UNIVERSIDADE FEDERAL DE LAVRAS

DEPARTAMENTO DE AUTOMÁTICA

Danilo Piveta Alvarenga - 201911267

Giovanna Gouvêa Spuri de Miranda - 201911222
Grupo: 3

TRABALHO

Lavras
2021
 Sumário

1 PARTE 1: MÉTODOS DETERMINÍSTICOS . . . . . . . . 2

1.1 Questão 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.1 Método da integrais . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2 Método de uma constante de tempo (63, 2%) . . . . . . . . . . . . . 4
1.1.3 Método de quatro constantes de tempo (98%) . . . . . . . . . . . . 6
1.1.4 Método de Ziegler-Nichols . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.5 Método de Smith . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.1.6 Método de Haglund . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.1.7 Método de Sundaresan e Krishnaswami . . . . . . . . . . . . . . . . 14
1.1.8 Método da inclinação inicial . . . . . . . . . . . . . . . . . . . . . . 16
1.1.9 Menor erro médio quadrático (MSE) . . . . . . . . . . . . . . . . . 17
1.2 Questão 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.1 Sundaresan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2.2 Mollenkamp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3 Questão 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2 PARTE 2: MÉTODOS NÃO-PARAMÉTRICOS . . . . . . 25

2.1 Questão 1.a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Questão 1.b . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3 Questão 1.c . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3 PARTE 3: MODELOS DISCRETOS ARX . . . . . . . . . . 28

 2

1 PARTE 1: MÉTODOS DETERMINÍSTICOS

1.1 Questão 1

O código utilizado para analisar o arquivo foi:

1 %L e i t u r a do a r q u i v o
2
3 dados = l o a d ( ’ dados . t x t ’ ) ;
4
5 t = dados ( : , 1 ) ;
6 u = dados ( : , 2 ) ;
7 y = dados ( : , 3 ) ;
8 k = mean ( dados ( end−20:end ) )
9 kn = k/k
10 yn = y/k ;
11
12 p l o t ( t , yn ) ;

A partir do gráfico dos dados normalizados chegou-se que o tempo morto do sistema
é de 15s conforme marcado no gráfico da Fig. 1

Figura 1 – Tempo morto

 Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 3

1.1.1 Método da integrais

Com o código abaixo e obteve-se a Eq. 1 com a resposta ao degrau conforme o

gráfico da Fig. 2.

1 %Metodo das I n t e g r a i s
2
3 t e t a t a u = t r a p z ( t , u−yn ) ;
4 i n d i c e = f i x ( t e t a t a u / ( t (2) − t ( 1 ) ) ) ;
5 tau = exp ( 1 ) ∗ t r a p z ( t ( 1 : i n d i c e ) , yn ( 1 : i n d i c e ) ) ;
6 t e t a = t e t a t a u − tau ;
7 H = t f ( k , [ tau 1 ] , ’ InputDelay ’ , t e t a )
8 s t e p (H, t , ’ r ’ ) ; g r i d on

67, 51
H(s) = e−23,8s (1)
49, 23s + 1

Figura 2 – Método das integrais

 Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 4

1.1.2 Método de uma constante de tempo (63, 2%)

A partir dos dados fornecidos gerou-se o gráfico do Fig. 3 com os dados necessários
para executar o método de uma constante de tempo.

Figura 3 – Gráfico dos dados

Com isso gerou-se o código abaixo e obteve-se a Eq. 2 com a resposta ao degrau
conforme o gráfico da Fig. 4.

1 %Metodo de uma c o n s t a n t e de tempo 63 ,2%

2
3 y0 = mean ( y ( 1 : 2 0 ) )
4 y f = mean ( y ( end−20:end ) )
5 yn = y−y0 ;
6 yn = yn / ( yf−y0 ) ;
7
8 tempo = 0 . 6 3 2 ∗ kn
9 teta_tau = 7 8 . 2 ;
10 teta = 15;
11 tau = teta_tau − teta
12
13 G1 = t f ( kn , [ tau 1 ] , ’ InputDelay ’ , t e t a )
14 p l o t ( t , yn ) ; g r i d on ; h o l d on ;
15 s t e p (G1 , t , ’ r ’ ) ; g r i d on
Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 5

67, 51
H(s) = e10s (2)
49, 23s + 1

Figura 4 – Método de uma constante de tempo

 Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 6

1.1.3 Método de quatro constantes de tempo (98%)

A partir dos dados fornecidos gerou-se o gráfico do Fig. 5 com os dados necessários
para executar o método de quatro constantes de tempo.

Figura 5 – Gráfico dos dados

Com isso gerou-se o código abaixo e obteve-se a Eq. 3 com a resposta ao degrau
conforme o gráfico da Fig. 6.

1 Metodo de q u a t r o c o n s t a n t e s de tempo (98%)

2
3 teta = 15;
4 quatro_tau = 254.6 − t e t a ;
5 tau = quatro_tau / 4 ;
6 ytau = y ∗ ( tau ) ;
7
8 y f = 0 . 9 8 ∗ k∗ o n e s ( 1 , l e n g t h ( t ) ) ;
9 y0 = ytau ∗ o n e s ( 1 , l e n g t h ( t ) ) ;
10
11 s = tf ( ’s ’ );
12 G1 = k∗exp(− t e t a ∗ s ) / ( ( tau ) ∗ s + 1 )
13 p l o t ( t , y ) ; g r i d on ; h o l d on ;
14 s t e p (G1 , t , ’ r ’ ) ;
Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 7

67, 55
H(s) = e−15s (3)
59, 9s + 1

Figura 6 – Método de quatro constantes de tempo

 Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 8

1.1.4 Método de Ziegler-Nichols

A partir dos dados fornecidos gerou-se o gráfico do Fig. 7 com os dados necessários
para executar o método de Ziegler-Nichols.

Figura 7 – Gráfico dos dados

Com isso gerou-se o código abaixo e obteve-se a Eq. 4 com a resposta ao degrau
conforme o gráfico da Fig. 8.

1 %Metodo de Z i e g l e r − N i c h o l s
2
3 k = mean ( dados ( end−50:end ) )
4 teta_tau = 7 0 ;
5 teta = 15;
6 tau = teta_tau − teta
7
8 plot ( t , y ) ;
9 g r i d on ;
10 h o l d on ;
11 G1 = t f ( k , [ tau 1 ] , ’ InputDelay ’ , t e t a )
12 s t e p (G1 , t , ’ r ’ ) ;
Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 9

67, 51
H(s) = e−15s (4)
55s + 1

Figura 8 – Método de Ziegler-Nichols

 Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 10

1.1.5 Método de Smith

A partir dos dados fornecidos gerou-se o gráfico do Fig. 9 com os dados necessários
para executar o método de Smith.

Figura 9 – Gráfico dos dados

Com isso gerou-se o código abaixo e obteve-se a Eq. 5 com a resposta ao degrau
conforme o gráfico da Fig. 10.

1 %Metodo de Smith
2
3 y1 = 0 . 2 8 3 ∗ k
4 y2 = 0 . 6 3 2 ∗ k
5
6 t1 = 40;
7 t2 = 75;
8
9 tau = 1 . 5 ∗ ( t2−t 1 ) ;
10 t e t a = t2−tau ;
11
12 p l o t ( t , y ) ; g r i d on ; h o l d on ;
13 G1 = t f ( k , [ tau 1 ] , ’ InputDelay ’ , t e t a )
14 s t e p (G1 , ’ r ’ ) ;
Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 11

67, 55
H(s) = e−22,5s (5)
52, 5s + 1

Figura 10 – Método de Smith

 Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 12

1.1.6 Método de Haglund

A partir dos dados fornecidos gerou-se o gráfico do Fig. 11 com os dados necessários
para executar o método de Haglund.

Figura 11 – Gráfico dos dados

Com isso gerou-se o código abaixo e obteve-se a Eq. 6 com a resposta ao degrau
conforme o gráfico da Fig. 12.

1 %Metodo Haglund
2
3 k = mean ( dados ( end−50:end ) )
4 t1 = 15;
5 t2 = 75;
6 thag = t 2 − t 1 ;
7
8 p l o t ( t , y ) ; g r i d on ; h o l d on
9
10 G1 = t f ( k , [ thag 1 ] , ’ InputDelay ’ , t 1 )
11 s t e p (G1 , t , ’ r ’ ) ;
Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 13

67, 51
H(s) = e−15s (6)
60s + 1

Figura 12 – Método de Haglund

 Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 14

1.1.7 Método de Sundaresan e Krishnaswami

A partir dos dados fornecidos gerou-se o gráfico do Fig. 13 com os dados necessários
para executar o método de Sundaresan e Krishnaswami.

Figura 13 – Gráfico dos dados

Com isso gerou-se o código abaixo e obteve-se a Eq. 7 com a resposta ao degrau
conforme o gráfico da Fig. 14.

1 % Metodo de Sundaresan − Krishnaswami

2
3 retat1 = 0.353∗ k
4 retat2 = 0.853∗ k
5
6 t1 = 53;
7 t2 = 1 1 8 . 5 ;
8 tau = 0 . 6 7 ∗ ( t2−t 1 ) ;
9 t e ta = 1.3∗ t1 − 0.29∗ t2 ;
10
11 p l o t ( t , y ) ; g r i d on ; h o l d on ;
12 G1 = t f ( k , [ tau 1 ] , ’ InputDelay ’ , t e t a )
13 s t e p (G1 , ’ r ’ ) ;
Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 15

67, 55
H(s) = e−34,5s (7)
43, 89s + 1

Figura 14 – Método de Sundaresan e Krishnaswami

 Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 16

1.1.8 Método da inclinação inicial

Com o código abaixo e obteve-se a Eq. 8 com a resposta ao degrau conforme o

gráfico da Fig. 15.

1 %Metodo de i n c l i n a o inicial
2
3 t2 = 15;
4 tau2 = 70 − t 2 ;
5
6 p l o t ( t , y ) ; g r i d on
7 h o l d on
8 G1 = t f ( k , [ tau2 1 ] , ’ InputDelay ’ , t 2 )
9 s t e p (G1 , t , ’ r ’ ) ; g r i d on

67, 55
H(s) = e−15s (8)
55s + 1

Figura 15 – Método da inclinação inicial

Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 17

1.1.9 Menor erro médio quadrático (MSE)

Para calcular o menor erro médio quadrático (MSE) utilizou-se o comando mean().
Conforme pode ser observado na Tab. 1 o método que mais se aproximou da resposta
medida foi Método de Haglund.

Tabela 1 – Resultado do menor erro médio quadrático de cada método

Método MSE
Integrais 1.7446
Uma constante de tempo 4.1025
Quatro constantes de tempo 1.3181
Ziegler-Nichols 1.6326
Smith 1.3898
Haglund 1.3141
Sundaresan e Krishnaswami 3.9906
Inclinação inicial 1.6326
 Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 18

1.2 Questão 2

O código utilizado para analisar o arquivo foi:

1 %L e i t u r a do a r q u i v o
2
3 dados = l o a d ( ’ dados . t x t ’ ) ;
4
5 t = dados ( : , 1 ) ;
6 u = dados ( : , 2 ) ;
7 y = dados ( : , 3 ) ;
8 k = mean ( dados ( end−20:end ) )
9 kn = k/k
10 yn = y/k ;
11
12 p l o t ( t , yn ) ;

A partir do gráfico dos dados normalizados chegou-se que o tempo morto do sistema
é de 15s conforme marcado no gráfico da Fig. 16

Figura 16 – Tempo morto

 Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 19

1.2.1 Sundaresan

A partir dos dados fornecidos gerou-se o gráfico do Fig. 17 com os dados necessários
para executar o método de Sundaresan.

Figura 17 – Gráfico dos dados

Com isso gerou-se o código abaixo e obteve-se a Eq. 9 com a resposta ao degrau
conforme o gráfico da Fig. 18.

1 %Metodo de Sundaresan
2
3 teta_tau = t r a p z ( t , u− yn ) ;
4
5 teta = 15;
6 tm = 9 5 ;
7 M1 = 1 / (tm−t e t a ) ;
8
9 mi = teta_tau ;
10 lambda = (tm − mi ) ∗M1;
 Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 20

11 n = 0.3;
12
13 t 1 = ( n^(n/(1−n ) ) ) /M1;
14 t 2 = ( n^(1/(1 −n ) ) ) /M1;
15 tauD = mi − t 1 − t 2 ;
16
17 G1 = t f ( k , [ ( t 1 ∗ t 2 ) ( t 1+t 2 ) 1 ] , ’ InputDelay ’ , tauD )
18 p l o t ( t , y ) ; g r i d on ; h o l d on ;
19 s t e p (G1 , ’ r ’ ) ;

67, 51
H(s) = e−11s (9)
684, 1s2 + 62, 08s + 1

Figura 18 – Método de Sundaresan

 Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 21

1.2.2 Mollenkamp

A partir dos dados fornecidos gerou-se o gráfico do Fig. 19 com os dados necessários
para executar o método de Mollenkamp.

Figura 19 – Gráfico dos dados

Com isso gerou-se o código abaixo e obteve-se a Eq. 10 com a resposta ao degrau
conforme o gráfico da Fig. 20.

1 %Metodo de Mollenkamp
2
3 yt1 = 0 . 1 5 ∗ k ;
4 yt2 = 0 . 4 5 ∗ k ;
5 yt3 = 0 . 7 5 ∗ k ;
6 t1 = 2 7 . 9 ;
7 t2 = 5 8 . 5 ;
8 t3 = 9 9 . 4 ;
9
10 x = ( t2−t 1 ) / ( t3−t 1 ) ;
11 z e t a = ( 0 . 0 8 0 5 − 5 . 5 4 7 ∗ ( 0 . 4 7 5 − x ) ^ 2 ) / ( x −0.356)
12 f1 = 0.708∗(2.811^ zeta ) ;
13 wn = f 1 / ( t3−t 1 ) ;
14 f2 = 0.922∗(1.66^ zeta ) ;
15 t e t a = t2−f 2 /wn ;
 Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 22

16
17 G1 = t f ( k∗wn^2 , [ 1 2∗ z e t a ∗wn wn^ 2 ] )
18 p l o t ( t , y ) ; g r i d on ; h o l d on ;
19 s t e p (G1 , ’ r ’ ) ;

0, 04698
H(s) = (10)
s2 + 0, 05002 + 0, 0006959

Figura 20 – Método de Mollenkamp

Na Tab. 2 tem-se uma comparação entre os métodos por meio do critério de menor
erro médio quadrático (MSE).

Tabela 2 – Resultado do menor erro médio quadrático de cada método

Método MSE
Sundaresan 0.3725
Mollenkamp 0.7580

O modelo que mais se aproximou da resposta medida foi Método de Sundaresan.

 Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 23

1.3 Questão 3

O código utilizado para calcular o menor erro médio quadrático (MSE) foi:

1 dados = l o a d ( ’ dados . t x t ’ ) ; degrau = l o a d ( ’ degrau . t x t ’ ) ;

2 p r b s = l o a d ( ’ dados3 . t x t ’ ) ;
3 k = mean ( dados ( end−50:end ) ) ; s = t f ( ’ s ’ ) ;
4
5 G1 = t f ( k , [ 4 9 . 2 3 1 ] , ’ InputDelay ’ , 23.8)% I n t e g r a i s
6 G2 = t f ( k , [ 4 9 . 2 3 1 ] , ’ InputDelay ’ , 10)%Cte de tempo 63.2%
7 G3 = t f ( k , [ 5 9 . 9 1 ] , ’ InputDelay ’ , 15)%Cte de tempo 98%
8 G4 = t f ( k , [ 5 5 1 ] , ’ InputDelay ’ , 15)% Z i e g l e r − N i c h o l s
9 G5 = t f ( k , [ 5 2 . 5 1 ] , ’ InputDelay ’ , 22.5)% Smith
10 G6 = t f ( k , [ 6 0 1 ] , ’ InputDelay ’ , 15)%Haglund
11 G7 = t f ( k , [ 4 3 . 8 9 1 ] , ’ InputDelay ’ , 34.5)% Sundaresan − Krishnaswami
12 G8 = t f ( k , [ 5 5 1 ] , ’ InputDelay ’ , 15)% i n c l i n a o inicial
13 G9 = t f ( k , [ 6 8 4 . 1 6 2 . 0 8 1 ] , ’ InputDelay ’ , 11)% Sundaresan ( segunda ordem )
14 G10 = t f ( 0 . 0 5 3 4 1 , [ 1 0 . 0 5 6 0 6 0 . 0 0 0 7 9 1 1 ] ) % Mollenkanp
15
16 y1 = l s i m (G1 , p r b s ( : , 2 ) , p r b s ( : , 1 ) ) ; y2 = l s i m (G2 , p r b s ( : , 2 ) , p r b s ( : , 1 ) ) ;
17 y3 = l s i m (G3 , p r b s ( : , 2 ) , p r b s ( : , 1 ) ) ; y4 = l s i m (G4 , p r b s ( : , 2 ) , p r b s ( : , 1 ) ) ;
18 y5 = l s i m (G5 , p r b s ( : , 2 ) , p r b s ( : , 1 ) ) ; y6 = l s i m (G6 , p r b s ( : , 2 ) , p r b s ( : , 1 ) ) ;
19 y7 = l s i m (G7 , p r b s ( : , 2 ) , p r b s ( : , 1 ) ) ; y8 = l s i m (G8 , p r b s ( : , 2 ) , p r b s ( : , 1 ) ) ;
20 y9 = l s i m (G9 , p r b s ( : , 2 ) , p r b s ( : , 1 ) ) ; y10 = l s i m ( G10 , p r b s ( : , 2 ) , p r b s ( : , 1 ) ) ;
21
22 Er1 = mean ( ( p r b s ( : , 3 ) − y1 ) . ^ 2 ) ; Er2 = mean ( ( p r b s ( : , 3 ) − y2 ) . ^ 2 ) ;
23 Er3 = mean ( ( p r b s ( : , 3 ) − y3 ) . ^ 2 ) ; Er4 = mean ( ( p r b s ( : , 3 ) − y4 ) . ^ 2 ) ;
24 Er5 = mean ( ( p r b s ( : , 3 ) − y5 ) . ^ 2 ) ; Er6 = mean ( ( p r b s ( : , 3 ) − y6 ) . ^ 2 ) ;
25 Er7 = mean ( ( p r b s ( : , 3 ) − y7 ) . ^ 2 ) ; Er8 = mean ( ( p r b s ( : , 3 ) − y8 ) . ^ 2 ) ;
26 Er9 = mean ( ( p r b s ( : , 3 ) − y9 ) . ^ 2 ) ; Er10 = mean ( ( p r b s ( : , 3 ) − y10 ) . ^ 2 ) ;
27
28 p l o t ( y1 ) ; g r i d on ; h o l d on ;
29 p l o t ( y2 ) ; p l o t ( y3 ) ; p l o t ( y4 ) ; p l o t ( y5 ) ;
30 p l o t ( y6 ) ; p l o t ( y7 ) ; p l o t ( y8 ) ; p l o t ( y9 ) ; p l o t ( y10 ) ;
31 l e g e n d ( ’ I n t e g r a i s ’ , ’ Cte ␣ de ␣tempo␣ 63.2% ’ , ’ Cte ␣ de ␣tempo␣98% ’ ,
32 ’ Z i e g l e r −N i c h o l s ’ , ’ Smith ’ , ’ Haglund ’ ,
33 ’ Sundaresan−Krishnaswami ’ , ’ i n c l i n a c a o ␣ i n i c i a l ’ ,
34 ’ Sundaresan ’ , ’ Mollenkanp ’ )
Capítulo 1. PARTE 1: MÉTODOS DETERMINÍSTICOS 24

Na Tabela a seguir tem-se uma comparação entre os métodos por meio do critério
de menor erro médio quadrático (MSE). E na Fig. 21 tem-se o gráfico comparando os
métodos estudados.

Tabela 3 – Resultado do menor erro médio quadrático de cada método

Método MSE
Integrais 1.7446
Uma constante de tempo 4.1025
Quatro constantes de tempo 1.3181
Ziegler-Nichols 1.6326
Smith 1.3898
Haglund 1.3141
Sundaresan e Krishnaswami 3.9906
Inclinação inicial 1.6326
Sundaresan 0.3725
Mollenkamp 0.7580

Figura 21 – Comparação dos métodos

Diante dos erros médios quadráticos obtidos e da análise gráfica, conclui-se que o
melhor método para estimar uma aproximação para a função de transferência dos dados
obtidos é o Método de Sundaresan, sendo ela dada Eq. 9.
 25

2 PARTE 2: MÉTODOS NÃO-PARAMÉTRICOS

O código utilizado para analisar o arquivo foi:

1 %L e i t u r a do a r q u i v o
2
3 dados = l o a d ( ’ dados3 . t x t ’ ) ;
4 t = dados ( : , 1 ) ;
5 u = dados ( : , 2 ) ;
6 y = dados ( : , 3 ) ;
7
8 yd = y ( 1 : 4 : end ) ;
9 ud = u ( 1 : 4 : end ) ;

2.1 Questão 1.a

Utilizando o MATLAB obteve-se o gráfico da Fig. 22

Figura 22 – FAC da entrada aplicada

Capítulo 2. PARTE 2: MÉTODOS NÃO-PARAMÉTRICOS 26

2.2 Questão 1.b

Utilizando o MATLAB obteve-se o gráfico da Fig. 23 e tem-se que o tempo morto

é de aproximadamente 4,3 segundos.

Figura 23 – Gráfico dos dados

Capítulo 2. PARTE 2: MÉTODOS NÃO-PARAMÉTRICOS 27

2.3 Questão 1.c

Conforme o livro texto, o período de amostragem ideal é entre 10 e 20. O período

de amostragem calculado e utilizado foi 15, logo não foi necessário fazer a decimação dos
dados para obter o ponto onde a derivada da função é igual a zero, este ponto é indicado
no gráfico da Figura 24.

Figura 24 – Gráfico dos dados

 28

3 PARTE 3: MODELOS DISCRETOS ARX

1 Y = yd ( 2 : end ) ;
2 X( : , 1 ) = yd ( 1 : end−1);
3 X( : , 2 ) = ud ( 1 : end−1);
4
5 t e t a = pinv (X) ∗Y
6
7 A = teta (1); B = teta (2)
8
9 ym1 ( 1 ) = y ( 1 ) ;
10
11 f o r k = 2 : numel ( y )
12 ym1( k ) = t e t a ( 1 ) ∗ ym1( k−1)+ t e t a ( 2 ) ∗ u ( k −1);
13 end
14
15 p l o t ( t , y ) ; g r i d on ; h o l d on ;
16 p l o t ( t , ym1 , ’ r ’ ) ;
17 err = immse (A, B)

Com o código acima chegou-se que para um atraso na entrada e um na saída o

valor de A = 0.7684, B = 13.5991 e um erro de 164.6257.
A Fig. 25 tem-se a simulação livre para dois atrasos na entrada e na saída.

Figura 25 – Simulação livre

 Capítulo 3. PARTE 3: MODELOS DISCRETOS ARX 29

1 %Para 2 a t r a s o s
2 Y = yd ( 3 : end ) ;
3
4 X( : , 1 ) = yd ( 1 : end−2); X( : , 2 ) = yd ( 2 : end−1);
5 X( : , 3 ) = ud ( 1 : end−2); X( : , 4 ) = ud ( 2 : end−1);
6 t e t a 2 = pinv (X) ∗Y
7 A = teta2 ( 1 ) ; B = teta2 ( 2 ) ;
8 C = teta2 ( 3 ) ; D = teta2 ( 4 ) ;
9 ym2 ( 1 ) = y ( 1 ) ; ym2 ( 2 ) = y ( 2 ) ;
10
11 f o r k = 3 : numel ( y )
12 ym2( k ) = t e t a 2 ( 1 ) ∗ ym2( k−1) + t e t a 2 ( 2 ) ∗ ym2( k−2)
13 + t e t a 2 ( 3 ) ∗ u ( k−1) + t e t a 2 ( 4 ) ∗ u ( k −2);
14 end
15
16 p l o t ( t , y ) ; g r i d on ; h o l d on ;
17 p l o t ( t , ym2 , ’ r ’ ) ;
18 err = immse (A, B)

E para dois atrasos na entrada obteve-se A = 0.1024, B = 0.6832, C = −0.3651,

D = 13.1673 e um erro de 0.3374.
A Fig. 26 tem-se a simulação livre para um atraso na entrada e uma na saída.

Figura 26 – Simulação livre