Apostila UnB

Identificao de Sistemas Dinmicos
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
IV. Identificao na Prtica

a. b. c. Processo Trmico Nvel de Lquido 2 Ordem Nvel de Lquido 4 Ordem
V. Concluses
2
ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
1 - INTRODUO
3
I - Introduo
Modelos: Caixa Branca Caixa Preta Caixa Cinza Identificao de Sistemas

4
Sinais e Sistemas
Sinais: u - entrada (varivel manipulada) y sada (varivel controlada) w perturbao mensurvel v perturbao no mensurvel
5
Exemplo Conforto Trmico
Sistema: Sinais: u ar condicionado, calefao y temperatura w temperatura externa v radiao solar

6
Exemplo Processo de nvel

Sistema: Sinais: u qi1, vazo [cm3/s] y nvel [cm] w qi3 v?
7
Exemplo Helicptero
Sistema: Sinais: u motores y posio e orientao w? v vento
8
Principais Etapas numa Identificao
Coleta de dados Escolha da representao matemtica Determinao da estrutura Estimao dos parmetros Validao
9
II SINAIS E SISTEMAS DINMICOS
10
II. Sinais e Sistemas Dinmicos

Breve reviso de conceitos vistos em Anlise Dinmica Linear, Controle Dinmico e Controle Digital
Sistemas dinmicos lineares invariantes no tempo Sistemas discretos Sistemas no-lineares Sistemas a parmetros distribudos Paradigmas de controle de sistemas dinmicos
11
Tipos de Modelos
Estticos x Dinmicos Discretos x Contnuos Autnomos x No autnomos Monovariveis x Multivariveis Determinsticos x Estocsticos Paramtricos x No paramtricos
12
Sistemas lineares invariantes no tempo
Princpio da superposio Funo de transferncia Todos os sistemas reais so no lineares:

Saturao Zona-Morta Dependncia do ponto de operao etc
13
Sistemas Discretos
Amostragem Transformada Z Computadores, CLPs, Microcontroladores & etc Identificao de Sistemas
utiliza amostras dos sinais
14
Sistemas LTI discretos

u(t)
Sistema Continuo
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,...
H (q) = h( k ) q t Funo de Transferncia

t =0
Obs: q-1 operador deslocamento unitrio z freqncia discreta

15
Sistemas a Parmetros Distribudos

Fenmenos de Transporte Exemplo: Transferncia de Calor
2 2 =K 2 2 x t
Simulao da velocidade do vento em Modelica, por Felgner, ASIM2002 16

Modelo Paramtrico x Modelo No P.

s +1 H ( s) = 2 s + 0,5s + 1
Modelo Paramtrico
Modelo No Paramtrico: Diagrama de Bode

Bode Diagram
Modelo No Paramtrico: Resp. Impulso

Impulse Response
10 0 Magnitude (dB) Phase (deg) -10 -20 -30 -40 45 0
1.2 1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6
Amplitude
-45 -90 -135
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
Modelo Paramtrico Discreto
Modelo No Paramtrico: Diagrama de Bode Modelo No Paramtrico: Resp. pulso

Impulse Response 1.2 1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6
Bode Diagram 10
5 Magnitude (dB) Phase (deg)

0 5 10 Time (seconds) 15 20 25
-5
Amplitude
-10 0 -45 -90 -135 -180 10

-2
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
Caracterizao de perturbaes
0.3 0.2 0.1
a)
v(t ) = h(k )e(t k )
k =0
0 -0.1 -0.2 -0.3 -0.4 -0.5
10
20
30
40
50
60
70
80
90
100
{e(t )} rudo branco

b)
0.3 0.2 0.1 0 -0.1 -0.2 -0.3 -0.4
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
Covarincia
Assumindo e(t) com mdia 0 e varincia ,
Mdia : Ev(t ) = h(k ) Ee(t k ) = 0

k =0
Covarincia : Ev(t )v(t ) =

k =0
h(k )h(s) Ee(t k )e(t s)

s =0
=
k =0
h(k )h(s) (t s)
s =0
= h( k ) h( k )
s =0
Covarincia do processo v : Rv ( ) = Ev(t )v(t )

21
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 )
Sistema Discreto
22
Resposta no domnio da freqncia

u(t)=cos(t)=Re(eit)
Sistema Continuo
y (t ) = G (ei ) cos t + arg G (ei )
para u (t ) = 0 t < 0, it y (t ) = G (e ) cos t + arg G (e ) Re e g (k )e ik k =t

i i
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
para sistemas estveis
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
Propriedades do Periodograma
peridicidade U N ( + 2 ) = U N ( ) se u (t ) real U N ( ) = U * N ( )
25
Input and output signals 1 0.5 y1 0 -0.5 -1
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
0.3 0.4 0.5 0.6 0.7 0.8 Normalized Frequency ( rad/sample)
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
Power Spectral Density Estimate via Periodogram 40
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
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
Filtro ou Sistema Dinmico: Transformada de Fourier

{s(t )} e {w(t )} so relacionados
w(t)
Sistema Continuo
por um sistema estritamente estvel
s(t ) = G (q ) w(t ) 1 N S N ( ) = s (t )e it N t =1 1 N WN ( ) = w(t )e it N t =1 S N ( ) = G (e i )WN ( ) + RN ( ) C RN ( ) 2Cw G , N com CG = k g (k )

t =1
onde
28
Processos Estocsticos
Uma seqncia de variveis aleatrias com uma pdf conjunta Definies:
mx (t ) = Ex(t ) = mdia C x (t1 , t 2 ) = E (x(t1 ) mx (t1 ) )(x(t 2 ) mx (t 2 ) ) = covarincia

T
Rx (t ) = Ex(t1 ) xT (t 2 ) = correlao
Rxy (t ) = Ex(t1 ) y T (t 2 ) = correlao cruzada Var ( x(t ) ) = Rx (t , t ) E 2 (x(t ) ) = varincia

29
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 )
( cte) no mais estacionrio

30
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
Se s(t) um processo estacionrio, ento satisfaz 1 e 2. Se s(t) determinstico ento:
1) s (t ) C 1 2) lim N N
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
(.)
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 ( ))
Exemplo : Sinal Senoidal x(t ) = A cos(0t ) 1 Rx ( ) = lim N N

i
A2 cos(0 ) A cos(0t ) A cos 0 (t ) = 2 t =1

N
A2 ( ( 0 ) + ( + 0 ) ) x (e ) = 4
33
Espectro de processo estacionrio

Ev(t )v(t ) =
k =0
h(k )h(s) Ee(t k )e(t s) = h(k )h(s) (t s)

s =0 k =0 s =0
= 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
h(k )eik = H (ei )
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
Exemplo: Processo estacionrio

Periodograma x Espectro
e(t) seqncia de variveis aleatrias 0.5
Power Spectral Density Estimate via Periodogram 10
-10
-20
-30
-40
-50
0.1
0.2
0.9
10
Spectro de H(q)=(1 + .5 q-1)/(1 -1.5 q-1 + .7 q-2)
-0.5
10
20
30
40
50
60
70
80
90
100
10
2
v(t) sinal estocstico v(t) = H(q)*e(t) 4 2 0 -2 -4
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
Exemplo: Processo estacionrio

Periodograma x Espectro
e(t) seqncia de variveis aleatrias 0.5
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
Spectro de H(q)=(1 + .5 q-1)/(1 -1.5 q-1 + .7 q-2)
100
200
300
400
500
600
700
800
900
1000
10
2
v(t) sinal estocstico v(t) = H(q)*e(t) 4 2 0
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
Sinal misto: determinstico + estocstico

s (t ) = u (t ) + v(t ) {u (t )} determinstico, espectro u ( )
{v(t )} estocstico, mdia 0, e espectro v ( )

E s (t ) s (t ) = E u (t )u (t ) + E u (t )v(t ) + E v(t )u (t ) + E v(t )v(t ) = Ru ( ) + Rv ( ) pois E v(t )u (t ) = 0. s ( ) = u ( ) + v ( )
37
Periodograma x Espectro de Potncia

A2 X N ( ) = 4 N , 0,
2 ? lim X N ( ) x ( e i ) 2
para = 0 seno
Resultado, para s(t) quasi-estacionrio:
lim
E S
( ) ( )d = s ( ) ( )d
2
para toda funo ( ) suficientemente suave. (Convergncia como distribuio)

Obs. : S N ( )
2
uma funo " errtica"

38
s (ei ) uma funo " bem comportada"

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
Espectro de sinais filtrados

w(t)
Sistema
s(t)
s (t ) = G (q ) w(t )
i 2
{w(t )} quasi estacionrio {s(t )} quasi estacionrio
s ( ) = G (e ) w ( ) sw ( ) = G (ei ) w ( )
40
Modelo para sistemas com sadas ruidosas

e H v Rudo u G y Sada Rudo branco
quasi-estacionrio
{u (t )} quasi estacionrio, espectro u ( ) {e(t )} rudo branco de varincia

y ( ) = G (ei ) u ( ) + H (ei ) yu ( ) = G (e i ) u ( )
y (t ) = G (q)u (t ) + H (q)e(t )
Relaes fundamentais em Indentificao de Sistemas Mtodos de correlao

41
MODELOS DE SISTEMAS LTI
42
Modelo Completo
y (t ) = G (q )u (t ) + H ( q )e(t )
e H v u G y
u (t ) entrada y (t ) sada e(t ) rudo (com f e (.) PDF ) G (q ) = g (k )q

k =1 k
H ( q ) = 1 + h( k ) q k
k =1
Modelo Parametrizado y (t ) = G ( , q )u (t ) + H ( , q )e(t )
D d
Conjunto de Modelos Estrutura
43
Modelos de Funes de Transferncia

ARX ( AutoRegressivo com entrada eXgena) A(q ) y (t ) y (t ) + a1 y (t 1) + ... + ana y (t na ) = b1u (t 1) + ... + bnb u (t nb ) + e(t ) B(q )u (t )
= [a1 L an
b1 L bnb ,
e (t ) um rudo branco
A( q ) = 1 + a1q 1 + ... + ana q na B( q ) = b1q 1 + ... + bnb q nb para o modelo y = Gu + He G = B , A H= 1 A

44
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
Estrutura equao de erro
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
Modelo OE Erro de sada

Modelo OE B y (t ) = u + e(t ) F
= b1 L bn
f1 L
fn f
]
B u F
(t ) = Pr editor de um passo y
G=
B , F
H =1
47
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 , ) = [u (t 1) L u (t nb ) w(t 1, ) L w(t n f , )]T

Preditor (t ) = T (t , ) y
(t k ) na realidade w(t k , ) = y
48
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 )
Mais genrico ainda... B (q ) C (q) A(q ) y (t ) = u (t ) + e(t ) ... F (q ) D(q)
49
Estrutura Espao de Estados

x(t + 1) = A( ) x(t ) + B( )u (t ) + (t ) y (t ) = C ( ) x (t ) + v(t ) A( ) nxn C ( ) pxn
Duas componentes de rudo ( geralmente assumidos brancos) (t ) perturbao v (t ) rudo de sada E T = R1 ( ) EvvT = R2 ( ) EvT = R12 ( )
50
Projeto do sinal de entrada

Sinais mais utilizados:
- 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
Exemplos de sinal de entrada

Entrada degrau
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
III ALGORITMOS
53
III.a ALGORITMOS MTODOS DETERMINSTICOS
54
MTODOS NO PARAMTRICOS
55
Mtodos no paramtricos
Mtodos no domnio do tempo
Resposta ao impulso Resposta ao degrau Anlise da correlao / tempo
Mtodos no domnio da freqncia

Teste da senide Anlise da correlao / freqncia Anlise de Fourier Anlise Espectral
56
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 )
Mtodos no domnio do tempo estimam g0 Mtodos no domnio da freqncia estimam G0(ei)
57
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
Ex. Processo de 2 Ordem

No h tratamento especfico ao rudo Relao Sinal/Rudo deve ser alta!
Ex : G ( s ) = 1 s 2 + 0,4 s + 1
A partir da resposta ao degrau (s) = Modelo : G y (t ) = 1 e t 1

2 2 A n 2 s 2 + 2 n s + n
sen( d t )
A;
= n ;
d = n 1 2 = 2 / Td
B2 = B1e (T2 T2 )
59

Ex : G ( s ) = 1 s 2 + 0,4 s + 1 (s) = G 1,062 s 2 + 0,3762 s + 1,062
A partir da resposta ao degrau (s) = Modelo : G y (t ) = 1 e t 1
2 2 A n 2 s 2 + 2 n s + n
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

Ex : G ( s ) = 1 s + 0,4 s + 1
2
(s) = G
1,062 s 2 + 0,3762 s + 1,062
Step Response 1.6 g 1.4 g__hat
1.2
1 Amplitude
0.8
0.6
0.4
0.2
10
15 Time (sec)
20
25
30
61
III.b ALGORITMOS O ESTIMADOR DE MNIMOS QUADRADOS
62
O Estimador de Mnimos Quadrados
Sistema de equaes sobredeterminado

y = X X T y = X T X
= [ X T X ]1 X T y
Matriz pseudo-inversa
63
Modelos ARX e o mtodo dos Mnimos Quadrados

Um problema Arqutipo Modelo:
y (t ) + a1 y (t 1) + ... + an y (t n) = b1u (t 1) + ...bmu (t m) y (t ) = a1 y (t 1) ... an y (t n) + b1u (t 1) + ...bmu (t m)
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:
O Estimador de Mnimos Quadrados

Dados do Processo:
Z N = {u (1) y (1) L u ( N ) y ( N )}
min VN ( , Z N )
Funo de custo de erro quadrado:
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:
(t ) y(t )
t =1
65
Ex.: Equao a diferenas de 1a ordem
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

gc( s ) = N =3 0.1728 ) g ( z) = z 0.7408
1
2 0.1728 = 0. 1 T g ( z ) = s+3 z 0.7408 N = 30 0.1728 ) g ( z) = z 0.7408

1
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

y=y+0.1rand()
gc( s ) = N =3 g3 ( z) = 0.2357 z 0.5395 2 0.1728 = 0.1 T g ( z ) = s+3 z 0.7408 N = 30 ) g 30 ( z ) = 0.2031 z 0.7123 N = 300 0.2854 ) g 300 ( z ) = z 0.5996
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
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 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

2 0.1728 = 0 .1 gc( s ) = T g ( z ) = s+3 z 0.7408 N = 300 0.1718 ) g 300 ( z ) = z 0.7428
1 0.8 0.6 0.4 0.2 0 -0 . 2 -0 . 4 -0 . 6 -0 . 8 -1
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
funo linear dos parmetros em
Modelo ARX: Auto-Regressivo ^ y depende de valores passados de y X entrada eXterna (u), varivel eXgena
70
Polarizao do Estimador MQ
1 = Ay, A = T T
y ( k ) = y i ( k ) + e( k )
Variveis aleatrias
Polarizao (bias) Modelo:
] b = E[
y ( k ) = T (k 1) + e(k )
y = + e = Ay, A uma matriz que depende dos regressores

b = E[ Ay ] = E[ A( + e)] = E[ A( I ) ] + E[ Ae] = E[ A I ] + E[ Ae]
b=0
=0
=0
71
Estimadores No Polarizados
EMQ - Estimador estendindo de mnimos quadrados GMQ Estimador de mnimos quadrados generalizado VI Estimador das variveis instrumentais
72
MTODOS DE ESTIMAO DE PARMETROS
73
Princpios subjacentes de mtodos de estimao de parmetros

M ( ) modelos parametrizados
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
Princpios subjacentes de mtodos de estimao de parmetros

Z N = [ y (1), u (1), y (2), u (2),..., y ( N ), u ( N )] O mapeamento D Z N
N M
vetor de dados
um mtodo de estimao de parmetros. Avaliao de um modelo candidato : (t | * ) (t , * ) = y (t ) y
erro de predio
Para Z N conhecido erro pode ser calculado para t = 1,2,...N
75
Minimizao do erro de predio

(t | * ), t = 1,2,...N (t , * ) = y (t ) y vetor de erro em N Avaliado por qualquer norma em N , qudrtica ou no. Quo " grande" o erro de predio ? Filtragem linear estvel : F (t , ) = L(q ) (t , ), Norma : 1 V N ( , Z N ) = N t = 1,2,...N
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
PEM Prediction-error Identification Methods e.g.: LS, ML

76
III.d Estimadores Recursivos

Estimao em batelada Estimao seqencial Estimao recursiva Estimao off-line Estimao on-line Estimao em tempo real
77
III. Estimadores Recursivos
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
Aplicao: Controle Adaptativo
(t )
O controlador K (t ) um sistema estvel variante no tempo.

79
PARTE IV IDENTIFICAO NA PRTICA

a) Processo Trmico b) Nvel de Lquido 2 Ordem c) Nvel de Lquido 4 Ordem
80
PARTE IV a) PROCESSO TRMICO
81
Processo Trmico Experimento de Controle de Digital
82
Processo Trmico Viso Esquemtica
83
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
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
Identificao do Processo Trmico

Input and output signals 60 50 y 1 40 30 20
0.5
1.5
2.5
3.5 x 10
4
4
300 250 u 1 200 150 100
Sinais medidos ~9h30
0.5
1.5
2 Time
2.5
3.5 x 10
4
4
Input and output signals 10
Procedimento:
y1 0 -10 0 0.5 1 1.5 2 2.5 3 3.5 x 10 100 u1 0 -100
4
- Excluir transio p/ P.O. - Conjunto de Identificao - Conjunto de Validao - Subtrair mdia
0.5
1.5 Time
2.5
3.5 x 10
4
86

Measured and simulated model output 4 P3DZ P1 P2D P2DZ data
Fit: P2DZ: 93.43 P3DZ: 93.42 P1: 87.66 P2D: 86.9

Measured and simulated model output
-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

Measured and simulated model output 4 2 0 -2 -4 -6 P2D data
P 2 D( s) =
K p e Td s (1 + Tp1s )(1 + Tp 2 s ) K p (1 + Tz s )e Td s (1 + T p1s )(1 + T p 2 s )
P 2 DZ ( s ) =
Fit: P2D: 86.9 P2DZ: 93.43
-8 -10 42 2 0 -2 -4 -6 -8 -10 2 P2DZ data
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

Zero ? Influncia do meio ambiente !
uid PRBS ZOH Sat 0-1023 u Delay 5 seg 0.09 0.6 1 s 1/40 yid y_real 30.5 Temperatura Ambiente 1/40
y
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
Kp = 0.091263 Tp1 = 308.19 Tp2 = 41.164 Td = 4.8147 Tz = 200.4
55 50 45 40 35 0.5 1 1.5 t/[seg] 2 2.5 3 x 10

4
id data
89
PARTE IV b) NVEL DE LQUIDO 2 ORDEM
90
Identificao em Malha Fechada Processo de Nvel 2 Ordem
91
92
93
15 10 r,h2/[cm] 5 0 -5 r,h2/[cm] 0 1000 2000 3000 4000 t/[seg] 5000 6000
14
12
10
8 7000 2000
2100
2200
2300
2400
2500 2600 t/[seg]
2700
2800
2900
3000
94
95
Ar
dh1 = qi sign (h1 h2 )k12 | h1 h2 | dt
Ar
dh2 = sign (h1 h2 )k12 | h1 h2 | k 2 h2 dt
96
Identificao Malha Aberta x Malha Fechada?
10.56 10.54
Experimento de 3h30: Malha fechada OK uid=idinput(12600,'PRBS',[0 0.025],[-.5 .5]);
h2,h2ma/[cm]
10.52 10.5 10.48 10.46 10.44
8600 8800 Malha aberta -> seria necessrio aumentar muito o tempo do experimento!!
9000
9200 9400 t/[seg]
9600
9800
10000
97
h2/[cm]
Identificao Pequenos Sinais?
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
valores normalizados 0.6 0.4 h2/[cm] 0.2 0 -0.2 0,1 1 3
uid=idinput(12600,'PRBS',[0 0.025],[-.5 .5]);

-0.4 1050 1100 1150 t/[seg] 1200 1250 1300
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
uid=idinput(12600,'PRBS',[0 0.025],[-.5 .5]);

99
Identificao em Malha Fechada

Malha Aberta:
Kp
KeTs (s + p1 )(s + p1 )
Y ( s) Ke -Ts = 2 U ( s ) s + ( p1 + p 2 ) s + p1 p 2
-Processo muito lento -Ponto de Operao? Identificao em Malha Fechada:

K p Ke Y ( s) = 2 R( s ) s + ( p1 + p 2 ) s + p1 p 2 + K p K
-Ts
15 10 r,h2/[cm] 5 0
Y (s) 0.0073637e -4.7 s = R ( s) s 2 + 0.05741s + 0.007676

Kp=25, P.O.=12cm, PRBS, Banda [0 0,025]
0 1000 2000 3000 4000 t/[seg] 5000 6000 7000
-5 14
Y (s) 0,0002945e -4,7 s = 2 U ( s ) s + 0,05741s + 0,0003123
r,h2/[cm]
12
10
~2h em M.F.!
Y (s) 0,0002945e -4,7 s = U ( s ) ( s + 0,0513)( s + 0,0061)

T1 = 19,48 seg ; T2 = 164,35 seg
8 2000
2100
2200
2300
2400
2500 2600 t/[seg]
2700
2800
2900
3000
100
PARTE IV c) NVEL DE LQUIDO 4 ORDEM
101
LEARn
Laboratorio de Ensino de Automao Remoto da UnB
Processo de Nvel de Lquido 4 Ordem
103
Processo de Nvel
[t uid] sinal PRBS 10 Ponto de Operao Zero-Order Hold 10 Saturao do atuador Scope1
k1 sqrt 1 s h1 r1 k12 sqrt |u| simout 2WS amostragem uniforme |u|

h1
1/A1
h1
h1
k2 sqrt |u|
h2
1/A2
1 s h2 r2
Scope
h2
k23 sqrt |u|
k3 sqrt 1 s h3 r3 k34 sqrt |u| |u|
1/A3
h3
k4 sqrt 1 s h4 |u|
h4
1/A4
h4
h4
r4
104
Processo de Nvel de Lquido

Linearizao em Ponto de Operao (u, y)
P1: r = 10; h1=19,1; h2=11,7; h3=7,31; h4=3,87 P2: r = 30; h1=84,3; h2=51,9; h3=32,3; h4=17,1
Subsystem
r u u y
simout 2WS amostragem uniforme Scope
[t uid] ref 30 Ponto de Operao
In1 Out1
Saturao do atuador
105
Linearizao em Ponto de Operao (u, y)

P1: r = 10; h1=19,1; h2=11,7; h3=7,31; h4=3,87 P2: r = 30; h1=84,3; h2=51,9; h3=32,3; h4=17,1
P1 : Y (s) 2.0446e - 007 = 2 U ( s ) (s + 0.151s + 0.005785) (s 2 + 0.02073s + 0.0002536)
0.015 Im ag ina ry A x is (s e c o nds -1 ) 0.01 Pole-Zero Map
0.01
P2 :
Y (s) 2.1978e - 008 = 2 U ( s ) (s + 0.07416s + 0.001432) (s 2 + 0.007496s + 8.453e - 005)

Pole-Zero Map
0.005 0
Imaginary Axis (seconds-1)
0.005
-0.005 -0.01
-0.005
-0.015 -0.08
-0.07
-0.06
-0.05 -0.04 -0.03 Real Axis (seconds -1)
-0.02
-0.01
-0.01 -0.04 -0.035
-0.03
-0.025 -0.02 -0.015 Real Axis (seconds -1)
-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
Step Response From: u To: y
0.1
0.05
106
0 500 1000 Time (seconds) 1500
Time (seconds) ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos
Linearizao Analtica em P.O.

P1: r = 10; h1=19,1; h2=11,7; h3=7,31; h4=3,87 P2: r = 30; h1=84,3; h2=51,9; h3=32,3; h4=17,1
2.0448e - 007 (s + 0.08362) (s + 0.06036) (s + 0.02168) (s + 0.00588)
Pole-Zero Map 1 Imaginary Axis (seconds-1) Imaginary Axis (seconds-1)
2.1982e - 008 (s + 0.03976) (s + 0.0287) (s + 0.01031) (s + 0.002796)

Pole-Zero Map 1
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
Step Response Real Axis (seconds -1)
-0.02 -0.01 Step Response -1 Real Axis (seconds )
0.6 Amplitude 0.3 Amplitude
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
Identificao em P.O. (em Malha Fechada)

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 = 97,62
Y ( s) 3.6002e - 007 (s + 0.2757) (s^2 - 0.5737s + 0.2038) = U ( s ) (s + 0.01119) (s + 0.002666) (s^2 + 0.06255s + 0.001025)
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: u1 0.7 0.6 0.5

Amplitude
From: v@y1
To: y1
0.4 0.3
Time (seconds)
108
Identificao em P.O. - Malha Aberta

Subsystem
u u y
[t uid] sinal PRBS 51.6022 Ponto de Operao
In1 Out1
Saturao do atuador
Scope1
simout 2WS amostragem uniforme Scope
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
0 -0.1 -0.2 -0.3 -0.3 -0.2 -0.1 0 0.1 0.2 0.3
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
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)
zpk(Model_sys2) Modelo Analtico:
= 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
3.6168e - 008 (s + 0.7369) (s^2 - 1.054s + 0.8185)
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
Real Axis (seconds )
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
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
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
Pgina da Disciplina Identificao de Sistemas Dinmicos:

http://lara.unb.br/~bauchspiess/index.php?option=com_content&view=article&id=69&Itemid=68 113

Apostila UnB

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila UnB

Enviado por

Direitos autorais:

Formatos disponíveis

Identificao de Sistemas Dinmicos

IV. Identificao na Prtica

Modelos: Caixa Branca Caixa Preta Caixa Cinza Identificao de Sistemas

Exemplo Conforto Trmico

Sistema: Sinais: u ar condicionado, calefao y temperatura w temperatura externa v radiao solar

Exemplo Processo de nvel

Principais Etapas numa Identificao

II SINAIS E SISTEMAS DINMICOS

II. Sinais e Sistemas Dinmicos

Sistemas lineares invariantes no tempo

Princpio da superposio Funo de transferncia Todos os sistemas reais so no lineares:

Sistemas LTI discretos

H (q) = h( k ) q t Funo de Transferncia

Obs: q-1 operador deslocamento unitrio z freqncia discreta

Sistemas a Parmetros Distribudos

Simulao da velocidade do vento em Modelica, por Felgner, ASIM2002 16

Modelo Paramtrico x Modelo No P.

Modelo No Paramtrico: Diagrama de Bode

Modelo No Paramtrico: Resp. Impulso

10 0 Magnitude (dB) Phase (deg) -10 -20 -30 -40 45 0

1.2 1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6

-45 -90 -135

ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos

Modelo Paramtrico Discreto

Modelo No Paramtrico: Diagrama de Bode Modelo No Paramtrico: Resp. pulso

5 Magnitude (dB) Phase (deg)

-10 0 -45 -90 -135 -180 10

ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos

0 -0.1 -0.2 -0.3 -0.4 -0.5

{e(t )} rudo branco

0.3 0.2 0.1 0 -0.1 -0.2 -0.3 -0.4

Mdia : Ev(t ) = h(k ) Ee(t k ) = 0

Covarincia : Ev(t )v(t ) =

h(k )h(s) Ee(t k )e(t s)

Covarincia do processo v : Rv ( ) = Ev(t )v(t )

Resposta no domnio da freqncia

y (t ) = G (ei ) cos t + arg G (ei )

para u (t ) = 0 t < 0, it y (t ) = G (e ) cos t + arg G (e ) Re e g (k )e ik k =t

para sistemas estveis

ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos

Input and output signals 1 0.5 y1 0 -0.5 -1

0.3 0.4 0.5 0.6 0.7 0.8 Normalized Frequency ( rad/sample)

ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos

Power Spectral Density Estimate via Periodogram 40

0.3 0.4 0.5 0.6 0.7 0.8 Normalized Frequency ( rad/sample)

ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos

Filtro ou Sistema Dinmico: Transformada de Fourier

por um sistema estritamente estvel

s(t ) = G (q ) w(t ) 1 N S N ( ) = s (t )e it N t =1 1 N WN ( ) = w(t )e it N t =1 S N ( ) = G (e i )WN ( ) + RN ( ) C RN ( ) 2Cw G , N com CG = k g (k )

mx (t ) = Ex(t ) = mdia C x (t1 , t 2 ) = E (x(t1 ) mx (t1 ) )(x(t 2 ) mx (t 2 ) ) = covarincia

Rxy (t ) = Ex(t1 ) y T (t 2 ) = correlao cruzada Var ( x(t ) ) = Rx (t , t ) E 2 (x(t ) ) = varincia

( cte) no mais estacionrio

ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos

Se s(t) um processo estacionrio, ento satisfaz 1 e 2. Se s(t) determinstico ento:

Exemplo : Sinal Senoidal x(t ) = A cos(0t ) 1 Rx ( ) = lim N N

A2 cos(0 ) A cos(0t ) A cos 0 (t ) = 2 t =1

Espectro de processo estacionrio

h(k )h(s) Ee(t k )e(t s) = h(k )h(s) (t s)

h(k )eik = H (ei )

ABauchspiess LARA/UnB Identificao de Sistemas Dinmicos

Exemplo: Processo estacionrio

Power Spectral Density Estimate via Periodogram 10

0.3 0.4 0.5 0.6 0.7 0.8 Normalized Frequency ( rad/sample)

Spectro de H(q)=(1 + .5 q-1)/(1 -1.5 q-1 + .7 q-2)