UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

ESCOLA DE ENGENHARIA
DEPARTAMENTO DE ENGENHARIA ELTRICA
PROGRAMA DE PS-GRADUAO EM ENGENHARIA ELTRICA
DIEGO ECKHARD
PROJETO DE EXPERIMENTOS PARA
IDENTIFICAO
Porto Alegre
2009
DIEGO ECKHARD
PROJETO DE EXPERIMENTOS PARA
IDENTIFICAO
Trabalho Individual
ORIENTADOR: Prof. Dr. Alexandre Sanfelice
Bazanella
Porto Alegre
2009
RESUMO
Este trabalho trata de projeto de experimentos para identicao de sistemas. Inicial-
mente apresentada uma reviso do problema de identicao utilizando a minimizao
do erro de predio. O problema de projeto de experimentos especicado estabelecendo
quais so as variveis do problema, o critrio minimizado e as restries de projeto. O
problema como proposto de difcil resoluo por ser no convexo, de dimenso innita
e por necessitar de informaes desconhecidas. Estes problemas so tratados com a nali-
dade de tornar o problema convexo e de dimenso nita. Variveis desconhecidas devem
ser estimadas. O problema pode ser ento resolvido utilizando abordagem de inequaes
matriciais lineares. Exemplos demonstram o funcionamento das tcnicas, utilizando sis-
temas e critrios variados. Um exemplo prtico apresentado, que demonstra como as
tcnicas apresentadas podem ser utilizadas.
Palavras-chave: Identicao de Sistemas, Projeto de Experimentos, Formulao
LMI, Exemplos Prticos.
ABSTRACT
This work deals with experiment design for systemidentication. Areviewof prediction-
erro identication is presented. The problem of experiment design is specied by the vari-
ables of the problem, the criterion minimized and the project constraints. The problem
as proposed is very difcult to solve because it is not convex, innite dimensional and it
needs unknown information. These problems are dealt with the aim to make the problem
convex and nite dimensional. Unknown variables need to be estimated. The problem can
then be solved using the linear matrix inequalities framework. Examples demonstrate the
techniques, using different systems and criteria. A practical example is presented, which
demonstrate how the techniques can be used.
Keywords: System Identication, Experiment Design, LMI Framework, Practical
Experiments.
SUMRIO
1 INTRODUO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 IDENTIFICAO POR MINIMIZAO DO ERRO DE PREDIO . . . 7
2.1 Estimao de Parmetros . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Incertezas nas Estimativas dos Parmetros . . . . . . . . . . . . . . . . 8
2.2.1 Covarincia dos Parmetros . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.2 Intervalo de Conana para os Parmetros Identicados . . . . . . . . . . 9
3 PROJETO DE EXPERIMENTOS . . . . . . . . . . . . . . . . . . . . . . 10
3.1 Consideraes gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.1.1 Variveis de projeto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.1.2 Minimizao de varincia . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.2 Persistncia de excitao . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
3.3 Projeto para experimentos em malha-aberta . . . . . . . . . . . . . . . . 12
3.3.1 Fator de crista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
3.3.2 Sinais de entrada comumente aplicados . . . . . . . . . . . . . . . . . . . 12
4 PROJETO DE EXPERIMENTOS UTILIZANDO LMIS . . . . . . . . . . 15
4.1 Restries no sinal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.2 Parametrizao e realizao do espectro do sinal de entrada . . . . . . . 16
4.2.1 Parametrizao do espectro de dimenso nita . . . . . . . . . . . . . . . 16
4.2.2 Parametrizao atravs de correlao parcial . . . . . . . . . . . . . . . . 17
4.3 Parametrizao da matriz de convarincia . . . . . . . . . . . . . . . . . 18
4.4 Parametrizao das restries de energia dos sinais . . . . . . . . . . . . 18
4.5 Restries de Qualidade . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
4.5.1 Representaes Convexas das Restries de Qualidade . . . . . . . . . . 19
4.6 Restries de Qualidade em Regies Elipsoidais . . . . . . . . . . . . . . 19
4.6.1 Reformulando como um Problema Convexo . . . . . . . . . . . . . . . . 19
4.6.2 Formulao de Dimenso Finita . . . . . . . . . . . . . . . . . . . . . . 20
5 SIMULAES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.1 Exemplo FIR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5.2 Exemplo ARX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.3 Exemplo com Restries em Intervalos Elipsoidais . . . . . . . . . . . . 27
6 EXPERIMENTO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
7 CONSIDERAES FINAIS . . . . . . . . . . . . . . . . . . . . . . . . 38
REFERNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
6
1 INTRODUO
Este trabalho trata de projeto de experimentos para identicao de sistemas. O m-
todo de minimizao do erro de predio estudado para resolver o problema de iden-
ticao de sistemas discretos, lineares e invariantes no tempo. O mtodo consiste basi-
camente em dois passos: escolher uma classe de modelos parametrizada por um vetor de
parmetros e em seguida encontrar o melhor conjunto de parmetros dentro da classe, de
acordo com a minimizao do erro de predio.
Devido a distrbios desconhecidos e quantidade limitade de dados o modelo sempre
vai conter erros, mesmo nos casos em que a classe de modelos exvel o suciente
para descrever o sistema. Estes erros podem ser classicados como erros de polarizao
e de varincia. Quando a classe de modelos escolhida consegue representar elmente o
processo, pode-se obter um modelo com caractersticas estatsticas de polarizao nula.
Rudos inerentes ao processo causam os erros de varincia. Como no possvel anular o
rudo, outras tcnicas podem ser utilizadas para diminuir o seu efeito malco.
O projeto de experimentos consiste em escolher o sinal de entrada que gera a melhor
estimativa do sistema. O melhor sinal pode ser escolhido utilizando diversos critrios e
restries. Usualmente o problema de difcil resoluo por ser no convexo, de dimen-
so innita e por necessitar de informaes desconhecidas do processo.
Estes problemas so tratatos em [4] com a nalidade de tornar o problema convexo e
de dimenso nita. Nesse trabalho as variveis desconhecidas so estimadas. O problema
pde ser ento resolvido utilizando abordagem de inequaes matriciais lineares.
Neste trabalho so apresentados alguns exemplos que demonstram o funcionamento
das tcnicas estudadas, utilizando sistemas e critrios variados. Um exemplo prtico tam-
bm apresentado, demonstrando como as tcnicas apresentadas podem ser utilizadas.
7
2 IDENTIFICAOPORMINIMIZAODOERRODE PRE-
DIO
Uma breve introduo do mtodo de identicao de sistemas por minimizao do
erro de predio apresentada neste captulo. O mtodo consiste basicamente em dois
passos. O primeiro a escolha de uma classe de modelos parametrizada por um vetor de
parmetros. O segundo encontrar o modelo dentro da classe escolhida que minimiza o
erro de predio. Devido a distrurbios desconhecidos e quantidade limitade de dados o
modelo sempre vai conter erros, mesmo nos casos em que a classe de modelos exvel
o suciente para descrever o sistema. Neste captulo sero resumidos alguns resultados
que quanticam as incertezas nos parmetros identicados.
2.1 Estimao de Parmetros
assumido que o sistema verdadeiro descrito por um sistema discreto, linear, inva-
riante no tempo com apenas uma entrada e uma sada, dado por
S : y(t) = G
0
(z)u(t) +v(t)
v(t) = H
0
(z)e
0
(t)
Onde y(t) a sada, u(t) a entrada e e
0
(t) rudo branco de varincia
0
. Alm disso,
G
0
(z) e H
0
(z) so funes de transferncia racionais e H
0
(z) estvel, mnico e de fase
mnima. Os sinais tem uma representao espectral, onde as densidades de espectro de
u(t) e v(t) so denotadas
u
e
v
, respectivamente.
O sistema verdadeiro descrito pelo modelo paramtrico
M: y(t) = G(z, )u(t) +H(z, )e(t) (1)
onde e(t) representa rudo branco com mdia zero e varincia . assumido que G e H
tem formas racionais
G(z, ) =
q
n
k
B(z, )
A(z, )
, H(z, ) =
C(z, )
D(z, )
, (2)
onde n
k
o atraso e
A(z, ) = 1 +a
1
z
1
+ +a
na
z
na
(3)
B(z, ) = b
1
z
1
+ +b
n
b
z
n
b
(4)
C(z, ) = 1 +c
1
z
1
+ +c
nc
z
nc
(5)
D(z, ) = 1 +d
1
z
1
+ +d
n
d
z
n
d
(6)
8
Os polinmios A(z, ) D(z, ) so parametrizados pelo vetor real R
n
dado por
= [a
1
, , a
na
, b
1
, , b
n
b
, c
1
, , c
nc
, d
1
, , d
n
d
]
T
(7)
A predio um passo a frente para o modelo (1)
y(t, ) = H
1
(z, )G(z, )u(t) +
_
1 H
1
(z, )

y(t). (8)
A abordagem de erro de predio para a identicao de sistemas com critrio qua-
drtico tem como objetivo minimizar o erro de predio
(t, ) y(t) y(t, ) (9)
com respeito ao vetor de parmetros. Isto feito resolvendo

N
= arg min

1
2N
N

t=1
(t, )
2
(10)
Alguns resultados de propriedades estatsticas da estimativa

N
sero apresentados na
sequncia.
2.2 Incertezas nas Estimativas dos Parmetros
Um meio muito comum de medir a qualidade das estimativas estudar suas proprie-
dades assintticas. Ou seja, quando o nmero de dados N cresce bastante, a estimativa
vai obedecer alguma certa distribuio. As propriedades desta distribuio vo determi-
nar a qualidade da estimativa. Assume-se que o sistema verdadeiro pertence classe de
modelos (S M), isto , existe um parmetro
0
tal que G(
0
) = G
0
e H(
0
) = H
0
.
Ento sob algumas hipteses, veja [5], a estimativa

0
possui uma distribuio assinttica
que respeita

N(

N

0
) N(0, P) quando N (11)
lim
N
N(

N

0
)(

N

0
)
T
= P (12)
P(
0
) =
0
_
E
_
(t,
0
)
T
(t,
0
)
_
1
(13)
(t,
0
) =

y(t, )|
=
0
(14)
Onde N denota a distribuio normal. Ento quando o sistema pertence a classe de
modelo, a estimativa converge para o valor verdadeiro e a covarincia do erro de estimao
decai 1/N. Portanto melhores estimativas so obtidas quando so coletados mais dados
para utilizar na estimao.
2.2.1 Covarincia dos Parmetros
Contudo, no somente o tamanho do experimento que inuencia a preciso da esti-
mativa. Seja introduzido o espectro

0
=
_

u

ue

ue

0
_
(15)
onde
u
o espectro da entrada e
ue
o espectro cruzado entre u(t) e e(t). O espectro

0
tambm inuencia a preciso da estimativa, como mostrado no lema sequinte.
9
Lema 1 O inverso da matrix de covarincia, P
1
(
0
), uma funo linear do espectro

0
dada por
P
1
(
0
) =
1
2
0
_

F(e

,
0
)
_

u
()
ue
()

ue
()
0
_
F

(e

,
0
)d (16)
onde
F(e

,
0
) =
_
H
1
(
0
)
dG(
0
)
d
H
1
(
0
)
dH(
0
)
d
_
. (17)
Prova: Insira (8) em (14) e utilize o teorema de Parseval para obter a expresso na forma
integral.
Como P uma medida do tamanho dos erros nos parmetros, o Lema 1 mostra exa-
tamente como este erro est relacionado com o espectro

0
, e especialmente com o
espectro do sinal de entrada
u
e o espectro cruzado
ue
. Portanto o Lema 1 muito til
para o projeto de experimentos. importante ressaltar que somente
u
e
ue
so medidas
que podem ser utilizadas para limitar P. As outras medidas so dependentes do sistema
desconhecido.
O espectro cruzado zero quando o sistema opera em malha-aberta. Portanto o espec-
tro da entrada a nica medida que inuencia a matriz de covarincia em malha-aberta.
2.2.2 Intervalo de Conana para os Parmetros Identicados
Da estimativa assinttica normal dos parmetros, veja (14), segue que
(

N

0
)P
1
N
(

N

0
)
2
quando N (18)
com
P
N
= P/N (19)
e portanto,
U

=
_
|(

N

0
)P
1
N
(

N

0
)
2

_
(20)
onde
2
uma distribuio Qui-quadrado com probabilidade , um intervalo de con-
ana o qual assintoticamente inclui o parmetro
0
com probabilidade . Portanto as
estimativas sero assintoticamente centradas em
0
e com probabilidade estaro dentro
de um elipside denido por P
N
e
2

.
10
3 PROJETO DE EXPERIMENTOS
O principal objetivo de um procedimento de identicao de um sistema pode ser de-
nido como obter um modelo bom e convel atravs de uma quantidade de trabalho
razovel [5]. Para isso, existem diferentes tcnicas de identicao que podem ser apli-
cadas mas tambm existem diferentes variveis de projeto que devem ser escolhidas pelo
usurio:
projeto do experimento;
estrutura do modelo;
algoritmo de identicao;
forma de validao do modelo obtido.
O projeto do experimento de identicao inclui diferentes escolhas, como quais si-
nais devemser medidos e quando isso deve ser feito, e quais sinais devemser manipulados
e como o fazer [5]. De uma certa forma, as variveis associadas ao projeto de experi-
mento so mais cruciais que as outras escolhas que devem ser feitas em todo o processo
de identicao. Enquanto as variveis associadas estrutura de modelo e aos mtodos
de identicao podem ser escolhidas e testadas diversas vezes atravs do uso do com-
putador, os dados obtidos durante o experimento s podem ser trocados se realizado um
novo experimento, o que pode ser um procedimento custoso e demorado.
3.1 Consideraes gerais
3.1.1 Variveis de projeto
As primeiras variveis a serem escolhidas, em caso de um sistema fsico indenido
so quais os sinais a considerar como sadas e quais os sinais como entrada da planta, ou
seja, onde posicionar os sensores e quais sinais devem ser manipulados de forma a excitar
o sistema durante o experimento. Outra deciso importante de ser tomada quando medir.
Geralmente os sinais so amostrados usando um tempo de amostragemT constante, valor
que deve ser escolhido pelo projetista.
Os sinais de entrada de um sistema tambm determinam o ponto de operao do sis-
tema e quais as partes e os modos deste sistema so excitados durante o experimento. A
liberdade de escolha das caractersticas dos sinais de entrada por parte do usurio pode
variar consideravelmente dependendo do processo a ser identicado. Em processos in-
dustriais, por exemplo, pode no ser permitido manipular o sistema quando este est em
modo de operao. Em sistemas econmicos e ecolgicos impossvel afetar o sistema
11
com o objetivo de identicao. J, em aplicaes didticas ou durante fases de desen-
volvimento de um equipamento novo, a escolha do sinal de entrada s restringida por
limitaes fsicas.
Dois aspectos diferentes so associados escolha do sinal de entrada u. Um relaci-
onado a propriedades de segunda ordem do sinal, como seu espectro de potncia
u
() e
o espectro cruzado
ue
() entre o sinal de entrada e o rudo de medio. O outro aspecto
relaciona-se com o formato do sinal. Pode-se trabalhar com sinais formados por somas
de senides, rudo branco ltrado, sinais pseudo-randmicos ou ainda sinais binrios.
Por m, ainda necessrio escolher o tamanho do experimento N, ou seja, o nmero
de medidas de sinais de entrada e sada que sero coletados.
3.1.2 Minimizao de varincia
Seja X um conjunto que contm todas as variveis a serem escolhidas associadas ao
experimento. O objetivo encontrar um conjunto para o qual a matriz de covarincia
P(X) seja minimizada. Assim, o problema de projeto de um sinal de entrada timo pode
ser denido como
min
XX
(P(X)) (21)
considerando-se restries no sinal de entrada e/ou no sinal de sada. (P) uma medida
escalar do tamanho da matriz P e X um conjunto de projetos possveis. Exemplos
comuns dessa medida so [4, 1, 3, 2]
Tr P (22)

max
(P) (23)
detP (24)
Tr WP (25)
A varincia em determinado componente de ser pequena se o sistema identicado
for sensvel quele componente. Assim, deve-se escolher as sadas y(t) e as entradas
u(t) de tal forma que a sada do sistema seja sensvel em relao aos parmetros que so
importantes aplicao em questo [5].
3.2 Persistncia de excitao
Claramente, o principal objetivo de um projeto de experimentos obter dados com
os quais seja possvel identicar o modelo adequado entre diferentes modelos em algum
conjunto de modelos pr-determinado. Para isso, o sinal utilizado na identicao deve
ser rico. Um sinal rico excita o sistema e o fora a mostrar suas propriedades. Assim,
o experimento sucientemente informativo se o mesmo gera dados que so suciente-
mente informativos [5].
Diz-se que u(t) persistentemente excitante de ordem n se o espectro
u
() for
diferente de zero em n frequncias no intervalo < . Considere, por exemplo,
um sinal formado por uma soma de n senides diferentes
u(t) =
n

k=1

k
cos(
k
t),
k
=
j
, k = j,
k
= 0,
k
= (26)
12
Cada senide possui duas componentes no espectro em
k
e em
k
[5]. Portanto,
este sinal persistentemente excitante de ordem 2n. Se alguma frequncia for igual a
zero, a ordem de excitao do sinal cai para 2n 1, uma vez que a senide apresenta
apenas uma componente no espectro. Da mesma forma, se uma senide for de frequncia
igual a , o sinal apresenta apenas uma componente no espectro.
Outra forma de caracterizar a persistncia de excitao de um sinal em termos da
funo de covarincia R
u
().
Seja u(t) um sinal quasi-estacionrio, e seja R
n
uma matriz n n denida por
_

_
R
u
(0) R
u
(1) . . . R
u
(n 1)
R
u
(1) R
u
(0) . . . R
u
(n 2)
.
.
.
.
.
.
.
.
.
.
.
.
R
u
(n 1) R
u
(n 2) . . . R
u
(0)
_

_
(27)
Ento u(t) persistentemente excitante de ordem n se e somente se R
n
for no-singular.
A ordem necessria da persistncia de excitao igual ao nmero de parmetros que
devem ser estimados. Dene-se um experimento como informativo quando o sinal de
entrada for persistentemente excitante.
3.3 Projeto para experimentos em malha-aberta
Para a identicao de sistemas lineares, existem trs fatos bsicos que governam a
escolha dos sinais [5]:
as propriedades assintticas da estimativa (bias e varincia) dependem somente do
espectro do sinal de entrada
u
, e no da forma de onda do sinal;
o sinal de entrada deve ter amplitude limitada: u u(t) u.
sinais peridicos podem ser compostos de acordo com a ordem de excitao neces-
sria para a identicao do sistema.
3.3.1 Fator de crista
A matriz de covarincia tipicamente inversamente proporcional energia do sinal
de entrada. Alm disso, deseja-se ter a maior energia no sinal de entrada possvel. Na
prtica, as limitaes de entrada so determinadas pelas restries de amplitude u e u.
Porm, o sinal pode ser denido em termos de fator de crista C
r
, o qual, para um sinal
com mdia zero, dado por
C
2
r
=
max u
2
(t)
lim
N
1
N

N
t=1
u
2
(t)
(28)
Assim, a forma de onda do sinal considerada to melhor quanto menor for o fator de
crista. Na teoria, o menor fator de crista possvel de se obter 1, o qual atingido por um
sinal binrio, simtrico em relao ao zero: u(t) = u. Porm, sinais binrios tm uma
desvantagem: no possibilitam a identicao de no-linearidades [5].
3.3.2 Sinais de entrada comumente aplicados
A m de identicar um sistema linear, o projeto de experimento deve visar um sinal
de entrada que tenha o espectro de frequncia desejado e o menor fator de crista possvel.
13
Porm, essas caractersticas so conitantes: se o espectro de um sinal for facilmente ma-
nipulvel, o fator de crista deste sinal tende a ser elevado, e vice-versa. Portanto, sempre
que gerado um sinal, recomenda-se estudar suas caractersticas antes de aplic-lo ao sis-
tema. Existem alguns sinais que so tipicamente aplicados em identicao de sistemas,
os quais sero descritos a seguir, bem como suas principais vantagens e desvantagens.
3.3.2.1 Rudo branco ltrado
Uma escolha simples de sinal gerar rudo gaussiano e aps ltr-lo atravs de um
ltro linear. Assim, teoricamente possvel atingir qualquer espectro do sinal atravs de
uma escolha adequada do ltro. Como o sinal gerado off-line, pode-se aplicar ltros no-
causais e eliminar o efeito transiente do sinal, o que proporciona melhor comportamento
espectral.
3.3.2.2 Sinal binrio randmico
Um sinal binrio randmico um processo randmico que assume apenas dois valo-
res, e pode ser gerado de diferentes maneiras. A maneira mais simples de obte-lo gerar
rudo branco gaussiano com mdia zero, ltr-lo adequadamente e utilizar apenas o sinal
(positivo ou negativo) do sinal obtido. Aps isto, pode-se adequar o sinal amplitude
desejada. O fator de crista obtido ideal, ou seja, igual a 1. Porm, pegando-se apenas
o sinal (positivo ou negativo) do sinal ltrado, o espectro de frequncia alterado. Isso
no desejvel uma vez que o objetivo modelar justamente o espectro do sinal. Dessa
forma, recomendvel vericar o espectro obtido antes de aplicar o sinal ao sistema.
3.3.2.3 Sinal binrio pseudo-randmico, PRBS
Um sinal binrio pseudo-randmico um sinal peridico, determinstico com propri-
edades de rudo branco. gerado atravs de
u(t) = res(A(z)u(t), 2) = res(a
1
u(t 1) +. . . +a
n
u(t n), 2) (29)
onde res(x, 2) o resduo de x dividido por 2. Dessa forma, u(t) assume valores entre 0 e
1. Aps, possvel adequar os limites do sinal aos valores desejados. O vetor de entradas
passadas [u(t 1) . . . u(t n)] apresenta apenas 2
n
valores diferentes e a sequncia u
peridica com um comprimento mximo M = 2
n
1. Desde que A(z) seja escolhido
adequadamente [5], o sinal u obtm a mxima periodicidade M. O espectro deste sinal
dado por

u
() =
2u
2
M
M

k=1
( 2k/M), 0 < 2. (30)
Na regio 0 < 2 existem M 1 picos de frequncia (excluindo-se = 0). Isto
mostra que um sinal PRBS com comprimento mximo M comporta-se como um rudo
gaussiano peridico, e persistentemente excitante de ordem M 1. O fator de crista
de um sinal PRBS timo.
3.3.2.4 Mltiplas senides
Uma escolha de sinal de entrada bastante natural e prtica um sinal formado por uma
soma de senides
14
u(t) =
d

k=1
a
k
cos(
k
t +
k
). (31)
Desconsiderando os efeitos do transitrio do sinal, o espectro dado por

u
() = 2
d

k=1
a
2
k
4
[(
k
) +( +
k
)] . (32)
Atravs de d, a
k
e
k
possvel aplicar a energia do sinal precisamente em frequncias
desejadas. A nica desvantagem que este sinal apresenta um alto fator de crista. A
energia do sinal igual a

a
2
k
/2. Se todas as senides esto em fase, o quadrado da
amplitude dado por (

a
2
k
/2)
2
e dessa forma, o valor do fator de crista

2d. A forma
de diminuir o fator de crista escolher as fases
k
de forma que a defasagem entre as
senides seja a maior possvel. Uma soluo simples dada por

1
arbitrria

k
=
1

k(k 1)
d
, 2 k d. (33)
conhecida como escolha de fase de Schroeder [5].
3.3.2.5 Sinais Chirp
Um sinal Chirp uma senide com frequncia varivel em uma determinada faixa
:
1

2
sobre um certo perodo 0 t M
u(t) = Acos
_

1
t + (
2

1
)t
2
/(2M)
_
. (34)
Este sinal tem o mesmo fator de crista que uma senide pura, ou seja,

2, e permite
um controle adequado sobre a frequncia de banda que possui maior energia. Devido
frequncia varivel, existe tambm contribuio de energia fora da banda .
3.3.2.6 Consideraes sobre sinais peridicos
Alguns dos sinais descritos possuem uma caracterstica inerente de periodicidade,
como o sinal PRBS e a soma de senides. Outros, porm, podem ser feitos peridicos
por simples repetio. Sinais peridicos de perodo M podem ter um espectro de no m-
ximo M frequncias diferentes. Nesse sentido, sinais de entrada no-peridicos so mais
excitantes se considerados o mesmo perodo de tempo.
Quando uma entrada peridica aplicada ao sistema, seja K perodos de tamanho M,
recomendvel que se trabalhe com os dados de entrada e sada de apenas um perodo,
o que permite utilizar menos dados para obter o modelo. Isto faz com que a relao
sinal/rudo seja aumentada por K, e o tamanho dos dados diminudo pelo mesmo fator.
Alm disso, um sinal de entrada peridico permite a estimativa do nvel de rudo do
sistema. Quando o sistema entra em regime permanente, as diferenas na resposta do
sistema nos diferentes perodos podem ser atribudas ao rudo.
15
4 PROJETO DE EXPERIMENTOS UTILIZANDO LMIS
Uma das maiores contribuies do trabalho de Jansson [4] a traduo dos problemas
de projeto de experimento em programas de otimizao convexa, ou seja, que podem
ser solucionados atravs do uso de LMIs (Linear Matrix Inequalities). Os projetos de
experimento considerados no trabalho de Jansson so denidos por
min

X
0
objetivo
sujeito a restries de qualidade e (35)
restries no sinal
ou seja, podem ser formulados como problemas de otimizao que incluem restries na
qualidade do modelo e nos sinais a serem aplicados. As restries de qualidade geral-
mente so funes da matriz de covarincia P. Dessa forma, natural utilizar o espectro
do sinal de entrada
u
e algumas vezes o espectro cruzado
ue
como variveis de pro-
jeto. As restries no sinal devem ser utilizadas para que os problemas no resultem em
solues de sinais com energia innita. Essas restries incluem restries na energia do
sinal bem como na escolha de faixa de freqncia do mesmo.
Na forma original, a formulao dos problemas de projeto de experimento intratvel,
por diversas razes:
as restries so tipicamente no-convexas, as quais so difceis de solucionar atra-
vs de problemas de otimizao;
as restries so, em muitos casos, de dimenso innita;
o sinal de entrada deve ser escolhido de forma que o seu espectro de freqncia seja
adequado;
a varincia assinttica depende dos parmetros reais do sistema, o que desconhe-
cido, ou seja P = P(
0
).
A m de solucionar os trs primeiros itens, algumas adaptaes so realizadas em [4],
de forma que o projeto de experimentos possa ser solucionado. Para isso, o espectro do
sinal de entrada, e algumas vezes do espectro cruzado, parametrizado de forma linear
e de dimenso nita, tornando o problema de otimizao convexo e, como conseqncia,
tratvel. Porm, no possvel solucionar o ltimo item sem o conhecimento prvio do
sistema, ou ao menos uma estimativa do mesmo.
16
4.1 Restries no sinal
A m de obter projetos de experimentos factveis necessrio incluir restries no
sinal. Diferentes tipos de restries podem ser includas, desde que sejam lineares com
relao ao espectro dos sinais envolvidos. Estas restries podem ser do tipo de restrio
na energia do sinal, dada por
1
2
_

|W
u
(e

)|
2

u
()d 1 (36)
ou restrio na faixa de freqncia

u
()
u
()
u
() . (37)
4.2 Parametrizao e realizao do espectro do sinal de entrada
Genericamente, o espectro do sinal de entrada pode ser descrito por

u
() =

k=
c
k
B(e

) (38)
para alguma base de funes B. Sem perda de generalidade, assume-se que B
k
= B

k
, de
forma que c
k
= c
k
e o espectro caracterizado unicamente por c
0
, c
1
, c
2
, . . .. Assume-
se tambm que B
k
(e

) = B

k
(e

) de forma que c
k
R. Os coecientes c
k
precisam
ser tais que

u
() 0, . (39)
Se a base de funes for do tipo B
k
(e

) = e

, ento os coecientes c
k
so equiva-
lentes autocorrelao do sinal no instante k
c
k
= r
k
Eu(t)u(t k). (40)
Alm disso, impraticvel usar um espectro de dimenso innita, dado por (38).
Dessa forma, uma possibilidade usar uma parametrizao de dimenso nita, isto

u
() =
M1

k=(M1)
c
|k|
B
k
(e

), (41)
e garantir, de certa forma, que
u
seja realmente um espectro.
Existem duas formas principais de parametrizar o espectro do sinal de entrada, des-
critas a seguir.
4.2.1 Parametrizao do espectro de dimenso nita
Com a parametrizao do espectro de dimenso nita (41), os parmetros c
k
precisam
ser restrigindos para que a condio de positividade (39) seja vericada. Para tratar esta
restrio so utilizadas ideias do projeto de ltros FIR. Esta abordagem baseada no
lema de Kalman-Yakubovich-Popov (lema KYP). A ideia postular que o espectro possa
ser realizado utilizando um ltro FIR de ordem M. Usando esta restrio no espectro
de entrada, restries de ordem nita podem ser usadas para representar as restries na
entrada e na sada. Como qualquer espectro pode ser aproximado por um processo FIR,
17
comqualquer preciso, esta abordagem em princpio genericamente aplicvel. Contudo,
qunado M se torna grande, a complexidade computacional se torna um problema.
Ser utilizada a parametrizao da parte positiva do espectro (41), onde B
k
um con-
junto de funes de transferncia racionais estveis prprias conhecidas de dimenso -
nita. Quando B
k
= e
jk
tem-se o caso FIR. Note que no necessrio que as funes da
base sejam ortogonais, mas devem ser linearmente independentes.
Lema 2 Seja A, B, C, D uma realizao controlvel no espao de estados da parte
positiva real do espectro de entrada, (e
j
) =

M1
k=0
c
k
B
k
(e
j
). Ento existe Q = Q
T
tal que
K(Q, A, B, C, D) =
_
QA
T
QA A
T
QB
B
T
QA B
T
QB
_
+
_
0 C
T
C D +D
T
_
0 (42)
se e somente se

u
() =
M1

k=0
c
k
_
B
k
(e
j
) +B

k
(e
j
)

0
Prova: Aplicao do lema KYP.
A ideia utilizar a realizao no espao de estados A, B, C, D da parte positiva do
espectro onde os coecientes c
k
apaream linearmente em C e D. O Lema acima ento
utilizado para garantir a positividade do espectro, por meio da inequao linear matricial.
Quando a entrada moldada por umltro FIRa escolha natural da descrio no espao
de destados da parte positiva do espectro
A =
_
0
1M2
0
I
M2
0
M21
_
(43)
B =
_
1 0 0

T
(44)
C =
_
c
1
r
2
c
M1

(45)
D = c
0
(46)
Com esta parametrizao os parmetros r
k
aparecem linearmente em C e D e (42) se
tornal uma LMI.
4.2.2 Parametrizao atravs de correlao parcial
Nesta abordagem, necessrio garantir que existe uma continuao c
M
, c
M+1
, . . .
da seqncia c
0
, . . . , c
M1
tal que a expanso do espectro em uma base de funes
(38) dena um espectro. Assim, (41) utilizado para obteno dos parmetros e aps,
diferentes tcnicas podem ser usadas para expandir o resultado para (38).
A parametrizao atravs da correlao parcial tem a vantagem de manter o nmero
de parmetros livres em um mnimo. Uma desvantagem que restries no espectro dos
sinais no podem ser utilizadas uma vez que o mtodo no utiliza o espectro completo do
sinal. A condio de positividade utilizada na parametrizao do espectro de dimenso
nita mais restritiva que a condio de seqncia da correlao parcial, o que leva a
resultados mais conservadores. Mas a grande vantagem das duas abordagens que ambas
so baseadas em uma parametrizao de dimenso nita, o que gera uma parametrizao
linear em P
1
.
18
4.3 Parametrizao da matriz de convarincia
possvel derivar uma parametrizao de dimenso nita para P
1
da forma
P
1
(
0
) =
1
2
0
_

F
u
(e

,
0
)
u
()F

u
(e

,
0
)d +R
0
(
0
) (47)
onde
u
o espectro da entrada e F
u
(e

) = H
1
(
0
)
G(
0
)

. Alm disso R
0
dado por
R
0
(
0
) =
1
2
_

F
e
(e

,
0
)F

e
(e

,
0
)d (48)
onde F
e
(
0
) = H
1
(
0
)
dH(
0
)
d
.
Quando a parametrizao do espectro de dimenso nita utilizada, possvel ex-
pressar a inversa da matriz de covarincia P
1
(
0
) como uma funo am nas variveis
c
k
, as quais parametrizam o espectro de entrada.
Lema 3 Quando o sinal de entrada possui o espectro (41), a inversa da matriz de cova-
rincia dada por
P
1
(
0
) = R
0
(
0
) +
M1

k=0
c
k
B
P
k
(
0
) (49)
onde
B
P
k
(
0
) =
1
2
0
_

F
u
(e

,
0
)
_
B
k
(e
j
) +B

k
(e
j
)

u
(e

,
0
)d +R
0
(
0
) (50)
Prova: Usar a denio do espectro (41) e inseri-la em (47)
4.4 Parametrizao das restries de energia dos sinais
A varincia do sinal z
u
= W
u
u, onde W
u
um ltro linear e u a entrada do sistema,
pode ser parametrizada por
1
2
_

|W
u
(e

)|
2

u
()d =
M1

k=0
c
k
B
u
k
(51)
com
B
u
k
=
1
2
_

|W
u
(e

)|
2
[B
k
(e

) +B

k
(e

)] d (52)
Por sua vez, a varincia do sinal z
y
= W
y
y, onde W
y
um ltro linear e y a sada
do sistema, pode ser parametrizada por
1
2
_

|W
y
(e

)|
2

y
()d =
M1

k=0
c
k
B
y
k
(
0
) +R
v
(
0
) (53)
com
B
y
k
(
0
) =
1
2
_

|W
u
(e

)G(e

,
0
)|
2
[B
k
(e

) +B

k
(e

)] d (54)
e
R
v
(
0
) =
1
2
_

|W
y
(e

)|
2

v
()d. (55)
Portanto as restries em energia podem ser formuladas como inequaes lineares nas
variveis c
k
.
19
4.5 Restries de Qualidade
Os resultados apresentados nas sees anteriores mostram que possivel obter uma
parametrizao linear da inversa da matriz de covarincia nas variveis c
k
. Portanto, todas
as restries que so convexas em P
1
se tornam convexas em c
k
. Esta uma observao
muito importante que ser utilizada nesta e nas prximas sees para incorporar diferentes
restries de qualidade no projeto timo de experimentos.
4.5.1 Representaes Convexas das Restries de Qualidade
Vrios critrios de desempenho para o projeto da entrada so convexos em P
1
. Por
exemplo,
max
(P) , onde o operador
max
extrai o maior autovalor um caso. Outro
exemplo det(P) . Outro tipo de critrio que muitas vezes foi sugerido para o
projeto de sinal de entrada para controle o critrio do trao ponderado Tr(WP) .
Este critrio tambm pode ser escrito de forma convexa segundo [4].
4.6 Restries de Qualidade em Regies Elipsoidais
A medida de qualidade generalizada denida como
F(, ) & (56)
=
_
|(
0
)
T
R(
0
) 1
_
(57)
onde
F(, ) =
[W
n
G() +X
n
] Y
n
[W
n
G() +X
n
] +K
n
[W
d
G() +X
d
] Y
d
[W
d
G() +X
d
] +K
d
(58)
A medida de qualidade (58) uma restrio da norma mxima de F com respeito a
todo e para todo no elipsoide . Conjuntos de incerteza do tipo so obtidos pelo
mtodo de minimizao do erro de predio.
4.6.1 Reformulando como um Problema Convexo
Considere a estrutura de modelo (1), parametrizada pelo vetor . Particiona-se
T
=
[
T

T
] de maneira que G() = G() e que G() seja parametrizado por
G() =
Z
N
(z)
1 +Z
D
(z)
(59)
onde
T
= [a
1
a
na
b
1
b
n
b
],
Z
N
= z
n
k
[0 0 1 z
1
z
n
b
+1
] (60)
Z
D
= [z
1
z
na
0 0 1] (61)
e n
k
o atraso.
Lema 4 Seja F(, ) denido por (58) e G() parametrizado por (59). Ento
F
_

1
_
T
(F
0
() F
1
())
_

1
_
0 (62)
onde F
0
() = (M
d
() +

M
d
()) e F
1
() = (M
d
() +

M
d
()) e onde
M
d
() = Z

V
(Y
d
()x
d
x

d
+K
d
vv
T
)Z
V
(63)
M
n
() = Z

V
(Y
n
()x
n
x

n
+K
d
vv
T
)Z
V
(64)
20
com
Z

V
=
_
Z

N
Z

D
0
0 0 1
_
(65)
v
T
=
_
0 1 1

(66)
x

d
=
_
W
d
(e
j
) X
d
(e
j
) X
d
(e
j
)

(67)
x
n
denido analogamente a x
d
. Alm disso f() mnimo multiplo comum dos denomi-
nadores de M
d
() e M
n
().
Este lema ser explorado no prximo teorema.
Teorema 1 Assume-se que F(, ) < para todo . Assume-se ainda que F
0
()
F
1
() no semi-denido positivo. Ento as duas expresses seguintes so equivalentes
1.
F(, ) & (68)
=
_
|(
0
)
T
R(
0
) 1
_
(69)
2. (), () (R) que
()(F
0
() F
1
()) E 0 (70)
E
_
R R
0

0
R 1
T
0
R
0
_
(71)
Este teorema muito interessante do ponto de vista de projeto do sinal de entrada.
Considerando o projeto da entrada, a varivel R pode ser proporcional a inversa da matriz
de covarincia. Alm disso, a inversa da matriz de covarincia am no espectro do sinal
de entrada
u
e no espectro cruzado
ue
. Com a parametrizao linear do espectro, R
tambm se torna linearmente parametrizado. Logo este teorema estabelece que o pior
caso da norma mxima da restrio de desempenho pode ser traduzido na condio do
teorema, o qual uma inequao linear matricial em e R para cada quando xo.
Existem dois problemas associados a esta formulao. Primeiramente, uma fun-
o desconhecida de . Alm disso, esta uma restrio de dimenso innita, j que
a restrio deve valer para qualquer frequncia. Na prxima seo este problema ser
tratado.
4.6.2 Formulao de Dimenso Finita
Foi mostrado que o Lema 2 pode ser utilizado para transforma uma restrio de po-
sitividade do espectro em um problema de dimenso nita. Este resultado ser utilizado
para reduzir (71) a uma inequao linear matricial de dimenso nita.
Lema 5 Sejam F
0
, F
1
e E como denidos anteriormente e seja introduzido
() ()(F
0
() F
1
()) E. (72)
Quando () denido por
() = (e
j
) +

(e
j
) (73)

(e
j
) =
K1

k=0

k
B
k
(e
j
) (74)
21
para alguma base B
k
, k = 0, , K 1, ento existe uma sequencia
k
tal que
() 0
p

k=0

k
(e
j
+e
j
) (75)
onde as variveis
k
e os elementos de R aparecem linearmente em
k
A partir de (75) pode-se utilizar o Lema 2 para transformar a restrio (57) em uma
LMI.
Teorema 2 . Assume-se que F(, ) < para todo . Assume-se ainda que F
0
()
F
1
() no semi-denido positivo. Seja () como denido no Lema 5.
Ento existe uma realizao no espao de estados A

, B

, C

, D

da parte real po-

sitiva de () onde os parmetros
k
aparecem linearmente em C

, D

. Similarmente,
existe uma realizao no espao de estados A

, B

, C

, D

da parte real positiva de

() onde os parametros
k
e os elementos de R aparecem linearmente em C

, D

.
Alm disso, verdadeiro que
F(, ) & (76)
=
_
|(
0
)
T
R(
0
) 1
_
(77)
se existem Q

= Q
T

e Q

= Q
T

tal que
K(Q

, A

, B

, C

, D

) 0 (78)
K(Q

, A

, B

, C

, D

) 0 (79)
Este teorema bastante poderoso para problemas de projeto de experimentos. Note
que (79) LMI em Q

, Q

,
k
k = 0, , K 1 e nos elementos de R. Quando R =
P
1
, esta quantidade se torna linearmente parametrizada se o espectro for linearmente
parametrizado como feito nas sees anteriores.
22
5 SIMULAES
Neste captulo sero apresentados exemplos que demonstram como utilizar os lemas
e teoremas descritos no captulo anterior.
5.1 Exemplo FIR
Seja o sistema verdadeiro
y(t) = u(t 1) + 0.8b
1
u(t 2) +e(t) (80)
onde e(t) rudo branco com varincia 1.
O objetivo do projeto de experimento encontrar o sinal de entrada de durao 5000
amostras de menor energia tal que P
1
> 10000I com probabilidade de 95%.
Deste problema sabe-se que os parmetros identicados tero preciso melhor que
0.01, ou seja parmetros estaro dentro de uma bola de raio 0.01.
necessrio escrever as restries em forma de LMIs.
Inicialmente vamos parametrizar o espectro do sinal utilizando parametrizao espec-
tral de dimenso nita com base B
k
= e
jk
.

u
() =
M1

k=0
c
k
_
e
jk
+e
jk

A restrio na covarincia torna-se

P
1
(
0
) =
M1

k=0
c
k
B
P
k
(
0
) > I 10000 (81)
B
P
k
(
0
) =
5000
2
_

F
u
(e

,
0
)
_
e
j
+e
j

u
(e

,
0
)d +R
0
(
0
) (82)
Como H(z) = 1 e portanto
H

= 0 ento R
0
= 0. Neste exemplo B
P
k
(
0
) = 0
somente para k = 0 e k = 1. Neste caso pode-se utilizar M = 2.
Para garantir a positividade do espectro utilizado o Lema KYP. Como a parte real
positiva
(e
j
) =
M1

k=0
c
k
e
jk
23
uma realizao deste sinal pode ser feita com
A = 0 (83)
B = 1 (84)
C = c
1
(85)
D = c
0
(86)
e a restrio de positividade pode ser denida por
K(Q, A, B, C, D) > 0
com Q escalar.
A parametrizao da restrio em energia torna-se ento
1
2
_

u
()d = c
0
<
Portanto o problema a ser resolvido simplicado para
min
c
0
,c
1
,Q
c
0
sujeito a
c
0
B
P
0
(
0
) +c
1
B
P
1
(
0
) < I 10000
K(Q, A, B, C, D) > 0
Resolvendo no matlab obtm-se:
Q = 5.99 (87)
c
0
= 5.99 (88)
c
1
= 0 (89)
Como apenas c
0
diferente de zero o sinal timo rudo branco com varincia 5.99.
A Figura 1 apresenta uma simulao por Monte-Carlo com 1000 rodadas. A gura
mostra que as simulaes respeitam as restries do problema.
5.2 Exemplo ARX
Seja o modelo do sistema verdadeiro
y(t) = 0.5u(t 1) + 0.9y(t 2) +e(t) (90)
onde e(t) rudo branco com varincia 1.
O objetivo do projeto de experimento encontrar o sinal de entrada de durao 5000
amostras de menor energia tal que
min
(P

1) > 10000 com probabilidade de 95%.

Deste problema sabe-se que os parmentros identicados tero preciso melhor que
0.01, ou seja parmetros estaro dentro de uma bola de raio 0.01.
necessrio escrever as restries em forma de LMIs.
Inicialmente vamos parametrizar o espectro do sinal utilizando parametrizao espec-
tral de dimenso nita com base B
k
= e
jk
.

u
() =
M1

k=0
c
k
_
e
jk
+e
jk

24
0.815 0.81 0.805 0.8 0.795 0.79 0.785
0.99
0.995
1
1.005
1.01
Figura 1: Simulao Monte-Carlo e Intervalo de Conana de 95%.
A restrio na covarincia torna-se
P
1
(
0
) = R
0
+
M1

k=0
c
k
B
P
k
(
0
) > I 10000 (91)
B
P
k
(
0
) =
5000
2
_

F
u
(e

,
0
)
_
e
j
+e
j

u
(e

,
0
)d +R
0
(
0
) (92)
R
0
(
0
) =
1
2
_

F
e
(e

,
0
)F

e
(e

,
0
)d (93)
onde F
e
(
0
) = H
1
(
0
)
dH(
0
)
d
. Neste exemplo foi utilizado M = 20 para limitar o
problema e torn-lo de dimenso nita.
Novamente para garantir a positividade do espectro utilizado o Lema KYP. Como a
parte real positiva
(e
j
) =
19

k=0
c
k
e
jk
uma realizao deste sinal pode ser feita com
A =
_
0
118
0
I
18
0
181
_
(94)
B =
_
1 0 0

T
(95)
C =
_
c
1
c
2
c
18

(96)
D = c
0
(97)
e a restrio de positividade pode ser denida por
K(Q, A, B, C, D) > 0
25
com Q = Q
R
R.
A parametrizao da restrio em energia torna-se ento
1
2
_

u
()d = c
0
<
Portanto o problema a ser resolvido simplicado para
min
c
0
, ,c
19
,Q
c
0
sujeito a
R
0
+

19
k=0
c
k
B
P
k
(
0
) > I 10000
K(Q, A, B, C, D) > 0
Resolvendo no matlab obtm-se:
Q =
2
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
4
11.4035 0.0985 0.0837 0.0709 0.0598 0.0503 0.0420 0.0349 0.0288
0.0985 10.8033 0.0930 0.0788 0.0665 0.0558 0.0467 0.0388 0.0320
0.0837 0.0930 10.2031 0.0876 0.0739 0.0621 0.0519 0.0431 0.0355
0.0709 0.0788 0.0876 9.6029 0.0821 0.0689 0.0576 0.0479 0.0395
0.0598 0.0665 0.0739 0.0821 9.0028 0.0766 0.0640 0.0532 0.0439
0.0503 0.0558 0.0621 0.0689 0.0766 8.4026 0.0711 0.0591 0.0488
0.0420 0.0467 0.0519 0.0576 0.0640 0.0711 7.8024 0.0657 0.0542
0.0349 0.0388 0.0431 0.0479 0.0532 0.0591 0.0657 7.2022 0.0602
0.0288 0.0320 0.0355 0.0395 0.0439 0.0488 0.0542 0.0602 6.6020
0.0236 0.0262 0.0291 0.0323 0.0359 0.0399 0.0443 0.0492 0.0547
0.0191 0.0212 0.0236 0.0262 0.0291 0.0323 0.0359 0.0399 0.0443
0.0153 0.0170 0.0188 0.0209 0.0233 0.0258 0.0287 0.0319 0.0355
0.0120 0.0134 0.0148 0.0165 0.0183 0.0204 0.0226 0.0251 0.0279
0.0093 0.0103 0.0114 0.0127 0.0141 0.0157 0.0174 0.0194 0.0215
0.0070 0.0077 0.0086 0.0095 0.0106 0.0118 0.0131 0.0145 0.0162
0.0050 0.0056 0.0062 0.0069 0.0076 0.0085 0.0094 0.0105 0.0116
0.0034 0.0038 0.0042 0.0046 0.0052 0.0057 0.0064 0.0071 0.0079
0.0020 0.0023 0.0025 0.0028 0.0031 0.0034 0.0038 0.0042 0.0047
0.0009 0.0010 0.0011 0.0013 0.0014 0.0015 0.0017 0.0019 0.0021
0.0236 0.0191 0.0153 0.0120 0.0093 0.0070 0.0050 0.0034 0.0020
0.0262 0.0212 0.0170 0.0134 0.0103 0.0077 0.0056 0.0038 0.0023
0.0291 0.0236 0.0188 0.0148 0.0114 0.0086 0.0062 0.0042 0.0025
0.0323 0.0262 0.0209 0.0165 0.0127 0.0095 0.0069 0.0046 0.0028
0.0359 0.0291 0.0233 0.0183 0.0141 0.0106 0.0076 0.0052 0.0031
0.0399 0.0323 0.0258 0.0204 0.0157 0.0118 0.0085 0.0057 0.0034
0.0443 0.0359 0.0287 0.0226 0.0174 0.0131 0.0094 0.0064 0.0038
0.0492 0.0399 0.0319 0.0251 0.0194 0.0145 0.0105 0.0071 0.0042
0.0547 0.0443 0.0355 0.0279 0.0215 0.0162 0.0116 0.0079 0.0047
6.0018 0.0492 0.0394 0.0310 0.0239 0.0180 0.0129 0.0087 0.0052
0.0492 5.4017 0.0438 0.0345 0.0266 0.0199 0.0144 0.0097 0.0058
0.0394 0.0438 4.8015 0.0383 0.0295 0.0222 0.0160 0.0108 0.0065
0.0310 0.0345 0.0383 4.2013 0.0328 0.0246 0.0177 0.0120 0.0072
0.0239 0.0266 0.0295 0.0328 3.6011 0.0274 0.0197 0.0133 0.0080
0.0180 0.0199 0.0222 0.0246 0.0274 3.0009 0.0219 0.0148 0.0089
0.0129 0.0144 0.0160 0.0177 0.0197 0.0219 2.4007 0.0164 0.0098
0.0087 0.0097 0.0108 0.0120 0.0133 0.0148 0.0164 1.8006 0.0109
0.0052 0.0058 0.0065 0.0072 0.0080 0.0089 0.0098 0.0109 1.2004
0.0024 0.0026 0.0029 0.0032 0.0036 0.0040 0.0044 0.0049 0.0055
0.0009
0.0010
0.0011
0.0013
0.0014
0.0015
0.0017
0.0019
0.0021
0.0024
0.0026
0.0029
0.0032
0.0036
0.0040
0.0044
0.0049
0.0055
0.6002
3
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
5
[c
0
c
19
] = [6.0018 0.1040 0.0886 0.0754 0.0638 0.0539 0.0452
0.0378 0.0314 0.0259 0.0212 0.0172 0.0137 0.0108
0.0083 0.0063 0.0045 0.0030 0.0018 0.0008]
A Figura 2 apresenta uma simulao por Monte-Carlo com 1000 rodadas. A gura
mostra que as simulaes respeitam as restries do problema.
A Figura 3 apresenta o espectro obtido atraves da otimizao. Enquanto que a Figura
4 apresenta o sinal u(t).
26
0.49 0.495 0.5 0.505 0.51
0.908
0.906
0.904
0.902
0.9
0.898
0.896
0.894
0.892
0.89
Figura 2: Simulao Monte-Cartlo e Intervalo de Conana de 95%.
10
3
10
2
10
1
10
0
10.5
11
11.5
12
12.5
Figura 3: Espectro do Sinal de Entrada
27
0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000
15
10
5
0
5
10
15
Figura 4: Sinal de entrada u(t)
5.3 Exemplo com Restries em Intervalos Elipsoidais
Seja o sistema verdadeiro
y(t) =
0.36z
1
1 0.7z
1
+e(t) (98)
onde e(t) rudo branco com varincia 0.1.
O objetivo do projeto de experimento encontrar o sinal de entrada de durao 500
amostras de menor energia tal que um controlador projetado com o modelo identicado
torne o sistema em malha-fechada estvel. O modelo de referncia desejado descrito
por
T(z) =
(1 0.1353)
2
z
1
(1 0.1353z
1
)
2
O problema pode ser expressado por
min
u
(99)
sujeito a T
G(
0
) G()
G(

2

2
(100)
(
0
)
T
P
1
N
(
0
) 5.99 (101)

u
0 (102)
1
2
_

u
()d (103)
A restrio com = 1 garante que o sistema em malha-fechada ser estvel. Para au-
mentar a robustez ser utilizado = 0.1.
necessrio escrever as restries em forma de LMIs.
28
Inicialmente vamos parametrizar o espectro do sinal utilizando parametrizao espec-
tral de dimenso nita com base B
k
= e
jk
com M = 20.

u
() =
19

k=0
c
k
_
e
jk
+e
jk

Novamente para garantir a positividade do espectro utilizado o Lema KYP. Como a

parte real positiva
(e
j
) =
19

k=0
c
k
e
jk
uma realizao deste sinal pode ser feita com
A =
_
0
118
0
I
18
0
181
_
(104)
B =
_
1 0 0

T
(105)
C =
_
c
1
c
2
c
18

(106)
D = c
0
(107)
e a restrio de positividade pode ser denida por
K(Q, A, B, C, D) > 0
com Q = Q
T
R.
A parametrizao da restrio em energia torna-se ento
1
2
_

u
()d = c
0
Utilizando o Teorema 2 pode-se escrever a condio de qualidade com restrio em
regies elipsoidais na forma de LMIs, fazendo W
n
= W
d
= 1, X
n
= G
0
, Y
n
= T e
X
d
= K
n
= K
d
= 0. Para tornar a dimenso do problema nita, () parametrizado
linearmente. Neste exemplo foi utilizada a seguint parametrizao
() =
9

k=0

k
(e
jk
+e
jk
)
Portanto o problema a ser resolvido simplicado para
min
c
0
, ,c
19
,
0
, ,
19
,Q,Q,Q

c
0
sujeito a
K(Q, A, B, C, D) > 0
K(Q

, A

, B

, C

, D

) > 0
K(Q

, A

, B

, C

, D

) > 0
29
Resolvendo no matlab obtm-se:
Q =
2
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
4
0.2500 0.2358 0.2042 0.1582 0.1034 0.0457 0.0092 0.0561 0.0917 0.1140 0.1228
0.2358 0.2425 0.2258 0.1921 0.1451 0.0904 0.0339 0.0185 0.0621 0.0937 0.1119
0.2042 0.2258 0.2288 0.2094 0.1744 0.1275 0.0745 0.0213 0.0266 0.0649 0.0909
0.1582 0.1921 0.2094 0.2092 0.1882 0.1532 0.1084 0.0593 0.0116 0.0299 0.0615
0.1034 0.1451 0.1744 0.1882 0.1860 0.1651 0.1325 0.0919 0.0487 0.0079 0.0263
0.0457 0.0904 0.1275 0.1532 0.1651 0.1630 0.1444 0.1160 0.0813 0.0450 0.0115
0.0092 0.0339 0.0745 0.1084 0.1325 0.1444 0.1442 0.1295 0.1064 0.0780 0.0483
0.0561 0.0185 0.0213 0.0593 0.0919 0.1160 0.1295 0.1323 0.1218 0.1037 0.0805
0.0917 0.0621 0.0266 0.0116 0.0487 0.0813 0.1064 0.1218 0.1272 0.1200 0.1052
0.1140 0.0937 0.0649 0.0299 0.0079 0.0450 0.0780 0.1037 0.1200 0.1264 0.1204
0.1228 0.1119 0.0909 0.0615 0.0263 0.0115 0.0483 0.0805 0.1052 0.1204 0.1256
0.1196 0.1168 0.1037 0.0811 0.0509 0.0157 0.0210 0.0557 0.0852 0.1067 0.1186
0.1070 0.1102 0.1041 0.0885 0.0646 0.0345 0.0010 0.0327 0.0632 0.0877 0.1040
0.0882 0.0952 0.0943 0.0850 0.0678 0.0440 0.0159 0.0138 0.0421 0.0664 0.0843
0.0667 0.0752 0.0776 0.0732 0.0621 0.0449 0.0234 0.0005 0.0243 0.0457 0.0627
0.0456 0.0536 0.0575 0.0564 0.0501 0.0391 0.0242 0.0069 0.0111 0.0279 0.0421
0.0274 0.0336 0.0373 0.0380 0.0351 0.0290 0.0200 0.0090 0.0028 0.0144 0.0246
0.0135 0.0174 0.0200 0.0211 0.0203 0.0175 0.0131 0.0074 0.0009 0.0057 0.0117
0.0045 0.0061 0.0074 0.0080 0.0080 0.0072 0.0058 0.0037 0.0013 0.0012 0.0037
0.1196 0.1070 0.0882 0.0667 0.0456 0.0274 0.0135 0.0045
0.1168 0.1102 0.0952 0.0752 0.0536 0.0336 0.0174 0.0061
0.1037 0.1041 0.0943 0.0776 0.0575 0.0373 0.0200 0.0074
0.0811 0.0885 0.0850 0.0732 0.0564 0.0380 0.0211 0.0080
0.0509 0.0646 0.0678 0.0621 0.0501 0.0351 0.0203 0.0080
0.0157 0.0345 0.0440 0.0449 0.0391 0.0290 0.0175 0.0072
0.0210 0.0010 0.0159 0.0234 0.0242 0.0200 0.0131 0.0058
0.0557 0.0327 0.0138 0.0005 0.0069 0.0090 0.0074 0.0037
0.0852 0.0632 0.0421 0.0243 0.0111 0.0028 0.0009 0.0013
0.1067 0.0877 0.0664 0.0457 0.0279 0.0144 0.0057 0.0012
0.1186 0.1040 0.0843 0.0627 0.0421 0.0246 0.0117 0.0037
0.1206 0.1109 0.0944 0.0737 0.0521 0.0323 0.0165 0.0057
0.1109 0.1086 0.0960 0.0779 0.0572 0.0370 0.0197 0.0072
0.0944 0.0960 0.0899 0.0753 0.0572 0.0382 0.0211 0.0080
0.0737 0.0779 0.0753 0.0669 0.0523 0.0360 0.0205 0.0080
0.0521 0.0572 0.0572 0.0523 0.0437 0.0310 0.0183 0.0074
0.0323 0.0370 0.0382 0.0360 0.0310 0.0241 0.0147 0.0062
0.0165 0.0197 0.0211 0.0205 0.0183 0.0147 0.0104 0.0046
0.0057 0.0072 0.0080 0.0080 0.0074 0.0062 0.0046 0.0029
3
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
5
Q =
2
6
6
6
6
6
6
6
6
6
6
6
4
2.4511 1.8469 1.3066 0.8957 0.5980 0.3844 0.2343 0.1367 0.0798
1.8469 2.2319 1.6495 1.1393 0.7564 0.4822 0.2897 0.1605 0.0794
1.3066 1.6495 1.9574 1.4064 0.9374 0.5920 0.3506 0.1891 0.0868
0.8957 1.1393 1.4064 1.6458 1.1364 0.7175 0.4182 0.2189 0.0943
0.5980 0.7564 0.9374 1.1364 1.3171 0.8580 0.4976 0.2538 0.1032
0.3844 0.4822 0.5920 0.7175 0.8580 0.9884 0.5880 0.2957 0.1145
0.2343 0.2897 0.3506 0.4182 0.4976 0.5880 0.6768 0.3449 0.1284
0.1367 0.1605 0.1891 0.2189 0.2538 0.2957 0.3449 0.4023 0.1476
0.0798 0.0794 0.0868 0.0943 0.1032 0.1145 0.1284 0.1476 0.1831
3
7
7
7
7
7
7
7
7
7
7
7
5
[c
0
c
19
] =

0.1264 0.2404 0.2104 0.1657 0.1115 0.0537 0.0020 0.0504 0.0881 0.1127 0.1241
0.1233 0.1127 0.0954 0.0747 0.0537 0.0348 0.0197 0.0091 0.0028

[
0

9
] = 1.0e + 03

1.3171 1.9944 1.4350 1.0102 0.7012 0.4787 0.3210 0.2162 0.1596 0.1232

A matriz Q

R
3636
foi omitida por questo de espao.
A Figura 5 apresenta o mdulo do sistema e o espectro obtido atraves da otimizao.
V-se que a otimizao alocou mais energia na regio do polo do sistema.
A Figura 6 apresenta a elipse do intervalo de conana de 95% para os parmetros
identicados com o sinal de entrada projetado.
A Figura 7 apresenta a simulao por Monte-Carlo com 1000 amostras. Apresenta o
intervalo de conana de 95% calculado a partir dos dados da simulao. Os parmetros
em azul so os parmetros que respeitam a restrio < 0.1 enquanto que os parmetros
em vermelho no respeitam a restrio. Nesta simulao 93.6% dos parmetros identi-
cados respeitaram a restrio de projeto. Este valor foi um pouco abaixo do esperado
visto que o sinal projetado deveria garantir a restrio com no mnimo 95% de certeza.
30
10
2
10
1
10
0
10
1
60
50
40
30
20
10
0
10
M
a
g
n
i
t
u
d
e

(
d
B
)
Bode Diagram
Frequency (rad/sec)
Figura 5: Mdulo do Sistema e Espectro do Sinal de Entrada Projetado
0.33 0.34 0.35 0.36 0.37 0.38 0.39
0.73
0.72
0.71
0.7
0.69
0.68
0.67
Figura 6: Elipse Projetada para Intervalo de Conana de 95%
31
0.28 0.3 0.32 0.34 0.36 0.38 0.4 0.42 0.44
0.76
0.74
0.72
0.7
0.68
0.66
0.64
Figura 7: Simulao Monte-Carlo e Intervalo de Conana de 95%. Em azul parmetros
que respeitam a restrio, em vermelho no respeitam a restrio
32
6 EXPERIMENTO
Este captulo tem o propsito de apresentar resultados experimentais dos temas apre-
sentados neste trabalho.
Os experimentos foram realizados em um processo de controle de temperatura. Este
processo consiste em uma resistncia, montada dentro de um cilindro metlico, cuja tem-
peratura pode ser controlada. Para a medio da temperatura da resistncia utilizado um
termopar tipo K. A alimentao da resistncia feita pelo chaveamento da tenso da rede
eltrica atravs de um rel de potncia. Uma foto do processo apresentada na Figura 8.
Figura 8: Foto do processo.
Naturalmente um processo de controle de temperatura contnuo no tempo. Para
utilizar os mtodos apresentados neste trabalho necessrio utilizar um modelo discreto
do processo. No processo de discretizao, um parmetro chave a escolha do perodo
de amostragem. Esse valor no pode ser muito grande, pois nesse caso no possvel
obter caractersticas da dinmica do processo, nem muito curto, pois causa problemas do
ponto de vista numrico [5]. Analisando a resposta ao degrau do processo, pode-se notar
a existncia de um atraso de transporte de aproximadamente 3 segundos e o tempo de
acomodao em torno de 6 minutos. Com base nestes dados foi escolhido o perodo de
amostragem com valor de 3 segundos.
A partir de uma tcnica de identicao foi obtido o seguinte modelo para o processo
para a faixa de operao entre 70
o
C e 90
o
C, utilizando como sinal de entrada uma soma
33
de senides com perodo 180 e 60 amostras:
G(z) =
0, 067209z
(z 0, 9703)(z 0, 5492)
.
O rudo no foi identicado inicialmente. Sabe-se que o sensor possui certa quanti-
cao, portanto os valores obtidos nos experimentos podem possuir erro de 1
o
C. Este
rudo no gaussiano, mas ser sobre estimado por rudo gaussiano com varincia 1 en-
trando diretamente na medio da sada (H(z) = 1).
Este modelo ser utilizado como base para o projeto do experimento, com o objetivo
de obter um modelo com melhor preciso.
O objetivo do projeto de experimento encontrar o sinal de entrada de durao uma
hora, de menor energia, tal que um controlador projetado com o modelo identicado torne
o sistema em malha-fechada estvel.
O modelo de referncia desejado descrito por
T(z) =
(1 0.9)z
1
(1 0.9z
1
)
O problema pode ser expressado por
min
u
(108)
sujeito a T
G(
0
) G()
G(

2

2
(109)
(
0
)
T
P
1
N
(
0
) 5.99 (110)

u
0 (111)
1
2
_

u
()d (112)
A restrio com = 1 garante que o sistema em malha-fechada ser estvel.
necessrio escrever as restries em forma de LMIs.
Inicialmente vamos parametrizar o espectro do sinal utilizando parametrizao espec-
tral de dimenso nita com base B
k
= e
jk
com M = 20.

u
() =
19

k=0
c
k
_
e
jk
+e
jk

Novamente para garantir a positividade do espectro utilizado o Lema KYP. Como a

parte real positiva
(e
j
) =
19

k=0
c
k
e
jk
uma realizao deste sinal pode ser feita com
A =
_
0
118
0
I
18
0
181
_
(113)
B =
_
1 0 0

T
(114)
C =
_
c
1
c
2
c
18

(115)
D = c
0
(116)
34
e a restrio de positividade pode ser denida por
K(Q, A, B, C, D) > 0
com Q = Q
T
R.
A parametrizao da restrio em energia torna-se ento
1
2
_

u
()d = c
0
Utilizando o Teorema 2 pode-se escrever a condio de qualidade com restrio em
regies elipsoidais na forma de LMIs, fazendo W
n
= W
d
= 1, X
n
= G
0
, Y
n
= T e
X
d
= K
n
= K
d
= 0. Para tornar a dimenso do problema nita, () parametrizado
linearmente. Neste exemplo foi utilizada a seguinte parametrizao
() =
9

k=0

k
(e
jk
+e
jk
)
Portanto o problema a ser resolvido simplicado para
min
c
0
, ,c
19
,
0
, ,
19
,Q,Q,Q

c
0
sujeito a
K(Q, A, B, C, D) > 0
K(Q

, A

, B

, C

, D

) > 0
K(Q

, A

, B

, C

, D

) > 0
Resolvendo no matlab obtm-se o sinal timo que deve ser aplicado no sistema para
que a identicao respeite os requisitos de projeto.
A Figura 9 apresenta o mdulo do sistema e o espectro obtido atravs da otimizao.
A Figura 10 apresenta uma realizao do sinal timo. Este sinal obtido por ltragem de
rudo branco por ltro obtido na resoluo do problema de otimizao.
O problema de otimizao garante que < 1 restringindo os parmetros de identi-
cao dentro de um elipside. Esta abordagem um pouco conservadora visto que o
conjunto dos parmetros que < 1 no forma um elipside. Desta maneira, o problema
de otimizao encontra o maior elipside possvel, que respeita as restries de projeto. O
elipside projetado centrado no modelo obtido a priori e possui os seguintes autovalores:
4650129.589030003
0169789.968972808
0000131.793270615
Foram simulados 25 experimentos com o mesmo espectro, para observar as proprie-
dades estatsticas das estimativas obtidas com o sinal projetado.
Para ns de comparao dos resultados ser utilizada a seguinte estrutura:
G(z, [K p
1
p
2
]) = K
(1 p
1
)(1 p
2
)
(z p
1
)(z p
2
)
O modelo inicial era
[K p
1
p
2
] = [5.019807 0.9703 0.5492] (117)
35
10
3
10
2
10
1
10
0
10
1
60
50
40
30
20
10
0
10
20
30
40
M
a
g
n
i
t
u
d
e

(
d
B
)
Bode Diagram
Frequency (rad/sec)
Figura 9: Mdulo da Resposta em Frequncia do Sistema e Espectro do Sinal de Entrada
Projetado
0 200 400 600 800 1000 1200
8
6
4
2
0
2
4
6
8
Figura 10: Uma realizao do sinal de entrada timo
36
O modelo mdio obtido com os 25 experimentos
[K p
1
p
2
] = [5.096526 0.969361 0.638730] (118)
Observa-se que o modelo inicial bastante preciso em respeito ao ganho e ao polo
lento do sistema. O polo rpido obtido com os experimentos com sinal de entrada timo
um pouco diferente.
As restries de projeto foram testadas para todos os parmetros identicados. Em to-
dos os casos a condio < 1 foi respeitada, sendo que no pior caso = 0.47. Acredita-
se que este conservadorismo foi introduzido pela superestimao do valor do rudo. O
rudo presente do experimento deve ser bastante menor que o previsto inicialmente.
4 4.5 5 5.5 6 6.5 7 7.5
0.962
0.964
0.966
0.968
0.97
0.972
0.974
0.976
0.978
0.98
0.982
Figura 11: Parmetros do ganho x polo lento. Astersco - experimentos. Crculo - modelo
mdio dos experimentos. Quadrado - modelo inicial.
37
4 4.5 5 5.5 6 6.5 7 7.5 0.96
0.98
1
0.54
0.56
0.58
0.6
0.62
0.64
0.66
0.68
0.7
0.72
Figura 12: Parmetros do ganho x polo rpido. Astersco - experimentos. Crculo -
modelo mdio dos experimentos. Quadrado - modelo inicial.
0.962 0.964 0.966 0.968 0.97 0.972 0.974 0.976 0.978 0.98 0.982
0.54
0.56
0.58
0.6
0.62
0.64
0.66
0.68
0.7
0.72
Figura 13: Parmetros do polo rpido x polo lento. Astersco - experimentos. Crculo -
modelo mdio dos experimentos. Quadrado - modelo inicial.
38
7 CONSIDERAES FINAIS
Este trabalho apresentou uma abordagem LMI para o problema de projeto timo de
experimentos para a identicao de sistemas. O problema tpico no-convexo e de
dimeno innita. Parametrizao nita e linear dos espectros e o Lema KYP foram uti-
lizados para inserir o problema na abordagem por inequaes matriciais lineares. Esta
metodologia permite a utilizao de diversas medidas de qualidade e de restries.
Foram apresentados alguns exemplos simulados demonstrando a utilizao da abor-
dagem estudada. Um exemplo prtico em um sistema de controle de temperatura de-
monstrou que as tcnicas podem ser facilmente empregadas na prtica. Os mtodos no
introduzem grande conservadorismo e os objetivos so obtidos com a preciso desejada.
39
REFERNCIAS
[1] M Barenthin. On Input Design in System Identication for Control. PhD thesis, Royal
Institute of Technology (KTH), 2006.
[2] M. Gevers. Identication for control: from the early achievements to the revival of
experiment design. European Journal of Control, 11:118, 2005.
[3] M. Gevers and X. Bombois. Input design: from open-loop to control-oriented design.
In Proc. of IFAC Symp. on Identication, pages 13291334, Newcastle, Australia,
April 2006. IFAC.
[4] H Jansson. Experiment Design with Applications in Identication for Control. PhD
thesis, Royal Institute of Technology (KTH), 2004.
[5] L. Ljung. System Identication - Theory for the User. Prentice Hall, Englewood
Cliffs, NJ, EUA, 1987.