Metodología basada en datos para construir modelos matemáticos de sistemas dinámicos a partir de datos de entrada‑salida medidos, mediante la elección de una estructura de modelo (paramétrica o no paramétrica), estimación de parámetros y validación del rendimiento predictivo para la aplicación prevista (control, predicción, diagnóstico).

Principio

Con excitación suficientemente informativa y estructura de modelo adecuada, la estimación de parámetros minimiza la diferencia entre salidas medidas y salidas del modelo al tiempo que equilibra complejidad y capacidad de generalización; la identificabilidad y la validación determinan si el modelo estimado captura de forma fiable las dinámicas relevantes para el caso de uso.

Demostración

Escenario ilustrativo — Situación: Ingenieros deben diseñar un controlador lateral para un vehículo aéreo no tripulado. Reconocimiento: Se necesita un modelo de planta pero la derivación por primeros principios es impracticable. Acción: Aplicar entradas persistentes de dirección, registrar tasa de guiñada y deslizamiento lateral, ajustar un modelo lineal paramétrico (espacio de estados o ARX), validar por cross‑validation y comprobar la blancura de los residuos. Consecuencia: Se obtiene un modelo validado para el diseño del controlador; si falla la validación, debe mejorarse la instrumentación o el diseño experimental.

Aplicación incorrecta

Sobreajustar un modelo complejo a datos finitos y ruidosos o usar excitación insuficiente de modo que dinámicas clave no quedan excitadas. El error semántico es equiparar buen ajuste en entrenamiento con validez predictiva; sin validación y cuidado de identificabilidad, el modelo puede fallar en despliegue.

Consecuencia

Cuando se realiza correctamente, SysID genera modelos para predicción, síntesis de control y diagnóstico; modelos mal identificados pueden producir bajo rendimiento de control, disminución de robustez o diagnósticos engañosos, y pueden causar inestabilidad o daños en lazo cerrado.

Inversión

Si el sistema es fuertemente variante en el tiempo, no estacionario o fundamentalmente no observable con los sensores disponibles, la identificación offline estándar ha de ser sustituida por identificación adaptativa, estimación en línea, rediseño experimental o aumento de sensores para obtener modelos útiles.

Límite

Claramente dentro: estimación de una función de transferencia LTI SISO con excitación persistente y validación independiente. Caso límite: intentar identificar no linealidades lentas o la dinámica de actuadores con conjuntos de datos cortos donde la identificabilidad depende del diseño experimental. Claramente fuera: intentar identificar estados internos puramente estocásticos e no observables a partir de registros de salida ruidosos sin suposiciones adicionales.

Tensión semántica

Compensación sesgo‑varianza y coste‑información — aumentar la complejidad del modelo reduce sesgo pero incrementa varianza y coste experimental; hay que equilibrar precisión, riesgo de sobreajuste, duración del experimento y límites instrumentales.

Síntesis

La identificación de sistemas convierte el comportamiento medido en modelos útiles, pero su éxito exige diseño experimental deliberado, selección de estructura y validación; sin ellos, el ajuste de datos puede presentarse erróneamente como comprensión.