⚡ electrical engineering

A note on input signal generators: A relaxation of Willems' fundamental lemma in the SISO case

Este artículo presenta una relajación práctica del lema fundamental de Willems para sistemas lineales invariantes en el tiempo de una sola entrada y salida, reformulando el problema mediante generadores de señales para establecer condiciones necesarias y suficientes que permiten generar datos informativos con entradas más generales, como secuencias sinusoidales con menos frecuencias.

Autores originales: Yun Jeong Yang, Jin Gyu Lee

Publicado 2026-04-08

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Yun Jeong Yang, Jin Gyu Lee

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Hola! Imagina que tienes un robot misterioso en tu casa. No sabes cómo funciona por dentro (no tienes el manual), pero quieres aprender a controlarlo o entender exactamente qué hace. Para hacerlo, le das órdenes (entradas) y observas cómo reacciona (salidas).

El problema es: ¿Qué tipo de órdenes debes darle para entender al robot por completo?

Hasta ahora, la "regla de oro" (conocida como el Lema Fundamental de Willems) decía algo así: "Para entender al robot, debes darle una secuencia de órdenes tan caótica, larga y variada que cubra absolutamente todas las posibilidades imaginables". Era como intentar adivinar la receta de un pastel probando cada combinación posible de ingredientes, sal y azúcar, durante horas. Funcionaba, pero era muy ineficiente y costoso.

Este nuevo artículo de Yun Jeong Yang y Jin Gyu Lee nos dice: "¡Espera! No necesitas ser tan extremo. Hay un atajo inteligente."

Aquí te explico la idea principal usando analogías sencillas:

1. El viejo enfoque: "El DJ Caótico"

La teoría antigua (Willems) decía que para entender el sistema, tu señal de entrada debía ser un "DJ caótico" que tocara muchísimas frecuencias diferentes (como un ruido blanco o una canción con miles de notas distintas) durante mucho tiempo.

El problema: Es como si te pidieran llenar un estadio de fútbol con gente para saber cuántas personas caben, pero la regla decía que tenías que llenarlo hasta el techo y luego seguir metiendo más gente. ¡Desperdicio de tiempo y energía!

2. El nuevo enfoque: "El Generador de Señales"

Los autores proponen dejar de pensar en "caos" y empezar a pensar en un Generador de Señales.
Imagina que en lugar de gritar órdenes al azar, conectas el robot a una máquina pequeña y elegante (el generador) que produce las órdenes automáticamente.

La analogía: En lugar de intentar adivinar la receta probando todo, usas una máquina de recetas que sabe exactamente qué ingredientes mezclar.
La magia: Los autores descubrieron que no necesitas una máquina gigante. Si tu robot tiene un tamaño "n" (su complejidad), solo necesitas una máquina generadora de tamaño "n + 1" (o incluso "n" en la mayoría de los casos) para entender al robot perfectamente.

3. ¿Qué significa esto en la vida real?

El artículo nos dice dos cosas muy importantes:

Ahorro de recursos: Antes, la regla decía que necesitabas una señal de entrada muy larga y compleja (como un ruido aleatorio gigante). Ahora, nos dicen que puedes usar señales más simples, como ondas sinusoidales (como una nota musical pura) con menos frecuencias de las que pensábamos necesarias.
- Ejemplo: Si antes necesitabas tocar 10 notas diferentes para entender un instrumento, ahora descubren que con 5 o 6 notas bien elegidas (generadas por una "máquina" pequeña) puedes entenderlo casi siempre.
La excepción "casi siempre": Hay un detalle técnico. La nueva regla funciona para casi todos los robots y casi todas las situaciones iniciales.
- Analogía: Imagina que lanzas una aguja al suelo. La regla antigua decía: "Asegúrate de que la aguja caiga en un punto específico". La nueva regla dice: "Si lanzas la aguja al azar, casi con total seguridad caerá en un lugar donde podrás entender el sistema". Solo en casos extremadamente raros (como que la aguja caiga justo en la línea de una baldosa) fallaría, pero eso es estadísticamente insignificante.

4. ¿Por qué es un "relajamiento"?

El título dice "relajamiento" porque baja la exigencia.

Antes: "Tienes que ser un genio y generar un caos perfecto para que funcione".
Ahora: "Solo necesitas una máquina pequeña y bien diseñada. Si la construyes con el tamaño correcto, funcionará para casi todo".

En resumen

Este papel es como recibir un manual de instrucciones más inteligente. Nos dice que no necesitamos ser extremistas para entender sistemas desconocidos. En lugar de lanzar todo lo que tenemos a la pared para ver qué se queda, podemos usar un generador de señales (una pequeña máquina) que produzca las órdenes exactas y eficientes necesarias.

La gran ventaja:

Es más fácil de diseñar (sabes exactamente qué tamaño debe tener tu generador).
Funciona con señales más simples (como ondas sinusoidales).
Se puede aplicar tanto a sistemas digitales (como tu teléfono) como a sistemas continuos (como el clima o un coche en movimiento).

¡Es como pasar de intentar adivinar el código de un candado probando millones de combinaciones a usar una llave maestra diseñada específicamente para ese tipo de cerradura! 🔑

1. El Problema

El Lema Fundamental de Willems es la piedra angular de la teoría de control basada en datos para sistemas lineales invariantes en el tiempo (LTI). Establece que un conjunto de datos de entrada-salida puede caracterizar completamente el comportamiento de un sistema si la señal de entrada es persistentemente excitante (PE) de un orden suficientemente alto.

Sin embargo, existen limitaciones prácticas en la aplicación del lema original:

Condiciones estrictas: El lema requiere que el orden de excitación persistente sea $L + n$ (donde $L$ es la longitud de la ventana de datos y $n$ es el orden del sistema) para garantizar que los datos sean informativos para cualquier condición inicial. Esto a menudo requiere secuencias de entrada muy largas o complejas.
Diseño de entrada: La condición de PE se formula como un criterio de verificación a posteriori (basado en la matriz de Hankel de la entrada elegida) en lugar de una regla constructiva para diseñar la entrada.
Preguntas abiertas: No estaba claro si existían señales que no cumplían estrictamente con la condición de PE de Willems pero que aún podían generar datos informativos para una amplia gama de sistemas y condiciones iniciales (específicamente, para "casi todas" las condiciones).

2. Metodología

Los autores proponen un cambio de paradigma: pasar de la teoría del comportamiento (centrada en la excitación persistente) a la teoría de sistemas dinámicos (centrada en el generador de señales).

Modelo de Generador de Señales: En lugar de diseñar la entrada $u(t)$ directamente, la modelan como la salida de un sistema LTI autónomo (el generador de señales):
$w(t+1) = S_g w(t), \quad u(t) = L_g w(t)$
donde $w(t)$ es el estado del generador y $S_g, L_g$ son matrices de diseño.
Suposiciones: Se asume que el par $(L_g, S_g)$ es observable y que $(S_g, w_0)$ es controlable. Además, se asume que los espectros del sistema y del generador son disjuntos ( $\sigma(A) \cap \sigma(S_g) = \emptyset$ ), lo cual es genérico.
Análisis de Descomposición: Al interconectar el generador con el sistema, los autores descomponen la matriz de Hankel de entrada-salida. Utilizan la ecuación de Sylvester para definir una variedad invariante y separan la dinámica en una parte dependiente del generador (momentos) y una parte dependiente de la condición inicial del sistema.
Análisis de Rango: El problema de obtener datos informativos se reduce a analizar el rango de la matriz de Hankel compuesta, determinando cuándo la intersección entre el espacio imagen de la estructura del generador y el núcleo de la dinámica del sistema es trivial.

3. Contribuciones Clave

Relajación de la Condición de Dimensión: Demuestran que para obtener datos informativos para casi todas las condiciones iniciales (en el sentido de medida de Lebesgue cero), la dimensión del generador de señales $N_g$ solo necesita ser $N_g \geq L$ , en lugar de la condición estricta de Willems $N_g \geq L + n$ .
Caracterización de Conjuntos Excepcionales: Identifican un conjunto de medida cero ( $E_2$ ) de condiciones iniciales para las cuales la condición relajada falla. Esto aclara que el fallo no es genérico, sino que ocurre solo en casos patológicos específicos.
Extensión a Tiempo Continuo: Generalizan el resultado a sistemas LTI en tiempo continuo, mostrando que la perspectiva del generador de señales permite una extensión natural y coherente del lema fundamental más allá del tiempo discreto.
Guía de Diseño Constructiva: Transforman el criterio de verificación (PE) en una guía de diseño directa basada en la dimensión y estructura del generador de señales, cubriendo señales sinusoidales (multiseno) y aleatorias.

4. Resultados Principales

El Teorema 1 (para tiempo discreto) y el Teorema 2 (para tiempo continuo) establecen las siguientes condiciones basadas en la dimensión del generador $N_g$ y la longitud de datos $T$ :

Caso A ( $N_g < L$ ): Los datos nunca son informativos, independientemente de la condición inicial.
Caso B ( $L \leq N_g < L + n$ ):
- Bajo la condición de Willems original, esto sería insuficiente para todas las condiciones iniciales.
- Resultado nuevo: Los datos son informativos para casi todas las condiciones iniciales $x(0) \in \mathbb{R}^n$ , excepto para un conjunto de medida cero.
- Esto permite usar generadores de menor dimensión (ej. $N_g = n+1$ para identificación de un sistema de orden $n$ ) en lugar de $N_g = 2n+1$ .
Caso C ( $N_g \geq L + n$ ): Los datos son informativos para todas las condiciones iniciales, recuperando el resultado clásico de Willems.

Ejemplo Práctico (Corolario 2):
Para identificar un sistema de orden $n$ , el lema de Willems sugeriría usar una entrada con orden de excitación $2n+1$ (longitud $T \geq 4n+1$ ). El nuevo resultado muestra que un generador de dimensión $N_g = n+1$ con una longitud de datos $T = 3n+1$ es suficiente para obtener la misma información (rango completo de la matriz de Hankel) para casi todas las condiciones iniciales.

5. Significado e Impacto

Eficiencia en el Diseño de Entradas: Permite utilizar señales más cortas y con menos frecuencias (como secuencias sinusoidales más cortas) que anteriormente se consideraban inadecuadas bajo el criterio estricto de Willems.
Generalidad: La perspectiva del generador de señales unifica señales comunes (multiseno, ruido aleatorio) bajo un marco teórico sólido, demostrando que casi todas las señales aleatorias de longitud suficiente pueden representarse como salidas de un generador de dimensión finita.
Puente Teórico: Cierra la brecha entre la teoría del comportamiento (Willems) y la teoría clásica de sistemas dinámicos, ofreciendo una interpretación más intuitiva y constructiva para el control basado en datos.
Aplicabilidad: Al reducir los requisitos de longitud de datos y complejidad de la señal de entrada, facilita la implementación de estrategias de control y identificación en sistemas reales donde la recolección de datos largos es costosa o difícil.

En conclusión, el artículo demuestra que la condición de "excitación persistente de orden alto" es una condición suficiente pero no necesaria para la mayoría de los casos prácticos, y propone una alternativa basada en la dimensión del generador de señales que es más flexible y eficiente.