Você está na página 1de 8

IDENTIFICACAO DE SISTEMAS: APROXIMACOES ATRAVES DE METODOS

DETERMINISTICOS E METODOS NAO PARAMETRICOS

Isan Mattos Nassiffe, Luter Fontes Ferraz de Novaes, Renata Guimaraes Baqueiro
Rodrigues

Emails: isanmn@gmail.com, luterferraz@gmail.com, renatabaqueiro@gmail.com

Abstract This paper aims to present and discuss the results found when modeling processes using two
different approaches: First, using deterministic methods, that is, methods that dont apply any noise correction
techniques, and second, using nonparametric methods, that result in a graphic representation of the system
dynamics and not directly in a transfer function.

Keywords Methods, Parametric, Deterministic, Identification.

Resumo Este artigo tem como objetivo apresentar e discutir os resultados obtidos a partir da modelagem
de processos atraves de duas abordagens: Primeiramente usando metodos determinsticos, ou seja, que nao fazem
nenhum tratamento de qualquer rudo presente e em seguida, usando metodos nao parametricos, que resultam
em uma representacao grafica da dinamica do sistema e nao diretamente em uma funcao de transferencia.

Palavras-chave Metodos, Parametricos, Determinsticos, Identificacao.

1 Introducao desde que nao apresentem oscilacoes em sua res-


posta ao degrau. Existem aproximacoes para tais
A identificacao de sistemas e comumente uti- sinais subamortecidos, porem elas estao fora do
lizada para obter um modelo matematico de sis- escopo deste artigo.
temas reais. Com base na modelagem realizada, As aproximacoes a serem discutidas serao gra-
e possvel a construcao e parametrizacao de con- ficas e feitas com objetivo de modelar a resposta
troladores para atender certas necessidades, como do sistema atraves de uma funcao de transferencia
definir ponto de operacao do sistema, estabilizar de 1a ordem da forma:
ou reduzir variacoes durante transientes. E impor-
K ed s
tante frisar que nem sempre e pretendido encon- H(s) = (1)
trar um modelo matematico exato, mas sim um s + 1
modelo adequado para a aplicacao desejada. onde:
A identificacao de sistemas e dividida princi-
palmente entre dois grupos de metodos, os De- K = Ganho estatico
terminsticos e os Nao Parametricos. Neste artigo d = Atraso de transporte
iremos desenvolver sobre os mesmos alem de reali- = Constante de tempo
zar simulacoes para avaliar os resultados e discutir Os modelos a serem discutidos sao:
as principais vantagens e desvantagens entre eles.
Ziegler-Nichols

2 Metodos Determinsticos Hagglund


Smith
Em modelagem e identificacao de sistemas,
Sundaresan
metodos determinsticos sao aqueles que nao fa-
zem nenhum tipo de tratamento ou correcao de Nishikawa
rudo. Por consequencia, apresentam alta suscep-
Todas as cinco aproximacoes sao feitas de forma
tibilidade a influencia de perturbacoes, e sao consi-
grafica, onde foi aplicado um degrau unitario nao
derados inadequados quando a relacao sinal-rudo
entrada do sistema para que, a partir da resposta,
e muito baixa. A presenca do rudo em si nao
fossem obtidos os parametros desejados.
impossibilita o uso destes metodos, mas diminui
a qualidade dos resultados e por fim, a qualidade
do modelo aproximado. 2.1.1 Introducao aos metodos utilizando resposta
ao degrau
Ziegler-Nichols
2.1 Metodos utilizando resposta ao degrau
A aproximacao de Ziegler-Nichols e obtida da
Nesta secao iremos discutir e apresentar mo- seguinte forma:
delos determinsticos de aproximacao para siste-
mas de 2 ordem com coeficiente de amorteci- 1. Usando interpolacao, encontrar a equacao da
mento 1. Uma extrapolacao pode ser feita reta tangente ao ponto de inflexao da resposta
para funcoes de transferencia de maior ordem ao degrau unitario.
2. Encontrar o ponto de intersecao dessa reta Smith
com o eixo das abscissas (x = d )
A aproximacao de Smith segue as seguintes
3. Encontrar o ponto de intersecao dessa reta equacoes para o calculo de e d :
com y = y() (x = T )
= 1.5(T3 T1 ) (6)
4. Calcular os parametros da funcao de trans-
ferencia atraves das equacoes. O calculo do
ganho estatico K permanece o mesmo para d = 1.5T1 0.5T3 (7)
todas as aproximacoes: onde:
K = y() y(0) (2)
T1 = instante em que y = 0.283y()
d = d (3) T3 = instante em que y = 0.632y()
= T d (4)

Figura 1: Visualizacao dos parametros d e T . Em Figura 3: Visualizacao dos parametros T1 e T3


preto a resposta ao degrau unitario e, em verme-
lho, a reta tangente ao ponto de inflexao da res-
Sundaresan
posta.
A aproximacao de Sundaresan segue as equa-
Hagglund coes:
= 0.67(T4 T2 ) (8)
A aproximacao de Hagglund e semelhante a
de Ziegler-Nichols, diferindo somente no calculo d = 1.3T2 0.29T4 (9)
da constante de tempo:
onde:
= Th d (5)
onde: T2 = instante em que y = 0.353y()
T4 = instante em que y = 0.8538y()
h = instante em que y = 0.632y()

Figura 2: Visualizacao dos parametros d e Th . Figura 4: Visualizacao dos parametros T2 e T4


Nishikawa
A aproximacao de Nishikawa e baseada no cal-
culo das seguintes areas:
Z
A0 = {y() y(t)} dt (10)
0

A0
T0 = (11)
y()
Z T0
A1 = y(t)dt (12)
0

Figura 6: Metodos determinsticos para Gp 1(s)

Tabela 1: Erros Gp 1(s)

Met. ZN Hag Smith Sunda Nishi


Absol. 0.9363 0.2528 0.1591 0.1176 0.1480
Quadr. 0.1114 0.0090 0.0049 0.0066 0.0088

Figura 5: Visualizacao dos parametros A0 e A1 Da mesma forma para planta 16, obtem-se a
figura 7 e a tabela 2.
A partir dos valores de A0 e A1 obtemos e
taud atraves das equacoes:
A1
= (13)
0.368y()
d = T0 (14)

2.1.2 Aplicacao em diferentes plantas


Para avaliar a o grau de proximidade de cada
um desses cinco metodos iremos realizar simula-
coes de tres plantas distintas:

277.5
Gp 1(s) = s5 +19.5s4 +141s3 +453s2 +608s+277.5 (15)

1
Gp 2(s) = (16) Figura 7: Metodos determinsticos para Gp 2(s)
(s + 1)4
1
LC
Gp 3(s) = R 1
(17)
s2 + L s + LC
onde Gp 3(s) representa um circuito RLC real com
valores: Tabela 2: Gp 2(s)

R = 1.2 Met. ZN Hag Smith Sunda Nishi


L = 240mH Absol. 1.8897 0.5754 0.3948 0.2925 0.3199
C = 540mF Quadr. 0.2563 0.0267 0.0157 0.0186 0.0189

Aplicando todos os metodos apresentados e


calculando o erro entre os metodos e a res-
posta medida, tanto absoluto quanto quadratico, Por ultimo, para a planta 17, obtem-se a fi-
a planta 15, obtem-se a figura 6 e a tabela 1. gura 8 e a tabela 3.
y = U h (20)

A matriz U representa o sinal de excitacao do
sistema, e na pratica, sempre sera truncada, afi-
nal a resposta ao impulso de processos assintoti-
camente estaveis sempre sera finita. Ao truncar
U obtemos:
y = Uh (21)
Resolvendo para h:
h = U 1 y (22)
Lembrando que a Eq. 22 vale para qualquer en-
trada U, desde que ela nao seja singular. Na pra-
Figura 8: Metodos determinsticos para Gp 3(s) tica, se U nao for suficientemente ativo essa ma-
triz sera mal condicionada e resultara em uma res-
posta instavel ao impulso.
A obtencao da resposta ao impulso de um sis-
Tabela 3: Gp 3(s)
tema Linear e Invariante no Tempo (LTI) a partir
Met. ZN Hag Smith Sunda Nishi do conhecimento de sua entrada e respectiva sada
Absol. 0.3504 0.0802 0.0427 0.0316 0.0338 pode ser interpretada com a operacao inversa da
Quadr. 0.0350 0.0020 0.0009 0.0016 0.0008 convolucao, ou seja, a deconvolucao.
Caso a entrada u(k) seja um impulso (u(k) =
0, k 6= 0), a matriz U se torna uma matriz dia-
2.2 Metodos utilizando convolucao
gonal e a Eq. 21 pode ser rescrita como:
Em aplicacoes praticas de tecnicas de identi-
y = u(0)I h (23)
ficacao de sistemas, o processo e usualmente ex-
citado por entradas como o degrau unitario ou o Logo:
impulso. Por limitacoes fsicas ou ate por ques- y
h= (24)
toes de excursionamento do ponto de operacao, a u(0)
aplicacao dessas entradas nem sempre e possvel. Se u(k) e impulso unitario, u(0) = 1 logo:
Nessa secao vai ser discutido um procedi-
mento de identificacao em que a excitacao pode h=y (25)
ser um sinal generico, desde que o mesmo atenda
a algumas condicoes. 2.2.1 Definicao da funcao de transferencia a
Para se obter a resposta ao impulso h(k) de partir da resposta ao impulso
um sistema a partir de um sinal de entrada qual- Uma vez obtida a resposta ao impulso h,
quer u(k) e um sinal de sada correspondente y(k), deseja-se obter a funcao de transferencia a partir
utilizaremos o somatorio de convolucao: dessa resposta. Para tal, precisamos ter conheci-

X mento a priori da ordem n do sistema. Uma vez
y(k) = h(j)u(k j) (18) conhecida a ordem do modelo, seja uma funcao de
j=0 transferencia de ordem n:
Y (z) bo z n +b1 z n1 +b2 z n2 +...+bn
Ou seja, tomando amostras de u(k) e y(k) e U (z) = H(z) = z n +a1 z n1 +a2 z n2 +...+an (26)
usando o somatorio de convolucao, montamos o
X
sistema de equacoes: H(z)
b = h(k)z k
k=0 (27)
1 2
= h(0) + h(1)z + h(2)z + ...
y(0) = h(0)u(0) + h(1)u(1) + h(2)u(2) . . .
Relacionando as Eqs. 26 e 27, temos:
y(1) = h(0)u(1) + h(1)u(0) + h(2)u(1) . . .
y(2) = h(0)u(2) + h(1)u(1) + h(2)u(0) . . . bo z n + b1 z n1 + . . . + bn =[z n + a1 z n1 + . . . + an ]
(28)
[h(0) + h(1)z 1 + . . .]
.. .. ..
. . . (19) Reescrevendo a Eq. 28 na forma matricial obte-
mos:
Expressando as Eqs. 19 na forma matricial:

y(0) u(0) u(1) u(2) . . . h(0) h(1) h(2) ... h(n) an h(n + 1)
h(2) h(3) ... h(n + 1) an1 h(n + 2)
y(1) u(1) u(0) u(1) . . . h(1)
.. .. =

.. .. .. ..
y(2) = u(2) u(1) .
.
u(0) . . . . . . .
h(2)

h(n) h(n + 1) ... h(2n + 1) a1 h(2n)
.. .. .. .. ..

..
. . . . . . (29)

b0 1 0 0 ... 0 h(0)
b1 a1 1 0 ... 0 h(1)


b2 a2 a1 1 ... 0 h(2)
=


.. .. .. .. .. .. ..
. . . . . . .
bn an an1 an2 ...h(n)1
(30)
Resolvendo as Eqs. 29 e 30 obtemos os valores
de an e bn e consequentemente nossa funcao de
transferencia H(z).

2.2.2 Aplicacao da identificacao usando convo-


lucao Figura 10: ()Resposta ao impulso h.

Nessa secao iremos aplicar o somatorio de con- Tendo conhecimento a priori de que o sistema
volucao para obter resposta ao impulso do sis- e de 2a ordem e utilizando as Eqs. 29 e 30, temos,
tema. respectivamente:
    
1.0001 2.0002 a2 2.3003
= (31)
(a) 2.0002 2.3003 a1 2.0504


b0 1.0 0 0 0
b1 = 1.5 1.0 0 1.0001
b2 0.69998 1.5 1.0 2.0002
(32)
A partir de 31 e 32 obtemos os valores de an
e bn e, por conseguinte, a funcao de transferencia:
1.0 z + 0.5001
H(s) = (33)
z 2 1.5 z + 0.7

3 Metodos Nao Parametricos

(b) Nesta secao iremos discutir metodos de iden-


tificacao nao parametricos, ou seja, que nao re-
sultam diretamente em um modelo parametrico
como, por exemplo, uma funcao de transferencia.
Metodos nao parametricos de identificacao tem
como resultado representacoes graficas da dina-
mica do sistema. A partir dessas representacoes,
podemos entao determinar modelos parametricos
com dinamicas semelhantes.

3.1 Funcoes de correlacao


Uma das maneiras de estimar a resposta ao
impulso h(t) de um sistema e atraves do uso de
funcoes de correlacao.
A funcao de correlacao cruzada(FCC) entre dois
Figura 9: () Sinais de (a) entrada u(k) e (b) sada sinais u(t) e y(t) e dada por:
y(k). Tracos contnuos a mostra para melhor vi-
sualizacao. ruy (, t) = E[u(t)y (t + )] (34)
Z T
1
ruy ( ) = lim u(t)y(t + ) (35)
T 2T T
Utilizando os como entrada o sinal (a) e como
respectiva sada o sinal (b) e usando a Eq.22 ob- Sendo que para a passagem de (34) para (35) as-
temos a seguinte resposta ao impulso: sumimos que o processo foi considerado:
1. Real. Onde y (t) = y(t). Analogamente as Eqs. (23) e (24):
2. Ergodico. Onde E[] = Media Temporal
3. Estacionario no sentido amplo. Eliminando ru y = ru (0)I h (41)
a dependencia da funcao de covariancia cru-
zada com o tempo (Dependendo somente do
atraso).
ruy
Uma maneira de representar a Eq. 35 na forma h= (42)
ru (0)
discreta e:
N
1 X
ruy (k) = lim u(i)y(i + k) (36) onde ru (0)=u2 , ou seja, a autovariancia do sinal
N 2N + 1
i=N u(k).
Analogamente, a funcao de autocorrelacao(FAC) Para demonstrar a relativa robustez da apro-
de um sinal u(t) e definida como: ximacao atraves das funcoes de correlacao, ire-
mos introduzir um rudo branco com variancia
N
1 X e2 =101 . O sinal de sada sera entao repre-
ru (k) = lim u(i)u(i + k) (37) sentado por uma parcela ideal somada ao rudo,
N 2N + 1
i=N
y(k)=y i (k) + e(k). Fazendo-se substituicao de va-
Na pratica, para series temporais de duracao fi- riavel em Eq. (40) e possvel demonstrar que:
nita, ru k pode ser estimado atraves de:

1 X
N k ruyi + ru e = ru (0)I h
ru (k) = u(i)u(i + k), k = 0, 1, . . . , N 1. ruyi ru e (43)
N i=1 h= 2 + 2
u u
(38)
De maneira similar, a FCC amostral de duas series
temporais de media nula u(k) e y(k) e definida por: Lembrando que a Eq.(43) considera a entrada per-
(
1
PN k feitamente aleatoria, produzindo uma matriz de
u(i)y(i + k), k = 0, 1, . . . ,N1 autocorrelacao diagonal. Caso essa condicao nao
ruy (k) = N
1
Pi=1
N +k
N i=1 y(i)u(i k), k = 0, 1, . . . ,N+1 seja atendida devemos usar:
(39)
Como vimos anteriormente, em identificacao de
sistemas os sinais sao sempre reais e alem disso ruyi + ru e = Ru h
iremos assumir que os sinais possuem media tem- (44)
h = Ru1 ruyi + Ru1 rue
poral nula (caso os sinais u(k) e y(k) possuam me-
dia nao nula, a media amostral deve ser subtrada
antes do calculo de FAC e FCC).
Sob essas circunstancias, as funcoes de auto-
correlacao e correlacao cruzada coincidem com as
funcoes de autocovariancia e covariancia cruzada. 3.2 Aplicacao de funcoes de correlacao
Para fins de normalizacao de graficos, iremos defi-
nir o coeficiente de correlacao entre duas variaveis
u e y como sendo (u, y) = Cov[u,y]/(u y ). A
partir da substituicao de Eq. (18) em Eq. (36)
obtemos:


X
ruy (k) = h(i)ru (k i) (40)
i=0
Equacao discreta de Wiener-Hopf

De forma semelhante ao que foi feito na secao 2.2,


podemos representar a Eq. 40 na forma matricial:

ruy (0) ru (0) ru (1) ru (2) . . . h(0)
ruy (1) ru (1) ru (0) ru (1) . . . h(1)
ruy (2) = ru (2) ru (1)

ru (0) . . . h(2)

.. .. .. .. ..

.. Figura 11: Sinal PRBS de entrada.
. . . . . .
lacao. Idealmente, a autocorrelacao de um sinal
de entrada perfeitamente aleatorio e um impulso
no primeiro instante, e nula nos demais instan-
tes. No caso de um sinal de rudo ideal, sua auto-
correlacao deve ser nula para todos os instantes,
pois um sinal de rudo perfeitamente aleatorio e li-
nearmente independente a si mesmo (ortogonal).
Como e impraticavel obter sinais finitos com tais
caractersticas ideais, um intervalo de confianca
de 95% foi utilizado para determinar se o sinal de
entrada e rudo eram suficientemente aleatorios.

Figura 12: Erro aleatorio com variancia e2 = 101

Figura 15: (+) resultado assumindo entrada per-


feitamente aleatoria e ignorando a presenca do
rudo, () resultado assumindo entrada nao perfei-
tamente aleatoria e ignorando presenca do rudo,
() resultado assumindo entrada nao perfeita-
Figura 13: Funcao de autocorrelacao ru (k). A mente aleatoria e incorporando presenca do rudo.
linha tracejada representa o intervalo de confianca Usando as equacoes
95% em que a correlacao pode ser considerada nao
significativa nesse intervalo.
0.9122 z + 0.5607
H1 (s) = (45)
z 2 1.484 z + 0.6636

1.003 z + 0.5693
H2 (s) = (46)
z 2 1.489 z + 0.6932

1.089 z + 0.4221
H3 (s) = (47)
z2 1.552 z + 0.8043

Utilizando o sinal PRBS representado na Figura


8 como entrada e somando a sua respectiva sada
o rudo representado na Figura 12, somos capa-
zes de obter a resposta ao impulso do sistema, e
a partir desta, extrair a funcao de transferencia
a partir das funcoes de correlacao. Utilizando as
Eq. (42) (que considera rudo nulo e entrada per-
Figura 14: Funcao de autocorrelacao rue (k). A feitamente aleatoria), (43) (que considera a pre-
linha tracejada representa o intervalo de confianca senca do rudo e a entrada perfeitamente aleato-
95% em que a correlacao pode ser considerada nao ria) e por fim (44) (que considera o sistema real, ou
significativa nesse intervalo. seja, com presenca de rudo e entrada nao perfei-
tamente aleatoria), obtemos, respectivamente as
As Figuras 13 e 14 mostram, respectivamente, funcoes de transferencia H1 (s), H2 (s) e H3 (s). A
a correlacao dos sinais de entrada e rudo con- resposta ao impulso de cada uma destas funcoes
sigo mesmos, ou seja, suas funcoes de autocorre- de transferencia esta ilustrada na Figura 15.
4 Conclusao Referencias

Aguirre, L. A. (2007). Introducao a identificacao


Os metodos de Ziegler-Nichols e Hagglund de sistemas, Vol. 3.
possuem esforco computacional muito semelhante.
Contudo, Hagglund apresentou o erro tanto ab- Coelho, A. A. R. and dos Santos Coelho, L.
soluto, quanto quadratico muito inferior ao de (2004). Identificacao de sistemas dinamicos
Ziegler-Nichols, cerca de 4 vezes menor, sendo que lineares.
a diferenca entre os metodos e apenas a forma de
se calcular o . Alem disso, por dependerem do
tracado da tangente, estes dois metodos se mos-
tram bastante sensveis a presenca de ruido.
Os demais metodos costumam apresentar er-
ros semelhantes, cerca de metade do valor apre-
sentado pelo metodo de Hagglund e variam de
acordo com as funcoes utilizadas. O metodo de
Smith apresentou erro semelhante aos metodos de
Sundaresan e Nishikawa, pois nas 3 plantas simu-
ladas, o atraso dele era o mais proximo do real,
apresentando um erro inferior ao dos demais me-
todos no inicio do transiente, o que representou
uma diferenca significativa no somatorio dos er-
ros. Porem, a curva calculada atraves do metodo
nao e tao proxima da curva real quando compa-
rado aos metodos de Sundaresan e Nishikawa.
O metodo de Sundaresan apresentou nas 3
situacoes a curva mais proxima da resposta real
do sistema, contudo nao apresentou o menor erro
pois ele costuma possuir o maior atraso entre os
metodos. Logo, o metodo de Sundaresan nao e
fiel a resposta no inicio do transiente, mas apos o
mesmo e o mais fiel.
O metodo de Nishikawa por necessitar calcu-
lar a area da curva, e o metodo que apresentou o
maior custo computacional. Todavia, a curva cal-
culada e proxima a real e nao apresentou atrasos
tao elevados quanto o do metodo de Sundaresan,
resultando em erros similares aos metodos de Sun-
daresan e Smith.
O metodo de convolucao permite a utilizacao
de entradas com formas distintas, nao apenas um
degrau unitario, porem necessita de conhecimento
previo do sistema, no caso a identificacao da or-
dem do mesmo. Um dos fatores mais importantes
para a aplicacao do metodo e o tempo de amos-
tragem pequeno comparado a frequencia dos sinais
de entrada e sada. Outro fator essencial e que o
rudo no sistema seja desprezvel, caso contrario a
resposta ao impulso sera instavel e ira tender ao
infito.
Em vista da presenca constante de ruido nos
sinais, o metodo anterior nao se torna aplicavel
na maioria das situacoes. Por outro lado, o me-
todo nao parametrico e capaz de obter respostas
ao impulso mesmo quando o sinal apresenta rudo
branco, sendo esta sua maior vantagem. Isto nao
ocorre devido ao metodo ser nao-parametrico, mas
ao fato deste der estocastico.

Você também pode gostar