III Semana de Matemtica do Pontal &

I Colquio de Matemtica Aplicada e Computacional do Pontal

Universidade Federal de Uberlndia
Faculdade de Cincias Integradas do Pontal
01 a 06 de outubro





Filtragem Robusta no Espao de Estados Utilizando o Mtodo dos
Mnimos Quadrados Regularizados com Incertezas

Centro de Educao Tecnolgica de Minas Gerais CEFET-MG
Luis Paulo Fagundes
CEP: 38.180.510, Arax, Minas Gerais
E-mail: lpfagundeseai@gmail.com

Aline Fernanda Bianco
Centro de Educao Tecnolgica de Minas Gerais CEFET-MG
CEP: 38.180.510, Arax, Minas Gerais
E-mail: afbianco@araxa.cefetmg.br


Resumo: Este artigo apresenta um estudo sobre filtragem de estados de Sistemas
Dinmicos sujeitos a perturbaes paramtricas na estrutura do modelo.
apresentado um Filtro Robusto baseado no mtodo dos Mnimos Quadrados
Regularizados com Incertezas. Por fim, demonstrado o desempenho do filtro obtido
por meio de simulaes computacionais.

Palavras-chaves: Estimativa de estados; filtragem robusta; mtodo dos mnimos
quadrados regularizados.

1 Introduo

O Filtro de Kalman desenvolvido por Rudolf Emil Kalman em 1960 [2], obteve grande
xito em aplicaes aeroespaciais, o que gerou uma tentativa de aplic-lo na indstria comum.
Contudo, uma premissa bsica no Filtro de Kalman nominal a exatido do modelo, o que
requer que muito dinheiro, na casa de milhes, seja gasto na obteno de sistemas exatos.
Porm, ressalta-se que em aplicaes industriais, raramente tm-se tanta verba para gastar em
modelamentos to precisos [5].
Alm deste dispndio financeiro, na modelagem de sistemas reais, diversos fatores
interferem na obteno do modelo, tais como, impreciso nas medies, variabilidade na
tolerncia entre equipamentos e peas, difcil acesso medio de parmetros, e tambm
variaes do ambiente, tais como mudanas de temperatura, desgaste pelo tempo de uso, dentre
outros. Para contornar este problema de impreciso de dados, desenvolveu-se a teoria de
Filtragem Robusta, que objetiva estimar os estados de um sistema sujeito a incertezas nos
parmetros.
Assim, considere o seguinte modelo no espao de estados:



E as incertezas nas matrizes F
k
e G
k
so modeladas da seguinte forma,




;
.
.
Nas equaes (1) e (2), e representam respectivamente o estado e a sada do B C
5 5
sistema, a matriz a matriz de estado, a matriz de rudo, comumente tomada como , J K M
5 5
matriz identidade, e a matriz de sada do sistema, os vetores e representando, L A @
5 5 5
respectivamente, rudos de estado e de medidas. Todas as matrizes possuem dimenses
apropriadas.
Em (3), e so incertezas nas matrizes de estado e de rudo respectivamente, , $ $ J K Q
5
I I
05 15
e so matrizes resultantes do modelamento das incertezas do sistema e, dadas pelo
projetista e, por fim, representa uma contrao, cuja norma varia de a , isto ?
5
" "
m m " ?
5
.
O problema de estimao de estados aplicado ao sistema dado pelas equaes e , a b a b " #
consiste em obter uma estimativa tima de denotada por, frente s incertezas presentes B B s
5 5
no modelo e que apresente o menor erro de estimao possvel.
2 Metodologia
O Mtodo dos Mnimos Quadrados, altamente difundido na literatura, no permite a
incorporao de perturbaes ao modelo, o que torna seu desempenho insatisfatrio na
presena das mesmas, assim, o Mtodo dos Mnimos Quadrados Regularizados com Incertezas,
tratado de agora em diante como BDU (Bounded Data Uncertainties), prev e resolve este caso
em que o sistema no exato [4].
O objetivo do mtodo BDU encontrar uma soluo tima, que minimize a seguinte Bs
funo custo
NB C min max (4)
B mCm B
X X
9
B UB EB , LC [EB , LC
onde [ [ !
X
U U ! LC
X
e L I B I ?
+ ,
Observe que a maximizao em se d por ser considerada o pior caso de incertezas, C
quando estas so maximizadas.
As matrizes e so matrizes de ponderao, e so especificadas pelo projetista [ U L
ja as matrizes e so resultantes do modelamento das incertezas do sistema em questo. I I
+ ,
Nota-se que a funo custo em (4) depende de e contudo que representa a B C C
estrutura das incertezas no sistema, uma funo de , o que nos leva a uma soluo tima B
dependente apenas de B
O problema resolvido realizando-se primeiramente a maximizao da funo custo e,
em seguida, minimizando-se a mesma. Maiores detalhes para a soluo deste problema podem
ser encontrados em [3].
A soluo do problema dada pelas seguintes equaes, Teorema 1: a b %
Bs U E [E E [, I I
s s s s
X " X X
+
,
- , a b &
U U I I
s s
-
+
X
+
a b '
[ [ [L M L [L L [
s s
-
X X
"
. a b (
O parmetro escalar dado pela seguinte minimizao: -
s
- -
s
K arg min
-mL [Lm
X a b )
K B UB EB , [ s s s - - - -
X
X
a b
[L M L [L L [ EB , mI B I m s s a b a b - - - -
X X #
"
+ ,
a b 9
sendo,
U U I I
s
- -
+
X
+
, a b "!
[ [ [L M L [L L [ ""
s
- - a b
X X
"
B U E [ E E [ , I I "# s
s s s
- - - - -
X " X X
+
,
.
A demonstrao do Teorema 1 pode ser encontrada em [4].
3 Resultados obtidos
Considere o sistema no modelo espao de estados com incertezas, dado pelas equaes
a b a b a b " # $ e , sendo que as incertezas so estruturadas atravs de . Considere, tambm, que so
conhecidas as medidas da equao de sada . C
5
Supondo que seja dada uma nova medida , pode-se fazer uma nova estimativa de C
5"
B B 5 " 5 " s representada agora como (estimativa no tempo dadas medidas)
5"l5"
minimizando a seguinte funo custo,
N
5
min max .
B A
5 5
5 5
" " "
5l5 5 5"
J K 5l5 5 5 5" 5" 5"
T U V
# # #
$ $

lB B ll llA ll llC L B ll "$ s
Na equao acima, a matriz de ponderao para o erro de estimao de estado, T
5l5
U L V
5 5 5
a matriz de ponderao para o rudo de estado, a matriz de sada do sistema e a
matriz de ponderao para o erro de sada.
Diferentemente do Filtro de Kalman nominal, o Filtro BDU faz uma abordagem
determinstica do problema. Assim, as matrizes de ponderao do erro so definidas pelo
projetista, e no determinadas estatisticamente, atravs do clculo da esperana matemtica.
Aplicando-se o mtodo BDU ao problema , obtm-se o seguinte algoritmo como a b "$
soluo, para maiores detalhes veja [1]:
Passo 0: (Condies Iniciais)
T L V L
!l!
" X " "
! ! !
!
C
B T L V C s
!l! !l!
X "
!
!
Onde a matriz de ponderao do erro de estimao de estado inicial. C
!
Passo 1:
. - !
5
X X "
5 5" 5" 5" 5
" llQ L V L Q ll
Passo 2:
, U U I M I T I I
s
"
5 5
"
5 5 15
15
X X
05
5l5
05
"
- -

, V V L Q Q L
s
5"
5"
" X X
5 5 5" 5" 5
-
, K K J T I I
s s
5 5 5 5 15 5l5
X
05
-
, J J K U I I M T I I
s s s s
5 5 5 5 5 05
5
X X
15 05
5l5
05
- -
. T T I I
s
5l5
" X "
5l5
5 05
05
-
Passo 3:
, B J B s s
s
5"l5 5l5 5
, B B T L V C L B s s s
s
5"l5" 5"l5 5"l5" 5"l5
5"
"
5"
5" 5"
X
, T J T J K U K
s s s s
5" 5 5 5l5
5
X
5 5
X
, T T T L V L T
5"l5" 5" 5" 5"
5" 5"
"
/l5"
X
. V V L T L
s
/l5" 5" 5" 5"
5"
X
Observe que no Passo 1, foi feito a determinao de com base em um parmetro e - !
5
no pela minimizao da funo . K -
A Figura 1 mostra o resultado de uma simulao comparando a utilizao da frmula
do Passo 1, com a minimizao de em cada passo. -
5
Figura 1: Comparao entre o passo 1 e a minimizao de usando a funo . - - K
Fonte: Sayed, 2001.
O filtro BDU foi aplicado ao seguinte sistema no espao de estado sujeito a incertezas,
J K L Q
!)$ !!"*' !)!% ! !*)!%
! !)$ ! !)!% !
" "

c d
e V " I U M B ! & ! (
"'*$ !!'*(
!!'*( "'*$
s
0 !
!
c d

C !
As Figuras 2 e 3, mostram respectivamente o estado e do sistema, com as B B
" #
estimativas real, do filtro de Kalman e do filtro BDU.
0 100 200 300 400 500 600 700 800 900 1000
-150
-100
-50
0
50
100
150
200
X medido em vermelho, x de kalman em azul e x pelo filtro bdu em verde
i
X
1
Figura 2: Trajetria de medido, do filtro de kalman e do filtro BDU. B
"
Fonte: Elaborao prpria .
0 100 200 300 400 500 600 700 800 900 1000
-80
-60
-40
-20
0
20
40
60
i
X
2
Varincia do erro de kalman em azul, Varincia do erro do Filtro BDU em vermelho
Figura 3: Trajetria de medido, do filtro de kalman e do filtro BDU. B
2
Fonte: Elaborao prpria.
10
0
10
1
10
2
10
3
0
5
10
15
20
25
30
35
k
E
r
r
o
r

V
a
r
i
a
n
c
e

(
d
B
)
Varincia do erro de kalman em azul, Varincia do erro do Filtro BDU em vermelho
Figura 4: Resultado da comparao do filtro BDU com o filtro de Kalman.
Fonte: Elaborao prpria.

Por meio do grfico da varincia do erro, Figura 4, foi possvel observar que o Filtro
BDU apresentou um desempenho melhor do que o Filtro de Kalman, resultando numa diferena
de aproximadamente 10 dB.

4 Concluso
O Filtro Robusto obtido pela aplicao do Mtodo dos Mnimos Quadrados
Regularizados com Incertezas apresentou um desempenho melhor do que o Filtro de Kalman
nominal, demonstrando ser uma importante alternativa para os casos em que os modelos esto
sujeitos a incertezas. O novo filtro, ao contrrio de outros mtodos de estimao presentes na
literatura, como , custo garantido e , permite sua implementao . O L_ set-valued online
tratamento e modelamento das matrizes de ponderao e das incertezas feitas pelo projetista,
constituem em temas para pesquisas futuras, bem como o desenvolvimento de outros mtodos.
Referncias
[1] Campos, Jos C. T. Filtragem Robusta para Sistemas Singulares Discretos no Tempo. 2004.
127 p. Dissertao (Doutorado em Engenharia Eltrica) - SEL, Universidade de So Paulo, So
Carlos, 2004.
[2] Kalman, R. E. 1960. A New Approach to Linear Filtering and Prediction Problems,
Transaction of the ASMEJournal of Basic Engineering, pp. 35-45.
[3] Sayed, Ali H. A framework for state-space estimation with uncertain models, IEEE
Transactions on Automatic Control, 2001, VOL. 46, NO. 7. pp. 998-1013.
[4] Sayed, Ali H.; Nascimento, V. H.; Chandrasekaran, S. Estimation and control with bounded
data uncertainties. Linear Algebra and Its Applica-tions, Nov. 1998, vol. 284, pp. 259-306.
[5] Simon, Dan. Optimal State Estimation, Ed. JOHN WILEY & SONS, INC, 2006. 526 p.