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.