Aplicação do filtro de partículas em sistemas dinâmicos não lineares

Universidade Estadual de Campinas
Faculdade de Engenharia Elétrica e

Computação
Aplicações do filtro de partículas para

observação de estados e estimação de
parâmetros em sistemas dinâmicos não lineares
multivariáveis
Leticia Maria Sathler Vianna
Campinas
2020
Leticia Maria Sathler Vianna
Aplicações do filtro de partículas para observação de

estados e estimação de parâmetros em sistemas
dinâmicos não lineares multivariáveis
Dissertação apresentada à Faculdade de En-

genharia Elétrica e de Computação da Uni-
versidade Estadual de Campinas como parte
dos requisitos exigidos para a obtenção do
título de Mestra em Engenharia Elétrica, na
Área de Automação.
Orientador: Prof. Dr. Mateus Giesbrecht
Este exemplar corresponde à versão

final da Dissertação defendida pela
aluna Leticia Maria Sathler Vianna e
orientada pelo Prof. Dr. Mateus Gies-
brecht.
Campinas
2020
Este trabalho é dedicado ao meu pai, José Vianna.
Agradecimentos
A Deus por ter me dado saúde e força para superar todos os desafios encontrados.
Agradeço de forma especial ao meu pai, José, que sempre me incentivou e
esteve presente nesta e em todas as jornadas da minha vida. À minha tia, Maria Garcia,
pelo exemplo de guerreira.
Ao Prof. Dr. Mateus Giesbrecht, meu orientador, por todo apoio e ensinamentos
durante o trabalho.
Ao Prof. Dr. Víctor Costa da Silva Campos, pela amizade, incentivo e apoio
em ingressar neste desafio, mesmo distante se fez imensamente presente.
Aos Profs. Dr. Gilmar Barreto, Dr. Paulo David Battaglin e Dr. Mateus
Giesbrecht por me darem a oportunidade de acompanhá-los e de todo aprendizado durante
o Programa de Estágio Docente na disciplina Laboratório de Máquinas Elétricas.
Aos meus colegas de laboratório pelas várias risadas e cafezinhos.
Aos meus amigos Ricardo, Guilherme, Lucas e Carol por todos os momentos
compartilhados, em especial a Luli por sempre estar ao meu lado durante esse período.
Ao meu namorado David, por todo carinho, cuidado e companheirismo.
Por fim, agradeço a Universidade Estadual de Campinas (Unicamp), ao pro-
grama de pós-graduação da Faculdade de Engenharia Elétrica e de Computação e ao
Departamento de Eletrônica e Engenharia Biomédica (DEEB).
O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento
de Pessoal de Nível Superior – Brasil (CAPES) – Código de Financiamento 001.
“We know what we are, but know not what we may be.“
- William Shakespeare
Resumo
Encontrar modelos matemáticos que descrevam de maneira adequada fenômenos dinâmicos
é de grande importância no âmbito da engenharia, bem como no de outras áreas. Esse
problema pode ser tratado por meio da identificação de sistemas, que pode ser aplicada
quando a modelagem física não é possível de ser realizada, devido à falta de informações
suficientes para descrever o processo. Por outro lado, métodos que permitem a incorporação
de informações prévias do sistema durante o processo de identificação produzem modelos
matemáticos mais precisos. Nesse caso, o sistema possui uma estrutura conhecida e apenas
parte de seus parâmetros desconhecidos. Para estimar tais parâmetros, pode-se realizar
a incorporação dos mesmos no vetor de estados de um modelo matemático em espaço
de estados, possibilitando o uso de observadores de estados no processo de estimação de
parâmetros. Esse procedimento muitas vezes transforma modelos lineares em não lineares.
O presente trabalho consiste no estudo da aplicação da técnica de filtro de partículas nos

problemas de observação de estados e estimação de parâmetros de sistemas dinâmicos não
lineares multivariáveis. Em alguns dos casos, os sistemas eram originalmente lineares e
foram transformados em não lineares pela inclusão de parâmetros a serem determinados
no vetor de estado. Em outros casos, os sistemas são naturalmente não lineares e ainda
assim tiveram seus vetores de estados estendidos para a estimação de parâmetros. A
técnica de filtragem empregada pode ser utilizada para tratar de sistemas não lineares com
distribuições não gaussianas. Assim, o filtro de partículas foi aplicado em dois sistemas
não lineares eletromecânicos e um sistema termoelétrico. Os resultados obtidos, tanto para
observação de estados quanto para a estimação de parâmetros, foram satisfatórios, sendo
discutidos e ilustrados no trabalho.
Palavras-chave: Filtro de partículas, observadores de estados, estimação de parâmetros,

sistemas não lineares.
Abstract
Deriving mathematical models that describe dynamic phenomena is of great importance
in the field of engineering, as well as in other areas. This problem can be solved by system
identification techniques, which can be applied when physical modeling is not possible,
due to the lack of sufficient information to describe the process. On the other hand,
methods that allow the incorporation of previous information from the system during
the identification process produce more precise mathematical models. In this case, the
system has a known structure and only part of its parameters is unknown. To estimate
such parameters, it is possible to incorporate them into the state vector of a state space
mathematical model, allowing the use of state observers in the parameter estimation
process. This procedure generally transforms linear models into non-linear models.
The present work consists of the particle filter technique application in multivariable
nonlinear dynamic systems state and parameter estimation problems. In some cases, the
systems were originally linear and were transformed into non-linear systems, including
the parameters to be determined in the state vector. In other cases, the systems were
naturally non-linear and still had their state vector extended for parameter estimation. The
filtering technique employed can be used to deal with non-linear systems with non-Gaussian
distributions. Thus, the particle filter was applied in two non-linear electromechanical
systems and in a thermoelectric system. The results obtained, both for state observation
and parameters estimation, were satisfactory, being discussed and illustrated in the work.
Keywords: Particle filters, state observers, parameter estimation, non-linear systems.

Lista de ilustrações
Figura 1 – Variável aleatória associada ao lançamento de uma moeda. . . . . . . . 22

Figura 2 – Representação da função de massa de probabilidade. . . . . . . . . . . 23
Figura 3 – Representação da função de densidade de probabilidade. . . . . . . . . 23
Figura 4 – Problema da estimativa da média condicional θ̄. . . . . . . . . . . . . . 41
Figura 5 – Diagrama de Venn de equação (4.11). . . . . . . . . . . . . . . . . . . . 43
Figura 6 – Representação da distribuição a posteriori do filtro de partículas, em
termos dos pesos e das partículas (amostras). . . . . . . . . . . . . . . 46
Figura 7 – Representação do processo de filtragem de partículas SIR utilizando
Np “ 10 partículas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
Figura 8 – Estimação da resistência do estator. . . . . . . . . . . . . . . . . . . . . 59
Figura 9 – Estimação da corrente de armadura. . . . . . . . . . . . . . . . . . . . 59
Figura 10 – Erros de estimativas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
Figura 11 – Estimação das correntes dos enrolamentos da máquina síncrona em con-
dições de regime permanente. A primeira coluna apresenta as correntes
ia , ic e if d , enquanto a segunda coluna apresenta as correntes ib , ikq e ikd . 62
Figura 12 – Estimação do ângulo de carga δ. A curva contínua, em preto, representa
os valores medidos e a curva pontilhada, em cinza, os valores estimados. 63
Figura 13 – Estimações dos estados. . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Figura 14 – Estimações dos parâmetros. . . . . . . . . . . . . . . . . . . . . . . . . 65
Figura 15 – Localizações dos sensores de temperatura e módulos Peltier na Câmara. 66
Figura 16 – Estimação dos estados T1k e T2k . . . . . . . . . . . . . . . . . . . . . . 69
Figura 17 – Estimação dos estados T3k , T4k e T5k . . . . . . . . . . . . . . . . . . . 70
Lista de tabelas
Tabela 1 – Erros Quadráticos Médios para filtros de partículas com diferentes

números de partículas e para o filtro de Kalman. . . . . . . . . . . . . 52
Tabela 2 – Erros Quadráticos Médios para diferentes números de partículas com
Reamostragem Multinomial. . . . . . . . . . . . . . . . . . . . . . . . . 57
Reamostragem Sistemática. . . . . . . . . . . . . . . . . . . . . . . . . 57
Tabela 4 – Valores médios do parâmetro Ra estimado pelo Filtro de Partícula
com Reamostragem Multinomial para diferentes números de partículas,
antes e depois da falha. . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Tabela 5 – Valores médios do parâmetro Ra estimado pelo Filtro de Partícula com
Reamostragem Sistemática para diferentes números de partículas, antes
e depois da falha. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Tabela 6 – Valores do parâmetro Ra estimado pelo Estimador de Mínimos Qua-
drados em Batelada (GONÇALVES; TANAKA; GIESBRECHT, 2018),
antes e depois da falha. . . . . . . . . . . . . . . . . . . . . . . . . . . 58
Reamostragem Multinomial em ˝ C. . . . . . . . . . . . . . . . . . . . . 67
Reamostragem Sistemática em ˝ C. . . . . . . . . . . . . . . . . . . . . 68
Tabela 9 – Erros Quadráticos Médios para Observador TS em ˝ C. . . . . . . . . . 68
Sumário
Lista de ilustrações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Lista de tabelas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Trabalhos Publicados Pela Autora . . . . . . . . . . . . . . . . . . . . . . . . . 14
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.1 Objetivos e Justificativas . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.1.1 Estimações de estados e parâmetros: motor BLDC . . . . . . . . . . . . . 17
1.1.2 Estimações de estados/parâmetros: gerador síncrono . . . . . . . . . . . . 18
1.1.3 Estimação de estados: sistema térmico . . . . . . . . . . . . . . . . . . . . 19
1.2 Organização desta Dissertação . . . . . . . . . . . . . . . . . . . . . . 20
2 PROCESSOS ESTOCÁSTICOS . . . . . . . . . . . . . . . . . . . . 21
2.1 Probabilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1.1 Variáveis Aleatórias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.1.2 Operador Esperança . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.1.3 Distribuição de Probabilidade Condicional . . . . . . . . . . . . . . . . . . 26
2.1.4 Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.2 Definições e Propriedades dos Processos Estocásticos . . . . . . . . 28
2.2.1 Processos Markovianos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2.2 Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.2.3 Processo Estocástico Estacionário . . . . . . . . . . . . . . . . . . . . . . 31
2.2.4 Processo Ergódico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3 Exemplos de Processos Estocásticos . . . . . . . . . . . . . . . . . . . 32
2.3.1 Ruído Branco Multivariável . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.2 Passeio Aleatório . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.4 Conclusão Parcial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3 ESTIMADOR BAYESIANO . . . . . . . . . . . . . . . . . . . . . . . 34
3.1 Modelo Estocástico em Espaço de Estados . . . . . . . . . . . . . . . 35
3.2 Estimador Sequencial Bayesiano . . . . . . . . . . . . . . . . . . . . . 35
4 AMOSTRAGEM POR IMPORTÂNCIA . . . . . . . . . . . . . . . . 38

4.1 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2 Técnica de Amostragem por Importância . . . . . . . . . . . . . . . . 40
4.3 Ideias Básicas da Amostragem por Importância . . . . . . . . . . . . 41
5 MÉTODO DE MONTE CARLO . . . . . . . . . . . . . . . . . . . . 44

5.1 Filtro de Partículas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.1.1 Ideias Básicas da Filtragem de Partículas . . . . . . . . . . . . . . . . . . 45
5.1.2 Estado da Arte do Filtro de Partículas . . . . . . . . . . . . . . . . . . . . 48
5.2 Reamostragem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.2.1 Multinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.2.2 Sistemática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.3 Filtro de Partículas Aplicado em Sistemas Lineares . . . . . . . . . . 51
6 RESULTADOS DA APLICAÇÃO DO FILTRO DE PARTÍCULAS . . 54

6.1 Sistemas eletromecânicos . . . . . . . . . . . . . . . . . . . . . . . . . 54
6.1.1 Motor BLDC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
6.1.1.1 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
6.1.2 Máquina Síncrona . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
6.1.2.1 Estimação de Estados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6.1.2.2 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.1.2.3 Estimação de Estados e Parâmetros . . . . . . . . . . . . . . . . . . . . . . 63
6.1.2.4 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
6.2 Sistema Termoelétrico . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
6.2.0.1 Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
7 CONCLUSÕES E TRABALHOS FUTUROS . . . . . . . . . . . . . 71
REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
14
Trabalhos Publicados Pela Autora
1. VIANNA, L. M. S.; GONÇALVES, J.; FRUETT, FABIANO; GIESBRECHT, M.

Fault Detection in Brushless DC Motor via Particle Filter. 2020 IEEE International
Symposium on Industrial Electronics (ISIE) (Delft, June 2020) (Virtual) – (VIANNA
et al., 2020).
2. VIANNA, L. M. S.; GONÇALVES, J.; MONTEIRO, I. A.; GIESBRECHT, M.

Detecção de Falhas de Alimentação de um Motor CC sem Escovas via Filtro de
Partículas. Anais do XIV Simpósio Brasileiro de Automação Inteligente (SBAI)(Ouro
Preto, Outubro 2019) – (VIANNA et al., 2019b).
3. VIANNA, L. M. S.; BRAGA, M. F.; GIESBRECHT, M.; CAMPOS, V. C. S.

Estimação de estados utilizando Observador Takagi-Sugeno e Filtro de Partículas
— Uma aplicação para controle termoelétrico não linear. Anais do XIV Simpósio
Brasileiro de Automação Inteligente (SBAI) (Ouro Preto, Outubro 2019) – (VIANNA
et al., 2019a).
4. MONTEIRO, I. A.; VIANNA, L. M. S.; GIESBRECHT, M. Observador de Fluxos,

Correntes e Ângulo de Carga de Máquinas Síncronas por meio da Filtragem de
Partículas. Anais do XIV Simpósio Brasileiro de Automação Inteligente (SBAI)
(Ouro Preto, Outubro 2019) – (MONTEIRO; VIANNA; GIESBRECHT, 2019).
5. MONTEIRO, I. A.; VIANNA, L. M. S.; GIESBRECHT, M. Nonlinear Estimation

of Salient-Pole Synchronous Machine Parameters via Particle Filter. 2019 IEEE
PES Innovative Smart Grid Technologies (ISGT) (Gramado, September 2019) –
(MONTEIRO; VIANNA; GIESBRECHT, 2019).
6. NICOLAU, M.; VIANNA, L. M. S.; GIESBRECHT, M.; FRUETT, FABIANO.

Sistema IOT para Climatização Eficiente de Ambientes em Edificações Inteligentes.
Anais do XXIII Congresso Brasileiro de Automação (CBA) (Novembro 2020) (Virtual)
– (Aceito para publicação).
15
Capítulo 1
Introdução
Uma maneira clássica e eficiente de representar um sistema dinâmico multiva-

riável ou seja, com mais de uma entrada e/ou mais de uma saída, é utilizando um modelo
em espaço de estados, o qual foi introduzido em Kalman (1960) e Kalman e Bucy (1961).
Inicialmente, este modelo foi aplicado em pesquisas relacionadas a sistemas aeroespaciais,
sendo posteriormente difundido para outras áreas (SHUMWAY; STOFFER, 2006).
Este modelo é baseado no conceito de estado, que é o menor conjunto de
variáveis, tal que o conhecimento do modelo do sistema estabeleça completamente seu
comportamento para qualquer instante de tempo a partir do estado inicial. A representação
em espaço de estados é um modelo matemático de um sistema físico composto pelas variáveis
de entrada, saída e estado interno do sistema, que se relacionam por equações diferenciais
de primeira ordem.
A inferência adequada de modelos matemáticos capazes de caracterizar obser-
vações é de extrema importância, dado que os modelos são utilizados em processos como
os de estimação de estados e de controle de sistemas. Para a obtenção desses modelos
são utilizadas técnicas de modelagem. De forma geral, é possível organizar as técnicas de
modelagem em duas grandes categorias: modelagem pela física do processo e modelagem
realizada a partir de testes (AGUIRRE, 2007). O que diferencia essas duas abordagens é a
quantidade de informações sobre o processo real utilizado para a obtenção do modelo.
Na modelagem pela física do processo, o modelo é desenvolvido a partir de
toda informação disponível sobre o processo, portanto é necessário o conhecimento das
relações matemáticas que descrevem os fenômenos e de todas as propriedades dos materiais
envolvidos (AGUIRRE, 2007). Esse tipo de modelagem é também conhecida como identifi-
cação caixa branca. A segunda categoria é normalmente denominada por identificação de
sistemas ou identificação caixa preta, nos quais usualmente não são pressupostos quaisquer
conhecimentos prévios sobre o sistema. Por outro lado, métodos que permitem incorporar
alguma informação que se tem sobre o sistema durante o processo de identificação são
denominados métodos de identificação caixa cinza. Esses métodos normalmente apresentam
Capítulo 1. Introdução 16
resultados melhores que os métodos de identificação caixa preta uma vez que a incorporação
do conhecimento prévio do sistema pode levar a um menor esforço para a obtenção de
modelos com boa acurácia (LJUNG, 1998).
Neste caso, o modelo caixa cinza que descreve o sistema possui parâmetros,
podendo estes serem desconhecidos. Para estimar tais parâmetros pode-se projetar um
algoritmo utilizando um modelo em espaço de estados modificado, no qual os parâmetros
desconhecidos são incorporados ao vetor de estados, podendo funcionar tanto de maneira
off-line quanto on-line (ANDRIEU et al., 2004). Realizando essa modificação no vetor de
estados, podem-se utilizar observadores de estados para a determinação de parâmetros.
Para o caso de um modelo linear, pode-se optar pelo estimador ótimo de mínima variância,
filtro de Kalman (FK). Por outro lado, se o modelo for não linear e sujeito a ruídos que
possam ser modelados com processos estocásticos não gaussianos, uma opção é utilizar o
filtro de partículas.
Os métodos de filtragem de partículas são geralmente aplicados em problemas
que envolvem sistemas altamente não lineares, no qual o objetivo é estimar os estados e/ou
parâmetros desconhecidos do sistema. São conhecidos por diversos nomes, incluindo Filtro
de Monte Carlo, Filtro de Monte Carlo Sequencial (WANG; ZHAO; WANG, 2009). Esse
método é estatístico baseado em probabilidade e no teorema de Bayes (CANDY, 2009).
Nesta dissertação, é apresentada a pesquisa desenvolvida a respeito da aplicação
da filtragem de partículas para a estimação de estados e/ou parâmetros de modelos não
lineares em espaço de estados.
Os problemas estudados e as contribuições desta pesquisa são descritos de
forma resumida a seguir.
1.1 Objetivos e Justificativas

A identificação caixa cinza de sistemas multivariáveis no espaço de estado é
um problema que demanda uma ampla análise estatística dos dados coletados a partir,
por exemplo, de amostras de entradas, saídas e da incorporação de informações prévias
sobre o sistema a ser identificado. Estas informações podem ser incorporadas ao modelo
na forma de parâmetros.
Em alguns casos, algumas das informações que compõem a estrutura do modelo,
informações prévias, apresentam valores desconhecidos, podendo ser representadas através
de parâmetros. Isso pode ocorrer, por exemplo, quando o acesso às variáveis desejadas
do sistema não é possível, devido ao sensor responsável pela coleta dos dados poder
possuir custo elevado ou mesmo pela possível falta de acesso físico às variáveis de interesse.
Para exemplificar, tem-se uma máquina de corrente contínua, para a qual sabe-se que
o circuito equivalente em regime é composto por tensões, correntes e resistências. Ao

realizar um experimento com esta máquina apenas tem-se acesso aos dados de tensão
e corrente, entretanto sabe-se pelo modelo da máquina a existência de uma resistência,
assim, a resistência torna-se um parâmetro com valores desconhecidos. Para obter tais
dados é possível realizar a estimação do parâmetro faltante. Outra aplicação do problema
de estimação é ao tratar de casos que envolvam a detecção de ocorrência de falhas em
sistemas, que podem vir a alterar alguns parâmetros do modelo.
O objetivo principal deste trabalho é realizar um estudo aprofundado do método
de filtragem de partículas e aplicar essa técnica estocástica para a solução do problema de
estimação de estados, o qual pode também tratar a estimação de parâmetros faltantes em
um modelo. No trabalho foram utilizados dois sistemas eletromecânicos e um termoelétrico
para realizar as estimações por meio do filtro de partículas. Estes sistemas foram escolhidos
por já serem tratados pelo nosso grupo de pesquisa, e portanto, já possuíamos os dados
obtidos de casos reais para um sistema eletromecânico – BLDC – e para o sistema
termoelétrico.
De maneira resumida, os objetivos e os problemas descritos nesta dissertação
são apresentados nas próximas subseções.
1.1.1 Estimações de estados e parâmetros: motor BLDC

Um motor de corrente contínua sem escovas (BLDC, do inglês Brushless DC
Motor) é um motor trifásico e, devido ao seu comportamento dinâmico, pode ser modelado
como um motor CC.
Uma das falhas a que esse motor pode estar sujeito ocorre quando uma das fases
de alimentação do motor BLDC trifásico é perdida, o que acarreta na alteração de alguns
parâmetros de seu circuito equivalente monofásico, tal como a resistência equivalente do
estator. A partir desta alteração é possível detectar o momento em que ocorreu a falha.
O problema de detecção de falhas em um motor BLDC já foi solucionado
utilizando métodos de estimação de parâmetros de modelos matemáticos. Em (MOSELER;
ISERMANN, 2000), é apresentado o método baseado no modelo matemático do processo,
no qual a técnica de mínimos quadrados recursivos é modificada acrescentando propriedades
numéricas melhoradas. Os autores concluem que a abordagem aplicada para a solução do
problema pode ser estendida à estimação on-line dos parâmetros.
Já no trabalho de (PROGOVAC; WANG; YIN, 2014), os autores propõem
um algoritmo de estimativa de mínimos quadrados com correção de enviesamento das
estimativas (bias), que incorpora funções a fim de corrigir o bias da estimativa, fatores de
esquecimento para capturar falhas repentinas e estruturas recursivas para a implementação
em tempo real. A principal função desse algoritmo é retirar o bias causado nas estimativas
dos parâmetros quando se tem ruídos nas variáveis de entrada.

O problema da detecção de falha de perda de alimentação para o motor BLDC
já foi resolvido utilizando o Estimador de Mínimos Quadrados em Batelada nos laboratórios
LCSI e LSM da Unicamp por (TANAKA; GIESBRECHT, 2018) e também utilizando o
Estimador de Mínimos Quadrados Recursivos com reset de covariância e um Estimador de
Mínimos Quadrados Recursivos com fator de esquecimento exponencial por (GONÇALVES;
TANAKA; GIESBRECHT, 2018; GONÇALVES, 2020), os quais obtiveram resultados
satisfatórios utilizando algoritmos que são relativamente simples, mas que demonstraram
robustez às características não ideais apresentadas.
Neste trabalho é proposta a solução do problema de detecção de falhas aplicando
o filtro de partículas com dois tipos de reamostragem, multinomial e sistemática, o que é
feito ao se inserir o parâmetro que indica a falha no vetor de estados do modelo em espaço
de estados do motor, tornando assim o modelo não linear. Os resultados obtidos nesta
dissertação apresentaram melhores respostas no tempo de convergência do parâmetro no
momento da ocorrência da falha em comparação aos resultados encontrados na literatura.
1.1.2 Estimações de estados/parâmetros: gerador síncrono

Um dos elementos fundamentais nos sistemas elétricos de potência são os
geradores síncronos (GS), os quais influenciam a estabilidade dos sistemas elétricos,
tornando assim, fundamental o acompanhamento das possíveis variações do ângulo de carga
e do consequente sincronismo dos gerados síncronos interligados aos sistemas (KRAUSE
et al., 2002).
Diferentes estimadores dinâmicos de estados vêm sendo propostos nas últimas
décadas para a estimação de ângulos de carga e de outras grandezas das máquinas síncronas,
os quais são baseados em diferentes implementações derivadas do filtro de Kalman, tais
como: filtro de Kalman Estendido (GHAHREMANI; KAMWA, 2016); e o filtro de Kalman
Unscented (VALVERDE et al., 2011; WANG; GAO; MELIOPOULOS, 2012).
Outro problema envolvendo geradores síncronos é a estimação de parâmetros
desconhecidos de seu modelo. Em (VALVERDE et al., 2011), as reatâncias de eixo em
quadratura e de eixo direto, bem como as resistências de enrolamento de campo, são
estimadas a partir de modelos altamentes não lineares utilizando o filtro de Kalman
Unscented.
Em publicações recentes como em (MONTEIRO, 2020), o método de filtragem
de partículas é aplicado em um modelo não linear de um gerador síncrono para estimar
os estados, correspondentes ao ângulo de carga e as correntes dos enrolamentos, e os
parâmetros, que são as reatâncias de magnetização de eixo direto e de eixo de quadratura
do modelo.
Nesta dissertação, são apresentados modelos não lineares de sexta e de oitava

ordem de geradores síncronos, sendo aplicados a eles o filtro de partículas com reamostragem
multinomial para a estimação de estados e para a estimação de estados juntamente com os
parâmetros dos modelos anteriormente citados. Os resultados obtidos foram satisfatórios
em comparação aos encontrados na literatura para ambas as estimações.
1.1.3 Estimação de estados: sistema térmico

Nesta dissertação também foi utilizado um sistema termoelétrico constituído
por uma câmara termoeletricamente controlada, que consiste de uma câmara equipada
com cinco sensores digitais de temperatura e um atuador de resfriamento/aquecimento
composto de módulos Peltier. Os estados do sistema consistem nas temperaturas medidas
pelos cinco sensores digitais de temperatura.
Diferentes estimadores de estados vêm sendo propostos para solucionar o
problema de estimação de estados em sistemas térmicos, tal como em (SETIAWAN et al.,
2017), no qual se utiliza um modelo caixa cinza para estimar a dinâmica térmica em uma
sala que possui sistema HVAC (Heating, Ventilation and Air Conditionin), sendo utilizado
o filtro de Kalman Unscented para realizar a estimação. Os resultados apresentados na
referência demonstram alta precisão dos valores estimados.
Já em (PEREIRA et al., 2018), os autores utilizam um observador de estados
Fuzzy Takagi Sugeno com taxa de decaimento, projetado com condições de Desigualdades
Matriciais Lineares (LMIs, do inglês Linear Matrix Inequalities) o qual utilizou variáveis
medidas na realização da estimação. No artigo o estimador Fuzzy é aplicado a uma câmara
termoeletricamente controlada, que também foi utilizada nesta dissertação, como será
apresentado com maiores detalhes na Seção 6.2.
Além da simples estimação de estados, em diversos trabalhos são apresentadas
as estimações de estados e de parâmetros de sistemas térmicos por meio da aplicação
do filtro de partículas. Em (CHENG et al., 2014), é utilizado o método de filtragem de
partículas convencional para a estimação de parâmetros, entretanto este método é sensível
aos ruídos de medições, o que ocasionou resultados imprecisos. A fim de minimizar a
imprecisão verificada os autores da referência (CHENG; ZHANG; LIU, 2017) propõem
um filtro de partículas modificado, no qual aplica-se previsão adaptativa.
Nesta dissertação, os filtros de partículas com reamostragem multinomial e com
reamostragem sistemática foram aplicados na câmara termoeletricamente controlada com
o objetivo de estimar os estados do modelo Fuzzy utilizado na estimação. Os resultados
obtidos foram aceitáveis em comparação aos encontrados na literatura, dado que foram
utilizados filtros de partículas convencionais para a estimação.
1.2 Organização desta Dissertação

Esta dissertação está organizada da seguinte maneira: No Capítulo 2, os pro-
cessos estocásticos são definidos e suas propriedades são descritas. Esse capítulo tem como
finalidade servir como base para os capítulos posteriores. No Capítulo 3, apresentam-se o
modelo não linear em espaço de estados utilizado nesse trabalho e a dedução matemática
do estimador sequencial Bayesiano utilizado para realizar a filtragem de partículas. No
Capítulo 4, apresenta-se o método de amostragem de importância, suas ideias básicas e
a fundamentação matemática. No Capítulo 5, apresentam-se a fundamentação teórica e
a metodologia para a estimação de estados/parâmetros por meio do filtro de partículas,
técnica essa utilizada para realizar as estimações desta dissertação. No capítulo também é
apresentada a comparação do filtro de partículas com o filtro de Kalman em casos lineares
e gaussianos.
No Capítulo 6, apresentam-se os sistemas utilizados para a aplicação do filtro,
sendo dois sistemas eletromecânicos – motor BLDC e gerador síncrono – e um termoelétrico.
Ainda, são expostos os resultados obtidos juntamente com as respectivas discussões. Por
fim, o Capítulo 7 destina-se ao registro das conclusões obtidas ao longo desta pesquisa e a
sugestões para trabalhos futuros a serem realizados.
21
Capítulo 2
Processos Estocásticos
Os estados e ruídos em um modelo em espaço de estados podem ser interpretados

como processos estocásticos. Assim, neste capítulo, são apresentados conceitos fundamentais
para o estudo de processos estocásticos. Desta forma, objetiva-se o fortalecimento das
noções básicas de probabilidade e de processos estocásticos para o desenvolvimento dos
conceitos envolvidos na dedução do filtro de partículas, tratado no capítulo 5, que é um
dos assuntos principais desta dissertação.
2.1 Probabilidade
A teoria moderna da probabilidade teve início com a construção de um conjunto
de axiomas que especificam as propriedades que a probabilidade deve satisfazer. Assim,
dado um experimento aleatório com espaço amostral Ω e F uma família de conjuntos de
Ω definida como σ-álgebra, a lei de probabilidade para o experimento atribui para cada
evento A P F uma medida PpAq, chamada de probabilidade, a qual deve satisfazer os
seguintes axiomas (HSU, 1997; LEON-GARCIA, 2008):
1. PpAq ě 0;
2. PpΩq “ 1;
˜ ¸
8
ď 8
ÿ
3. P Ai “ PpAi q se Ai X Aj “ H para i ‰ j.
i“1 i“1
A probabilidade apresenta as seguintes propriedades decorrentes dos axiomas:
PpAc q “ 1 ´ PpAq,
PpHq “ 0, (2.1)
0 ď PpAq ď 1
em que H representa um conjunto vazio e Ac denota o evento complementar ao evento A.

Capítulo 2. Processos Estocásticos 22
2.1.1 Variáveis Aleatórias

Em diversos modelos probabilísticos, os resultados de um experimento possuem
natureza numérica, como, por exemplo, quando estes correspondem a leituras de um sensor
de temperatura. Em outros experimentos, os resultados não são numéricos, mas podem ser
associados com algum valor numérico de interesse. Como exemplo pode ser considerado um
experimento para selecionar estudantes de uma dada população, em que se deseja estudar
a média de suas notas escolares representadas por letras. Para lidar com tais valores é
usual atribuir probabilidades de ocorrência de cada nota, o que pode ser feito através da
definição de variáveis aleatórias (BERTSEKAS, 2008).
Matematicamente, uma variável aleatória Xpφq é uma função X de valores
reais que associa a cada evento φ aleatório definido na σ-álgebra F, contido no espaço
amostral Ω, um número no domínio R. Portanto, uma variável aleatória X : Ω Ñ R é
uma função mensurável, dado um espaço de probabilidade tΩ, F, Pu de um conjunto de
resultados possíveis Ω para um conjunto R (HSU, 1997).
Para exemplificar, tem-se o experimento em que uma variável aleatória X está
associada ao lançamento de uma moeda. Se o lançamento resultar em uma cara, então
tem-se XpCaraq “ 0 e se sair uma coroa XpCoroaq “ 1, como apresentada na Figura 1.
0 1
Figura 1 – Variável aleatória associada ao lançamento de uma moeda.
As variáveis aleatórias podem ser discretas, contínuas ou mistas. O lançamento

de uma moeda é uma variável aleatória discreta uma vez que as realizações são valores
de um conjunto discreto, entretanto a temperatura ambiente de amanhã é uma variável
aleatória contínua pois pertence a um conjunto de valores contínuos. Por outro lado, o
experimento em que uma moeda é lançada e a temperatura ambiente é medida no mesmo
instante de tempo caracteriza uma variável aleatória mista (SIMON, 2006).
A variável aleatória discreta está associada a função de massa de probabilidade
(PMF, do inglês Probability Mass Function), a qual atribui uma probabilidade a cada valor
numérico que a variável aleatória pode assumir. A PMF de x de uma variável aleatória
discreta X é definida por:
ÿ
PpX P Aq “ fX pxi q, (2.2)
Xpxi qPA
Nota-se que a PDF deve satisfazer a equação de normalização

ż8
pX pxqdx “ Pp´8 ď x ď 8q “ 1. (2.6)
´8
Uma maneira de descrever as variáveis aleatórias discretas e contínuas com um

mesmo conceito matemático é através da função de distribuição acumulativa (CDF, do
inglês Cumulative Distribution Function) (BERTSEKAS, 2008). Logo, a CDF da variável
aleatória X é denotada por FX com probabilidade PpX ď xq. Assim, tem-se para todo x:
$ÿ
’
’ fX pkq, X : discreto,
’
& kďx
FX pxq “ PpX ď xq “ żx (2.7)
’
’
’
% p X ptqdt, X : contínuo.
´8
Se X é discreto, a PMF e a CDF podem ser obtidas uma pela outra por meio
de somatório 2.8 ou subtração 2.9:
k
ÿ
FX pkq “ pX piq, (2.8)
i“´8
fX pkq “ PpX ď kq ´ PpX ď k ´ 1q “ FX pkq ´ FX pk ´ 1q, (2.9)
para todo k inteiro.

Se X é contínuo, a PDF e a CDF podem ser obtidas uma pela outra por meio
de integração 2.10 ou diferenciação 2.11 (LEON-GARCIA, 2008):
żx
FX pkq “ fX ptqdt, (2.10)
´8
dFX
fX pkq “ pxq. (2.11)
dx
2.1.2 Operador Esperança

Dados amostrais obtidos em experimentos para se determinar uma variável
aleatória X, discreta ou contínua, fornecem uma grande quantidade de valores. Estes
valores são usualmente desejáveis, entretanto, é importante simplificar estas informações
de tal forma que com apenas algumas características seja possível avaliar o comportamento
da variável aleatória. Isto é realizado por meio do operador esperança de X, que é uma
média ponderada (em relação à probabilidade) das possibilidades dos valores de X, sendo
também um operador linear (BERTSEKAS, 2008).
Para exemplificar, suponha que uma roleta da fortuna é girada por diversas
vezes, caracterizando um experimento de variáveis aleatórias discretas. Em cada rodada,
um dos números m1 , m2 , . . . , mn apresentam uma das correspondentes probabilidades

f1 , f2 , . . . , fn e o valor monetário resultante de cada rodada é dado pelo produto entre o
número contemplado e sua respectiva probabilidade. É de interesse saber a quantidade
de dinheiro "esperada" – ganho – em cada rodada, uma vez que se trata de um jogo de
azar. Assim, supondo que a roleta é girada k vezes, e que ki é o número de vezes que a
saída resultante é mi . Então, a quantidade total recebida é m1 k1 ` m2 k2 ` . . . ` mn kn e a
quantidade esperada por rodada é dada por:
m 1 k1 ` m 2 k2 ` . . . ` m n kn
M“ . (2.12)
k
Se o número de rodadas k for muito alto e se for de interesse interpretar
probabilidades como frequências relativas, é razoável prever que mi esteja acompanhado a
probabilidade fi , a qual é dada por:
ki
fi « , i “ 1, . . . , n. (2.13)
k
Portanto, a quantidade de dinheiro por rodada esperada é dada por:
m 1 k1 ` m 2 k2 ` . . . ` m n kn
M“ « m1 f1 ` m2 f2 ` . . . ` mn fn . (2.14)
k
As propriedades do operador esperança são dadas por (BERTSEKAS, 2008):
• Caso com variável aleatória discreta X:
– O valor esperado de X com PMF fX pxq é definida por:

ÿ
ErXs “ xfX pxq. (2.15)
x
– O valor esperado de uma função gpXq com PMF fX pxq é definida por:
ÿ
ErgpXqs “ gpxqfX pxq. (2.16)
x
– A variância de X é definida por:

ÿ
varpXq “ ErpX ´ ErXsq2 s “ px ´ ErXsq2 fX pxq, (2.17)
x
• Caso com variável aleatória contínua X:
– O valor esperado de X com PDF pX pxq é definida por:

ż8
ErXs “ xpX pxqdx. (2.18)
´8
– O valor esperado de uma função gpXq com PDF pX pxq é definida por:
ż8
ErgpXqs “ gpXqpX pxqdx. (2.19)
´8
– A variância de X é definida por:

ż8
varpXq “ ErpX ´ ErXsq s “ 2
px ´ ErXsq2 pX pxqdx, (2.20)
´8
2.1.3 Distribuição de Probabilidade Condicional

Em diversos experimentos do mundo "real", os resultados não são completa-
mente aleatórios, uma vez que se tem algum conhecimento prévio sobre o evento e este
conhecimento adicional pode alterar a probabilidade.
Para exemplificar, sabe-se que os resultados de um experimento são números
ímpares, assim a probabilidade de qualquer resultado ser um número par é nula. A esta
interação entre a probabilidade desejada e a probabilidade do conhecimento prévio, que
objetiva-se descrever e quantificar, dá-se o nome de probabilidade condicional.
Quando se tratam de eventos de variáveis aleatórias, a interação entre os eventos
é definida como distribuição de probabilidade condicional. Assim, dados dois vetores de
variáveis aleatórias X e Y , a distribuição de probabilidade condicional é definida como a
distribuição de probabilidade de um evento ocorrer dado que se supõe que outro evento
ocorreu.
Se o evento de interesse é Y dada a ocorrência do valor de x de X, então a
distribuição de probabilidade condicional de Y dado que x de X ocorreu é usualmente
escrita da forma:
fX,Y pX “ x, Y “ yq
fY |X py|X “ xq “ PpY “ y|X “ xq “ , (2.21)
fX pX “ xq
em que fX pX “ xq ą 0, X e Y são vetores de variáveis aleatórias discretas.

Para o caso em que X e Y são vetores de variáveis aleatórias contínuas, a
distribuição de probabilidade condicional é descrita por:
pX,Y px, yq
pY |X py|X “ xq “ Ppa ď Y ď b|X “ xq “ , (2.22)
pX pxq
em que pX pxq ą 0.
As funções que compõem os numeradores e denominadores das equações (2.21)
e (2.22) são denominadas PMF/PDF conjunta de X e Y e PMF/PDF marginal X, respecti-
vamente para o caso de variáveis aleatórias discretas e variáveis aleatórias contínuas (KAY,
2006).
As funções condicionais, marginais e conjuntas para variáveis aleatórias discretas
e contínuas apresentam propriedades similares. A seguir serão apresentadas as propriedades
referentes às variáveis aleatórias contínuas, que são facilmente expandidas para o caso de
variáveis aleatórias discretas.
É evidenciado em (2.22), a existência da relação entre as funções PDFs condi-
cionais, marginais e conjuntas. As propriedades entre as funções mencionadas são dadas
por (KAY, 2006):
Propriedade 2.1 - PDF conjunta produz PDF condicional.
Se uma PDF conjunta pX,Y px, yq é conhecida, então as PDFs condicionais são
obtidas por:
pX,Y px, yq
pY |X py|xq “ ş8 , (2.23)
´8
p X,Y px, yqdy
pX,Y px, yq
pX|Y px|yq “ ş8 , (2.24)
´8
p X,Y px, yqdy
ż8
em que pX pxq “ pX,Y px, yqdy do denominador de (2.22), é decorrente da lei da
´8
probabilidade total, na qual a PDF conjunta gera a PDF marginal (KAY, 2006).
Propriedade 2.2 - PDFs condicionais são relacionadas.
Se a PDF conjunta pX,Y px, yq e as PDFs marginais pX pxq, pY pyq são conhecidas
e sabendo que as PDFs conjuntas se relacionam como:
pY,X py, xq “ pX,Y px, yq, se A X B “ B X A (2.25)
e a partir de (2.22), tem-se a PDF conjunta:
pY,X py, xq “ pY |X py|xqpX pxq, (2.26)
então a PDF condicional é obtida aplicando (2.26) na pX|Y px|yq desejada, resultando em:
pY |X py|xqpX pxq
pX|Y px|yq “ . (2.27)
pY pyq
Propriedade 2.3 - PDF condicional e sua corresponde PDF marginal produzem a PDF conjunta.
Se a PDF condicional pY |X py|xq e a PDF marginal pX pxq forem conhecidas,

realizando a manipulação da equação (2.22), obtém-se:
pX,Y px, yq “ pY |X py|xqpX pxq “ pX|Y px|yqpY pyq. (2.28)
Propriedade 2.4 - PDF condicional e sua corresponde PDF marginal produzem outra PDF
marginal.
Se a PDF condicional pY |X py|xq e a PDF marginal pX pxq forem conhecidas,

então é possível obter a outra PDF marginal pY pyq, por meio de:
ż8
pY pyq “ pY |X py|xqpX pxqdx, (2.29)
´8
Esta propriedade equivale a lei da probabilidade total, maiores detalhes são

encontrados em (KAY, 2006).
Por fim, quando a distribuição de probabilidade condicional é igual à probabili-
dade marginal do condicionante, os eventos são considerados estatisticamente independen-
tes, como apresentado em (2.30). Então, o conhecimento da ocorrência de um evento não
interfere na probabilidade do outro evento, resultando em pY py, xq “ pY pyqpX pxq.
pX,Y px, yq
pY |X py|xq “ “ pY pyq. (2.30)
pX pxq
2.1.4 Teorema de Bayes

A relação que descreve a função de distribuição de probabilidade condicional
entre duas variáveis aleatórias, tendo como base o conhecimento das PDFs marginais das
variáveis aleatórias é conhecida como teorema de Bayes. O Teorema de Bayes é expresso
matematicamente na forma simplificada da seguinte equação:
pX|Y px|yqpY pyq “ pX,Y px, yq “ pY |X py|xqpX pxq, (2.31)
em que pX pxq e pY pyq são as PDFs marginais, pX,Y px, yq a PDF conjunta e pX|Y px|yq a
PDF condicional (KAY, 2006).
A forma estendida do Teorema de Bayes é dada por:
pX|Y px|yqpY pyq

pY |X py|xq “ ş8 , (2.32)
p px|yqpY pyqdy
´8 X|Y
em que o denominador caracteriza a lei da probabilidade total de pX pxq. Esta relação é

amplamente utilizada no estudo de estimadores Bayesianos, como o fitro de partículas
discutido nesta dissertação.
2.2 Definições e Propriedades dos Processos Estocásticos

Em alguns experimentos aleatórios os resultados são em função do tempo ou do
espaço. Por exemplo, a temperatura em uma determinada cidade e a demanda deliberada
pela concessionária local de energia elétrica variam juntas no tempo (LEON-GARCIA,
2008). A função do tempo apresentada no exemplo anterior, pode ser interpretada como
quantidades numéricas que envolvem aleatoriedade do tempo. Portanto, o que realmente
tem-se são variáveis aleatórias indexadas pela variável de tempo ou espaço.
Por definição, um processo estocástico ou um processo aleatório é um tipo de
função temporal que atribui para cada instante de tempo uma variável aleatória (KA-
TAYAMA, 2005).
Considera-se um experimento estocástico com resultados pertencentes a ω,

sendo ω P Ω e Ω o espaço amostral do experimento. Assim, ω é um subconjunto de Ω e
denomina-se evento. Supõe-se que para cada resultado ω, é atribuída uma função temporal
de acordo com alguma regra, dessa forma o experimento aleatório pode ser expresso por:
xpt, ωq, t P T, (2.33)
em que se T for um conjunto de números inteiros o processo é considerado de tempo

discreto, caso T seja um conjunto de números reais, então o processo será de tempo
contínuo (LEON-GARCIA, 2008).
Se o instante de tempo de (2.33) for fixado em t “ t1 , tem-se uma variável
aleatória xpt1 , ¨q no espaço amostral, uma vez que está sendo realizado o mapeamento de
um espaço amostral a um espaço real. Caso o evento seja fixado em ω “ ω1 , então xp¨, ω1 q
é uma função temporal, também denominada de função de amostragem ou realização de
um processo estocástico.
Por simplicidade, a partir deste ponto do trabalho será adotada uma nova
notação dada por: xptq para a ser xt .
2.2.1 Processos Markovianos

Por definição, um processo estocástico é dito markoviano se, com apenas a
medida do instante de tempo anterior, pode-se determinar o futuro com a mesma precisão
que se teria se fossem utilizadas todas as informações passadas do processo. Portanto,
em um processo markoviano toda informação passada do processo é resumida no último
instante de tempo, caracterizando causalidade. No entanto, um processo markoviano é
causal, mas nem todo processo causal é markoviano (GIESBRECHT, 2013).
Em termos de distribuição de probabilidade condicional, tem-se que um processo
markoviano é dado por:
ppxt |x1 , . . . , xt´1 q “ ppxt |xt´1 q. (2.34)
ppxt , xt´1 , . . . , x1 q “ ppxt |x1 , . . . , xt´1 q ppx1 , . . . , xt´1 q “

“ ppxt |xt´1 q ppxt´1 |x1 , . . . , xt´2 q ppx1 , . . . , xt´2 q “
“ ppxt |xt´1 q ppxt´1 |xt´2 q ppxt´2 |x1 , . . . , xt´3 q ppx1 , . . . , xt´3 q “
(2.35)
..
.
t
ź
“ ppx1 q ppxi |xi´1 q,
i“2
sabendo que
ppxi , xi´1 q
ppxi |xi´1 q “ , (2.36)
ppxi´1 q
e aplicando (2.36) em (2.35), obtém-se:

t „ 
ź ppxi , xi´1 q
ppxt , xt´1 , . . . , x1 q “ ppx1 q . (2.37)
i“2
ppxi´1 q
Portanto, tem-se que a distribuição de probabilidade conjunta de um processo

de Markov é determinada apenas pelas funções de densidade de primeira ppxi´1 q e de
segunda ordem ppxi , xi´1 q (KATAYAMA, 2005).
2.2.2 Momentos
O termo momento foi retirado da física, no qual ErXs é chamado de centro
de massa ou momento de massa (KAY, 2006). Os momentos de um processo estocástico
especificam parcialmente o processo e são definidos como momentos das variáveis aleatórias
em instantes de tempo específicos (LEON-GARCIA, 2008).
Para um determinado processo estocástico, define-se o k-ésimo momento M1,...,k
como sendo a esperança do produto das variáveis aleatórias x1 , . . . , xk , ou seja:
M1,...,k “Erx1 . . . xk s
ż8 ż8
(2.38)
“ ... x1 . . . xk p1,...,k px1 , . . . , xk qdx1 . . . dxk ,
´8 ´8
em que Er¨s denota uma esperança matemática e p1,...,k a PDF de Xt “ x1 , . . . , xk .

No estudo de processos estocásticos markovianos, tem-se interesse pelos mo-
mentos de primeira e segunda ordem, que são respectivamente a função de média e função
de (auto)covariância, dadas por:
• Média:
µxt “ Erxt s (2.39)
• Autocovariância:
Rx,x pt, sq “ Erpxt ´ µxt qpxs ´ µxs qs (2.40)
• Covariância cruzada:
Rx,y pt, sq “ Erpxt ´ µxt qpys ´ µys qs (2.41)
• Variância:
Rx,x pt, tq “ σ 2 “ Erpxt ´ µxt qpxt ´ µxt qs (2.42)
A covariância é o segundo momento centrado de um processo estocástico,

podendo ser: uma função de autocovariância Rx,x pt, sq, na qual as variáveis aleatórias são
subtraídas de sua média antes de realizar o cálculo da esperança, sendo tomado apenas um
processo estocástico em instantes de tempo diferentes. Ou ainda, uma função de covariância
cruzada Rx,y pt, sq, em que a covariância é tomada em dois processos estocásticos distintos
também em instantes de tempo diferentes.
Caso a covariância de um processo estocástico seja tomada no mesmo instante
de tempo, tem-se sua variância, Rx,x pt, tq.
2.2.3 Processo Estocástico Estacionário

Se em um processo estocástico suas propriedades estatísticas não são alteradas
ao longo do tempo, então pode-se dizer que o futuro do processo é estatisticamente o
mesmo do passado, podendo ser escrito em termos da função de densidade de probabilidade:
p1,...,k px1 , . . . , xk q “ p1`l,...,k`l px1`l , . . . , xk`l q, l “ 0, ˘1, . . . . (2.43)
Se a equação (2.43) for satisfeita, então, pode-se dizer que o processo é for-
temente estacionário, uma vez que todos seus momentos não dependem do intervalo de
tempo em que são tomados.
Um processo é fracamente estacionário se apenas seus primeiro e segundo
momentos forem independentes do instante de tempo em que se observa o processo. Para
o primeiro momento, tem-se que a média é uma constante e para o segundo momento a
função de covariância depende somente do intervalo de tempo entre os dois momentos em
que foi tomada e não dos instantes de tempo absolutos. Algebricamente,
µxt “ Erxt s “ µx0 , Rx,x pt, sq “ Rx,x pt ´ s, 0q. (2.44)
Um processo fortemente estacionário é fracamente estacionário, mas um processo

fracamente estacionário não é necessariamente um processo fortemente estacionário (KA-
TAYAMA, 2005).
2.2.4 Processo Ergódico

Por definição, um processo é dito ergódico se com apenas uma realização for
possível estabelecer características que definam as infinitas realizações do experimento.
Assim, um processo estocástico ergódico possui as mesmas características estatísticas tanto
ao se tomar medidas de um conjunto de realizações quanto ao se tomar medidas de apenas
uma realização ao longo do tempo (KATAYAMA, 2005).
2.3 Exemplos de Processos Estocásticos

2.3.1 Ruído Branco Multivariável
O ruído branco é um processo estocástico estacionário caracterizado por possuir
média nula e por ser descorrelacionado entre as variáveis aleatórias tomadas em instantes
de tempo diferentes. Ou seja, vt é um ruído branco se:
• Ervt s “ 0;
#
0 t‰s
• Ervt , vs s “
σv2 t “ s
em que σv é uma constante e seu quadrado é definido como a variância do ruído branco vt .
Uma vez que o ruído branco é formado por variáveis aleatórias descorrelaciona-
das, então sua função de densidade de probabilidade conjunta é dada por:
pt,s pvt , vs q “ pt pvt qps pvs q. (2.45)
O ruído branco é um processo markoviano, dado que suas amostras são descor-
relacionadas.
A partir de um ruído branco é possível gerar uma realização de qualquer outro
processo estocástico através de uma filtragem. Ao problema de determinação de um filtro
que gera um processo estocástico qualquer a partir de um ruído branco dá-se o nome de
problema de realização de séries temporais.
2.3.2 Passeio Aleatório

O ruído branco é frequentemente utilizado na geração de processos com dife-
rentes propriedades estocásticas. Como, por exemplo na geração do passeio aleatório xt , o
qual é a soma de ruídos brancos, dados por:
t
ÿ
xt “ vi , (2.46)
i“1
em que x0 “ 0.
Então, variando t “ 1, 2, . . . , obtém-se:
x1 “ v1
x2 “ v1 ` v2
.. (2.47)
.
xt´1 “ v1 ` v2 ` . . . ` vt´1
xt “ v1 ` v2 ` . . . ` vt´1 ` vt
Portanto, (2.47) pode ser rescrita de forma simplificada da forma:
xt “ xt´1 ` vt , x0 “ 0. (2.48)
Como o passeio aleatório é constituído por ruídos brancos e estes são processos
markovianos, então o passeio aleatório também o é. Assim, o valor do processo em um
instante de tempo seguinte ao atual é determinado apenas pelo valor do processo no
instante atual adicionado a um componente aleatório, conforme a equação (2.48).
O valor esperado do passeio aleatório é dado por:
« ff
ÿt
µxt “ Erxt s “ E vt “ 0, (2.49)
i“1
uma vez que o processo vt é um ruído branco e, portanto, tem média nula. Para os instantes
de tempo s e t, tais que s ă t, a covariância do passeio aleatório é determinado por:
« ff
s
ÿ t
ÿ
Erxs xt s “ E vi vj , (2.50)
i“1 j“1
e como Ervs vt s “ 0 @s ‰ t, os únicos termos que não se anulam são aqueles em que há
um produto dos dois processos estocásticos no mesmo instante de tempo, portanto:
« ff
s
ÿ t
ÿ ÿs
E vi vj “ Ervi2 s “ sσ 2 . (2.51)
i“1 j“1 i“1
2.4 Conclusão Parcial

Neste capítulo foram apresentados conceitos da teoria da probabilidade tais
como definições e propriedades dos processos estocásticos, introduzindo assim definições
fundamentais para o prosseguimento desta dissertação. Na Seção 2.3 foram apresentados
exemplos de processos estocásticos clássicos, sendo eles: ruído branco e passeio aleatório
juntamente com suas características de primeiro e segundo momentos. No próximo capí-
tulo será apresentado o estimador Bayesiano, que envolve os conceitos de densidade de
probabilidade condicional e o Teorema de Bayes, detalhados neste capítulo.
34
Capítulo 3
Estimador Bayesiano
Em diversos sistemas dinâmicos não é viável mensurar todos os estados, sendo

uma possível causa para isso a inacessibilidade dos sinais. Além disso, existem restrições
econômicas, uma vez que em certos casos é possível obter estes estados por meio de medições
de sensores, entretanto, estes podem vir a ser muito caros, o que torna a instrumentação
impraticável para a aplicação.
Os estados do sistema dinâmico podem fornecer informações sobre seus pa-
râmetros, sobre suas condições de falhas e também informações importantes para a
implementação de controladores. Sendo assim é fundamental estimar seus valores, o que
pode ser feito com observadores de estado. Esta técnica oferece uma maneira eficaz de
extrair informações sobre o processo que são necessárias, mas não estão disponíveis ou
não são confiáveis. Assim, o observador é empregado com o objetivo de obter medidas
inacessíveis em sistemas dinâmicos, sejam eles determinísticos ou estocásticos.
Em um modelo em espaço de estados, os estados podem ser vistos como
processos estocásticos e, portanto, o valor do estado em um dado instante de tempo é
uma variável aleatória. Com isso, métodos de estimação de variáveis aleatórias podem
ser usados como observadores de estado em sistemas dinâmicos descritos por modelos em
espaço de estados.
Neste capítulo será apresentada a técnica para a solução do problema de
estimação pelo estimador sequencial bayesiano. O estimador sequencial bayesiano é de
suma importância para a técnica de filtragem de partículas estudada e aplicada nesta
dissertação, a qual é mais genérica que o Filtro de Kalman pois pode ser usada para
estimar estados de modelos não lineares e sujeitos a ruídos que podem ter uma distribuição
de probabilidade diferente da gaussiana. O desenvolvimento matemático da técnica de
estimação será apresentado.
Por simplicidade os subscritos das PDFs serão omitidos do texto a partir deste
capítulo.
Capítulo 3. Estimador Bayesiano 35
3.1 Modelo Estocástico em Espaço de Estados

O modelo em espaço de estados a tempo discreto, não linear e/ou não gaussiano
utilizado neste trabalho é descrito por
xk “ fk´1 pxk´1 , uk´1 , νk´1 q, (3.1)

yk´1 “ hk´1 pxk´1 , uk´1 , ηk´1 q, (3.2)
em que k é o índice temporal, xk é o vetor de estados, uk é o vetor de entradas exógenas e

νk é a representação do vetor do ruído de processo; yk é o vetor de medições da saída e
ηk é o vetor do ruído de medição. As funções fk p¨q e hk p¨q são equações que descrevem o
sistema. Os ruídos são supostos independentes e identicamente distribuídos (i.i.d.) e com
PDFs conhecidas.
3.2 Estimador Sequencial Bayesiano

O estimador Bayesiano busca aproximar a função de distribuição de probabilida-
de condicional do vetor de estado, dadas as observações do sistema dinâmico (SIMON,
2006). A PDF condicional ppxk |Yk q1 , é tal que para o estado no instante k é condicionada
às observações Yk “ y1 , . . . , yk . A condição inicial x0 do estimador, é dada por
ppx0 q “ ppx0 |Y0 q, (3.3)
uma vez que não existem medições das observações antes do instante inicial.
Dado o modelo em espaço de estado descrito pelas equações (3.1) e (3.2), para
estimar xk , é necessário encontrar a função de distribuição condicional ppxk |Yk q. Entretanto,
como a estimação ocorre de maneira recursiva, é necessário encontrar, inicialmente, a PDF
condicional ppxk |Yk´1 q, que é a PDF do estado xk dadas as observações até o instante Yk´1 .
Essa PDF é definida como PDF a priori, uma vez que é uma estimativa para o estado no
instante k baseada na informação anterior à ocorrência da medição nesse instante.
A fim de obter a PDF condicional ppxk |Yk´1 q, aplica-se a equação de Chapman-
Kolmogorov, deduzida a seguir:
ż
ppxk |Yk´1 q “ ppxk |xk´1 , Yk´1 qr1s ppxk´1 |Yk´1 qdxk´1 “
˙r1s
ppxk , xk´1 , Yk´1 qr2s
ż ˆ
“ ppxk´1 |Yk´1 qdxk´1 “
ppxk´1 qppYk´1 q
(3.4)
ppxk , xk´1 qppYk´1 qr2s
ż
“ ppxk´1 |Yk´1 qdxk´1 “
ppxk´1 qppYk´1 q
ż
“ ppxk |xk´1 qppxk´1 |Yk´1 qdxk´1 ,
1
pX|Y pxk |yk q “ ppxk |yk q.
em que se considera que a equação de evolução de estados (3.1) é descrita por um processo
Markoviano, então a função de probabilidade condicional resulta em ppxk |xk´1 , Yk´1 q “
ppxk |xk´1 q em (3.4), uma vez que Yk´1 não traz nenhuma nova informação pois é estatisti-
camente independente dos estados.
Para a dedução apresentada em 3.4, foi aplicado o teorema de Bayes nos pares
de sobrescrito r1s e no par r2s e foi considerado que, como os ruídos são supostos i.i.d.,
a probabilidade conjunta – ppxk , xk´1 , Yk´1 q – é igual ao produto entre as probabilida-
des marginais – ppxk , xk´1 q e ppYk´1 q. O modelo probabilístico de evolução do processo
ppxk |xk´1 q é definido por (3.1) e pelas estatísticas conhecidas do ruído de processo νk´1 .
Através de (3.4), é possível escrever ppxk |Yk´1 q dependente de duas outras
PDFs condicionais, ppxk |xk´1 q e ppxk´1 |Yk´1 q, sendo a primeira conhecida e a segunda
possível de ser encontrada recursivamente devido ao conhecimento da condição inicial.
Para encontrar a PDF condicional a posteriori da medição no instante k, ou
seja ppxk |Yk q, primeiramente aplica-se o teorema de Bayes para obter ppxk q
ppxk |Yk´1 qppYk´1 q
ppxk q “ , (3.5)
ppYk´1 |xk q
então a PDF condicional a posteriori é dada por
ppxk , Yk q
ppxk |Yk q “ “
ppYk q
ppYk |xk q
“ ppxk q “
ppYk q
(3.6)
p ppyk , Yk´1 q|xk q ppxk |Yk´1 qppYk´1 q
“ “
ppyk , Yk´1 q ppYk´1 |xk q
ppyk , Yk´1 , xk q ppxk , Yk´1 qppYk´1 q
“ ,
ppxk qppyk , Yk´1 q ppYk´1 qppYk´1 |xk q
em que ppYk q “ ppyk , Yk´1 q uma vez que as observações no instante k são dadas por
Yk “ y1 , . . . , yk´1 , yk .
Multiplicando o numerador e o denominador de (3.6) por ppxk , yk q e utilizando
o teorema de Bayes, tem-se:
ppyk , Yk´1 , xk qr1s ppxk , Yk´1 qr2s ppYk´1 qr4s ppxk , yk qr3s
ppxk |Yk q “ “ (3.7)
ppxk qr3s ppyk , Yk´1 qr4s ppYk´1 qr2s ppYk´1 |xk q ppxk , yk qr1s
prYk´1 |pxk , yk qsr1s ppxk |Yk´1 qr2s ppyk |xk qr3s
“ , (3.8)
ppyk |Yk´1 qr4s ppYk´1 |xk q
os sobrescritos com mesma numeração na equação (3.7) são os pares que quando utilizado
o teorema de Bayes resultam em (3.8).
Como yk é uma função de xk , então prYk´1 |pxk , yk qs “ ppYk´1 |xk q. Assim,
ppyk |xk qppxk |Yk´1 q
ppxk |Yk q “ . (3.9)
ppyk |Yk´1 q
Todas as PDFs à direita de (3.9) são conhecidas. A PDF ppyk |xk q é dada pela
função hk p¨q e pelo ruído ηk , que, por hipótese, também tem distribuição conhecida. A
PDF ppxk |Yk´1 q é dada por (3.4) e depende apenas da transição de estado, que é conhecida,
e da estimativa ppxk´1 |Yk´1 q, calculada no passo anterior do algoritmo. Portanto, se a
estimativa inicial ppx0 |Y0 q for conhecida, é possível chegar recursivamente a ppxk |Yk´1 q. A
PDF ppyk |Yk´1 q é encontrada por:
ż
ppyk |Yk´1 q “ prpyk , xk q|Yk´1 sdxk “
ż (3.10)
“ ppyk |xk , Yk´1 qppxk |Yk´1 qdxk .
Entretanto, yk é completamente determinada por xk e ηk , então ppyk |xk , Yk´1 q “

ppyk |xk q, logo, ż
ppyk |Yk´1 q “ ppyk |xk qppxk |Yk´1 qdxk , (3.11)
na qual ambas PDFs são conhecidas. Então, é possível encontrar a PDF a posteriori, dada
por
ppyk |xk qppxk |Yk´1 q
ppxk |Yk q “ ş . (3.12)
ppyk |xk qppxk |Yk´1 qdxk

Este trabalho é sobre estimativa de estados e parâmetros de sistemas dinâmicos
multivariáveis estocásticos. Para obter a estimativa proposta, são aplicadas técnicas de
filtragem estocástica. A estrutura comumente utilizada para este tipo de filtragem é a
estrutura Bayesiana, também denominada de estimador sequencial bayesiano, o qual,
como apresentado ao longo do capítulo, calcula recursivamente a densidade a posteriori
do estado do sistema dinâmico. Essa densidade a posteriori variável no tempo fornece a
caracterização probabilística do sistema dinâmico de interesse ao decorrer do tempo.
Em geral, no contexto não linear e/ou não gaussiano, o estimador sequencial
bayesiano não pode ser resolvido analiticamente de maneira fechada e, portanto, é im-
plementado por aproximações (RISTIC, 2013). Para tal, pode-se utilizar a filtragem de
partículas que será vista com detalhes no Capítulo 5. Essa técnica fornece aproximações
precisas do estimador sequencial bayesiano, com o auxílio da técnica de amostragem de
importância, que será apresentada no capítulo a seguir.
38
Capítulo 4
Amostragem por Importância
A técnica de amostragem por importância (IS, do inglês Importance Sampling)

foi inicialmente apresentada em 1953 no trabalho de Kahn e Marshall, no qual foram
sugeridos três métodos – correlação das amostras, amostragem por importância e estima-
ção estatística – para solucionar o problema da baixa eficiência dos cálculos de Monte
Carlo (KAHN; MARSHALL, 1953). Em 1978, a técnica IS teve sua primeira aplicação
em econometria no trabalho de Kloek e Van Dijk, no qual foi utilizada para o cálculo
das distribuições a posteriori (KLOEK; DIJK, 1978). Essa metodologia também pode
ser utilizada para tratar da análise das observações de modelos não gaussianos e não
lineares (DURBIN; KOOPMAN, 2001; DURBIN; KOOPMAN, 2012).
Neste capítulo, serão apresentadas as ideias básicas e o desenvolvimento mate-
mático para a técnica de amostragem por importância, que é de suma importância para a
técnica de observação de estados utilizada nessa dissertação.
4.1 Motivação
Seja um exemplo em que se deseja estimar a probabilidade de que o resultado
do lançamento de um dado justo com seis faces resulte na face 1, sendo este o sucesso do
lançamento. Assim, a variável aleatória X associada ao lançamento é tal que se sair a face
1 tem-se Xp1q “ 1, senão Xp2, 3, 4, 5, 6q “ 0 e a probabilidade de sucesso é dada por:
1
p “ P pXp1qq “ . (4.1)
6
Se este dado for lançado n vezes, sendo que para cada resultado associa-se um
peso unitário ω, uma possível estimativa dos sucessos é calcular a proporção de sucessos
na amostra:
xω
p̂ “ , (4.2)
n
em que x é o número de sucessos da amostra e a variável aleatória associada aos resultados
do experimentos X possui distribuição Binomial X „ Bpn, pq. Portanto, devido as propri-
Capítulo 4. Amostragem por Importância 39
edades da distribuição Binomial (KAY, 2006), tem-se que a esperança de X é ErXs “ np

e a variância é V arpXq “ npp1 ´ pq.
Assim, os cálculos da esperança e a variância de p̂, são dados por:
” xω ı
Erp̂s “ E “
n
ω
“ E rxs “
n (4.3)
ω
“ np “
n
1
“ ωp “
6
´ xω ¯
V arpp̂q “ V ar “
n
ω2
“ 2 V ar pxq “
n
(4.4)
ω2
“ 2 npp1 ´ pq “
n
ω 2 pp1 ´ pq 5
“ “ .
n 36n
Para obter a quantidade necessária de vezes em que o experimento tenha que
ser realizado a fim de conseguir uma estimativa com coeficiente de variação cv de 5%, é
realizado o cálculo: a
V arpp̂q
cv pp̂q “ ñ
Erp̂s
b
5
36n (4.5)
0, 05 “ 1 ñ
6
n “ 2000,
em que o coeficiente de varição é dado pela razão entre o desvio padrão da estimativa,
raiz quadrada da variância, e sua média. Assim, são necessários 2000 experimentos para
atingir o coeficiente desejado.
Para reduzir o número de lançamentos necessários para um mesmo cv , pode-se
considerar um dado viciado, em que as faces 2 e 3 são substituídas pela face 1. Isso aumenta
a probabilidade de sucesso para pviciado “ 1{2, e deve-se atribuir pesos diferentes quando
o resultado for a face 1. Assim, para o caso em que Xp1q o peso será de ωviciado “ 1{3 e
para os demais casos atribui-se um peso nulo. Substituindo em 4.3 e 4.4, o peso ωviciado e
a probabilidade pviciado , obtêm-se os valores da esperança e da variância de p̂viciado :
1
Erp̂viciado s “ . (4.6)
6
1
V arpp̂viciado q “ . (4.7)
36n
E para obter a nova quantidade n vezes para que o experimento atinja o

coeficiente cv de 5%, é realizado novamente o cálculo:
a
V arpp̂viciado q
cv pp̂viciado q “ ñ
Erp̂viciado s
b
1
36n (4.8)
0, 05 “ 1 ñ
6
n “ 400.
Assim, são necessários 400 experimentos para atingir o coeficiente desejado,

reduzindo consideravelmente a quantidade de experimentos em relação ao dado justo. Esta
redução acontece devido ao evento de interesse ocorrer com maior frequência. Usando
a terminologia de amostragem por importância, que será vista nas próximas seções, o
exemplo do dado apresentado é bem sucedido pois uma distribuição de amostragem por
importância – correspondente ao lançamento do dado com três faces iguais a 1 – é utilizada
para sobre amostrar uma porção do espaço de estado que recebe a menor probabilidade sob
a distribuição de um dado justo (MCKINSTRIE; WINZER, 2003). Os pesos de importância
corrigem o vício e podem vir a fornecer um melhor estimador.
4.2 Técnica de Amostragem por Importância

Em diversas aplicações é necessário obter a estimativa da média condicional θ̄
de uma função f pxq de um vetor de variáveis aleatórias x P Rd , com distribuição de acordo
com ppx|Yn q dadas as observações Yn P Rd , ou seja, é necessário estimar:
ż
θ̄ “ Ep rf pxq|Yn s “ f pxqppx|Yn qdx, (4.9)
xPD
em que n é o número de observações e D o espaço gerado por Yn . Neste capítulo as

distribuições serão consideradas gaussianas, por praticidade.
Em teoria, podem-se sortear amostras aleatórias a partir de uma distribuição
ppx|Yn q e então estimar θ̄ por meio de uma média amostral dos valores de x. Na prática, a
distribuição condicional ppx|Yn q pode não ser conhecida ou pode ser incapaz de caracterizar
de maneira adequada a função f pxq, tornando o cálculo de (4.9) inviável ou impreciso. Para
solucionar esse problema, é encontrada uma PDF o mais próxima possível da distribuição
das observações ppx|Yn q, dentro do domínio D, chamada de distribuição de importância.
Então é feita uma amostragem a partir dessa nova PDF e posteriormente é realizado um
ajuste em (4.9) para corrigir os valores por um fator de peso, tornando possível o cálculo
da estimativa da média sem que os valores sejam alterados (DURBIN; KOOPMAN, 2012).
Em resumo, a ideia fundamental da amostragem por importância consiste
em, ao invés de realizar a amostragem de x por meio da função de distribuição ppx|Yn q,
utiliza-se outra função de distribuição de probabilidade qpx|Yn q (KAHN; MARSHALL,

1953).
Esse problema é ilustrado na Figura 4, em que a função de distribuição de
probabilidade ppx|Yn q possui distribuição ppx|Yn q „ N pµp , σp2 q, em azul. Nessa mesma
figura é apresentada uma possível função f pxq com domínio D. Entretanto, a função de
distribuição ppx|Yn q não caracteriza de maneira adequada a função f pxq, uma vez que
grande parte das amostras sorteadas através da distribuição ppx|Yn q estará em uma região
do domínio D em que a função f pxq não é muito significativa. Assim, é inserida uma
função de distribuição de importância qpx|Yn q „ N pµq , σq2 q P Q, em vermelho. Essa função
é tal que seu domínio envolve uma maior quantidade de amostras da região de f pxq, além
de atribuir a amostras mais importantes maiores pesos, tornando o resultado da estimativa
da média condicional, dada pela integral (4.9), mais precisa (OWEN, 2013).
( | )
( | )
( )


Figura 4 – Problema da estimativa da média condicional θ̄.
4.3 Ideias Básicas da Amostragem por Importância

O objetivo é encontrar a esperança da média condicional θ̄ de uma função f pxq
de uma variável aleatória x dada as observações Yn , tal como em (4.9). No entanto, tem-se
que ppx|Yn q “ 0 para todo x R D. Se qpx|Yn q é uma função de distribuição de importância
positiva no espaço D, então, ao inserir-la em (4.9), tem-se:
„ 
ppx|Yn q ppx|Yn q
ż
θ̄ “ Ep rf pxq|Yn s “ f pxq qpx|Yn qdx “ Eq f pxq , (4.10)
xPD qpx|Yn q qpx|Yn q
em que Eq r¨s é a esperança da distribuição de importância qpx|Yn q e a variável aleatória x
passa a ter distribuição da distribuição de importância x „ qpx|Yn q. Possibilitando, assim,
o cálculo da esperança θ̄ desejada.
A distribuição de importância qpx|Yn q não necessariamente tem que ser positiva

em todos os pontos, é suficiente que qpx|Yn q ą 0 quando f pxqppx|Yn q ‰ 0. A região do
domínio da função qpx|Yn q tal que qpx|Yn q ą 0 é definida como Q, o que matematicamente
pode ser descrito por, Q “ tx|qpx|Yn q ą 0u. Sendo assim, se x P Q, f pxqppx|Yn q ‰ 0.
Então, se x P D X Qc , em que Qc é o conjunto do domínio de qpx|Yn q com-
plementar a Q, tem-se que f pxq “ 0 uma vez que x R Q implica em f pxqppx|Yn q “ 0, e
ppx|Yn q ‰ 0 visto que x P D. Enquanto se x P Q X Dc tem-se que ppx|Yn q “ 0 em razão de
x R D. Assim,
„ 
ppx|Yn q f pxqppx|Yn q
ż ż
Eq f pxq “ qpx|Yn qdx “ f pxqppx|Yn qdx “
qpx|Yn q qpx|Yn q
xPQ xPQ
ż ż ż
“ f pxqppx|Yn qdx ` f pxqppx|Yn qdx ´ f pxqppx|Yn qdx “
xPD xPQXDc xPDXQc
ż
“ f pxqppx|Yn qdx “ Ep rf pxq|Yn s “ θ̄.
xPD
(4.11)
Portanto, ao inserir a distribuição de importância o valor esperado não sofre
alterações.
Na Figura 5 esta apresentado o diagrama de Venn1 que simboliza graficamente
o que foi expresso por (4.11). Na figura são representados os espaços Q, D e seus respec-
tivos espaços complementares, sendo ainda, apresentado o espaço resultante D no qual
f pxqppx|Yn q é integrável.
A estimação da amostragem por importância de θ̄ “ Ep rf pxq|Yn s pode ser
obtida por
n
1ÿ f pxi qppxi |Yn q
θ̂ “ “
n i“1 qpxi |Yn q
n
1ÿ
“ f pxi qwpxi q, (4.12)
n i“1
ppxi |Yn q
wpxi q fi ,
qpxi |Yn q
tal que wpxi q é um fator de correção, denominado de peso de importância. Essa aproximação
é regida pela lei forte dos grandes números, que afirma que a média amostral dos resultados
da realização de um mesmo experimento repetidas vezes tende a se aproximar do valor
esperado à medida que ocorrem mais tentativas (KAY, 2006), ou seja:
Pp lim θ̂ “ θ̄q “ 1, (4.13)

nÑ8
sendo P é a medida de probabilidade.

1
O diagrama de Venn foi criado pelo matemático inglês John Venn (1834 - 1923), com o propósito de
facilitar a representação das relações de união e intersecção entre diferentes conjuntos.
44
Capítulo 5
Método de Monte Carlo
Os métodos de Monte Carlo englobam uma família de algoritmos baseados na

simulação de eventos probabilísticos com o propósito de construir aproximações numéricas
para problemas com alta complexibilidade.
Nesta dissertação são de interesse os procedimentos do tipo Integração de Monte
Carlo, os quais são uma subclasse de procedimentos relacionados à aproximação de integrais
em cenários em que os tradicionais métodos de quadratura gaussiana, também denominados
de quadratura de Gauss-Legendre, não apresentam desempenho satisfatório. De uma forma
geral, o problema se resume no cálculo de integrais da forma (4.9), como apresentado na
Seção 4.2, no qual é empregado o método de amostragem por importância (OWEN, 2013).
Neste capítulo será apresentado o desenvolvimento matemático para um método
de Monte Carlo denominado de algoritmo de filtragem de partículas, juntamente com o
estado da arte atual do filtro. Outra aspecto ilustrado é o desempenho da metodologia do
filtro de partículas de maneira linear e no contexto gaussiano em comparação ao filtro de
Kalman. Para demonstrar esse desempenho, foi utilizada a simulação de um benchmark
de um sistema de evaporação de quatro estágios.
5.1 Filtro de Partículas

A teoria da filtragem estocástica foi introduzida próximo aos anos de 1960. Nela
são tratados problemas essenciais para diversos campos da engenharia e da ciência, que
são as estimativas de estados em sistemas dinâmicos estocásticos com ruídos de medição.
Kalman e Bucy (KALMAN, 1960; KALMAN; BUCY, 1961) formularam a teoria da
filtragem estocástica linear, enquanto Stratonovich e Kusner (STRATONOVICH, 1960;
KUSHNER, 1964) foram pioneiros no desenvolvimento da abordagem não linear (RISTIC,
2013).
No entanto, por volta de 1940, com o trabalho de Metropolis e Norbert Wiener,
foi proposta uma técnica semelhante ao que atualmente é conhecido como filtragem de
Capítulo 5. Método de Monte Carlo 45
partículas (SIMON, 2006; WANG; ZHAO; WANG, 2009). A proposta inicial do filtro,
como apresentado em Simon (2006), investigava as propriedades do conjunto de partículas
em vez das propriedades de densidades de probabilidade. Para exemplificar o método, foi
utilizada uma analogia com o jogo de cartas de baralho paciência. A probabilidade de
sucesso em um jogo de paciência pode ser analiticamente inacessível. Uma abordagem mais
prática seria produzir um grande número de experimentos e depois examinar a proporção
relativa aos sucessos.
O filtro de partículas é um método sequencial de Monte Carlo fundamentado
em simulações para a estimação sequencial da função de densidade de probabilidade a
posteriori. O filtro utiliza a técnica de amostragem por importância e aproximações da
distribuição por medidas aleatórias discretas (DOUCET; FREITAS; GORDON, 2001;
CANDY, 2009). A ideia fundamental é representar a distribuição a posteriori por meio de
um conjunto de amostras aleatórias Np , as partículas, com pesos associados a cada uma
delas, e então computar as estimações de Monte Carlo.
Portanto, a filtragem de partículas é uma técnica para a implementação do
estimador sequencial bayesiano por simulação de Monte Carlo. É frequentemente utilizada
como alternativa para algumas derivações do filtro de Kalman para sistemas não lineares,
uma vez que o filtro de partículas pode ser aplicado a modelos altamente não lineares e/ou
distribuições envolvendo variáveis não gaussianas, sem a necessidade de linearização do
modelo (THEODORIDIS, 2015; CANDY, 2009).
5.1.1 Ideias Básicas da Filtragem de Partículas

O filtro de partículas tem como objetivo representar a distribuição a posteriori
por meio de um conjunto de amostras aleatórias Np , chamadas de partículas. Assim, o
filtro realiza aproximações das distribuições contínuas por amostras aleatórias discretas
compostas por partículas ponderadas. As partículas são amostras dos termos desconhecidos,
estados e/ou parâmetros, do modelo em espaço de estados e os pesos são funções massa
de probabilidade (CANDY, 2009).
A representação gráfica da distribuição a posteriori do filtro de partículas é
apresentada na Figura 6, em que é possível observar a associação de cada partícula xk,i , a
seu correspondente peso wk,i .
O filtro de partículas convencional é iniciado a partir da geração de um número
Np de vetores de estados, baseados na PDF do estado inicial ppx0 q – supondo que esta é
conhecida. Estes vetores de estado, as partículas, são denotadas por x` k,i , pi “ 1, . . . , Np q,
em que o sobrescrito ` indica a distribuição a posteriori. Assim, para cada instante de
tempo k “ 1, 2, . . . propagam-se as partículas para o próximo instante por meio da equação
,8
Partícula
Pesos
,8
Número de Partículas
Figura 6 – Representação da distribuição a posteriori do filtro de partículas, em termos

dos pesos e das partículas (amostras).
de evolução do processo fk p¨q apresentada na Seção 3.1,
x´ `
k,i “ fk´1 pxk´1,i , νk´1,i q, i “ 1, . . . , Np , (5.1)
em que νk´1,i é o vetor de ruído gerado aleatoriamente com base na função de distribuição
conhecida de νk´1 e o sobrescrito ´ indica a distribuição a priori. Esse passo representa
a distribuição a priori das partículas. Essa distribuição recebe esse nome pois é uma
estimativa para o estado no instante k feita antes da observação da saída yk .
Uma vez obtidos os valores da distribuição a priori, são computadas as dis-
tribuições de probabilidade condicional relativas a cada partícula x´ k,i , isto é, evolui-se a
´
PDF ppyk |xk,i q, referente a evolução da equação de observação. Isto só é possível quando a
equação de observação hk p¨q e a PDF do ruído de medição ηk são conhecidos, o que é uma
hipótese adotada no algoritmo.
Então são realizados os cálculos dos pesos de importância wk,i para cada
partícula x´k,i condicionada à observação yk , os quais são estimativas do p{q de (4.12).
Entretanto, como p não é conhecida, é realizado o cálculo do peso através da verossimilhança,
em que projeta-se qual será o valor do estado xi do instante de k ` 1 e compara-se a saída
calculada com o estado estimado com a saída do instante atual k. Nesta etapa é escolhida
a função de distribuição de densidade de importância que melhor caracteriza a distribuição
do modelo. Por exemplo, se os ruídos do modelo tiverem distribuição gaussiana, então
utiliza-se uma densidade de importância com PDF gaussiana. Posteriormente, os pesos
são normalizados.
instante de tempo k ´ 1 com as amostras txk´1,i u que possuem uma aproximação da PDF
ppxk´1 |Yk´2 q. Para cada partícula, são calculados os pesos de importância utilizando as
informações do instante k ´ 1, resultando nos pesos txk´1,i , wk´1,i u. Posteriormente, é
realizado o passo de reamostragem que seleciona as melhores partículas, txk´1,i u e então é
feita a amostragem que resulta na PDF a posteriori, txk,i u.
No entanto, a reamostragem pode causar o empobrecimento das soluções, uma
vez que as partículas com pesos elevados são selecionadas diversas vezes, sendo mais
agravante para casos em que os ruídos de processo são pequenos (ARULAMPALAM et
al., 2002). Para evitar esse tipo de problema, que ocorre quando se realiza a estimação de
parâmetro no qual o ruído de processo é nulo, por exemplo, é importante inserir um ruído
ao parâmetro, uma vez que se isso não for feito a dinâmica do parâmetro será fixa e as
soluções podem ficar retidas em uma solução local ou mesmo em uma solução precoce.
5.1.2 Estado da Arte do Filtro de Partículas

Os modelos que descrevem sistemas reais, usualmente, são estocásticos, dinâmi-
cos e não lineares, os quais podem apresentar ruídos com distribuições não gaussianas. O
tratamento desses modelos, para estimar parâmetros e/ou estados desconhecidos, requer a
utilização de técnicas robustas, tal como o filtro de partículas.
A filtragem de partículas é aplicada em diversas áreas, tal como em sistemas
eletromecânicos (CHULAEE; ZARCHI; SABZEVARI, 2019; NADARAJAN et al., 2016),
termoelétricos (CHENG et al., 2014; CHENG; ZHANG; LIU, 2017), posicionamento de
objetos (XU et al., 2018), índices ambientais (CHAKRABORTY et al., 2017), abrangendo
diversas outras áreas.
Alguns métodos encontrados na literatura vêm sendo comparados com o método
de filtro de partículas (DOUCET; JOHANSEN, 2009). Em (CHAKRABORTY et al.,
2017) a técnica de filtro de partículas é comparada ao filtro de Kalman estendido. No
artigo, o filtro de partículas apresenta melhores resultados uma vez que esse não necessita
de linearização durante o processo da solução da estimação de parâmetros.
Entretanto, a filtragem de partículas pode apresentar problemas durante sua
execução. A fim de solucioná-los são encontradas diversas variações da filtragem de
partículas na literatura.
Trabalhos recentemente publicados, tal como (XU et al., 2018), combinam a
robustez do filtro de partículas com o filtro de Kalman e o filtro de Kalman estendido,
para realizarem em tempo real a escolha da função de densidade de importância com o
objetivo de amenizar o problema da degeneração das partículas. No artigo mencionado é
estudada a movimentação de um alvo, podendo ser um movimento linear ou não linear.
A função de densidade de importância faz com que as informações das observações mais
recentes integrem o filtro de partículas, melhorando a distribuição a priori, a qual ocasiona

um aumento da precisão da estimativa. Já no trabalho de (ZHANG; XIE; LI, 2018),
é proposto um algoritmo CEPF (Constrained Extended Kalman Particle Filter) que
incorpora informações sobre possíveis restrições dos estados e as últimas observações para
gerar a densidade de importância, aumentando a eficiência da estimação do sistema em
espaço de estados.
O filtro de partículas é também utilizado para a estimação de parâmetros
incluídos no vetor de estados. Em (CHENG et al., 2014), o autor considera o filtro de
partículas convencional para a obtenção da estimação de parâmetros de um modelo térmico
em espaço de estados. Entretanto, para a identificação de parâmetros variantes no tempo,
geralmente a filtragem de partículas convencional é sensível aos ruídos de medição e do
valor inicial utilizados, levando a resultados imprecisos. Para solucionar tal problema,
em (CHENG; ZHANG; LIU, 2017) é proposto um filtro de partículas modificado, que
utiliza um algoritmo de janela de tempo de previsão adaptativa aplicado a um modelo
térmico. No algoritmo, supõe-se que os parâmetros a serem estimados são constantes
dentro da janela de tempo.
Métodos de computação evolutiva, tais como o algoritmo genético (GA, do
inglês Genetic Algorithms) (KANG; YU, 2018), têm sido propostos para solucionar o
problema do empobrecimento das partículas causado pela reamostragem. Já em (CAO;
MA; LIU, 2011), foi proposto algo semelhante ao GA, um algoritmo de reamostragem
melhorada, chamado de PF-FR (Particle Filters with Fine Resampling). O PF-FR, realiza
o refinamento da reamostragem ao gerar novas partículas a partir das partículas originais
ao invés de copiar repetidamente. O princípio da geração é incluir mais informações das
partículas vizinhas descartadas na partícula original.
Outra reamostragem que apresentou resultados com alta acurácia, foi baseada
no sistema imunológico artificial. Em (KANG; YU, 2018), foi demonstrado que a diversidade
das partículas foi mantida, uma vez que foram preservadas não só as partículas com maiores
pesos, mas também algumas com pesos inferiores.
Exitem diversas maneiras de realizar a etapa de reamostragem do filtro de
partículas SIR. Em (LI; BOLIC; DJURIC, 2015) são apresentados e comparados diversos
métodos. Dentre eles está a reamostragem multinomial, a qual alguns autores referenciam
como simple random resampling. Apesar da simplicidade da reamostragem multinomial,
este foi um dos métodos escolhidos para resolver os problemas tratados nesta dissertação,
levando a bons resultados apresentados no Capítulo 6. Na próxima seção serão apresentados
com maiores detalhes os métodos de reamostragem utilizados neste trabalho.
5.2 Reamostragem
5.2.1 Multinomial
O método de reamostragem multinomial consiste em gerar i “ 1, . . . , Np
números aleatórios independentes, tuk,i uNi“1 , com distribuição uniforme uk,i „ Up0, 1q e
p
então realizar o cálculo da probabilidade acumulada dos pesos wk,i , somando um por vez,
até que o resultado acumulado seja maior que uk,i . Isto é:
i´1
ÿ i
ÿ
wk,m ă uk,i ď wk,m , (5.2)
m“1 m“1
assim, quando a condição acima for satisfeita a i-ésima partícula xk,i é selecionada e
amostrada. A probabilidade de selecionar a xk,i amostra é a mesma que uk,i estar no
intervalo limitado pela soma acumulada dos pesos normalizados (SIMON, 2006; LI; BOLIC;
DJURIC, 2015).
A variação do número de vezes que uma partícula é reamostrada pode ser redu-
zida utilizando, por exemplo, os métodos de estratificação e amostragem determinística (LI;
BOLIC; DJURIC, 2015).
5.2.2 Sistemática
A reamostragem sistemática divide toda a população de partículas Np em
subpopulações 1{Np , isso garante que um único deslocamento aleatório será utilizado
para escolher a amostra (LI; BOLIC; DJURIC, 2015). O método é baseado em uma
técnica ordenada na qual um conjunto de variáveis uniformes ordenadas por Np são
geradas tuk,i uN
i“1 . Para tal uk,1 é dado por uma distribuição uniforme uk,1 „ U p0, 1{Np q e
p
o restante dos números u são obtidos deterministicamente por:

i´1
uk,i “ uk,1 ` , i “ 2, . . . , Np , (5.3)
Np
e então realiza-se o cálculo do delimitador (5.2) baseado na soma acumulada dos pesos
normalizados. Assim, quando a condição for satisfeita a i-ésima partícula xk,i é selecionada
e amostrada (LI; BOLIC; DJURIC, 2015; CANDY, 2009).
Este tipo de reamostragem proporciona uma estimativa razoável da média,
devido à distribuição uniforme da amostra em relação a população, sendo executada, em
sua maioria, com maior rapidez e menor custo em relação a uma reamostragem aleatória,
como a reamostragem multinomial.
5.3 Filtro de Partículas Aplicado em Sistemas Lineares

O filtro de partículas é aplicado em sua maioria em sistemas não lineares com
variáveis aleatórias com distribuições não gaussianas, entretanto este filtro pode vir a
ser aplicado em sistemas lineares e/ou sistemas com características gaussianas. A fim de
avaliar a aplicação do filtro de partículas em um sistema linear e gaussiano, foi realizado
um estudo com a simulação de um bechmark e os resultados obtidos foram comparados
com os resultados da estimação com o filtro de Kalman.
O bechmark utilizado foi o de um sistema de evaporadores, os quais são utilizados
para reduzir a concentração de água em um produto, como, por exemplo, o leite. Esses
dados foram retirados de (KULEUVEN, 2019) que são dados de um evaporador de quatro
estágios, como apresentado em (ZHU et al., 1994), que é usado na produção de leite em
pó. O processo possui três entradas e três saídas, além de apresentar pertubações, sendo
as entradas uk representações do fluxo de alimentação, fluxo de vapor para o primeiro
estágio do evaporador e fluxo de água de resfriamento. As saídas yk são o conteúdo de
matéria seca, o fluxo e a temperatura do produto final.
Os dados utilizados foram inicialmente tratados, tornando a média nula e o
desvio padrão unitário. As equações do modelo são dadas por:
xk`1 “ Axk ` Buk , (5.4)

yk “ Cxk , (5.5)
em que as matrizes A, B e C do sistema em espaço de estado foram obtidas utilizando

o método N4SID a partir da função do Matlab n4sid, tendo o sistema oito estados. O
N4SID é um método de identificação em subespaços que utiliza apenas os dados de
entrada e saída de um determinado sistema para encontrar as matrizes que caraterizam
o mesmo (KATAYAMA, 2005). Outra consideração importante, foi a de que os ruídos,
tanto de medição quanto de observação, já estavam inseridos no sistema, portanto não foi
necessária a adição de outros ruídos. Entretanto, as matrizes de covariância desses ruídos
foram escolhidas de maneira arbitrária, além de ter sido considerado que os mesmos eram
descorrelacionados.
A partir do modelo dinâmico linear do evaporador obtido, foi aplicado inici-
almente o filtro de partículas do tipo SIR com reamostragem multinomial para estimar
os estados do modelo, em que foram realizados testes com filtros com quantidade de
partículas diferentes. Posteriormente, foram feitas as estimativas das saídas do sistema
e comparadas com os dados das saídas reais. Seguindo as mesmas etapas apresentadas
anteriormente, o filtro de partículas com reamostragem sistemática foi aplicado ao evapo-
rador. Também, foram consideradas condições iniciais dos estados dadas por gaussianas,
ppx0 q „ N p0; 0, 0001q, para ambos os filtros de partículas. Por fim, para a obtenção das
estimativas dos estados foram utilizadas as médias das distribuições obtidas pela filtragem.
Para a implementação do filtro de Kalman foram consideradas as mesmas

condições iniciais dos estados aplicado ao filtro de partículas. Vale ressaltar que foi
utilizada uma inicialização difusa no algoritmo, em que a matriz de covariância do erro
de estimação foi inicializada com valores elevados, uma vez que estes valores não eram
inicialmente conhecidos. Assim, foi utilizado o valor de P̂ “ 103 na diagonal principal da
matriz de covariância do erro de estimação de estados. Maiores detalhes do algoritmo do
filtro de Kalman podem ser encontrados em (KALMAN, 1960; GIESBRECHT, 2013).
Os algoritmos foram implementados no software Matlab R2017a, em um com-
putador pessoal com processador Intel
R Core
TM
i3-3227Ux64 CPU @1.90GHz, 4.00 GB
RAM, com sistema operacional Ubuntu 18.04.4 LTS.
Na Tabela 1 são apresentados os valores de Erros Quadráticos Médios (EQM)
obtidos para ambos os métodos de filtragem, em que Np representa a quantidade de
partículas utilizadas nos filtros. Pela análise dessa tabela, é possível perceber que, ao lidar
com um modelo em espaço de estados dinâmico linear e gaussiano, o filtro de Kalman
fornece a melhor solução de estimação levando em consideração o custo computacional
da solução, sendo Ts o tempo de execução. No que diz respeito aos filtros de partículas,
um aumento no número de partículas leva a uma redução do EQM, mas não de maneira
relevante, sendo um filtro com apenas 10 partículas suficiente para realizar uma estimativa
aceitável das saídas do sistema, tanto para a reamostragem multinominal quanto para a
reamostragem sistemática.
Tabela 1 – Erros Quadráticos Médios para filtros de partículas com diferentes números de
partículas e para o filtro de Kalman.
Filtro de Kalman FP Multinomial FP Sistemática
Np – 10 100 1000 10 100 1000
Ts (s) 0,43 2,62 22,66 273,48 2,26 20,75 214,55
Ỹ1 0,64 0,53 0,43 0,41 0,50 0,49 0,49
Ỹ2 0,43 0,42 0,42 0,42 0,42 0,42 0,42
Ỹ3 0,77 0,63 0,62 0,61 0,61 0,62 0,62
Poderiam ter sido feitas as estimações das matrizes de covariância dos ruídos
de medição e de observação (DURBIN; KOOPMAN, 2012), para a obtenção de melhores
estimações, entretanto, utilizando valores aleatórios para ambas, obtiveram-se resultados
razoáveis, apesar de não ótimos, como apresentados anteriormente.
É importante ressaltar que o filtro de Kalman é um estimador ótimo quando
alguns fatores são satisfeitos, tais como os valores dos estados iniciais, a matriz de
covariância P̂ inicializados com valores exatos e as matrizes de covariância dos ruídos
consideradas com valores adequados, o que não ocorreu neste trabalho, ocasionando maiores
valores de erros quando comparado com a filtragem de partículas, como apresentado na
Tabela 1.
No contexto linear e gaussiano ideal, os resultados das simulações mostraram

que a metodologia de filtragem de partículas adotada nesta dissertação também é aplicável
ao problema, uma vez que os dois estimadores estão realizando a estimação com as mesmas
equações, entretanto utilizando estratégias diferentes para resolvê-la. Sendo que para o
caso em que tem-se sistemas com dinâmica linear e ruídos gaussianos a partir das equações
do estimador Bayesiano apresentado no Capítulo 3, encontra-se as equações que compõem
o filtro de Kalman.
De fato, o filtro de partículas SIR prova ser capazes de alcançar o EQM da
filtro de Kalman, embora apresente maiores custos computacionais e a um aumento nos
requisitos de memória, entretanto ao considerar que esse custo mais alto não representa
um grande problema para os recursos computacionais atuais, torna-se viável sua aplicação.

Neste capítulo foram apresentadas as ideias básicas que cercam o filtro de
partículas e o porquê de sua vasta aplicação, se tornando instrumento, principalmente, na
estimação de sistemas dinâmicos multivariáveis não lineares e não gaussianos. Logo em
seguida foi detalhado o estado da arte do filtro, citando alguns trabalhos recentemente
publicados e derivações aplicadas ao filtro. Na Secão 5.3, foi realizada a comparação do
método em relação ao estimador linear filtro de Kalman, que teve como objetivo demonstrar
a viabilidade da aplicação da filtragem de partículas com diferentes reamostragens em
casos lineares.
No capítulo seguinte, a aplicação da filtragem de partículas em sistemas não
lineares é apresentada, a fim de avaliar seu desempenho nesses tipos de sistemas.
54
Capítulo 6
Resultados da Aplicação do Filtro de

Partículas
Neste capítulo são apresentados os sistemas eletromecânicos e o sistema termoe-

létrico nos quais a filtragem de partículas foi aplicada. Os dados do sistema eletromecânico
constituído por um motor BLDC e o sistema térmico foram obtidos de forma experimental
e o sistema eletromecânico do GS foi feito por simulação computacional. Também são
apresentados os resultados obtidos em decorrência da aplicação do filtro, juntamente com
análises comparativas com outros métodos de estimação. Nos capítulos de 2 a 5 desta
dissertação, são apresentadas as bases para o entendimento do presente capítulo.
Os algoritmos utilizados para as obtenções dos resultados apresentados nesse
capítulo, foram implementados no software Matlab R2016a, em um computador pessoal
com processador Intel R Core
TM
i3-4010Ux64 CPU @1.70GHz, 4.00 GB RAM, com sistema
operacional Microsoft c Windows 10.
6.1 Sistemas eletromecânicos

6.1.1 Motor BLDC
Um motor de corrente contínua sem escovas, é um motor trifásico com compor-
tamento dinâmico por fase semelhante a de um motor CC. O acionamento e o controle
deste motor são realizados por um drive eletrônico, podendo ser, por exemplo, um inversor
por modulação de largura de pulso (pwm, do inglês Pulse Wight Modulation). O principal
fato que difere o motor BLDC do motor CC é o torque eletromagnético no BLDC, que
dependerá de todas as três forças contra-eletromotrizes defasadas (SEN, 2013).
Devido à característica de similaridade com o motor CC é possível utilizar um
modelo dinâmico idêntico a um motor CC com escovas para descrever o motor BLDC, o
que acarreta na simplificação ao tratar do problema de estimação quanto para a realização
Capítulo 6. Resultados da Aplicação do Filtro de Partículas 55
da parte experimental (VIANNA et al., 2019b).

Quando ocorre a perda de uma das fases de alimentação do motor BLDC
trifásico, alguns parâmetros de seu circuito equivalente monofásico são alterados, como
a resistência equivalente do estator, e a partir deles é possível detectar o momento que
ocorreu a falha. Assim, para tratar o problema de detecção de falhas em um motor BLDC, o
filtro de partículas pode ser utilizado. Este problema já foi solucionado por outras técnicas
de estimação, em que os parâmetros estimados do modelo linear são capazes de detectar
a falha, como apresentado nos trabalhos de (GONÇALVES; TANAKA; GIESBRECHT,
2018; GONÇALVES, 2020), em que são utilizados o Estimador de Mínimos Quadrados em
Batelada (LS, do inglês Least Squares) e o Estimador de Mínimos Quadrados Recursivos
(RLS, do inglês Recursive Least Squares).
Para realizar a estimação da resistência do circuito equivalente monofásico do
estator do motor BLDC por meio do filtro de partículas, é necessário que o parâmetro
a ser estimado seja incorporado no vetor de estados. Ao realizar esta inserção, o modelo
torna-se não linear (VIANNA et al., 2019b).
Considera-se, inicialmente, o modelo dinâmico contínuo linear do motor BLDC
descrito por:
diat Ra ke 1
“ ´ iat ´ ωmt ` Vt , (6.1)
dt L L L
em que Ra é a resistência elétrica equivalente do estator, L é a indutância equivalente
do estator, ke é a constante elétrica, todas em unidades do sistema internacional (SI).
As variáveis iat , ωmt e Vt são corrente de armadura, velocidade do eixo e tensão de fase,
respectivamente. No modelo considerado, a saída é a corrente de armadura e as entradas
são a velocidade do eixo e a tensão de fase.
Para a estimação do estado e do parâmetro relacionado à falha, o modelo foi
discretizado utilizando uma aproximação de Euler para a derivada de primeira ordem,
resultando em
iak`1 “ θ1 iak ` θ2 ωmk ` θ3 Vk , (6.2)

Ra ∆t
ˆ ˙
θ1 “ 1 ´ , (6.3)
L
ke ∆t
θ2 “ ´ , (6.4)
L
∆t
θ3 “ , (6.5)
L
em que ∆t é o período de amostragem.
O modelo apresentado na equação (6.2) é linear se os parâmetros forem conhe-
cidos, mas como deseja-se estimar a resistência do estator Ra , esse parâmetro é adicionado
ao vetor do estado e o modelo torna-se não linear. Logo, inserindo a resistência no vetor
de estados xk , tem-se o seguinte modelo em espaço de estado não linear
xk`1 “ fk pxk , uk q, (6.6)

yk “ Cxk , (6.7)
em que
L ´ Rak ∆t ke ∆t ∆t
» fi
iak ´ ωmk ` Vk
fk pxk , uk q “ – L L L fl (6.8)
Rak
é a função não linear de evolução de estados, com
” ıT ” ı
uk “ ωmk Vk , yk “ iak (6.9)
e
” ı
C“ 1 0 (6.10)
a matriz de saída do sistema e o sobrescrito T indica o operador transposta.

A estimação do vetor de estados se deu por meio do algoritmo do filtro de
partículas SIR, no qual foram utilizados os métodos de reamostragem multinomial e
sistemática para a seleção das partículas mais significativas (SIMON, 2006). Nestas técnicas
de reamostragem, as partículas do conjunto inicial com pequena variância de pesos são
mais prováveis de serem descartadas, enquanto que as de alto peso são replicadas (CANDY,
2009).
Os parâmetros L e ke foram retirados de (GONÇALVES; TANAKA; GIESBRE-
CHT, 2018), os quais foram determinados por meio do Estimador de Mínimos Quadrados
em Batelada. Os estados iniciais foram supostos distribuídos conforme a distribuição
gaussiana ppx0 q „ N p0; 0, 9q. Os dados de entrada e saída utilizados foram obtidos de
forma experimental e amostrados com frequência de 10Hz e a metodologia experimental
utilizada é apresentado em (GONÇALVES; TANAKA; GIESBRECHT, 2018).
Durante a estimação, na equação de evolução de estados (6.9), foram adicionados
ao estado estimado ruídos de processo com distribuição gaussiana, νkE „ N p0; 0, 06q e
ao parâmetro estimado ruídos νkP „ N p0; 5 ˆ 10´6 q – em que o subescrito P refere-se
ao parâmetro e E ao estado. Estes ruídos foram escolhidos de forma aleatória. No caso
do ruído incorporado ao estado, o objetivo foi de representar as incertezas existentes no
modelo. No que diz respeito ao parâmetro, o ruído foi inserido de modo a evitar o problema
de empobrecimento das partículas e uma possível convergência precoce do parâmetro,
visto que este basicamente não possui dinâmica. Entretanto, na equação de observação não
foi necessária a adição de ruídos, uma vez que os dados coletados já possuem incertezas.
Por fim, foi realizado os cálculos das médias das distribuições obtidas, a fim de
definir os estados estimados pela filtragem de partículas.
6.1.1.1 Resultados
Os resultados obtidos para a resistência de armadura Ra e para a estimação

da corrente ia foram analisados e comparados com os resultados encontrados em (GON-
ÇALVES; TANAKA; GIESBRECHT, 2018). No artigo foi feito o estudo e a construção
de uma bancada experimental e os dados colhidos foram utilizados no presente trabalho.
Foram aplicados dois métodos de reamostragem, multinomial e sistemática. Na tabela 2
são apresentados os Erros Quadráticos Médios calculados para o sinal de corrente estimado
dada a aplicação do filtro do partículas com reamostragem multinomial para diferentes
números Np de partículas. Observa-se da tabela, que o número de partículas utilizadas
está diretamente relacionado a exatidão da estimação e também ao tempo de execução
do algoritmo. Ainda da tabela, é possível verificar que para os filtros inferiores a 5000
partículas o tempo de execução para cada uma das 5500 amostras foi inferior ao período
de amostragem dos dados de entrada e saída utilizados, sendo este de 100ms, portanto, é
possível aplicar o método para a realização de uma estimação on-line.
Tabela 2 – Erros Quadráticos Médios para diferentes números de partículas com Reamos-
tragem Multinomial.
Np EQM de Ia (A) Tempo de execução (s) Tempo de execução por amostra (ms)
100 0,0249 22,850 4,1545
500 0,0207 153,247 27,863
1000 0,0200 255,453 46,446
5000 0,0196 1480,201 269,127
No que diz respeito a tabela 3, são apresentados os tempos de execução e os

Erros Quadráticos Médios calculados ao aplicar o filtro do partículas com reamostragem
sistemática. Em comparação aos resultados obtidos pela reamostragem multinomial, os
EQMs do sinal de corrente com reamostragem sistemática apresentaram valores reduzidos
porém próximos. Houve uma redução considerável nos tempos de execução, ainda é possível
concluir que o filtro de partículas com reamostragem sistemática pode ser aplicado de
forma on-line para o problema de estimação tratado.
tragem Sistemática.
Np EQM de Ia (A) Tempo de execução (s) Tempo de execução por amostra (ms)
100 0,0241 12,978 2,359
500 0,0201 55,660 10,120
1000 0,0198 113,137 20,570
5000 0,0195 566,332 102,969
Nas tabelas 4 e 5 são apresentados os valores médios da resistência Ra estimada

pela filtragem de partículas utilizando a reamostragem multinomial e a reamostragem
sistemática, respectivamente, em que R̄aSF representa a média da resistência estimada

antes da falha e R̄aCF a média da resistência estimada depois da ocorrência da falha.
Por fim, na tabela 6, são apresentados os valores obtidos pelo Estimador de Mínimos
Quadrados em Batelada retirados de (GONÇALVES; TANAKA; GIESBRECHT, 2018),
em que RaSF representa a resistência estimada antes da falha e RaCF a resistência estimada
depois da falha. Comparando os valores das tabelas 4, 5 e 6 é verificado que os valores
estimados de Ra são aproximadamente iguais para ambas as técnicas de estimação.
É importante ressaltar que o objetivo desta aplicação foi a de detectar a
ocorrência da falha de uma das fases do motor, assim sendo, utilizando um filtro de
partículas, com reamostragem multinomial ou sistemática, com apenas 100 partículas
obtiveram resultados satisfatórios.
Tabela 4 – Valores médios do parâmetro Ra estimado pelo Filtro de Partícula com Rea-
mostragem Multinomial para diferentes números de partículas, antes e depois
da falha.
Np R̄aSF (Ω) R̄aCF (Ω)
100 1,2551 1,1373
500 1,2541 1,1328
1000 1,2537 1,1322
5000 1,2530 1,1320
Tabela 5 – Valores médios do parâmetro Ra estimado pelo Filtro de Partícula com Rea-
mostragem Sistemática para diferentes números de partículas, antes e depois
da falha.
Np R̄aSF (Ω) R̄aCF (Ω)
100 1,2519 1,1305
500 1,2539 1,1308
1000 1,2522 1,1307
5000 1,2523 1,1308
Tabela 6 – Valores do parâmetro Ra estimado pelo Estimador de Mínimos Quadrados em

Batelada (GONÇALVES; TANAKA; GIESBRECHT, 2018), antes e depois da
falha.
RaSF (Ω) RaCF (Ω)
1,2530 1,1307
Na Figura 8 são apresentados os resultados da estimação da resistência de

armadura Ra dos filtros de partículas com reamostragens multinomial e sistemática
com Np “ 500 partículas cada em comparação com os valores obtidos por batelada
em (GONÇALVES; TANAKA; GIESBRECHT, 2018). No teste apresentado, a falha foi
Falha
Figura 8 – Estimação da resistência do estator.
Falha
Figura 9 – Estimação da corrente de armadura.
introduzida aproximadamente no instante k “ 300s. Da figura, visualiza-se o momento em

que ocorreu a falha através da variação da resistência de armadura estimada, indicando
que ambos os filtros foram capazes de detectá-la e rapidamente convergir para o valor de
resistência estimado em batelada para o caso com falha.
Na Figura 9 é apresentada a estimação da corrente de armadura ia para ambos
os filtros de partículas propostos, com Np “ 500 partículas cada, em comparação com a

corrente medida. É possível observar que os valores estimados são muito próximos dos
medidos.
Na Figura 10 estão apresentados os erros de estimação do estado ia e do
parâmetro Ra para ambos os filtros de partículas. Verifica-se que são próximos de zero.
Nota-se também que, no instante da falha, os erros para o parâmetro Ra aumentam, mas
em poucos instantes de tempo retornam a aproximadamente zero, indicando a convergência
do filtro.
Figura 10 – Erros de estimativas.
Ao comparar os resultados obtidos aplicando o filtro de partículas com o trabalho

de (GONÇALVES, 2020), no qual foi utilizado o Estimador de Mínimos Quadrados, pode-
se afirmar que o tempo de convergência da estimação pela filtragem de partículas foi
substancialmente inferior em relação ao Estimador de Mínimos Quadrados.
6.1.2 Máquina Síncrona

As máquinas síncronas são um dos principais meios de geração de energia
elétrica em todo o mundo, deste modo são elementos fundamentais nos sistemas elétricos
de potência, além de serem capazes de influenciar o comportamento dos sistemas durante
condições transitórias e de regime permanente (GLOVER; SARMA; OVERBYE, 2011).
Um dos desafios em manter a estabilidade dos sistemas elétricos de potência

esta associado a variações no ângulo de carga e à consequente dificuldade de manter o
sincronismo dos geradores síncronos interligados aos sistemas. Para obter uma estimativa
dos ângulos de carga e outras grandezas das máquinas síncronas que influenciam na
estabilidade do sistemas, são utilizados estimadores de estados que tratam sistemas
altamente não lineares, tais como o filtro de Kalman Estendido e o filtro de Kalman
Unscented.
6.1.2.1 Estimação de Estados
Para a determinação dos estados do modelo de uma máquina síncrona, em que

os estados são representações do ângulo de carga e dos fluxos concatenados por segundo,
opta-se por utilizar um modelo não linear. O modelo foi derivado das equações de tensões
expressas no referencial qd com os fluxos concatenados por segundo como variáveis de
estado, descrito por (KRAUSE et al., 2002):
xk`1 “ fk pxk , uk q, (6.11)

yk “ hk pxk q, (6.12)
em que:
„ fi
ωr rs
»
∆tωb vq ´ Ψd ` pΨmq ´ Ψq q
— „ ωb xls ffi
ωr rs
— ffi
—∆tωb vd ´ Ψq ` pΨmd ´ Ψd q ffi
— ffi
— „ ωb xls  ffi
rkq
— ffi
— ∆tωb vkq ` pΨmq ´ Ψkq q
— ffi
(6.13)
ffi
fk pxk , uk q “ — „ xlkq  ffi
rf q
— ffi
— ∆tωb vf d ` pΨ md ´ Ψf d q
— ffi
ffi
— „ x lf q  ffi
rkd
— ffi
— ∆tωb vkd ` pΨmd ´ Ψkd q
— ffi
ffi
– xlkd fl
ωb ωr ´ ωs
é a função não linear de evolução de estados e

1
» fi
pΨq ´ Ψmq q
— xls ffi
— 1 ffi
— x pΨd ´ Ψmd q ffi
— ffi
— ls
— 1
ffi
pΨkq ´ Ψmq q ffi (6.14)
ffi
hk pxk q “ —
— xkq ffi
— 1
— ffi
pΨf d ´ Ψmd qffi
ffi
— xf d
—
ffi
– 1 fl
pΨkd ´ Ψmd q
xkd
é a função não linear de observação do processo, com

” ıT
uk “ vq vd vkq vf d vkd ωr , (6.15)
” ıT
yk “ iq id ikq if d ikd , (6.16)
” ıT
xk “ Ψq Ψd Ψkq Ψf d Ψkd δ , (6.17)
em que Ψ são os fluxos concatenados por segundo, δ o ângulo de carga, i as correntes,

ωr a velocidade do rotor, wb a velocidade angular base, v as tensões e ∆t o período de
amostragem. Os índices s, kq, f d, kd indicam a localização das grandezas observadas:
enrolamentos da armadura, amortecedor de eixo de quadratura, de campo e amortecedor
de eixo direto, respectivamente. As reatâncias que apresentam o subscrito l representam
as reatâncias de dispersão; o subscrito m, refere-se a componente de magnetização. Mais
detalhes sobre o modelo matemático podem ser encontrados em (MONTEIRO, 2020).
6.1.2.2 Resultados
O filtro de partículas foi aplicado em um modelo de um gerador síncrono de polos

salientes com características de 126 MVA, 8 pares polares e 13, 8 kV. O gerador síncrono foi
simulado por meio do Simulink R em paralelo com o barramento infinito. Maiores detalhes
sobre a simulação são encontrados em (MONTEIRO; VIANNA; GIESBRECHT, 2019).

1 1
Corrente ib (p.u.)
Corrente ia (p.u.)
0.5 0.5
0 0
-0.5 -0.5
Medido Medido
Estimado Estimado
-1 -1
2 2.02 2.04 2.06 2.08 2.1 2.12 2.14 2.16 2 2.02 2.04 2.06 2.08 2.1 2.12 2.14 2.16
Instante de tempo tk (s) Instante de tempo tk (s)

1 0.06
Corrente ikq (p.u.)
Corrente ic (p.u.)
0.04
0.5
0.02
0
0
-0.5
Medido -0.02 Medido
Estimado Estimado
-1 -0.04
2 2.02 2.04 2.06 2.08 2.1 2.12 2.14 2.16 2 2.02 2.04 2.06 2.08 2.1 2.12 2.14 2.16
1.04 0.04
Corrente ikd (p.u.)
Corrente ifd (p.u.)
1.02 0.02
1
0
0.98
-0.02
0.96
0.94 Medido -0.04 Medido

Estimado Estimado
0.92 -0.06
2 2.02 2.04 2.06 2.08 2.1 2.12 2.14 2.16 2 2.02 2.04 2.06 2.08 2.1 2.12 2.14 2.16
Figura 11 – Estimação das correntes dos enrolamentos da máquina síncrona em condições

de regime permanente. A primeira coluna apresenta as correntes ia , ic e if d ,
enquanto a segunda coluna apresenta as correntes ib , ikq e ikd .
Diferentes números de partículas foram utilizados para avaliar a relação entre

esforço computacional e eficiência da estimação. Os estados iniciais foram supostos distri-
Ângulo de Carga δ (rad)
Medido
Estimado
2.02 2.04 2.06 2.08 2.1 2.12 2.14 2.16

Instante de tempo tk (s)
Figura 12 – Estimação do ângulo de carga δ. A curva contínua, em preto, representa os

valores medidos e a curva pontilhada, em cinza, os valores estimados.
buídos conforme distribuição gaussiana ppx0 q „ N p0; 0, 1q. Durante o processo de filtragem
apenas as medições realizadas nos terminais da armadura durante o regime permanente
foram consideradas, além de terem sido inseridos ruídos de observação e de processo aos
sinais medidos, ηk „ N p0; 0, 09q e νk „ N p0; 0, 05q respectivamente, com a finalidade de
representar um caso mais próximo da realidade. Por fim, foram realizados os cálculos das
médias das distribuições obtidas, a fim de definir os estados estimados. Nas figuras 11 e 12
são apresentadas as estimações dos estados por meio da filtragem de partículas SIR com
5000 partículas, utilizando reamostragem multinomial.
Das figuras 11, nota-se que as estimativas apresentaram comportamento similar
aos valores observados. Na Figura 12, verifica-se uma pequena variação existente entre os
valores real e o estimado para o ângulo de carga, entretanto esta variação não é significativa
no que diz respeito a estabilidade, uma vez que não ultrapassa as margens técnicas de
estabilidade (KUNDUR; BALU; LAUBY, 1994).
6.1.2.3 Estimação de Estados e Parâmetros
Alguns parâmetros de uma máquina síncrona podem ser desconhecidos, surgindo

assim, a necessidade de estimá-los. Uma possível maneira disso ser feito é realizando a
estimação de parâmetros em conjunto com a estimação de estados.
Um modelo representativo de uma máquina síncrona em espaço de estados
com parâmetros desconhecidos pode ser escrito tal que os estados são representações do
ângulo de carga e das correntes dos enrolamentos amortecedores e os parâmetros são
representações das reatâncias de magnetização de eixo direto e de eixo de quadratura.
Para escrever tal modelo, é necessária a inserção dos parâmetros no vetor de
estados, dessa forma o modelo se torna mais complexo em relação ao utilizado na Seção
6.1.2.1 e de ordem mais elevada.
6.1.2.4 Resultados
Para a obtenção dos estados e dos parâmetros do sistema foi utilizado um filtro
de partículas do tipo SIR, com reamostragem multinomial, utilizando 5000 partículas.
O modelo em espaço de estados utilizado é dado por:
xk`1 “ fk pxk , uk q, (6.18)

yk “ hk pxk q, (6.19)
em que
„ fi
ωr rs
»
∆tωb vq ´ Ψd ` pΨmq ´ Ψq q
— „ ωb xls ffi
ωr rs
— ffi
—∆tωb vd ` Ψq ` pΨmd ´ Ψd q ffi
— ffi
— ωb „ xls  ffi
rs
— ffi
∆tωb v0 ´ Ψ0
— ffi
— ffi
— „ x ls  ffi
r
— ffi
— ∆tωb vkq ` kq pΨmq ´ Ψkq q
— ffi
ffi
— „ x lkq  ffi
rf q (6.20)
— ffi
fk pxk , uk q “ —
— ∆tωb vf d ` pΨmd ´ Ψf d q
ffi
ffi
— „ xlf q  ffi
rkd
— ffi
— ∆tωb vkd ` Ψ
— ffi
pΨ md ´ kd q ffi
— xlkd ffi
— ωb ffi
— pT L ´ T e q ffi
—
— 2H ffi
ffi
—
— ωb ωr ´ ωs ffi
ffi
xmq
— ffi
– fl
xmd
é a função não linear de evolução de estados e
1
» fi
— xls pΨq ´ Ψmq q ffi
— 1 ffi
— pΨ d ´ Ψ q
md ffi
ffi
x
—
— ls
1
ffi
Ψ
— ffi
0
— ffi
x
(6.21)
— ls
ffi
hk pxk q “ — 1
ffi
pΨkq ´ Ψmq q ffi
— ffi
— xkq
—
ffi
— 1 ffi
— pΨf d ´ Ψmd qffi
— xf d
— ffi
– 1
ffi
fl
pΨkd ´ Ψmd q
xkd
é a função não linear de evolução de processo, com os respectivos vetores de entradas,
observações e estados
” ıT
uk “ v q v d v 0 0 v f d 0 , (6.22)
” ıT
yk “ iq id i0 ikq if d ikd , (6.23)
” ıT
xk “ Ψq Ψd Ψ0 Ψkq Ψf d Ψkd ωr δ xmq xmd , (6.24)
Ângulo de Carga (rad)
Velocidade do Rotor
(p.u.)
Medido Medido
Estimado Estimado
Tempo (s) Tempo (s)
(a) Estimação do ângulo de carga δk (rad). (b) Estimação da velocidade do rotor ωr,k (p.u.).
Figura 13 – Estimações dos estados.

(p.u.)
d-axis Reatância de
(p.u.)
q-axis Reatância de
Magnetização
Magnetização
Medido
Estimado Medido
Estimado
Tempo (s) Tempo (s)
(a) Estimação da reatância de magnetização xmd (b) Estimação da reatância de magnetização xmq
(p.u.). (p.u.).
Figura 14 – Estimações dos parâmetros.
em que H é a constante de inércia em segundos; Te é o torque eletromagnético e TL é o

torque da carga, ambos em p.u..
O filtro de partículas foi aplicado a um gerador síncrono com as mesmas
características do gerador apresentado na Seção 6.1.2.1 e detalhado em (MONTEIRO;
VIANNA; GIESBRECHT, 2019). Durante o processo de filtragem apenas as medições
realizadas durante o estado estacionário foram consideradas, além de terem sido inseridos
ruídos de observação e de processo aos sinais medidos.
O estado inicial x0 foi gerado aleatoriamente por uma função de densidade de
probabilidade gaussiana, com média nula e variância de 0, 1 – ppx0 q „ N p0; 0, 1q, sendo
inseridos ruídos de observação e de processo aos sinais medidos, ηk „ N p0; 0, 09q e νkE „
N p0; 0, 05q respectivamente e ruídos de processo ao parâmetro estimado νkP „ N p0; 0, 005q.
Após a execução do filtro, foram realizados os cálculos das médias das distribuições obtidas,
a fim de definir os estados estimados.
Na Figura 13 são apresentadas as estimativas dos estados de ângulo de carga δk
e de velocidade do rotor ωr quando utilizado um filtro com 5000 partículas em comparação
aos valores medidos. Os resultados de estimação foram valores próximos as medidos, como
podem ser visualizados.
por
˜ ¸
´ px5 ´ θi q2
µi px5 q “ exp , (6.25)
2σi2
µi px5 q
hi px5 q “ řr , (6.26)
ℓ“1 µℓ px5 q
em que i “ 1, . . . , r; µi são gaussianas com variância σi “ 0, 711 para todo i e as médias

θi são valores igualmente espaçados entre 16, 6 e 42, 2 graus Celsius.
Assim, tem-se a representação do sistema termoelétrico no espaço de estados
ÿ
xk`1 “ hi rAi xk ` Bi uk s , (6.27)
i
yk “ Cxk , (6.28)
em que o vetor de estados, entrada e saída são dados, respectivamente, por

” ıT ” ıT
xk “ x1k x2k x3k x4k x5k “ T1k T2k T3k T4k T5k , (6.29)
” ıT ” ıT
uk “ Vk , yk “ T1k T5k (6.30)
e
« ff
1 0 0 0 0
C“ (6.31)
0 0 0 0 1
a matriz de saída do sistema, Tp¨q são as temperaturas dos sensores e V a tensão aplicada.
Já as matrizes Ai e Bi do sistema foram retiradas de (PEREIRA et al., 2018).
6.2.0.1 Resultados
Apenas o primeiro estado x1 e o quinto estado x5 foram utilizados como saídas

conhecidas no algoritmo de estimação de estados. Os demais estados também foram
medidos, mas não foram considerados no algoritmo de estimação de estados, para se ter
uma comparação entre os valores reais e os estimados pelos algoritmos propostos.
tragem Multinomial em ˝ C.
Np T̃1 T̃2 T̃3 T̃4 T̃5 Tempo execução(s)

50 0,002 5,006 1,955 1,068 0,003 74,289
100 0,002 3,563 1,192 1,049 0,001 150,130
500 0,000 2,056 0,989 0,740 0,001 729,428
1000 0,000 1,957 0,783 0,653 0,000 1708,0
tragem Sistemática em ˝ C.
Np T̃1 T̃2 T̃3 T̃4 T̃5 Tempo execução(s)

50 0,038 1,625 1,155 0,961 0,062 136,168
100 0,037 1,357 0,906 0,872 0,035 274,167
500 0,028 1,299 0,892 0,824 0,034 1336,68
1000 0,027 1,184 0,879 0,816 0,031 2665,58
Os resultados obtidos para a estimação das temperaturas por meio do Filtro

de Partículas foram analisados e comparados com os resultados encontrados na literatura
por meio do Observador Fuzzy. Nas tabelas 7 e 8 são apresentados os Erros Quadráticos
Médios calculados para os sinais das temperaturas estimadas com a execução do filtro de
partículas com diferentes números Np de partículas e com reamostragens Multinomial e
Sistemática. O sobrescrito „ representa o EQM de estimação do estado. Na Tabela 9 são
apresentados os EQMs calculados para o sinal das temperaturas estimadas com a execução
do Observador Fuzzy.
Tabela 9 – Erros Quadráticos Médios para Observador TS em ˝ C.
T̃1 T̃2 T̃3 T̃4 T̃5 Tempo execução(s)

0,038 1,693 1,758 0,692 0,048 208,473
Nas figuras 16 e 17 são apresentadas as estimações dos estados por meio dos
filtros de partículas SIR, utilizando reamostragem multinomial e reamostragem sistemática,
com 1000 partículas, e por meio do observador Fuzzy, retirado de (PEREIRA et al., 2018;
VIANNA et al., 2019a). Nos filtros de partículas, foram adicionados ruídos de processo
do tipo branco e gaussiano com o objetivo de representar as incertezas à equação de
evolução de estados, η k „ N p0; 0, 0156q, e após a filtragem foram realizados os cálculos das
médias das distribuições obtidas, a fim de definir os estados estimados. Os estados iniciais
para ambas as técnicas foram supostos distribuições gaussianas ppx0 q „ N p0; 1q. Maiores
informações sobre o observador Fuzzy podem ser encontradas no trabalho de (PEREIRA
et al., 2018).
Os estados T1 e T4 , nas figuras 16(a) e 17(b), apresentam dinâmicas diferentes
dos demais por estarem localizados na parte externa na câmara, como pode ser observado
na Figura 15.
Para estados não medidos, ou seja, T2 , T3 e T4 o filtro de partículas com
reamostragem sistemática teve um erro menor que o filtro de partículas com reamostragem
multinomial e que o TS, apesar de apresentar um maior tempo de execução. Por fim, o
erro para estados medidos foi sempre menor que para estados não medidos.
Assim, os resultados obtidos apresentam boas estimativas para ambos os

métodos, quando analisados os erros quadráticos médios dos estados estimados em relação
aos dados medidos. No entanto, se o objetivo da estimação for performance computacional,
a melhor escolha seria aplicar o observador TS, caso fosse a melhor acurácia seria a
aplicação do filtro de partículas com reamostragem sistemática para o caso tratado.
35 50
Medido Medido
34
Estimador FP Multinomial 45 Estimador FP Multinomial
33 Estimador FP Sistemática Estimador FP Sistemática
Observador Fuzzy Observador Fuzzy
40
32
(°C)
(°C)
k
31
k
35
2
1
30
Temperatura T
Temperatura T
30
29
28 25
27 20
26
15
25
24 10
0 2000 4000 6000 8000 10000 0 2000 4000 6000 8000 10000
Tempo t k (s) Tempo t k (s)
(a) T1k (b) T2k
Figura 16 – Estimação dos estados T1k e T2k .

50 35
Medido Medido
45 Estimador FP Multinomial Estimador FP Multinomial
Estimador FP Sistemática Estimador FP Sistemática
Observador Fuzzy Observador Fuzzy
40
(°C)
(°C)
30
k
k
35
3
4
Temperatura T
30 Temperatura T
25
25
20
15
10 20
0 2000 4000 6000 8000 10000 0 2000 4000 6000 8000 10000
Tempo t k (s) Tempo t k (s)
(a) T3k (b) T4k
45
Medido
Estimador FP Multinomial
40 Estimador FP Sistemática
Observador Fuzzy
(°C)
35
k
5
Temperatura - T
30
25
20
15
0 2000 4000 6000 8000 10000
Tempo t k (s)
(c) T5k
Figura 17 – Estimação dos estados T3k , T4k e T5k .

71
Capítulo 7
Conclusões e Trabalhos Futuros
Nesta dissertação são tratados problemas relacionados ao problema de estimação

de estados, em sua maioria, a sistemas não lineares com variáveis aleatórias com distribuição
de probabilidade gaussiana. A metodologia para a solução dos problemas foi por meio da
filtragem de partículas.
As técnicas de filtragem de partículas, por tratarem, em sua maioria, de
sistemas com não linearidades e com ruídos gaussianos ou não, são de vasto interesse para
os pesquisadores. Além de possibilitarem a realização de estimações dos estados/parâmetros
de forma on-line, uma vez que não necessitam de todos os dados das observações passadas.
Nesta dissertação, o filtro de partículas foi aplicado em sistemas térmicos e
eletromecânicos, tanto para a estimação de estados quanto para a estimação de parâmetros.
Os resultados obtidos foram satisfatórios.
Além dos problemas solucionados nesta dissertação, outros casos podem ser
solucionados com a técnica de filtragem apresentada, como sistemas de outras naturezas,
como os financeiros, por exemplo. Outra sugestão de trabalhos futuros, é a realização de
um estudo comparativo dos resultados encontrados pela filtragem de partículas em relação
a outros observadores de estado não lineares, como o filtro de Kalman estendido, o filtro
de Kalman Unscented ou métodos de verossimilhança e máxima a posteriori, com o intuito
de verificar de maneira mais precisa as vantagens e desvantagens do seu uso.
72
Referências
AGUIRRE, L. A. Introdução à Identificação de Sistemas–Técnicas Lineares e Não-Lineares

Aplicadas a Sistemas Reais. Belo Horizonte: Editora UFMG, 2007. ISBN 9788570415844.
Citado na página 15.
ANDRIEU, C.; DOUCET, A.; SINGH, S. S.; TADIC, V. B. Particle methods for change
detection, system identification, and control. Proceedings of the IEEE, IEEE, v. 92, n. 3,
p. 423–438, 2004. Citado na página 16.
ARULAMPALAM, M. S.; MASKELL, S.; GORDON, N.; CLAPP, T. A tutorial on particle

filters for online nonlinear/non-Gaussian Bayesian tracking. IEEE Transactions on signal
processing, IEEE, v. 50, n. 2, p. 174–188, 2002. Citado na página 48.
BERTSEKAS, D. Introduction to probability. Belmont, Mass: Athena Scientific, 2008.

ISBN 978-1-886529-23-6. Citado 3 vezes nas páginas 22, 24 e 25.
CANDY, J. V. Bayesian Signal Processing: Classical, Modern, and Particle Filtering

Methods. New Jersey: John Wiley & Sons, 2009. v. 54. Citado 5 vezes nas páginas 16, 45,
47, 50 e 56.
CAO, B.; MA, C.; LIU, Z. A Fine Resampling algorithm for general particle filters. In:
IEEE. 2011 4th International Congress on Image and Signal Processing. Shanghai, China,
2011. v. 5, p. 2695–2699. Citado na página 49.
CHAKRABORTY, S.; BANERJEE, A.; GUPTA, S.; PAPANDREOU-SUPPAPPOLA,

A.; CHRISTENSEN, P. Estimation of dynamic parameters of MODIS NDVI time series
nonlinear model using particle filtering. In: IEEE. 2017 IEEE International Geoscience
and Remote Sensing Symposium (IGARSS). Fort Worth, TX, USA, 2017. p. 1091–1094.
CHENG, D.; CHU, X.; ZHANG, W.; LIU, Y.; HOU, Y. Application of particle filter
to parameter identification of space thermal model. In: IEEE. 2014 10th International
Conference on Natural Computation (ICNC). Xiamen, China, 2014. p. 589–593. Citado 3
vezes nas páginas 19, 48 e 49.
CHENG, D.; ZHANG, W.; LIU, J. Window-varying particle filter for parameter identifica-
tion of space thermal model. IEEE Transactions on Instrumentation and Measurement,
IEEE, v. 66, n. 1, p. 165–176, 2017. Citado 3 vezes nas páginas 19, 48 e 49.
CHULAEE, Y.; ZARCHI, H. A.; SABZEVARI, S. I. H. State Estimation for Sensorless

Control of BLDC Machine with Particle Filter Algorithm. In: IEEE. 2019 10th International
Power Electronics, Drive Systems and Technologies Conference (PEDSTC). Shiraz, Iran,
Iran, 2019. p. 172–177. Citado na página 48.
Referências 73
DOUCET, A.; FREITAS, N. D.; GORDON, N. An introduction to sequential Monte Carlo

methods. In: Sequential Monte Carlo Methods in Practice. New York: Springer-Verlag,
2001. p. 3–14. Citado na página 45.
DOUCET, A.; JOHANSEN, A. M. A tutorial on particle filtering and smoothing: Fifteen
years later. Handbook of nonlinear filtering, v. 12, n. 656-704, p. 3, 2009. Citado na página
48.
DURBIN, J.; KOOPMAN, S. J. Time series analysis by state space methods. First. United
Kingdom: Oxford University Press, 2001. ISBN 0198523548. Citado na página 38.
. Time series analysis by state space methods. Second. United Kingdom: Oxford
University Press, 2012. ISBN 978-0-19-964117-8. Citado 3 vezes nas páginas 38, 40 e 52.
GHAHREMANI, E.; KAMWA, I. Local and wide-area PMU-based decentralized dynamic
state estimation in multi-machine power systems. IEEE Transactions on Power Systems,
Institute of Electrical and Electronics Engineers (IEEE), v. 31, n. 1, p. 547–562, jan 2016.
GIESBRECHT, M. Propostas imuno-inspiradas para identificação de sistemas e realização
de séries temporais multivariáveis no espaço de estado. Tese (Doutorado) — Universidade
Estadual de Campinas, 2013. Citado 2 vezes nas páginas 29 e 52.
GLOVER, J. D.; SARMA, M. S.; OVERBYE, T. Power System Analysis & Design.
Stamford, USA: Cengage Learning, 2011. Citado na página 60.
GONÇALVES, J. P. S. Modelagem Computacional de Dados Aplicada à Detecção de Falhas.
Dissertação (Mestrado) — Universidade Estadual de Campinas, 2020. Citado 3 vezes nas
páginas 18, 55 e 60.
GONÇALVES, J. P. S.; TANAKA, V. S.; GIESBRECHT, M. Aplicação de identificação
caixa cinza e estimação recursiva na detecção de falha de um motor cc sem escovas. XXII
Congresso Brasileiro de Automática, 2018. Citado 6 vezes nas páginas 11, 18, 55, 56, 57
e 58.
HSU, H. P. Probabily, randon variables, and randon process. USA: McGraw-Hill Companies,
1997. ISBN 0-07-030644-3. Citado 2 vezes nas páginas 21 e 22.
KAHN, H.; MARSHALL, A. W. Methods of reducing sample size in Monte Carlo compu-
tations. Journal of the Operations Research Society of America, INFORMS, v. 1, n. 5, p.
263–278, 1953. Citado 2 vezes nas páginas 38 e 41.
KALMAN, R. E. A New Approach to Linear Filtering and Prediction Problems. Transac-
tions of the ASME-Journal of Basic Engineering, 1960. Citado 3 vezes nas páginas 15, 44
e 52.
KALMAN, R. E.; BUCY, R. S. New results in linear filtering and prediction theory.
Journal of basic engineering, v. 83, n. 3, p. 95–108, 1961. Citado 2 vezes nas páginas 15
e 44.
KANG, S.; YU, M.-J. Particle filter with the Novel Resampling Method using Artificial
Immune System. In: IEEE. 2018 18th International Conference on Control, Automation
and Systems (ICCAS). Daegwallyeong, South Korea, 2018. p. 1435–1439. Citado na
página 49.
Referências 74
KATAYAMA, T. Subspace Methods for System Indentification. 1. ed. Japan: Springer-

Verlag London Limited, 2005. Citado 4 vezes nas páginas 28, 30, 31 e 51.
KAY, S. Intuitive probability and random processes using MATLAB . R USA: Springer
Science & Business Media, 2006. Citado 6 vezes nas páginas 26, 27, 28, 30, 39 e 42.
KLOEK, T.; DIJK, H. K. V. Bayesian estimates of equation system parameters: an

application of integration by Monte Carlo. Econometrica: Journal of the Econometric
Society, JSTOR, v. 46, n. 1, p. 1–19, January 1978. Citado na página 38.
KRAUSE, P. C.; WASYNCZUK, O.; SUDHOFF, S. D.; PEKAREK, S. Analysis of electric

machinery and drive systems. New Jersey: Wiley Online Library, 2002. v. 2. Citado 2
vezes nas páginas 18 e 61.
KULEUVEN. DaISy: Database for the Identification of Systems. 2019. Disponível em:
<http://homes.esat.kuleuven.be/~smc/daisy/daisydata.html>. Citado na página 51.
KUNDUR, P.; BALU, N. J.; LAUBY, M. G. Power System Stability and Control. New
York: McGraw-hill, 1994. v. 7. Citado na página 63.
KUSHNER, H. J. On the dynamical equations of conditional probability density functions,

with applications to optimal stochastic control theory. Journal of Mathematical Analysis
and Applications, Elsevier, v. 8, n. 2, p. 332–344, 1964. Citado na página 44.
LEON-GARCIA, A. Probability, statistics, and random processes for electrical engineering.

3. ed. New Jersey: Pearson Education, 2008. ISBN 978-0-13-147122-1. Citado 5 vezes nas
páginas 21, 24, 28, 29 e 30.
LI, T.; BOLIC, M.; DJURIC, P. M. Resampling Methods for Particle Filtering: Classifica-
tion, implementation, and strategies. IEEE Signal Processing Magazine, IEEE, v. 32, n. 3,
p. 70–86, May 2015. Citado 2 vezes nas páginas 49 e 50.
LJUNG, L. System Identification: Theory for the user. New Jersey: Prentice Hall, 1998.
672 p. Citado na página 16.
MCKINSTRIE, C. J.; WINZER, P. J. How to apply importance-sampling techniques to

simulations of optical systems. 2003. Citado na página 40.
MONTEIRO, I.; VIANNA, L.; GIESBRECHT, M. Nonlinear Estimation of Salient-Pole

Synchronous Machines Parameters via Particle Filter. In: 2019 IEEE PES Innovative
Smart Grid Technologies Conference - Latin America (ISGT Latin America). Gramado,
Brazil: IEEE, 2019. p. 1–6. Citado 2 vezes nas páginas 14 e 65.
MONTEIRO, I. A. An Investigation on Methods of Determining Salient-Pole Synchronous

Machines States and Parameters. Dissertação (Mestrado) — University of Campinas, 2020.
Citado 2 vezes nas páginas 18 e 62.
MONTEIRO, I. A.; VIANNA, L.; GIESBRECHT, M. Observador de Fluxos, Correntes e

Ângulo de Carga de Máquinas Síncronas por meio da Filtragem de Partículas. In: Anais
do 14o Simpósio Brasileiro de Automação Inteligente, Ouro Preto. Campinas: Galoá, 2019.
Referências 75
MOSELER, O.; ISERMANN, R. Application of model-based fault detection to a brush-

less DC motor. IEEE Transactions on Industrial Electronics, Institute of Electrical and
Electronics Engineers (IEEE), v. 47, n. 5, p. 1015–1020, 2000. Citado na página 17.
NADARAJAN, S.; BHANGU, B.; PANDA, S.; GUPTA, A. K. Comparing Extended

Kalman Filter and Particle Filter for estimating field and damper bar currents in Brushless
Wound Field Synchronous Generator for stator winding fault detection and diagnosis. In:
IEEE. 2016 IEEE Applied Power Electronics Conference and Exposition (APEC). Long
Beach, CA, USA, 2016. p. 715–719. Citado na página 48.
OWEN, A. B. Monte Carlo theory, methods and examples. [S.l.]: Stanford University, 2013.
PEREIRA, A. M. F.; VIANNA, L. M. S.; KELES, N. A.; CAMPOS, V. C. da S. Tensor

Product Model Transformation Simplification of Takagi-Sugeno Control and Estima-
tion Laws–An Application to a Thermoelectric Controlled Chamber. Acta Polytechnica
Hungarica, v. 15, n. 3, 2018. Citado 4 vezes nas páginas 19, 66, 67 e 68.
PROGOVAC, D.; WANG, L. Y.; YIN, G. Parameter estimation and reliable fault detection
of electric motors. Control Theory and Technology, Springer Science and Business Media
LLC, v. 12, n. 2, p. 110–121, may 2014. Citado na página 17.
RISTIC, B. Particle filters for random set models. 1. ed. London: Springer-Verlag New
York, 2013. v. 798. ISBN 978-1-4614-6316-0. Citado 2 vezes nas páginas 37 e 44.
SEN, P. Principles of Electric Machines and Power Electronics. New York: Wiley, 2013.
ISBN 9781118078877. Citado na página 54.
SETIAWAN, N.; MUSTIKA, I. W.; CAHYADI, A. I.; FIKRI, M. State space modeling of
thermal in a room for temperature estimation in wireless sensor network. In: 2017 2nd
International conferences on Information Technology, Information Systems and Electrical
Engineering (ICITISEE). Yogyakarta, Indonesia: IEEE, 2017. Citado na página 19.
SHUMWAY, R. H.; STOFFER, D. S. Time series analysis and its applications: with R
examples. Second. Switzerland: Springer, 2006. Citado na página 15.
SIMON, D. Optimal state estimation: Kalman, H8 , and nonlinear approaches. New Jersey:
John Wiley & Sons, 2006. Citado 5 vezes nas páginas 22, 35, 45, 50 e 56.
STRATONOVICH, R. L. Conditional Markov processes. In: Theory Prob. USA: Elsevier,

1960. v. 5, n. 2, p. 156–178. Citado na página 44.
TAKAGI, T.; SUGENO, M. Fuzzy identification of systems and its application to modeling
and control. IEEE Transactions on Systems, Man, and Cybernetics, SMC-15, n. 1, p.
116–132, jan/feb 1985. Citado na página 66.
TANAKA, V. S.; GIESBRECHT, M. Análise e diagnóstico de falha em motor Brushless

DC. In: VIII ENAM - Encontro Nacional de Máquinas Rotativas. Rio de Janeiro - Brazil:
[s.n.], 2018. Citado na página 18.
THEODORIDIS, S. Machine learning: a Bayesian and Optimization Perspective. USA:

Academic Press, 2015. ISBN 978-0-12-801522-3. Citado na página 45.
Referências 76
VALVERDE, G.; KYRIAKIDES, E.; HEYDT, G. T.; TERZIJA, V. Nonlinear estimation

of synchronous machine parameters using operating data. IEEE Transactions on Energy
Conversion, Institute of Electrical and Electronics Engineers (IEEE), v. 26, n. 3, p. 831–839,
sep 2011. Citado na página 18.
VIANNA, L.; CAMPOS, V. C. S.; GIESBRECHT, M.; BRAGA, M. F. Estimação de

estados utilizando Observador Takagi-Sugeno e Filtro de Partículas — Uma aplicação
para controle termoelétrico não linear. In: Anais do 14o Simpósio Brasileiro de Automação
Inteligente, Ouro Preto. Campinas: Galoa, 2019. Citado 3 vezes nas páginas 14, 66 e 68.
VIANNA, L.; GONÇALVES, J.; MONTEIRO, I. A.; GIESBRECHT, M. Detecção de

falhas de alimentação de um motor CC sem escovas via Filtro de Partículas. In: Anais do
14o Simpósio Brasileiro de Automação Inteligente, Ouro Preto. Campinas: Galoa, 2019.
VIANNA, L. M. S.; GONÇALVES, J. P. S.; FRUETT, F.; GIESBRECHT, M. Fault

Detection in Brushless DC Motor via Particle Filter. In: 2020 IEEE 29th International
Symposium on Industrial Electronics (ISIE). Delft, Netherlands: IEEE, 2020. Citado na
página 14.
WANG, D.; ZHAO, J.; WANG, W. Particle filter based robust mobile robot localization.
In: IEEE. International Conference on Mechatronics and Automation, 2009. ICMA 2009.
Changchun, China, 2009. p. 817–821. Citado 2 vezes nas páginas 16 e 45.
WANG, S.; GAO, W.; MELIOPOULOS, A. P. S. An alternative method for power system
dynamic state estimation based on unscented transform. IEEE Transactions on Power
Systems, Institute of Electrical and Electronics Engineers (IEEE), v. 27, n. 2, p. 942–950,
may 2012. Citado na página 18.
XU, Y.; XU, K.; WAN, J.; XIONG, Z.; LI, Y. Research on Particle Filter Tracking Method
Based on Kalman Filter. In: IEEE. 2018 2nd IEEE Advanced Information Management,
Communicates, Electronic and Automation Control Conference (IMCEC). Xi’an, China,
ZHANG, H.; XIE, W.; LI, L. The Constrained Extended Kalman Particle Filter. In: IEEE.
2018 14th IEEE International Conference on Signal Processing (ICSP). Beijing, China,
ZHU, Y.; OVERSCHEE, P. van; MOOR, B. de; LJUNG, L. Comparison of three classes
of identification methods. IFAC Proceedings Volumes, Elsevier, v. 27, n. 8, p. 169–174,
1994. Citado na página 51.

Aplicação do filtro de partículas em sistemas dinâmicos não lineares

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aplicação do filtro de partículas em sistemas dinâmicos não lineares

Enviado por

Direitos autorais:

Formatos disponíveis

Universidade Estadual de Campinas

Faculdade de Engenharia Elétrica e

Aplicações do ﬁltro de partículas para

Leticia Maria Sathler Vianna

Aplicações do ﬁltro de partículas para observação de

Dissertação apresentada à Faculdade de En-

Orientador: Prof. Dr. Mateus Giesbrecht

Este exemplar corresponde à versão

O presente trabalho consiste no estudo da aplicação da técnica de ﬁltro de partículas nos

Palavras-chave: Filtro de partículas, observadores de estados, estimação de parâmetros,

Keywords: Particle ﬁlters, state observers, parameter estimation, non-linear systems.

Figura 1 – Variável aleatória associada ao lançamento de uma moeda. . . . . . . . 22

Tabela 1 – Erros Quadráticos Médios para ﬁltros de partículas com diferentes

Trabalhos Publicados Pela Autora . . . . . . . . . . . . . . . . . . . . . . . . . 14

4 AMOSTRAGEM POR IMPORTÂNCIA . . . . . . . . . . . . . . . . 38

5 MÉTODO DE MONTE CARLO . . . . . . . . . . . . . . . . . . . . 44

6 RESULTADOS DA APLICAÇÃO DO FILTRO DE PARTÍCULAS . . 54

7 CONCLUSÕES E TRABALHOS FUTUROS . . . . . . . . . . . . . 71

Trabalhos Publicados Pela Autora

1. VIANNA, L. M. S.; GONÇALVES, J.; FRUETT, FABIANO; GIESBRECHT, M.

2. VIANNA, L. M. S.; GONÇALVES, J.; MONTEIRO, I. A.; GIESBRECHT, M.

3. VIANNA, L. M. S.; BRAGA, M. F.; GIESBRECHT, M.; CAMPOS, V. C. S.

4. MONTEIRO, I. A.; VIANNA, L. M. S.; GIESBRECHT, M. Observador de Fluxos,

5. MONTEIRO, I. A.; VIANNA, L. M. S.; GIESBRECHT, M. Nonlinear Estimation

6. NICOLAU, M.; VIANNA, L. M. S.; GIESBRECHT, M.; FRUETT, FABIANO.

Uma maneira clássica e eﬁciente de representar um sistema dinâmico multiva-

1.1 Objetivos e Justificativas

o circuito equivalente em regime é composto por tensões, correntes e resistências. Ao

1.1.1 Estimações de estados e parâmetros: motor BLDC

dos parâmetros quando se tem ruídos nas variáveis de entrada.

1.1.2 Estimações de estados/parâmetros: gerador síncrono

Nesta dissertação, são apresentados modelos não lineares de sexta e de oitava

1.1.3 Estimação de estados: sistema térmico

1.2 Organização desta Dissertação

Os estados e ruídos em um modelo em espaço de estados podem ser interpretados

A probabilidade apresenta as seguintes propriedades decorrentes dos axiomas:

em que H representa um conjunto vazio e Ac denota o evento complementar ao evento A.

2.1.1 Variáveis Aleatórias

Figura 1 – Variável aleatória associada ao lançamento de uma moeda.

As variáveis aleatórias podem ser discretas, contínuas ou mistas. O lançamento

Nota-se que a PDF deve satisfazer a equação de normalização

Uma maneira de descrever as variáveis aleatórias discretas e contínuas com um

fX pkq “ PpX ď kq ´ PpX ď k ´ 1q “ FX pkq ´ FX pk ´ 1q, (2.9)

para todo k inteiro.

2.1.2 Operador Esperança

um dos números m1 , m2 , . . . , mn apresentam uma das correspondentes probabilidades

• Caso com variável aleatória discreta X:

– O valor esperado de X com PMF fX pxq é deﬁnida por:

– A variância de X é deﬁnida por:

• Caso com variável aleatória contínua X:

– O valor esperado de X com PDF pX pxq é deﬁnida por:

– A variância de X é deﬁnida por:

2.1.3 Distribuição de Probabilidade Condicional

em que fX pX “ xq ą 0, X e Y são vetores de variáveis aleatórias discretas.

Propriedade 2.1 - PDF conjunta produz PDF condicional.

Propriedade 2.2 - PDFs condicionais são relacionadas.

pY,X py, xq “ pX,Y px, yq, se A X B “ B X A (2.25)

e a partir de (2.22), tem-se a PDF conjunta:

pY,X py, xq “ pY |X py|xqpX pxq, (2.26)

Se a PDF condicional pY |X py|xq e a PDF marginal pX pxq forem conhecidas,

pX,Y px, yq “ pY |X py|xqpX pxq “ pX|Y px|yqpY pyq. (2.28)

Se a PDF condicional pY |X py|xq e a PDF marginal pX pxq forem conhecidas,