Los modelos dinámicos de sistemas físicos a menudo contienen parámetros que deben ser estimados a partir de datos experimentales. En este trabajo, consideramos la identificación de parámetros en sistemas mecánicos no lineales dados mediciones ruidosas de solo algunos estados. El problema de optimización no lineal resultante puede resolverse eficientemente con un optimizador basado en gradientes, pero es común que la convergencia sea a un óptimo local en lugar del óptimo global. Añadimos a las ecuaciones dinámicas un parámetro de morfización y un controlador proporcional-integral-derivativo (PID) para transformar la función objetivo en una función convexa; entonces, el óptimo global puede encontrarse utilizando un optimizador basado en gradientes. El parámetro de morfización se utiliza para eliminar gradualmente el controlador PID en una secuencia de pasos, devolviendo finalmente el modelo a su forma original. Se resuelve un problema de optimización en cada paso, utilizando la solución del paso anterior como conjetura inicial. Esta estrategia permite el uso de un optimizador basado en gradientes evitando la convergencia a un óptimo local. La eficacia del enfoque propuesto se demuestra identificando parámetros en el oscilador van der Pol-Duffing, un sistema de montaje de motor hidráulico y un sistema de amortiguador magnetoreológico. Nuestro método supera a las estrategias de algoritmos genéticos y optimización por enjambre de partículas, y demuestra robustez ante ruido de medición.