 6

IV. RESULTADOS Comparación de las cuatro estructuras empleadas

Resultados para sistema SISO
Una vez realizado todo esto, se realizan las estimaciones
correspondientes para obtener los diferentes resultados, para
cada una de las estructuras polinomiales.
Teniendo todas las estimaciones de dichos modelos, es
posible realizar una comparación de los mismos. En la figura
18, se puede observar esta comparación.

Estructura ARX

En la figura 14, se observa los resultados obtenidos para una

estructura ARX.

Figura 18: Comparación de modelos.

Como es de notar, para este caso, el mejor fit se obtuvo

Figura 14: Resultados Estructura ARX. utilizando el método Box-Jenkins, logrando éste un fit de
56.64% de eficiencia, sin embargo, la diferencia con respecto a
Estructura ARMAX los otros modelos no es tan grande, todas las estructuras
lograron una convergencia muy parecidas entre ellas.
En la figura 15, se observa los resultados obtenidos para una
estructura ARMAX. Resultados para sistema MIMO

Se realizan las estimaciones correspondientes, se obtienen

los resultados para cada una de las estructuras polinomiales.

Estructura ARX

En la figura 18, se observa los resultados obtenidos para una

Figura 15: Resultados Estructura ARMAX.
estructura ARX.
Estructura Error de Salida (OE)

En la figura 16, se observa los resultados obtenidos para una

estructura Error de Salida (OE).

Figura 16: Resultados Estructura OE.

Estructura Box-Jenkins (BJ)

En la figura 17, se observa los resultados obtenidos para una

estructura Box-Jenkins (BJ).
Figura 19: Resultados ARX

Estructura ARMAX

En la figura 20, se observa los resultados obtenidos para una

estructura ARMAX.

Figura 17: Resultados Estructura BJ.

 7

Comparación de las cuatro estructuras empleadas

Teniendo todas las estimaciones de dichos modelos, es

posible realizar una comparación de los mismos. En la figura
23, se puede observar esta comparación.

Figura 20: Resultados ARMAX.

Estructura Error de Salida (OE) Figura 23: Comparación de modelos.

Al observar las comparaciones realizadas, mediante la figura

En la figura 21, se observa los resultados obtenidos para una
23, es visible que la mejor estimación fue obtenida mediante el
estructura Error de Salida (OE).
método Box-Jenkins, obteniendo un fit del 90.3%, sin embargo,
con respecto a los distintos métodos empleados en este artículo,
la convergencia es muy parecida.

SISO vs MIMO

Como se pudo observar en los resultados obtenidos, se puede

obtener un modelo que trate de representar al sistema, sin
embargo, cuando se trata de modelar un sistema MIMO, con un
sistema SISO, este obtiene resultados tomando en cuenta solo
la única variable de entrada tomada y genera una salida de cómo
afecta o la incidencia, que tiene esta variable para dicha salida.
Figura 21: Resultados OE.
Cuando se trata de modelar el sistema MIMO, con un modelo
MIMO, este genera más fiabilidad que el sistema SISO, puesto
que, toma en cuenta todas las variables asociadas a su entrada,
Estructura Box-Jenkins (BJ)
para poder generar una salida, que se ve afectada por todas y
cada una de dichas variables de entrada.
En la figura 22, se observa los resultados obtenidos para una
estructura Box-Jenkins (BJ).
Sin embargo, para efectos de este artículo, se realizó solo un
sistema SISO. Es posible realizar todos los modelos SISO, en
este caso cuatro modelos (puesto que, el sistema MIMO es 2x2)
y al final armar una estructura y tener unos resultados más
óptimos.

V. CONCLUSIONES

Las técnicas de identificación de sistemas forman una

versátil herramienta para la solución de varios problemas de la
ciencia y la ingeniería. El valor de esta herramienta ha sido
evidenciado por numerosas aplicaciones en diversos campos.

Es posible crear modelos con una estimación muy alta, para

esto se deben seleccionar datos de entrada coherentes con el
Figura 22: Resultados BJ. sistema que se requiere modelar, ya que, de esto se basa la
predicción.
 8

Elegir una estructura adecuada para hacer el modelo, para

efecto de esta práctica, la convergencia de los distintos sistemas
empleados fue muy parecida, haciendo la salvedad de que,
siempre habrá uno que, por la naturaleza del mismo, tendrá un
mejor rendimiento que los demás, sin embargo dependiendo de
la aplicabilidad y los costos, el diseñador puede usar cualquiera
a conveniencia.

Se notó que es posible estimar un modelo, que conste de

múltiples variables de entrada y salida (MIMO), con un sistema
tipo SISO, dependiendo de la salida y la entrada tomada, el
modelo dará un aproximación limitada, esta limitante la
determinará la influencia que tenga la entrada seleccionada en
la salida tomada para representar. También es posible realizar
varios sistemas de tipo SISO con las distintas salidas y distintas
entradas, luego armar una estructura y poder estimar un modelo
muy eficiente.

VI. REFERENCIAS
[1] L.Ljung and T.Glad. Modelling of dynamic system,
Prentice Hall, 1994.
[2] Identificación de sistemas dinámicos. Cristian Kunusch
Año 2003
[3] DINÁMICA Y CONTROL DE PROCESOS. Dr. Ing.
Iván López Moreda

Freddy Campos, es Graduado en Ingeniería Electrónica en

la Universidad Nacional Experimental Politécnica "Antonio
José de Sucre" en 2018, Cursante de la Maestría de
Electrónica en la UNEXPO VRPO, con experiencia como
Ingeniero en Automatización e Instrumentación en la
Planta de Pellas de la empresa G.V.G. Ferrominera
Orinoco. Actualmente desempeña labores como Técnico
Eléctrico-Electrónico. En el complejo industrial
Macapaima de la empresa MASISA.

Angela Lugo, es Graduada en Ingeniería Electrónica en la

Universidad Nacional Experimental Politécnica "Antonio
José de Sucre" en 2018, Cursante de la Maestría de
Electrónica en la UNEXPO VRPO, y actualmente
participa como Investigadora el Centro de Investigación
de las Redes Neuronales Artificiales y La Robótica.