Escolar Documentos
Profissional Documentos
Cultura Documentos
1 Sem. 2012
Adolfo Bauchspiess
Laboratrio de Automao e Robtica Departamento de Engenharia Eltrica Faculdade de Tecnologia Universidade de Braslia
Sumrio
I. Introduo II. Sinais e Sistemas Dinmicos III. Algoritmos
a. b. c. d. Mtodos Determinsticos O Estimador de Mnimos Quadrados Estimadores no polarizados Estimadores Recursivos
V. Concluses
2
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
1 - INTRODUO
3
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
I - Introduo
Sinais e Sistemas
Sinais: u - entrada (varivel manipulada) y sada (varivel controlada) w perturbao mensurvel v perturbao no mensurvel
5
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
7
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Exemplo Helicptero
Sistema: Sinais: u motores y posio e orientao w? v vento
8
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Coleta de dados Escolha da representao matemtica Determinao da estrutura Estimao dos parmetros Validao
9
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
10
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Sistemas dinmicos lineares invariantes no tempo Sistemas discretos Sistemas no-lineares Sistemas a parmetros distribudos Paradigmas de controle de sistemas dinmicos
11
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Tipos de Modelos
Estticos x Dinmicos Discretos x Contnuos Autnomos x No autnomos Monovariveis x Multivariveis Determinsticos x Estocsticos Paramtricos x No paramtricos
12
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Sistemas Discretos
Amostragem Transformada Z Computadores, CLPs, Microcontroladores & etc Identificao de Sistemas
utiliza amostras dos sinais
14
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
y (t )
u(kT)
Sistema Discreto
y(kT)
y (t ) = hc ( )u (t )d
=0
y (t ) = h(k )u (t k ),
k =0
t = 0, 1, 2,...
2 2 =K 2 2 x t
Amplitude
10 Time (seconds)
15
20
25
10
-2
10
-1
10
10
10
Frequency (rad/s)
17
Modelo Discreto
H ( z) = 1,056 z 0,3319 z 2 0,8828 z + 0,6065
Bode Diagram 10
-5
Amplitude
10
-1
10 Frequency (rad/s)
10
18
Perturbaes
Temperatura lado Sul - Kaiserslautern 4-7 Jul 2003 40 35 Temperatura/ C 30 25 20 15 10 20 30 40 50 t/horas Temperatura sala de conferencias - Kaiserslautern 4-7 Jul 2003 26 60 70 80 90
v (t)
u(t)
y (t)
Sistema Discreto
y (t ) = g (k )u (t k ) + v(t )
k =0
Temperatura/ C
25
24
23
22 20
30
40
50 t/horas
60
70
80
90
Ex. Temperatura medida com rudo Causas: rudo de medida, entradas no controlveis
19
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Caracterizao de perturbaes
0.3 0.2 0.1
a)
v(t ) = h(k )e(t k )
k =0
10
20
30
40
50
60
70
80
90
100
1 s +1 e(t ) = 0, com probabilidade 1 a) e(t ) = r , com probabilidade ; r N (0, ), distribuio normal Exemplos : H ( s ) =
-0.5 0 10 20 30
40
50
60
70
80
90
100
b) e(t ) N (0, )
20
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Covarincia
Assumindo e(t) com mdia 0 e varincia ,
=
k =0
h(k )h(s) (t s)
s =0
= h( k ) h( k )
s =0
Funes de Transferncia
Resposta do sistema
y (t ) = g (k )u (t k ) = g (k )q u (t ) = g (k ) q k u (t ) = G ( q)u (t ) k =1 k =1 k =1
k
G (q) = g (k )q k
k =1
G ( z ) = g (k ) z k
Funes de Transf.
k =1
H ( q ) = h( k ) z k
k =0
Resposta perturbao
v(t ) = H (q )e(t )
Filtro do rudo branco
e(t)
v (t)
u(t)
y (t)
y (t ) = G ( q)u (t ) + H (q )e(t )
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Sistema Discreto
22
1 0 .8 0 .6 0 .4 0 .2 0 -0 .2 -0 .4 -0 .6 -0 .8 -1
1444 2444 3 g (k ) 0
k =t
1 0
2 0
3 0
4 0
5 0
6 0
7 0
8 0
9 0
1 0 0
23
Periodograma
Sequncia finita {u (t ), t = 1, 2,...N } 1 N Transformada de Fourier : U N ( ) = u (t )e it N t =1 2 Transformada de Fourier Discreta : U N ( k ), k = 1, 2,...N N ( DFT ) DFT inversa : 1 u (t ) = N
N i t k 2 N U N ( k )e N k =1 N / 2 N /2 2
Parseval : Periodograma : U N ( )
2
N 2 2 U ( k ) u ( t ) = N N k =1 t =1 2
24
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Propriedades do Periodograma
peridicidade U N ( + 2 ) = U N ( ) se u (t ) real U N ( ) = U * N ( )
25
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Exemplos
u (t ) = A cos 0t , com = 2 / N 0 , N = sN 0 A2 2 U N ( ) = N 4 , para = 0 seno 0,
10
20
30
40
50
60
70
80
90
100
1 0.5 u1 0 -0.5 -1
10
20
30
40
50 Time
60
70
80
90
100
10
Periodogram
Power Spectral Density Estimate via Periodogram 20 Power/frequency (dB/rad/sample) 10 0 -10 -20 -30
u1 y1
10
10
-5
10
-10
10
5
-2
10
-1
10
10
10
10
-40 -50
10
0.1
0.2
0.9
10 -2 10
-5
10
-1
10 Frequency (rad/s)
10
10 26
1 0
Sinal Peridico
Power/frequency (dB/rad/sample)
-1 0 10 20 30 40 50 60 70 80 90 100
20
-20
u (t ) = u (t + N 0 ), u (t ) = com 1 N0
N0 / 2 r = N 0 / 2 +1
[1, N ],
N = sN 0
-40
Ar e 2itr / N0
1 N0
-60
0.1
0.2
0.9
Ar =
u (t )e
t =1
N0
2itr / N 0
0 -1 0 10 20 30 40 50 60 70 80 90 100
Power/frequency (dB/rad/sample)
2k 2 , 2 s Ar , se = U N ( ) = N0 0, seno
N r = 0, 1,... 0 2
Power Spectral Density Estimate via Periodogram 20 10 0 -10 -20 -30 -40 -50 -60 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 Normalized Frequency ( rad/sample) 0.9
27 1
onde
28
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Processos Estocsticos
Uma seqncia de variveis aleatrias com uma pdf conjunta Definies:
Rx (t ) = Ex(t1 ) xT (t 2 ) = correlao
Estacionariedade
x(t) estacionrio no sentido amplo (WSS) se:
mx (t ) = mx = constante t Rx (t1 , t 2 ) = Rx (t1 t 2 )
Ey (t ) = G ( q )u (t )
Processos quasi-estacionrios
1) Es (t ) = ms (t ) 1 e lim N N
N
ms (t ) C
2) Es (t ) s(r ) = Rs (t , r ) Rs (t , r ) C
R (t , t ) = R ( )
t =1 s s
1) s (t ) C 1 2) lim N N
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
s(t )s(t ) = R ( )
t =1 s
31
Exemplo
s (t ) tem energia finita 1 N 1 2 u (t )u (t ) u 2 0 N t =1 x(t ) +
N
N u (t )
N
em geral s (t ) =
estocstico + determinstico 1 Notao : E (.) = lim N Situao quasi estacionria E s (t ) = mx + mu E s (t ) s (t- ) = Rx ( ) + Ru ( ) + 2mx mu
32
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
(.)
t =1
E s (t ) = ms = cte E s (t ) s ( ) = Rs (t )
Espectro de Potncia
Para um processo quasi-estacionrio:
x (e ) =
i
R ( )e
= x
(Transformada de Fourier de Rx ( ))
A2 ( ( 0 ) + ( + 0 ) ) x (e ) = 4
33
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
= h(k ) h(k )
s =0
v ( ) =
R ( )e
= v
= e i
=
ik
k = max( 0, )
h (k )h(k )
i ( k )
10
= k = max( 0, )
h (k )e
is k =0
h(k )e
10
= h( s )e
s =0
2
10
-2
10
-1
10
v ( ) = H (ei )
Espectro de um processo estocstico descrito por v(t) = H(q) e(t), onde a seqncia de variveis aleatrios {e(t)} tem mdia 0 e covarincia
34
Power/frequency (dB/rad/sample)
-10
-20
-30
-40
-50
0.1
0.2
0.9
10
-0.5
10
20
30
40
50
60
70
80
90
100
10
2
10
10
10
20
30
40
50
60
70
80
90
100
10
-1
10
-2
10
-2
10
-1
10 w/[rad/s]
10 35
Power/frequency (dB/rad/sample)
P ower Spec tral Density E stimate via P eriodogram 20 10 0 -10 -20 -30 -40 -50 -60 -70
0.1
0.2
0.3 0.4 0.5 0.6 0.7 0.8 Normalized Frequency ( rad/s ample)
0.9
-0.5 0
10
100
200
300
400
500
600
700
800
900
1000
10
2
10
10
-2 -4 0
10
-1
100
200
300
400
500
600
700
800
900
1000
10
-2
10
-2
10
-1
10 w/[rad/s]
36 10
1
37
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
para = 0 seno
lim
E S
( ) ( )d = s ( ) ( )d
2
Espectro
Motivao: O espectro uma propriedade de segunda ordem dos sinais. Descreve apenas certos aspectos do sinal, , no entanto suficiente para caracterizar vrias propriedades relacionadas identificao de sistemas dinmicos.
Espectro cruzado
xy (e ) =
i R ( ) e xy
39
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
s(t)
s (t ) = G (q ) w(t )
i 2
s ( ) = G (e ) w ( ) sw ( ) = G (ei ) w ( )
40
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
quasi-estacionrio
y (t ) = G (q)u (t ) + H (q)e(t )
42
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Modelo Completo
y (t ) = G (q )u (t ) + H ( q )e(t )
e H v u G y
H ( q ) = 1 + h( k ) q k
k =1
D d
Conjunto de Modelos Estrutura
43
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
= [a1 L an
b1 L bnb ,
e (t ) um rudo branco
ARMAX
ARMAX ( AutoRegressivo Mdia Mvel com entrada eXgena) A(q) y (t ) C (q)e(t ) B(q )u (t ) y (t ) + a1 y (t 1) + ... + ana y (t na ) = b1u (t 1) + ... + bnb u (t nb ) + e(t ) + c1e(t 1) + ... + cnc e(t nc )
= [a1 L an
b1 L bnb
c1 L cnc
A(q ) = 1 + a1q 1 + ... + ana q na B(q ) = b1q 1 + ... + bnb q nb C (q) = 1 + c1q 1 + ... + cnc q nc para o modelo y = Gu + He G = B , A H= C A
45
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Modelo Equao de Erro (erro como mdia mvel ) ou ARARX A(q) y (t ) = B(q )u (t ) + ARARMAX A(q) y (t ) = B(q )u (t ) + C (q) e(t ) D(q) 1 e(t ) D(q)
46
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
= b1 L bn
f1 L
fn f
]
B u F
(t ) = Pr editor de um passo y
G=
B , F
H =1
47
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Preditor OE
Modelo OE y (t ) = B u + e(t ) = w(t ) + e(t ) F B(q) u (t ) = w(t , ) F (q )
(t ) = y
(t k ) na realidade w(t k , ) = y
48
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Estrutura Box-Jenkins
Box Jenkins ou ARMA y (t ) = B(q) C (q) u (t ) + e(t ) F (q) D(q )
(t ) = y
D( q ) B (q ) C (q ) D(q ) u (t ) + y (t ) C (q ) F (q ) C (q )
49
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Duas componentes de rudo ( geralmente assumidos brancos) (t ) perturbao v (t ) rudo de sada E T = R1 ( ) EvvT = R2 ( ) EvT = R12 ( )
50
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
- Degrau - Seqncia Binria Pseudo-Randmica (PRBS) - Processo ARMA - Sinais peridicos: soma de senides - Condies para excitao suficiente - Degenerao do projeto do sinal de entrada - Relao entre PRBS & rudo branco - Propriedades no domnio da freqncia destes sinais
51
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
1 u (t ) = 0
t0 seno
Seqncia binria pseudo-randmica sinal peridico chaveamento entre dois nveis, segundo um certo padro nveis a, perodo = M
52
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
III ALGORITMOS
53
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
54
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
MTODOS NO PARAMTRICOS
55
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Mtodos no paramtricos
Mtodos no domnio do tempo
Resposta ao impulso Resposta ao degrau Anlise da correlao / tempo
Definio do problema
Sistema estvel, linear e invariante no tempo y (t ) = G0 (q)u (t ) + v(t ) y (t ) = g 0 * u (t ) + v(t ) para u (t ) pulso de amplitude em t = 0 y (t ) = g 0 (t ) + v(t )
57
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Critrios
(ei ) , 0 a ) G0 (ei ) G T (t ) t 0 b) g 0 (t ) g c)
g
t =0
(t ) (t ) g
( e i ) d ) sup G0 (ei ) G
58
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
sen( d t )
A;
= n ;
d = n 1 2 = 2 / Td
B2 = B1e (T2 T2 )
59
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
sen( d t )
A;
= n ;
d = n 1 2 = 2 / Td
B2 = B1e (T2 T2 ) do grfico : n = 1,03; = 0,1825; A = 1
60
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
(s) = G
1.2
1 Amplitude
0.8
0.6
0.4
0.2
10
15 Time (sec)
20
25
30
61
62
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
= [ X T X ]1 X T y
Matriz pseudo-inversa
63
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Vetores:
= [a1 L an b1 L bm ]T
(t ) = [ y (t 1) L y (t n) u (t 1) L u (t m)]T
y (t ) = T ) y (t | ) = T (t )
Estimativa dependente dos parmetros
64
Notao Compacta:
min VN ( , Z N )
1 VN ( , Z ) = N
N
1 ( y ( t ) y ( t | )) = N t =1
2
( y(t )
t =1
(t ) ) 2
N = arg min VN ( , Z N )
d VN ( , Z N ) = 0 d N N = (t ) T (t ) t =1 )
1 N
MMQ:
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
(t ) y(t )
t =1
65
y (t ) + ay (t 1) = bu (t 1) N y (t 1) y (t 1)u (t 1) y (t )u (t 1) a ) = b 2 y ( t ) u ( t 1 ) y ( t 1 ) u ( t 1 ) u ( t 1 ) N
2 1
66
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
0.5
1.5
2.5
67
1 1 0.9 0.8 0.8 0.7 0.6 0.6 0.5 0.4 0.4 0.3 0.2 0.2 0.1 0 0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
0.5
1.5
2.5
10
15
20
25
30
68
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
u = sin(2t) y = y + 0.1rand()
10
15
20
25
30
69
Regresso Linear
y (t ) = a1 y (t 1) ... an y (t n) + b1u (t 1) + ...bmu (t m)
= [a1 L an b1 L bm ]T
(t ) = [ y (t 1) L y (t n) u (t 1) L u (t m)]T
) y (t | ) = T (t )
Regresso Linear: Calcular ^ y utilizando os valores passados contidos em
^ y
Modelo ARX: Auto-Regressivo ^ y depende de valores passados de y X entrada eXterna (u), varivel eXgena
70
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Polarizao do Estimador MQ
1 = Ay, A = T T
y ( k ) = y i ( k ) + e( k )
Variveis aleatrias
] b = E[
y ( k ) = T (k 1) + e(k )
=0
=0
71
Estimadores No Polarizados
EMQ - Estimador estendindo de mnimos quadrados GMQ Estimador de mnimos quadrados generalizado VI Estimador das variveis instrumentais
72
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
73
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
DM d vetor de parmetros
M * = {M ( ) | DM } conjunto de modelos Cada modelo uma maneira de predizer as sadas futuras. Filtro linear como preditor : (t | ) = W y (q, ) + Wu (q, ) ) M ( ) : y Para o preditor de um passo adiante : y (t ) = G (q, )u (t ) + H (q, )e(t ) com : W y(q, ) = [1 H 1 (q, )], Wu (q, ) = H 1 (q, )G (q, )
74
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
vetor de dados
erro de predio
75
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
l(
t =1
F (t , ))
onde l(.) uma funo escalar , tipicamente positiva. Estimador de parmetros : = ( Z N ) = arg min V ( , Z N ) N N N
Seja o sistema
y ( k ) = T + e(k ), com E[e(k )] = 0, cov[e(k )] = R
Algoritmo recursivo
T + y(k ) = k (k 1) k
M T k = k 1 + K k ( y (k ) k k 1 )
Inovao
78
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
(t )
81
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
82
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
83
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Processo Trmico
Identificao Process Model
1. 2. 3. 4. 5. 6. 7.
ident Carregar os sinais de u,y Remover a mdia Selecionar faixas: [identificao, validao] Process Models Estimate: P1D, P1, P2, P2D, P2DZ,... Model Output
84
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Processo Trmico
Modelo de Processo
Kp 1 + Tp1s K p e Td s (1 + Tp1s )(1 + Tp 2 s) K p (1 + Tz s )e Td s (1 + Tp1s)(1 + Tp 2 s)
P1( s) =
P 2 D( s) =
P 2 DZ ( s) = ...
85
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
0.5
1.5
2.5
3.5 x 10
4
4
0.5
1.5
2 Time
2.5
3.5 x 10
4
4
Procedimento:
y1 0 -10 0 0.5 1 1.5 2 2.5 3 3.5 x 10 100 u1 0 -100
4
0.5
1.5 Time
2.5
3.5 x 10
4
86
-2
2
-4
0 P3DZ P1 P2D P2DZ data
-6
-2
-8
-10 2
-4
2.2
2.4
2.6 Time
2.8
3.2 x 10
4
-6
-8 2.4 2.42 2.44 2.46 2.48 Time 2.5 2.52 2.54 2.56 x 10
4
87
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
P 2 D( s) =
P 2 DZ ( s ) =
2.2
2.4
2.6
2.8
3.2
P2D Kp = 0.084231 Tp1 = 116.15 Tp2 = 0.001 Td = 0 P2DZ Kp = 0.091263 Tp1 = 308.19 Tp2 = 41.164 Td = 4.8147 Tz = 200.4
P1 !!
Kp (1 + T p1s )
2.2
2.4
2.6 Time
2.8
3.2 x 10
4
88
P 2 DZ ( s ) =
Scope
K p (1 + Tz s )e Td s (1 + Tp1s )(1 + Tp 2 s )
0.4
1 s 1/300
1/300
id data
89
90
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
91
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
92
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
93
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
14
12
10
8 7000 2000
2100
2200
2300
2400
2700
2800
2900
3000
94
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
95
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Ar
Ar
96
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
10.56 10.54
h2,h2ma/[cm]
8600 8800 Malha aberta -> seria necessrio aumentar muito o tempo do experimento!!
9000
9600
9800
10000
97
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
h2/[cm]
valores absolutos 14 12 10 8 6 4 2 0 0 200 400 600 800 1000 t/[seg] 1200 1400 1600 1800 2000 0,1 1 3
valores normalizados 0.8 0.6 0.4 h2/[c m ] 0.2 0 -0.2 -0.4 -0.6 0 200 400 600 800 1000 t/[seg] 1200 1400 1600 1800 2000 0,1 1 3
98
Taxa de Amostragem
Teorema de Nyquist REGRA: 5 a 8 amostras durante o tempo de subida. Em geral melhor realizar o experimento numa taxa mais alta e posteriormente decimar o sinal. Considerar a operao em malha fechada.
valores normalizados 0.6 0.4 h2/[cm] 0.2 0 -0.2 -0.4 1050 1100 1150 t/[seg] 1200 1250 1300 0,1 1 3
Y ( s) Ke -Ts = 2 U ( s ) s + ( p1 + p 2 ) s + p1 p 2
15 10 r,h2/[cm] 5 0
-5 14
r,h2/[cm]
12
10
~2h em M.F.!
8 2000
2100
2200
2300
2400
2700
2800
2900
3000
100
101
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
LEARn
Laboratorio de Ensino de Automao Remoto da UnB
103
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Processo de Nvel
[t uid] sinal PRBS 10 Ponto de Operao Zero-Order Hold 10 Saturao do atuador Scope1
1/A1
h1
h1
k2 sqrt |u|
h2
1/A2
1 s h2 r2
Scope
h2
1/A3
h3
k4 sqrt 1 s h4 |u|
h4
1/A4
h4
h4
r4
104
Subsystem
r u u y
In1 Out1
Saturao do atuador
105
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
P2 :
0.005 0
0.005
-0.005 -0.01
-0.005
-0.015 -0.08
-0.07
-0.06
-0.02
-0.01
-0.03
-0.01
-0.005
Step Response From: u To: y 0.2 0.25 0.15 Amplitude 0.2 Amplitude 0.15 0.1 0.05 0 0 100 200 300 400 500 600 0
0.1
0.05
106
0 500 1000 Time (seconds) 1500
0.5
0.5
-0.5
-0.5
-1 -0.1 0.4
-0.08
-0.06
-0.04
-0.02
-1 -0.04 0.8
-0.03
0.4
0.2
0.2 0.1 0 0 0 200 400 600 800 1000 1200 0 500 1000 1500 2000 2500
Time (seconds)
Time (seconds)
107
Step Response 8 6 Imaginary Axis (seconds-1) 4 2 0 -2 0.2 -4 0.1 -6 -8 0 -0.03 -0.02 -0.01 0 Real Axis (seconds -1) 0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500 x 10
-3
Pole-Zero Map
From: v@y1
To: y1
0.4 0.3
Time (seconds)
108
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
In1 Out1
Saturao do atuador
Scope1
uid=idinput(10000,'PRBS',[0 0.05],[-1 1]) P2: r = 30; h1=84,3; h2=51,9; h3=32,3; h4=17,1 n4s4 Best Fit = 95,63
From u1 0.3 0.2 0.1
Y ( s) 6.7775e - 007 (s + 0.2777) (s^2 - 0.3814s + 0.1151) = U ( s ) (s + 0.03914) (s + 0.02876) (s + 0.01034) (s + 0.002808)
Step Response From: u1 0.7 0.6 0.5 Amplitude From: v@y1
To y1
To: y1
0.4 0.3 0.2 0.1 0 0 500 1000 1500 2000 2500 0 500 1000 1500 2000 2500
Time (seconds)
109
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Identificao P.O.
Control Design Linear Analysis
P2: u = 51.6; h1=84,3; h2=51,9; h3=32,3; h4=17,1
2.198e - 008 Y ( s) = U ( s ) (s + 0.03972) (s + 0.02881) (s + 0.01032) (s + 0.002809)
Y ( s) 2.1982e - 008 = U ( s ) (s + 0.03976) (s + 0.0287) (s + 0.01031) (s + 0.002796) Y ( s)
= uid=idinput(10000,'PRBS',[0 0.01],[-1 1]): U ( s ) (s + 0.03846)(s + 0.002816) (s + 0.01025) (s + 0.02969) n4s4: Fit 98.55 zpk(d2c(n4s4)
Pole-Zero Map 1
0.6
Imaginary Axis (seconds-1) 0.5
0.5 0.4
Lin. Ident.
0.3
-0.5
0.2 0.1
-1 -0.04
-0.035
-0.03
-0.025
-0.02
-0.015
-1
-0.01
-0.005
500
1000 t/[seg]
1500
2000
110
V Concluses
Teoria j bem estabelecida Dificuldades Prticas Principal Ferramenta: MMQ e variantes Arte na escolha de: estrutura, taxa de amostragem, algoritmos etc Algoritmos Recursivos Sistemas no-lineares
111
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Referncias
1) Aguirre, L.A. (2007): Introduo Identificao de Sistemas, 3a ed, Editora UFMG 2) Lennart Ljung (1999): System Identification - Theory For the User, 2nd ed, PTR Prentice Hall, Upper Saddle River, N.J. 3) Landau, I.D; Zito, G. (2006): Digital Control Systems; Design, Identification and Implementation, Springer. 4) Haykin, S. (2001): Redes Neurais Princpios e Prtica, 2 Ed., Ed. Bookman 5) Rossiter, J. A. (2003): Model-based predictive control: a practical approach, CRC press. 6) MatLab - Control System Toolbox, System Identification Toolbox, Model Predictive Control Toolbox 7) www.periodicos.capes.gov.br
112
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
FIM
Contato:
Prof. Adolfo Bauchspiess Tel. +55 61 3107 5571 adolfobs AT lara unb br http://lara.unb.br/~adolfo
Endereo:
Sala B1-34/18 (Caixa Postal 04386) Departamento de Engenharia Eltrica - ENE/FT/UnB Campus Universitrio Darcy Ribeiro - Asa Norte 70904-970 Braslia-DF BRASIL