1

Estimação e Identificação de sistemas

Milena Marinho Arruda

Resumo—A estimação e identificação de sistemas é que tentam relacionar as observações com algum
uma aplicação recorrente nas mais diversas áreas da padrão [2]
engenharia. Esta área é responsável por tratar o problema
de modelagem matemática de sistemas dinâmicos baseado II. S ISTEMAS D IN ÂMICOS
em dados observados a partir do sistema. Uma importante
justificativa para tal estudo é a necessidade da existência Em termos gerais, um sistema é um objeto onde
de um modelo para o desenvolvimento de um controle as mais diversas variáveis interagem e produzem
eficiente do sistema. Este artigo resgatará o conceito de sinais observáveis [2]. Os sinais observados são os
sistema dinâmico, discutindo alguns tipos de modelos e objetos de interesse e são usualmente chamados
suas aplicabilidades além de discorrer a cerca dos pro- de saı́das. Além disso, estı́mulos externos também
cedimentos de identificação de sistemas e demonstrar um
problema arquétipo utilizando modelos ARX e o método
afetam o sistema, e, aqueles que são manipulados
dos Mı́nimos Quadrados. pelo observador são denominados de entrada, os
demais, são chamados de perturbações.
Palavras-chave—estimação, identificação de sistemas,
A Figura 1 ilustra o diagrama de blocos de um
modelos matemáticos, sistemas dinâmicos.
sistema simples, considerando suas entradas e saı́da.
Este tipo de estrutura orientada a sistemas auxilia
I. I NTRODUÇ ÃO diversos campos de estudos a solucionar muitos
problemas [2].
ÁREA de identificação de sistemas recorre a
A métodos estatı́sticos para construção de mode-
los matemáticos de sistemas dinâmicos observáveis.
Este estudo deve compreender conjuntos de ex-
perimentos que reproduzam de maneira eficiente o
sistema, isto porque, a modelagem é uma abstração
de um processo verdadeiro a fim de caracterizar o
seu comportamento [1].
Eykhoff [1] introduz o conceito de “aspectos Fig. 1. Diagrama de blocos sistema dinâmico com saı́da y, entrada
essenciais” e define modelo como sendo uma u, perturbação mensurável v e perturbação não-mensurável w.
representação simplificada dos aspectos essenciais
de um sistema existente (ou um sistema a ser con- Os sistemas dinâmicos não são necessari-
struı́do), que apresenta o conhecimento do sistema amente de natureza fı́sica, podendo ser sis-
numa forma utilizável. temas econômicos, sistemas biológicos, sistemas
Neste contexto, um modelo matemático dinâmico de informação, sistemas ecológicos, sistemas de
é uma descrição matemática do comportamento trânsito, etc [1]. Porém, alguns dos sistemas que
dinâmico de um sistema ou processo, e pode ser mais interessam à engenharia elétrica são:
descrito no domı́nio do tempo ou da frequência. • sistemas mecânicos;

Os modelos podem ser descritos por hipóteses, • sistemas hidráulicos, e

leis da natureza, paradigmas, dentre outras teorias, • sistemas elétricos.

com nı́vel de formalidade variando de acordo com O conceito de sistema será ilustrado em uma
o princı́pio utilizado, e com caracterı́sticas básicas sequência de exemplos.

Milena Marinho Arruda participa do Programa de Pós- A. Casa com Aquecedor Solar
graduação de Engenharia Elétrica, Universidade Federal
de Campina Grande, Campina Grande, PB, Brasil. e-mail: Em uma casa com aquecedor solar conforme
milena.arruda@ee.ufcg.edu.br. ilustrado na Figura 2(a), o sistema opera de tal

forma que o sol aquece o ar no painel solar, o ar é
então bombeado para um dispositivo de armazena-
mento de calor e a energia armazenada outrora pode
ser transferida para a casa [2].
(a) Casa com aquecedor solar.
(b) Diagrama de blocos.
Fig. 2. Sistema de uma casa com aquecedor solar.
A temperatura no aquecedor, saı́da do sistema,
é resultante das relações entre as entradas e os
distúrbios. Como entradas do sistemas têm-se a
velocidade da bomba e o estı́mulo externo men-
surável, radiação solar. Entretanto, o sistema é afe-
tado por perturbações não mensuráveis tais como:
vento, condições naturais, etc. Este sistema está
simbolicamente ilustrado na Figura 2(b).
B. Aeronave Militar
O modelo matemático para análise do compor-
tamento de uma aeronave requer uma quantidade
substancial de trabalho que deve contemplar estudos
tanto para os simuladores que tratam da sı́ntese
de um piloto automático quanto para a análise de
propriedades.
As fontes de informação desse tipo de sistema
advém principalmente dos vôos de teste, não po-
dendo descartar os resultados obtidos durante ex-
perimentos em túneis de vento além de considerar
a instrospecção intuitiva do observador.
A Figura 3(a) mostra o avião sueco JAS-Gripen,
desenvolvido pela SAAB AB, da Suécia, e a Figura
3(b) mostra alguns resultados de vôos de teste que
podem ser utilizados para construir um modelo do
canal de campo, isto é, como a taxa de campo
2
(a) Aeronave sueca JAS-
Gripen.
(b) Resultados dos testes de vôo do JAS-Gripen.
(c) Diagrama de blocos.
Fig. 3. Sistema de uma casa com aquecedor solar.
é afetada pelos três sinais de controle: elevador,
canard e aba de vanguarda [2].
Neste caso, o elevador corresponde a
combinações aileron na parte traseira das asas,
enquanto a sua ação separada é conseguido a partir
dos ailerons no bordo de ataque (a parte dianteira
das asas). Os canards são um conjunto separado de
lemes na frente das asas. A Figura 3(c) apresenta o
diagrama de blocos do sistemas indicando algumas
entradas e saı́das [2].
C. Indústria de Processos: Buffer Vessel
Este exemplo, disponı́vel em [3] trata algumas
amostras de dados de uma fábrica de celulose lo-
calizada em Skutskär, Suécia. Algumas lascas de
madeira são cozidas e a polpa resultante é encamin-
hada através de vasos, onde passa por alguns proces-
sos como por exemplo: lavagem e branqueamento.
São aproximadamente 48 horas para conclusão
do processo e o tempo de residência nos diferentes
vasos é muito importante a fim de associar porções
da celulose com diferentes ações quı́micas em mo-
mentos diferentes. A Figura 4 apresenta alguns
dados coletados.
 3

numéricos. Chamar-se-á tais descrições de modelos

gráficos. A representação gráfica destes modelos é
amplamente utilizada para vários fins de concepção
com aplicações em sistemas lineares e não-lineares
[2].
Para aplicações mais avançadas, pode ser
necessário o uso de modelos que descrevem as
relações entre as variáveis do sistema em ter-
Fig. 4. Amostras coletadas em um processo de celulose usando um mos de expressões matemáticas como equações de
tanque de armazenamento. Intervalo de amostragem de 4 minutos e diferenças ou equações diferenciais [2]. Modelos
escala de tempo em horas.
matemáticos podem ser ainda caracterizados por
um conjunto de caracterı́sticas, tais como: tempo
O problema consiste em determinar o tempo de discreto ou contı́nuo, determinı́stico ou estocástico,
residência no tanque de armazenamento, estimando linear ou não-linear, etc.
a dinâmica de entrada, u(t): O k-numéro de polpa
que flui para dentro do tanque, e saı́da, y(t): O k- IV. P ROBLEMA A RQU ÉTIPO - M ODELOS ARX E
numéro de polpa que flui para fora do tanque. Para O M ÉTODO DOS M ÍNIMOS Q UADRADOS
tanto, também são considerados o nı́vel o fluxo do Este problema de estimação de modelo está
buffer vessel. disponı́vel em [2], e é descrito em algumas etapas:
1) O modelo ARX;
III. M ODELOS 2) Método dos mı́nimos quadrados;
O conjunto de processos no sistema determina 3) Qualidade da estimativa.
o seu comportamento. Cada processo é determi-
nado por suas propriedades fı́sicas e quı́micas, que A. O Modelo ARX
nem sempre são facilmente conhecidos. Um modelo
Sem perda de generalidade, pode-se definir um
tenta imitar os ”aspectos essenciais” do compor-
sistema cujas entrada e saı́da no instante t são u(t)
tamento do sistema, simplificado, escolhendo as
e y(t), respectivamente. Uma maneira simples de
propriedades mais importantes. Assim, técnicas de
expressara relação entre a entrada e a saı́da é dada
modelagem podem ser classificados como [1]:
pela equação linear de diferenças:
• modelagem a priori ou white-box: Através de
simples experimentos investiga leis fı́sicas e y(t) + a1 y(t − 1) + ... + an y(t − n) =
quı́micas envolvidas no sistema; b1 u(t − 1) + ... + bm u(t − m). (1)
• modelagem a posteriori ou black-box: Modelo
baseado apenas em dados sem conhecimento Esta representação do sistema está em tempo
prévio do sistema, que descreve como as saı́das discreto, pois os dados observados são sempre co-
dependem das entradas, e não como o sistema letadas por amostragem. E, portanto, é mais fácil
realmente é, caracterizando sua dinâmica (atra- relacionar dados observados em modelos de tempo
sos, velocidade, oscilações, e outros); discreto. Em (1) assume-se que o intervalo de
• grey-box: Baseia-se tanto na visão sobre os leis amostragem é uma unidade de tempo. Isto não é
internas que regem o sistema, quanto na análise essencial, mas torna a notação mais fácil.
de dados experimentais. Uma maneira de reescrever (1) de maneira útil
Diante disso, os modelos podem ser expressos de para se observar o valor da saı́da como uma
várias maneiras e podem ser tratados com diferentes combinação linear dos valores passados é:
graus de formalismo matemático. A aplicabilidade y(t) = −a1 y(t − 1) − ... − an y(t − n) +
do modelo é o fator responsável por determinar o b1 u(t − 1) + ... + bm u(t − m). (2)
grau de sofisticação necessário para que o modelo
seja significativo. Para uma notação mais compacta, definem-se os
Em determinados sistemas, é adequado descr- vetores:
ever suas propriedades usando tabelas e/ou gráficos θ = [a1 ...an b1 ...bm ]T ,
 4

ϕ = [−y(t − 1)... − y(t − n)u(t − 1)...u(t − m)]T . Uma vez que os vetores ϕ(t) são definidos, a
solução da equação (9) pode ser calculada com o
Portanto, a equação (2) pode ser reescrita como:
apoio de modernos softwares de solução numérica
y(t) = ϕ(t)T θ. (3) como o M ATLAB.
A fim de enfatizar que o cálculo de y(t) a
partir dos valores passados de fato depende dos C. Qualidade da Estimativa
parâmetros em θ, a relação equacionada em (3) será
definida por: Os modelos que apresentam a estrutura da
equação (4) que são lineares em θ são chamados
yb(t|θ) = ϕ(t)T θ. (4) de regressores lineares. O vetorϕ(t) é chamado de
vetor de regressão e os seus componentes são os
B. Método dos Mı́nimos Quadrados regressores.
Agora suponha que dado um sistema onde não Um modelo construı́do a partir dos valores ob-
são conhecidos os valores do parâmetro em θ, mas servados pode diferir do modelo teórico do sistema,
que foram gravadas as entradas e saı́das durante o uma vez que as perturbações estão presentes nas
intervalo 1 ≤ t ≤ N : medições. Portanto, se considerarmos um caso sim-
ples como o modelo de Resposta ao Impulso Finita
Z N = u(1), ..., u(N ), y(1), ..., y(N ). (5) (FIR), no qual n = 0, a equação (4) pode ser
O Método dos Mı́nimos Quadrados procura pelo reescrita considerando um ruı́do branco aditivo e(t)
elemento do conjunto Z N que minimiza a diferença com média nula e variância λ. Assim:
entre y(t) e yb(t|θ):
y(t) = ϕT (t)θ0 + e(t) (10)
min VN (θ, Z N ), (6)
θ Substituindo (10) em (9) com o intuito de deter-
onde, minar o erro de estimativa
PNdevido àsT perturbações,
N e considerando R(N ) = t=1 ϕ(t)ϕ (t) obtém-se:
N 1 X
VN (θ, Z ) = (y(t) − yb(t|θ))2 " N #
N t=1 X
N
θbN = θ0 + R(N )−1 ϕ(t)e(t) (11)
1 X t=1
= (y(t) − ϕ(t)T θ)2 .
N t=1
Desde que u(t) e, consequentemente, ϕ(t), são
O valor de θ que minimiza a equação (6) é: variáveis determinı́sticas, R(N ) será uma matriz
também determinı́stica. Além disso, com base nas
θbN = arg min VN (θ, Z N ). (7) caracterı́sticas de ruı́do branco de e(t) determina-se
θ

Visto que VN é função do quadrado de θ, o que o valor esperado de θbN é zero. E, portanto, a
mı́nimo valor de VN (θ, Z N ) pode ser calculado por: matriz de covariância do parâmetro de estimativa é
definida como:
d
VN (θ, Z N ) = 0 T
dθ PN = E θbN θbN
N
2 X = λR(N )−1 , (12)
= ϕ(t)(y(t) − ϕT (t)θ).
N t=1
e considera o fato de que e(t) é uma sequência
Reescrevendo, de variáveis independentes correlacionada apenas
N
X N
X consigo mesma, isto é, Ee(t)e(s) = λδ(t − s).
ϕ(t)y(t) = ϕ(t)ϕT (t)θ. (8) O cálculo da matriz de covariância do estimador
t=1 t=1 θN é computado a partir das propriedades de R(N ),
b
Assim, que depende das entradas do sistema, e também do
" N
#−1 N
nı́vel de ruı́do λ. Definindo
X X
T 1
θbN = ϕ(t)ϕ (t) ϕ(t)y(t). (9)
R = lim R(N ),
t=1 t=1 N →∞ N
 5

calcula-se a matriz de covariância do estimador é, fazer essas escolhas de modo que os dados
como: se tornem maximamente informativos. Em alguns
−1 −1
λR casos é possı́vel fazer a matriz R pequeno, em
PN = . (13)
N outros, o usuário é capaz de interferir e alterar o
Pode-se aferir a partir da equação (13) que a experimento, neste caso, o observador deve usar os
entrada do sistema pode ser manipulada de forma a dados de operação normal do sistema [2].
−1
minimizar R e a covariância:
• decai a uma taxa de
1
; B. Conjunto de modelos
N
• é proporcional a relação sinal/ruı́do. Ou seja, éUm conjunto com modelos candidatos a
proporcional à variância do ruı́do λ e inversa-
representação do sistema é obtido por especificação
mente proporcional à potência de entrada; dentre o conjunto total de modelos a fim de observar
• depende apenas das suas propriedades de apenas um. Isto é, sem dúvida, o mais importante
variância e covariância. e, ao mesmo tempo, a decisão mais difı́cil dentre
os procedimentos de identificação do sistema [2]. É
V. O P ROCESSO DE I DENTIFICAÇ ÃO DE neste momento em que o conhecimento e a intuição
S ISTEMAS de engenharia são combinados com propriedades
formais dos modelos matemáticos.
Essencialmente, o procedimento de construção de
Às vezes, o conjunto modelo é obtido após mod-
um modelo segue três etapas [2]:
elagem cuidadosa. Em seguida, um modelo com al-
1) Determinação de um conjunto de dados Z N guns parâmetros fı́sicos desconhecidos é construı́do
conforme (5); a partir de leis fı́sicas básicas e outras relações bem
2) Um conjunto de candidatos a modelos; estabelecidas. Entretanto, em outros casos podem
3) Critério de avaliação dos modelos seleciona- ser empregues modelos lineares padrão, sem re-
dos, VN (θ, Z N ). ferência para o fundo fı́sico.
A Figura 5 exibe, sucintamente, o processo de Conjuntos modelos cujos parâmetros são basi-
identificação de sistemas. camente visto como artifı́cios para ajustar o con-
junto dos dados e não refletem considerações fı́sicas
no sistema, é chamado black-box. Já os conjuntos
modelo com parâmetros ajustáveis à interpretação
fı́sica é chamado de gray-box [1].
De um modo geral, uma estrutura de modelo é um
mapeamento com parâmetros de entradas e saı́das
passadas para o espaço das saı́das do modelo.

C. Avaliação dos modelos selecionados

Este é o método de identificação do sistema.
A avaliação da qualidade do modelo é geralmente
baseada na performance dos modelos quando tentam
Fig. 5. Procedimento de identificação de sistemas. reproduzir os dados medidos.

A. Registro de dados
Os dados de entrada e saı́da são, por vezes,
gravado durante um projeto especı́fico de experi-
mento de identificação, no qual, o usuário, deter-
mina quais os sinais podem ser medidos e quando
deve medi-los podendo escolher, também, os sinais
de entrada. O objetivo com o design experimental
D. Validação do modelo
Após resolução das três etapas descritas, tem-se,
um modelo especı́fico correspondente ao conjunto
que melhor descreve os dados de acordo com o
critério escolhido. O modelo é continuamente tes-
tado a fim de verificar se o mesmo é suficientemente
bom, isto é, se é válido para a sua finalidade. Tais
testes são conhecidos como validação do modelo.
 6

A validação do modelo envolve vários proced-

imentos para avaliar como o modelo se refere a
dados observados, ao conhecimento prévio, e ao uso
pretendido. O modelo é rejeitado quando apresenta
comportamento divergente nestes aspectos. Um mo-
delo nunca pode ser aceito como uma descrição final
e verdadeira do sistema, no máximo um modelo
pode ser classificado como uma boa descrição de
certos aspectos que são de particular interesse do
observador.
O modelo pode ser rejeitado por diversas razões,
dentre as quais [2]:
• o procedimento numérico não foi suficiente
para determinar o melhor modelo baseado no
critério definido;
• os critérios não foram bem definidos;
• o conjunto de modelos não era apropriado, isto
é, não descrevia suficientemente bem o sistema;
• o conjunto de dados não fornecia informação
suficiente para fornecer orientação na seleção
de um bom modelo.

VI. C ONCLUS ÃO

Estimativa e identificação de parâmetros são
geralmente descritos dentro de uma estrutura prob-
abilı́stica O processo de identificação de sistema
apresentado é bastante geral. Ele não se limita a
modelos lineares ou critérios quadráticos ou assume
que o próprio sistema pode ser descrito dentro do
conjunto modelo. No entanto, provas e expressões
explı́citas podem ser obtidas apenas para determina-
dos casos especiais, como por exemplo os sistemas
de entrada única e sistemas de saı́da única.
Os procedimentos de identificação de sistemas
tem um fluxo natural lógico: escolha dos dados,
reconhecimento de conjuntos de modelos, seleção
do modelo que melhor representa o sistema. É
bastante provável, porém, que o modelo obtido pela
primeira vez não será validado durante os testes de
validação do modelo. Neste caso, deve-se voltar e
rever as várias etapas do procedimento.

R EFER ÊNCIAS
[1] D. CHINARRO e C. GLACIER System Identification Tech-
niques. Springer International Publishing Switzaeland, 2014.
[2] L. LJUNG System Identification: Theory for the User, 2sc ed.
Liköping University, Suécia. Prentice Hall, 1999.
[3] L. LJUNG Practical Issues of System Identification. Liköping
University, Sweden. EOLSS, 2007.