Escolar Documentos
Profissional Documentos
Cultura Documentos
CURITIBA
2015
PEDRO MOTTA NUNES
CURITIBA
2015
xxxx Nunes, Pedro Motta
Desenvolvimento de algoritmos de identificação modal usando o método de
subespaço para dados de entrada e saída e dados apenas de saída / Pedro Motta
Nunes – Curitiba 2015
Dissertação - Universidade Federal do Paraná, Setor de Tecnologia, Programa de
Pós-Graduação em Engenharia Mecânica, 2015.
Orientador: Heraldo Nélio Cambraia. Bibliografia: p. 82-86.
1. Análise modal experimental. 2. Análise modal operacional. 3. Identificação
paramétrica. 4. Técnicas orientadas a Subespaço. I. Universidade Federal do
Paraná. II.Cambraia, Heraldo Nélio. III. Desenvolvimento de algoritmos de
identificação modal usando o método de subespaço para dados de entrada e saída
e dados apenas de saída.
CDD: XXXXX
TERMO DE APROVAÇÃO
Banca Examinadora:
Prof. Dr. Arcanjo Lenzi Prof. Dr. Ana Paula Carvalho da Silva
UFSC UTFPR
“Em tudo dai graças, porque esta é a vontade de Deus em Cristo Jesus para
convosco.” (1 Tessalonicenses 5:18)
Agradeço a Deus, agradeço a minha família, agradeço aos amigos e claro, agradeço
ao meu orientador e também amigo.
RESUMO
1 INTRODUÇÃO.......................................................................................................7
2.3 RELAÇÃO ENTRE OS PARÂMETROS MODAIS DE SISTEMAS MODELADOS PARA TEMPO CONTÍNUO E
DISCRETO.................................................................................................................................................... 23
2.3.1 RELAÇÃO ENTRADA-SAÍDA DE SISTEMAS LIT........................................................................................24
5 RESULTADOS.....................................................................................................49
5.1 GERAÇÃO DOS DADOS DE ENTRADA E SAÍDA DE UM PÓRTICO USANDO O MÉTODO DE ELEMENTOS
FINITOS49
5.2 IDENTIFICAÇÃO MODAL USANDO DADOS DE ENTRADA E SAÍDA PARA O PÓRTICO SEM
AMORTECIMENTO E LIVRE DE RUÍDO........................................................................................................... 55
5.3 IDENTIFICAÇÃO MODAL USANDO DADOS DE ENTRADA E SAÍDA PARA O PÓRTICO COM
AMORTECIMENTO E LIVRE DE RUÍDO........................................................................................................... 57
5.4 IDENTIFICAÇÃO MODAL USANDO DADOS DE ENTRADA E SAÍDA PARA O PÓRTICO COM
AMORTECIMENTO E RUÍDO......................................................................................................................... 58
5.5 IDENTIFICAÇÃO MODAL USANDO DADOS APENAS DE SAÍDA PARA O PÓRTICO SEM
AMORTECIMENTO E SEM RUÍDO USANDO O ALGORITMO 2.........................................................................61
5.7 IDENTIFICAÇÃO MODAL USANDO DADOS APENAS DE SAÍDA PARA O SISTEMA MASSA-MOLA SEM
AMORTECIMENTO E LIVRE DE RUÍDO USANDO O ALGORITMO 2..................................................................68
5.8 IDENTIFICAÇÃO MODAL USANDO DADOS APENAS DE SAÍDA PARA O SISTEMA MASSA MOLA COM
AMORTECIMENTO E LIVRE DE RUÍDO USANDO O ALGORITMO 2..................................................................72
5.9 IDENTIFICAÇÃO MODAL USANDO DADOS APENAS DE SAÍDA PARA O SISTEMA MASSA MOLA COM
AMORTECIMENTO E RUÍDO NA SAÍDA USANDO O ALGORITMO 2.................................................................74
5.10 IDENTIFICAÇÃO DOS PARAMETROS MODAIS SEM AMORTECIMENTO E LIVRE DE RUÍDO USANDO O
ALGORITMO 1.............................................................................................................................................. 77
6 CONCLUSÕES....................................................................................................80
7 REFERÊNCIAS....................................................................................................82
7
1 INTRODUÇÃO
fornecem parâmetros calculados com uma maior precisão, visto que, com
uma grande quantidade de dados, a identificação pode ser repetida várias
vezes utilizando-se diferentes métodos.
onde M̄ , C̄
K̄ , são, respectivamente, as matrizes de massa,
e
amortecimento e rigidez, todas de dimensão f ×f . Os vetores q(t ) e f(t),
ambos de dimensão f ×1 , denotam, respectivamente, as coordenadas
generalizadas do sistema mecânico e as forças externas que atuam sobre o mesmo.
Deve-se observar, entretanto, que o vetor f(t) pode conter algumas componentes
nulas.
Definindo-se:
q(t )
( t )= x (t)
[ ]
ẋ (t)
x (t )=
{ }
q̇(t )
(2.2)
como o vetor de estado de dimensão n×1 , onde n=2 f , a equação (2.1) pode
ser expressa de maneira equivalente na forma de estado como,
Ā= C̄ M̄ B̄= K̄ 0
A= C
M [ M
0 ] [
M̄ 0 ] B= K[ 0
0 −M ] [ 0 − M̄ ] u ( t )= f (t)
[ ] 0
ū(t )= f (t )
{ }
0 (2.4)
λt
q ( t )=Ψ e λt x(t )=Ψe
(2.6)
λt
( λ Ā+ B̄)Ψe =0 ( λA+ B ) Ψ =0
(2.7)
λ j , λ j +1 =−ω n ξ j±iωn
j j
√ 1−ξ 2j j=1: f (2.10)
λt λt
q(t )=φ e e q̇(t )=λ φ e
(2.11)
φj
ϕ
Ψ n= j
[ ]
λ j ϕj
Ψ j=
{ }
λjφj j=1:n
(2.12)
φ1 φn
Ψ = [ Ψ 1 ⋯ Ψ n ]=
[{ } { }] [
λ1 φ 1
⋯
λn φn Ψ=
ϕ1 … ϕ2 n
λ1 ϕ1 … λ 2 n ϕ 2n ]
(2.13)
onde:
λ 0 Φ Φ¿
Λ=
0 λ[ ]
¿
e
λ=diag { λ j } M d =diag {m j } Ψ= [ ¿ ¿
Φλ Φ λ ]
(2.15)
λ=diag [ λ 1 ⋯ λ f ] Φ=[ { φ1 } ⋯ {φ f } ]
e (2.16)
onde
0 I
−1
F=− Ā B̄= [ − M̄ K̄ −M −1 C̄
−1 ] e E = Ā−1 (2.18)
F=ΨΛΨ −1
(2.19)
t2
F (t 2−t 1 ) F (t 2−τ )
x (t 2 )=e x(t 1 )+∫ e E ū (τ )dτ
t1
(2.20)
21
que representa uma série formada de infinitas parcelas, que pode ser facilmente
calculada usando as matrizes Λ e Ψ como (LUENBERGER, 1979),
e Ft =Ψe Λ t Ψ −1 (2.22)
x [ k +1 ]= A x [ k ] + B̄d ū [ k ]
(2.28)
Onde:
A eFt (2.29)
( k +1 ) Δt
B̄ d = ∫ A ( ( k+1 ) Δt −τ ) E dτ
kΔt (2.30)
0 Δt Δt
[ ] [
B̄ d = −∫ A ( ρ)dρ E= ∫ A( ρ )dρ E= ∫ e Fρ dρ E
Δt 0
] [ 0
] (2.31)
t
∫ e aρ dρ= 1a ( e at−1 )
Considerando que 0 , tem-se, então, por analogia, que a
equação (2.31) pode ser escrita como
23
−1
B̄ d =F ( A−I ) E (2.32)
x [ k+1 ]= A x [ k ] (2.33)
x [ k ] =ψ z k
(2.34)
ψ z k+1 = A ψ z k (2.35)
( z I− A )Ψ =0 (2.36)
Sendo que este problema de autovalor tem solução não trivial se e somente se a
equação polinomial característica for obtida da seguinte forma:
Ψ= [Ψ 1 Ψ 2 .. . Ψ n ]
(2.38)
Ψ −1 AΨ=Ζ j=1:n
(2.39)
ou
−1
A=Ψ Ζ Ψ (2.40)
24
ln( z j )
λ j=
Δt
(2.43)
|λ j|
f j=
2π em Hz (2.45)
−ℜ( λ j )
ζ j=
|λ j| (2.46)
Onde os termos entrada e saída aqui são descritos, respectivamente, pelo termo
força ū(t ) e pelo vetor de estado x(t).
T
Usando as condições de ortogonalidade da matriz modal Ψ Ā Ψ =I n×n ,
−T −1
E= Ā−1 =( Ψ I n×n Ψ −1 ) =ΨΨ T
(2.48)
onde o termo
Λt T
H (t )=Ψe Ψ (2.50)
A Equação (2.49) estabelece que o vetor de estado x(t ) pode ser expresso
através da integral de convolução entre a função matricial H (t ) e a entrada ū(t )
. Além disso, a função H (t ) é o núcleo desta integral de convolução e representa
fisicamente uma matriz de funções de respostas impulsivas (FRI)’s como:
h11 (t ) ⋯ h1 n (t )
H (t )=Ψe Λ t Ψ T = h21(t )
⋮
[
hn 1 (t )
⋯ h2 n (t )
⋱ ⋮
⋯ hnn (t )
] (2.51)
26
¿
eλ t 0
H (t )=Ψe Λ t Ψ T = [ Φ Φ
Φλ Φ ¿ λ¿ ][ 0 eλ t
¿
][ Φ Φλ
Φ ¿ Φ ¿ λ¿ ]
(2.52)
[ ] [ ]
H ( t )=
[
λ1 t
[
⋮
φ f1
λ1 φ11
⋮
λ1 φf 1
⋱ ⋮
⋯ φff
⋯ λ f φ1 f
⋱ ⋮
⋯ λ f φff ][
⋮
⋮
⋱ ⋮
φ¿f1 ⋯ φ ¿ff
λ¿1 φ ¿11
λ¿1 φ ¿f 1
⋯ λ ¿f φ¿1 f
⋱ ⋮
⋯ λ ¿f φ¿ff ] ]
[ e
]
.
[ 0
φ11 ⋯ φ f1
⋱
e
λf t
0
[ e
λ1 φ11
λ¿ t
1
⋱
e
⋯ λ1φf 1
¿
λf t ] ]
[ ][ ]
.
[ [
⋮
⋮
⋱ ⋮
φ1f ⋯ φ ff
φ¿11 ⋯ φ¿f1
⋱ ⋮
φ1f ⋯ φ¿ff
¿ ][
⋮
λf φ 1 f
λ¿1 φ¿11
⋮
λ¿f φ¿1 f
⋱ ⋮
⋯ λ f φ ff
⋯ λ ¿1 φ¿f 1
⋱ ⋮
⋯ λ ¿f φ¿ff ] ] (2.53)
r ij( k)=φi( k ) φ j( k )
(2.55)
27
Com esta definição do vetor u(t ) , a Eq. (2.18), para tempo contínuo, pode
ser reescrita como:
x [ k +1 ]= A x [ k ] +Bd G u [ k ] (2.59)
ou
x [ k+1 ]= A x [ k ] +B u [ k ] (2.60)
onde
B =Bd G (2.61)
Φ j =C Ψ j j=1,2,...,n.
(2.64)
os parâmetros modais
λj e
φj de sistemas mecânicos, como mostrado no
capítulo 2 deste trabalho.
É possível mostrar que as sequências de variáveis de entrada e saída
u(k ) , y(k )
e x(k) que satisfazem as equações (3.1) e (3.2), levam, após
algumas manipulações algébricas, a seguinte importante relação matricial:
Y h =Γ i X +H t U h (3.3)
onde
Y
h e U
h são, respectivamente, matrizes de estrutura Hankel para i-blocos
de linhas e j-blocos de colunas, contendo, respectivamente, os vetores de saídas
y(k ) e os vetores de entradas u(k ) com dimensões, respectivamente, iguais a
il× j e im× j . Essas matrizes são definidas como:
y (k ) y (k +1 ) ⋯ y (k + j−1)
[ y (k + 1)
Y h = y (k + 2)
⋮
y (k +i−1)
y (k + 2)
y (k +3 )
⋮
y (k +i)
⋯
⋯
⋱
⋯
y( k + j )
y ( k + j+ 1)
⋮
y (k +i+ j−2)
] (3.4)
[
u (k +1) u (k +2) ⋯
⋮ ⋮ ⋱
u(k + j)
U h = u (k +2) u( k +3) ⋯ u (k + j+1 )
⋮
u( k +i−1) u(k +i) ⋯ u (k +i+ j−2 )
] (3.5)
[]CA
Γ i = CA2
⋮
CA i−1
(3.7)
e
Ht , uma matriz triangular inferior de estrutura Toeplitz e de dimenssão il×im
como:
D 0 0 ⋯ 0
[CB
H t = CAB
⋮
D
CB
⋮
D
⋮
0
CA B CA B CA i−4 B
i−2 i−3
⋯
⋯
⋱
⋯
0
0
0
D
] (3.8)
( 1)
Γ (2 )
i =Γ i A
(3.9)
(1 )
onde as sub-matrizes Γ i and Γ (2i ) são definidas como
Γ (1)
Γi=
[ ][ ]
CA
i
i−1
=
C
Γ (i 2)
(3.10)
V T1
U h =Q S 0 j
[ 0 ] [ ]
V T2
(3.12)
33
Y h V 2 =Γ i X V 2 (3.14)
Para o caso ideal, onde os dados de entrada e saída são livres de ruído, o
rank das matrizes
Γ i e V T2 X T é igual a n, da ordem do sistema dinâmico
Y h V 2 da Equação (3.14)
modelado pela Equação (3.1). Isso implica que o produto
também possua rank igual a n. Além disso, as n colunas das matrizes
Γi e
T T
V2 X geram, respectivamente, o espaço coluna e o espaço linha da matriz
Y hV 2 .
O espaço coluna de
Y hV 2 pode representar, portanto uma versão
estendida da matriz de observabilidade
Γ i , denotada por Γ^ i , possuindo,
portanto, todas as características dinâmicas e analíticas de
Γ i , incluindo a
propriedade de invariância ao deslocamento discutida na seção anterior. Isso
34
3.2.2 Realização para dados de entrada saída considerando ruído nos dados de
saída
Para uma situação mais realista, onde os dados de saída são contaminados
por ruído, a matriz
Y hV 2 possui rank completo igual a il, sendo que il>n .
Entretanto, uma estimativa do espaço coluna da matriz
Y h V 2 , de rank n, pode ser
calculada usando SVD como
V^ Ts
^ n ] Ss
^ 0
Y h V 2 =[ Q
^s Q
[ ][ ]
0 S^ n Vn
^ T
=Q^ s S^ s V^ Ts + Q^ n S^ n V^ Tn
(3.15)
Γ^ i =Q^ s (3.16)
35
O modelo auto-regressivo com média móvel (ARMA) pode ser usado para
descrever o comportamento dinâmico de uma variável y(k ) e um processo
aleatório multivariado { y(k ) } , em tempo discreto, através da seguinte equação de
diferenças (LARDIES, 2010):
f f
y (k + f )−∑ α j y ( k+ f − j )=∑ β j e( k +f − j )
j=1 j =1
(4.1)
y (k +1)= y (k +1)
y (k +2)= y (k +2 )
⋮
y (k +f −1)= y (k +f −1 )
f f
y (k +f )= ∑ α j y (k +f − j)+ ∑ β j e(k +f − j)
j=1 j=1 (4.2)
0 I 0 ⋯ 0 0 0 0 ⋯ 0
{ }[ ]{ } [ ]{
y (k +1) y (k ) e (k )
y( k +2) =
⋮
y( k +f ) α
0
⋮
0
f
0
⋮
0
I
⋮
0
α f −1 α f −2
⋯ 0
⋱ ⋮
0 I
y (k +1 ) +
⋮
0
⋮
0
⋯ α 1 y ( k +f −1) β f
0
⋮
0
0
⋮
0
β f −1 β f −2
⋯ 0
⋱ ⋮
0 0
⋯ β1
e(k +1 )
e( k
⋮
+f −1)
}
(4.3)
0 I 0 ⋯ 0
0
α= ⋮
0
αf
[ 0
⋮
0
α f −1 α f −2
I
⋮
0
⋯ 0
⋱ ⋮
0 I
⋯ α1
] (4.4)
e
0 0 0 ⋯ 0
0
β= ⋮
0
βf
[ 0
⋮
0
β f −1 β f −2
0
⋮
0
⋯
⋱
0
⋯
0
⋮
0
β1
] (4.5)
T T T T
y fut ( k )=[ y (k ) y (k +1) ⋯ y (k +f −1) ] (4.6)
T T T T
y pas (k )=[ y ( k ) y (k−1) ⋯ y ( k− p+1 ) ] (4.7)
T T T T
e fut (k )=[ e (k ) e (k +1 ) ⋯ e ( k +f −1) ] (4.8)
E [ y fut ( k+1) y Tpas (k −1)] =αE [ y fut (k ) y Tpas (k−1 )] +βE [ e fut ( k) y Tpas (k−1)]
(4.10)
y( k +1)
(4.13)
T
E [ y fut ( k +1) y pas (k −1) ] =E
[{ }
y( k +2)
⋮
y ( k +f )
{ y (k −1) y ( k−2 ) ⋯ y( k− p ) }
]
ou
y(k+1 ) y(k−1) y( k+1) y(k−2) ⋯ y(k+1 ) y(k− p)
E[ y fut ( k+1) y Tpas (k−1)
[
] =E y(k+2
⋮
) y(k−1)
y(k+f ) y(k−1)
y( k+2) y(k=1)
⋮
y( k+f ) y( k−2 )
⋯
⋱
⋯
y(k+2 ) y(k− p)
⋮
y(k+f ) y(k−p)
]
(4.14)
R2 R3 ⋯ R1+ p
(4.15)
E [ y fut ( k +1) y Tpas (k −1) ] =E R3
⋮
Rf +1[ R4 ⋯ R2+ p
⋮ ⋱ ⋮
Rf +2 ⋯ Rf + p ]
O lado esquerdo da Equação (4.12) representa, portanto, uma matriz de
estrutura Hankel-blocos, de dimensão lf ×lp , formada pelas matrizes de
covariância
Ri de dimensão f × p , denotada por H( 2) , ou seja,
R2 R 3 ⋯ R1+ p
(4.16)
H ( 2)= R 3
⋮
[ R 4 ⋯ R2+ p
⋮ ⋱ ⋮
R f +1 R f +2 ⋯ R f + p ]
Da mesma forma, desenvolvendo o termo do lado direito da Equação (4.12)
obtém-se a seguinte matriz de estrutura Hankel-bloco
R1 R2 ⋯ Rp
(4.17)
R
H( 1)= 2
⋮
Rf
[ R3 ⋯ R p+1
⋮ ⋱ ⋮
Rf +1 ⋯ R f +p−1
]
de dimensão lf ×lp .
40
Dessa forma a equação (12) pode ser escrita de forma mais compacta
como:
H( 2)=α H ( 1)
(4.18)
{ x (k+1)=A x(k)+u(k)¿¿¿¿
(4.20)
E[ u(k )]=0
(4.21)
E[ v(k )]=0
(4.22)
T
E[ u(k+i) u ( k)]=0 (4.23)
T
E[ v(k+i ) v (k )]=0 (4.24)
para i≠0 .
T
E[ x( k)u (k )]=0 (4.25)
T
E[ x( k)v ( k)]=0
(4.26)
R1 =E [ C x (k +1 ) y T (k )]=C ⏟
E [ x( k +1) y T (k )]=C G
G (4.30)
ou
T
R2 =C AE ⏟
x(k+1) y (k ) =C A G
[ G ] (4.33)
ou
ou ainda
43
R1 R2 ⋯ Rj
[
H= R 2
⋮
Ri
R3 ⋯ R j+1
⋮ ⋱ ⋮
Ri +1 ⋯ Ri + j−1
] (4.37)
de dimensão li×lj .
R1 R2 ⋯ Rj CG CAG ⋯ CA j−1 G
(4.38)
⋮
[
H= R 2
Ri
R3 ⋯ R j+1 = CAG
⋮ ⋱ ⋮
Ri+1 ⋯ Ri+ j−1
⋮
][
CA 2 G
⋮
CA G CA i G
i−1
⋯
⋱
CA j G
⋯ CA
⋮
i+ j− 2
G
]
ou ainda
R 1 R2 ⋯ Rj C
[
H= R 2 R3
⋮ ⋮
R i Ri+1
⋱ ⋮
][ ]
⋯ R j+1 = CA [ G
⋮
⋯ Ri+ j−1 CA
i−1
AG ⋯ A j−1 G ]
(4.39)
H=Γ i Λ (4.40)
44
Γ (1)
Γi=
[ ][ ]
CA
i
i−1
=
C
Γ (i 2)
(4.41)
sendo que
( 1)
Γ (2 )
i =Γ i A
(4.42)
V^ Ts
^ n ] Ss
^ 0
H=[ Q^ s Q
0[ ][ ] S^ n Vn
^ T
^ s S^ s V^ Ts + Q
=Q ^ n S^ n V^ Tn
(4.44)
^
As n colunas da matriz Qs geram o espaço coluna de ordem n da matriz
H , e tais colunas contém também os n principais vetores singulares
^
correspondentes aos n principais valores singulares da matriz diagonal S s .
A ordem n do sistema dinâmico pode ser estimada através do número de
valores singulares mais significativos da matriz H . Assim, uma estimativa da
matriz de observabilidade estendida, denotado por Γ^ i , pode ser obtida de maneira
análoga à descrita no capítulo 3, como:
x[k+1]= A x[ k ]+w [k ]
y[ k ]=C x[k ]+v[ k ] (4.46)
Q S
E {[ wv [k[k ]] }⋅{w [ j ]
T
][ ]
vT [ j ] } =
S
T
R
⋅δ[ k − j ]
(4.47)
Σ= A Σ A T +Q (4.51)
Λi =E [ y [ k+i]⋅y T [ k ] ] (4.53)
i− 1
Λi =CA G (4.54)
yr [ k ]
y [ k ]=
{ }
y s [k ]
(4.55)
y r [ k ]=L y[ k ]
(4.56)
onde
Gr =E [ x [ k +1 ]. y Tr [ k ]] =G LT (4.58)
r r
As matrizes Λi e G , com dimensões, respectivamente, iguais a l×r
e n×r , são relacionadas analogamente a equação (4.54) como:
r i−1 r
Λi =CA G (4.60)
yr [ 0 ] y r [1 ] ⋯ y r [ j−1 ]
(4.61)
Y r=
1
( )
√j
[
y r [1 ]
⋮
y r [i−1 ]
y r [2 ]
⋮
y r [i ]
⋯
⋱
yr [ j ]
⋮
⋯ y r [ i+ j−2 ]
]
y [ i] y [ i+1 ] ⋯ y r [i+ j−1]
(4.62)
Y=
( )
√j [
1 y [i+1 ] y [ i+2 ]
⋮ ⋮
y [2 i−1 ] y [2 i]
⋯
⋱
y [i+ j]
⋮
⋯ y [ 2i+ j−2 ]
]
A matriz de covariância de bloco-Toeplitz defasada, de dimensão il×ir ,
r
formada pelas matrizes Λi , da seguinte forma:
T r =Y Y Tr =
[ Λ ri+1
⋮
Λ r2i −1
Λir
⋮
⋯
⋱
Λr2i −2 ⋯
Λr2
⋮
Λir
] (4.63)
(4.64)
T r=
[ ]
CA
CA
⋮
i−1
[ Ai−1 Gr ~
Ai−2 G r ⋯ AGr Gr ]=Γ i Λ ri
~r
onde Λi é uma matriz de dimensão n×ir e
Γ i é a matriz de observabilidade,
de dimensão il×n , formada pela matriz de estado A e também pela matriz de
influência das saídas C como:
49
[]
CA
Γ i = CA2
⋮
CA i−1
(4.65)
A matriz de observabilidade
Γi possui a propriedade de invariância ao
deslocamento, qual seja:
( 1)
Γ (2 )
i =Γ i A
(4.66)
Γ (1)
Γi=
[ ][ ]
CA
i
i −1
=
C
Γ (i 2)
(4.67)
r ~r
O espaço coluna do produto das matrizes T =Γ i Λi , dado pela equação
(4.64), está contido no espaço coluna de
Γ i . O espaço linha de T r também está
r
contido no espaço linha de Λi .
Assumindo que (li ,ri )≥n , o espaço coluna do produto das matrizes
r ~r
T =Γ i Λi é gerado pela n colunas da matriz de observabilidade
Γ i . O espaço
r
linha de T
r
é gerado pelas n linhas da matriz Λi .
50
r
O rank de ambas matrizes
Γi e Λi são n, que também é a ordem
r ~r
mínima do sistema. Isto faz com que o produto T =Γ i Λi também tenha ordem n.
r
Então, o espaço coluna da matriz de covariância defasada T tem a
mesma estrutura de invariância ao deslocamento como em i , demonstrada na Γ
equação (4.66), a qual permite calcular a matriz de estado A.
A afirmação acima é baseada na hipótese de que os dados de saída são
livres de ruído. Mas para casos mais reais, onde os dados de saída são
r
contaminados com ruído, a matriz T possui rank completo maior que a ordem
mínima n do sistema dinâmico a ser identificado. Entretanto, o espaço coluna de
r
rank n da matriz T pode ser calculado a partir de um procedimento de redução de
rank usando a SVD, como
V^ Ts
^ n ] Ss
^ 0
r
T =[ Q
^s Q
0 [ ][ ] S^ n V^ nT
^ s S^ s V^ Ts + Q
=Q ^ n S^ n V^ Tn
(4.69)
onde as matrizes
Q^ s , S^ s e
V^ s tem dimensões il×n , n×n e ir×n ,
T^ r =Q^ s S^ s V^ Ts
(4.70)
5 RESULTADOS
Os dados de entrada e saída que são usados para avaliar a eficiência dos
métodos de identificação apresentados no presente trabalho são obtidos de uma
estrutura do tipo pórtico bidimensional, mostrada na Figura (1), sendo que suas
matrizes de massa e rigidez são calculadas através do método de elementos finitos.
As características dimensionais dessa estrutura são as seguintes:
comprimento L=240 polegadas , rigidez EI=2,952×1010 lb . pol2 , massa por
2 2
e o raio de giração r=7 ,47 pol .
unidade γ=0 , 013 lb. s / pol .
Esta estrutura do tipo pórtico é dividida em 14 elementos, sendo 4 destes
para cada viga lateral e 6 para a viga na horizontal e um total de 15 nós, como
mostra a Figura (2).
140 0 0 70 0 0
(5.1)
[m ]e =
[ 0
0
70
0
0
156 22l
22l
54
0
4l
0
13l
−13 l −3 l
2
2
0
0
140
0
0
54
13 l
0
−13 l
−3 l 2
0
156 −22l
−22 l 4 l 2
]
e
l 2 l 2
() ()
[ ]
0 0 0 0
r r
0 12 6l 0 −12 6l
0 6l 4 l2 0 −6 l 2 l2
[k ] e=
l 2 l 2
− ()
r
0 0 ()
r
0 0
0 −12 −6 l 0 12 −6 l
0 6l 2 l2 0 −6 l 4 l2
(5.2)
53
y i ( k )= ∑ hi 7 ( τ ) u7 ( k −τ ) i=1 ,⋯, 31
τ =0
(5.3)
C̄=0,02 M̄ +0 ,0001 K̄
(5.4)
N p−1
r
Figura 14 – Valores singulares de T
68
Figura 15 - – FRF’s
H 11 ( f ) , H 21 (f ) , H 31( f ) e H 41 (f )
-4
x 10
0.08
0.07
0.06
2
0.05
abs(H11)
abs(H12)
0.04
0.03
1
0.02
0.01
0 0
0 20 40 60 80 100 120 140 160 180 0 20 40 60 80 100 120 140 160 180
Hertz Hertz
-4
x 10
0.08 3
0.07
0.06
2
0.05
abs(H13)
abs(H14)
0.04
0.03
1
0.02
0.01
0 0
0 20 40 60 80 100 120 140 160 180 0 20 40 60 80 100 120 140 160 180
Hertz Hertz
69
m1 0 0 0 0 0
[ ]
0 m2 0 0 0 0
0 0 m3 0 0 0
M̄ =
0 0 0 m4 0 0
0 0 0 0 m5 0
0 0 0 0 0 m6
, (5.6)
( k 1 +k 2 ) −k 2 0 0 0 0
[ ]
−k 2 ( k 2 +k 3 ) −k 3 0 0 0
0 −k 3 ( k 3+ k4 ) −k 4 0 0
K̄=
0 0 −k 4 ( k 4+ k 5 ) −k 5 0
0 0 0 −k 5 ( k 5 +k 6 ) −k 6
0 0 0 0 −k 6 ( k 6+ k 7 )
(5.7)
70
( c1 +c 2 ) −c 2 0 0 0 0
[ ]
−c 2 ( c 2 +c 3 ) −c 3 0 0 0
0 −c 3 ( c3 +c 4 ) −c 4 0 0
C̄=
0 0 −c 4 ( c 4+ c 5) −c 5 0
0 0 0 −c 5 (c 5 +c 6 ) −c 6
0 0 0 0 −c 6 ( c 6 +c 7 )
(5.8)
1 1
f max = = =16 ,66
2 Δt 2(0 ,03 ) Hz.
C̄=0,02 M̄ +0 ,0001 K̄
(5.10)
1 0,0012
2 0,0023
3 0,0034
4 0,0042
5 0,0049
6 0,0053
r
Figura 21 - Valores singulares de T
77
r
Figura 23 – Valores singulares de T
A matriz de observabilidade
Γ i , conforme a equação (4.41), do capítulo 4,
possui dimensão igual a 120×20 .
O cálculo da matriz de estado A é estimada conforme o algoritmo de
identificação apresentado na equação (4.43), do capítulo 4.
Com base no algoritmo de identificação dos parâmetros modais apresentado
no capítulo 4, verifica-se que para esta simulação de teste modal, usando dados
obtidos de um sistema massa mola sem amortecimento e sem adição de qualquer
tipo de ruído, os resultados dos parâmetros modais identificados são os
apresentados na Tabela (15), para diferentes ordens n’s do sistema.
- 13,107
5 14,339 14,374 14,338 14,317 14,006
6 15,516 15,549 15,558 15,521 15,494
6 CONCLUSÕES
ii) No que diz respeito aos algoritmos que usam dados apenas de saída, o
algoritmo (2), descrito na seção 4.3, produz melhores resultados que o
algoritmo 1 da seção 4.2. Acredita-se que o motivo para esse melhor
desempenho se deva ao uso de valores de um vetor de saída de
referência, usado no algoritmo 2.
iii) O efeito do ruído somado aos dados de saída para o método que utiliza
dados de entrada e saída faz diminuir a precisão dos parâmetros
identificados, especialmente fatores e amortecimento e os modos de
vibração natural. Neste trabalho não foi considerado a questão do efeito
do ruído somado aos dados de saída para o método apenas de saída.
iv) Também não foi considerado o efeito do ruído somado aos dados de
entrada para todos os métodos apresentados neste trabalho. Este efeito
não é comumente discutido na literatura estudada para o
desenvolvimento deste trabalho.
Pode-se ainda, com base nos estudos da revisão bibliográfica bem como na
própria implantação dos algoritmos de identificação modal apresentados no presente
trabalho, sugerir os seguintes temas para futuras pesquisas:
7 REFERÊNCIAS
KUO, B.C., Digital Control System, New York, Holt, Rinehart and Wiston,
1980.
LJUNG, L., System Identification: Theory for the User, Prentice Hall,
Englewood Cliffs, NJ, 1987.
PEETERS B., DE ROECK G., HERMANS L., WAUTERS T., KRAMER C.,
SMET C.A.M, Comparison of system identification methods using operational
Modal Estimation Algorithm for Mini Computers, SAE Transactions, Vol. 91, No.
1, pp. 815 – 821, 1982.
DEFINIÇÕES BÁSICAS
T ( kv)=kT ( v) .
n m
Seja T:ℜ →ℜ uma transformação linear. Então, o N(T) é um
n m
subespaço do ℜ e a Im(T) é um subespaço do ℜ .
n
Seja S um subespaço do ℜ , o operador de projeção ortogonal de um
n (w ):ℜn →ℜn
vetor w∈ℜ sobre S, denotado por ∏S , é uma função definida
como ∏S
'
tal que w=v + v onde v ∈ S e v ∈ S .
(w )=v ' ¿
distância
‖Xa−b‖=¿ ¿ no ℜ
m
é mínima dentre todas as
possíveis escolhas de a. É importante notar que o sistema de equações algébricas
m
lineares Xa=b acima pode ser inconsistente, isto é, o vetor b ∈ ℜ pode não
estar sobre o EC(X).
Considerando X uma matriz m×n e que se esteja procurando uma
solução de mínimos quadrados para o problema Xa=b . Observa-se que para
n m
qualquer a ∈ ℜ o vetor Xa ∈ ℜ é um elemento do EC(X). Isso significa que a
solução de mínimos quadrados para a corresponde aos pontos Xa ∈ EC ( X ) para
n
os quais a distância entre Xa e b é mínima. Em outras palavras, o vetor a ∈ ℜ
Xa=∏ EC ( X ) ( b)
pode ser calculado como , como mostra a Figura (2).
X + =V^ Σ^ −1 U^ T (1)
A seguir será apresentado o conceito sobre SVD.
¿ T
X =U Σ V T =U^ Σ^ V^ T + U^ Σ^ ( V^ )
¿ ¿
(2)
U T U =I m
U U T =I m
U^ T U=I
^ r
( U^ ¿ )T U^ ¿=I m−r
^ TU
U ^ ¿=0
r×( m−r )
U
^ U ^ ¿ ( U^ ¿ )T =I m
^ T +U
(4)
onde I
denota matriz identidade.
A matriz V, de dimensão n×n , é formada de maneira tal que suas
T
colunas são os autovetores da matriz de informação X X e são chamados
96
^
vetores singulares à direita de X. As matrizes V , relacionada com os valores
^¿
singulares não nulos de Σ , e V , relacionada com os valores singulares nulos
de Σ , possuem dimensão, respectivamente, iguais a n×r e n×(n−r) . As
^
matrizes V, V
^
e V
¿
possuem as seguintes propriedades de ortogonalidade,
V T V =I n
V V T =I n
V^ T V^ =I r
¿ T
( V^ ) V^ =I n−r¿
V^ T V^ =0 r×( n−r )
¿
T
V^ V^ T + V^ ¿ ( V^ ¿ ) =I n . (5)