Escolar Documentos
Profissional Documentos
Cultura Documentos
M ARCOS ROGÉRIO F ERNANDES∗, M ÁRIO OTÁVIO F RANÇA DE O LIVEIRA∗, R AFAEL F ONTES S OUTO†
∗ Faculdade de Engenharia Elétrica e de Computação
Universidade Estadual de Campinas
Campinas, São Paulo, Brasil
† DepartamentoAcadêmico de Eletrotécnica
Universidade Tecnológica Federal do Paraná
Curitiba, Paraná, Brasil
Abstract— This paper presents some design aspects related to the construction of a low-cost prototype of Twin Rotor MIMO
System (TRMS) for the purpose of academic studies in system identification. The mathematical modeling of the prototype is done
in two different manner, and its parameters are estimated with the least-squares method. Experiments performed in the real plant
and compared with computational simulations allowed the validation of both models.
Keywords— System Identification, Grey Box Modeling, NARX model, Low-cost Twin Rotor System.
Resumo— Este artigo apresenta alguns aspectos de projeto relacionados à construção de um protótipo de helicóptero de baixo
custo para estudos acadêmicos em identificação de sistemas. A modelagem matemática do protótipo é desenvolvida de duas
maneiras diferentes e seus parâmetros são estimados com o método dos mínimos quadrados. Experimentos realizados na planta
real e comparados com simulações computacionais permitiram a validação de ambos os modelos.
Palavras-chave— Identificação de sistemas, modelagem caixa-cinza, modelo NARX, protótipo de helicóptero de baixo custo.
1178
XIII Simpósio Brasileiro de Automação Inteligente
Porto Alegre – RS, 1o – 4 de Outubro de 2017
20ms. A velocidade dos motores é alterada variando-
se o ciclo de trabalho D entre 1ms e 2ms, ou seja, entre
1 ms e 2ms, a rotação do motor varia proporcional-
mente, de maneira que a rotação mínima é alcançada
com 1ms e a máxima com 2ms. Com D = 1, 5ms, por
exemplo, obtém-se uma razão de trabalho de 50% da
velocidade máxima do motor. A Figura 6 ilustra o si-
nal PWM necessário para o controle dos motores.
1179
XIII Simpósio Brasileiro de Automação Inteligente
Porto Alegre – RS, 1o – 4 de Outubro de 2017
3 COLETA DE DADOS EXPERIMENTAIS tragem, indicando que o sinal de entrada exibido na
Figura 8 é adequado para a identificação do protótipo.
Para a coleta de dados experimentais, foi utilizada a in- Finalmente, excitando o protótipo com este sinal
terface serial (RS-232) do microcontrolador Lauchpad de entrada, obteve-se a massa de dados de saída apre-
Tiva
R C123. Com a IMU acoplada à estrutura mó- sentada na Figura 10.
vel do protótipo, foi possível armazenar a informação
do ângulo θ e da velocidade angular ωy após a apli- Massa de dados
cação do sinal de excitação. O tempo de amostragem θ
escolhido foi 15ms, proporcionando uma frequência ωy
de amostragem fs =66.6Hz.
Por se tratar de um sistema não-linear, o sinal de
Ângulo (°)
0 0
Sinal de entrada
35
-100 -100
30
50 100 150 200 250
Tempo (s)
25
Razão de trabalho (%)
20
Figura 10: Massa de dados de saída obtida.
15
10
5 4 DETERMINAÇÃO DA ESTRUTURA DO
0
MODELO MATEMÁTICO DO PROTÓTIPO
0 50 100 150 200 250
Tempo (s)
A fim de se obter uma estrutura adequada para o mo-
Figura 8: Variação da razão de trabalho D% ao longo delo matemático do protótipo, buscou-se compreen-
do tempo utilizada como sinal entrada para coleta de der as características que regem a dinâmica da planta
dados. e, assim, determinar a estrutura do modelo com base
em leis físicas. Aqui, apenas o movimento de guinada
Além do mais, para garantir uma boa identifica- (pitch) do protótipo será considerado, modelagem em
ção, é importante que o sinal de entrada possua o má- um grau de liberdade, o que já permite aplicar a teoria
ximo de componentes espectrais dentro da faixa de de identificação de sistemas. Nesse sentido, foi ne-
amostragem1 (Aguirre, 2004). Assim, para essa veri- cessário mapear as componentes no eixo z das forças
ficação, aplicou-se a Transformada Rápida de Fourier atuantes e, com isso, construir o diagrama de corpo li-
(FFT) ao sinal de entrada sintetizado, o que produziu vre do protótipo, conforme apresentado na Figura 11.
o espectro de frequências exibido na Figura 9. Observando as convenções de sinais indicadas na Fi-
gura 11, aplicou-se a Lei de Newton para as rotações
Espectro de Frequência da entrada e obteve-se a seguinte equação diferencial não-linear
40
35
20
15
10
em que Iy é a inércia em relação ao eixo y, m é a massa
5 do conjunto móvel, g é a aceleração gravitacional, R é
0 a distância do eixo de rotação y ao centro de massa, Ψ
-5 é o ângulo formado entre R e o eixo z, F1 é a força ge-
-10
0 5 10 15 20 25 30
rada pelo motor 1, r1 é a distância do motor 1 ao eixo
f (Hz) z e βy é o coeficiente de atrito no eixo y. A dinâmica
do motor é aproximada por um sistema estático, de tal
Figura 9: Espectro de frequência do sinal de entrada forma que F1 = k1 u1 , sendo k1 o coeficiente estático
para tempo de amostragem de 15ms ( fs =66.6Hz). do motor e u1 o sinal de entrada (PWM).
Devido à utilização de um microcontrolador para
Nota-se, pela Figura 9, a presença de componen- a aquisição dos dados da IMU, faz-se necessário dis-
tes espectrais significativas em toda a faixa de amos- cretizar o modelo (2). Defini-se então x1 = θ e x2 =
1 A faixa de amostragem compreende o intervalo de 0Hz até a θ̇ = ωy , sendo θ o ângulo pitch obtido por (1) e ωy
frequência máxima de amostragem fmax . Pelo teorema de Nyquist, a velocidade angular no eixo y obtida diretamente do
fmax = fs /2. giroscópio. O processo de discretização via aproxima-
1180
XIII Simpósio Brasileiro de Automação Inteligente
Porto Alegre – RS, 1o – 4 de Outubro de 2017
Θ̂ = (ΦT Φ)−1 ΦT Y , o que resulta no seguinte modelo
para o movimento de guinada do protótipo
-40
dos de entrada (u1 ) e de saída (x1 , x2 ), coletados ex-
perimentalmente conforme descrito na Seção 3, é pos- -60
5 ESTIMAÇÃO DOS PARÂMETROS Figura 12: Comparação entre os sinais medidos expe-
rimentalmente e os estimados pelo modelo.
Para a obtenção de uma estimativa dos parâmetros
H0 , H1 , H2 e H3 em (3), optou-se por aplicar o Mé-
todo dos Mínimos Quadrados (MMQ). Por ser li-
5.2 VALIDAÇÃO DO MODELO
near nos parâmetros, o modelo (3) pode ser escrito
na forma matricial como Y = ΦΘ + ε, em que Y = Na Figura 12, o modelo identificado apresenta um
[x2 (1) x2 (2) · · · x2 (N)]T é o vetor de saída obtido ex- bom resultado quando comparado com os dados ex-
perimentalmente, Φ ∈ RN×4 é a matriz de regressores, perimentais. No entanto, para validar o modelo, faz-se
Θ = [H0 H1 H2 H3 ]T é o vetor de parâmetros do mo- necessário um novo conjunto de dados experimentais,
delo e ε é a incerteza. Note que o regressor é composto os quais não foram utilizados na etapa de estimação
pelos termos x2 (k − 1), cos(x1 (k − 1)), sen(x1 (k − 1)) dos parâmetros. Para esta finalidade, foi realizada a
e u1 (k − 1). coleta de dados experimentais da resposta ao degrau
Assim, conforme (Aguirre, 2004), uma estimativa da planta. O resultado dessa nova simulação livre é
Θ̂ para os parâmetros é obtida pelo MMQ ao se fazer apresentado na Figura 13.
1181
XIII Simpósio Brasileiro de Automação Inteligente
Porto Alegre – RS, 1o – 4 de Outubro de 2017
O modelo geral apresentado em (7) permite a cri-
Resultado para o Ângulo
ação de inúmeras estruturas distintas para uma mesma
20 θ planta. Nesse sentido, o estudo de estruturas e agrupa-
θ̂ mentos de regressores para modelos NARX tem sido
0
objeto de muitas pesquisas nas últimas décadas e, atu-
Ângulo (°)
50
p nx
0
x(k) = h0 + ∑ ∑ h(n, i)xn (k − i)
n=1 i=1
!
-50 nx j nu
+ ∑ h(n, j) ∏ xn (k − i) + ∑ h(n, i)u(k − i)
-100 j=2 i=1 i=1
0 2 4 6 8 10 12
Tempo (s) nu j p nx
+ ∑ h(n, j) ∏ u(k −i)+ ∑ ∑ h(n, i)xn (k −i)u(k −i)
j=2 i=1 n=1 i=1
!
Figura 13: Comparação entre os novos sinais medidos ` nx p nu
j j
experimentalmente e os estimados pelo modelo. +∑ ∑ ∑ h(n, i)xn (k − i) + ∑ h(n, i)u(k − i) .
j=2 i=1 n=1 i=1
(8)
Nesse caso, o cálculo do MSE resultou em
MSEθ̂ = 0.1933 e MSEωˆy = 0.5128. (6) Note que (8) possui parcelas lineares e não linea-
res, incluindo termos cruzados de entrada e saída. O
Verifica-se que para o conjunto diferente de dados, o
índice p corresponde ao número de saídas do modelo
MSE aumentou. Contudo, o resultado continua sendo
e h representa o parâmetro associado a cada regressor.
satisfatório, validando assim o modelo identificado.
Pelo fato de haver duas saídas no modelo do protótipo,
p = 2. Além disso, supõe-se que o modelo possua no
6 MODELAGEM ALTERNATIVA máximo dois atrasos, isto é, nx = nu = 2 e que um po-
linômio de terceiro grau (` = 3) seja suficiente para re-
Além da abordagem apresentada na Seção 4 para a de- presentar o sistema. Isso gera um agrupamento de 26
terminação da estrutura do modelo, a qual culminou na regressores para a estrutura do modelo do protótipo.
expressão (3), é possível obter uma estrutura diferente
para o modelo do protótipo por meio de algoritmos Por outro lado, a quantidade de regressores deve
de detecção de estruturas. Definida a nova estrutura, ser suficientemente pequena, a fim de se evitar possí-
segue-se então a etapa de estimação dos seus parâme- veis instabilidades numéricas. Assim, os algoritmos
tros, sendo esta realizada com a aplicação do MMQ, de detecção de estrutura ajudam a definir quais regres-
tal como mostrado na Seção 5. Nesta seção, propõe-se sores (dentre os presentes no agrupamento) explicam
um modelo NARX polinomial para representar a dinâ- melhor a dinâmica do sistema. O critério ERR (Error
mica do protótipo em um grau de liberdade. Reduction Ratio), apresentado em (Chen et al., 1989),
Segundo (Leontaritis, 1985), um modelo NARX foi utilizado aqui para determinar a importância de
polinomial é descrito por cada um dos 26 regressores que compõem o modelo
NARX do protótipo. Como resultado, verificou-se
x(k) = F ` [x(k − 1), · · · , x(k − nx ), que os regressores x2 (k − 1), x1 (k − 2), x2 (k − 2),
u(k − 1)x1 (k − 1), u(k − 1)3 e, ainda, um termo cons-
u(k + d − 1), · · · , u(k + d − nu + 1),
tante, eram os que melhor reproduziam a dinâmica do
e(k − 1), e(k − 2), · · · , e(k − ne )] + e(k), (7) sistema. Portanto,
em que x(k), u(k) e e(k) correspondem à saída, à en-
trada e ao ruído do sistema, com atrasos máximos de x2 (k) = h0 +h1 x2 (k −1)+h2 x1 (k −2)+h3 x2 (k −2)
nx , nu e ne , respectivamente, F ` é uma função polino-
mial de grau ` e o parâmetro d representa o tempo + h4 u1 (k − 1)x1 (k − 1) + h5 u1 (k − 1)3 , (9)
morto. Aqui, k = 1, · · · , N, sendo N o número de
amostras disponíveis para identificação. e a aplicação do MMQ com os dados exibidos na Se-
1182
XIII Simpósio Brasileiro de Automação Inteligente
Porto Alegre – RS, 1o – 4 de Outubro de 2017
ção 3 resulta em Após a construção do protótipo, dois modelos ma-
temáticos com estruturas distintas foram propostos e
x2 (k) = −0.1135−0.1088x2 (k −1)+0.9981x1 (k −2) seus parâmetros estimados pelo método dos mínimos
− 0.0149x2 (k − 2) − 0.0027u1 (k − 1)x1 (k − 1) quadrados. O primeiro modelo originou-se de leis físi-
cas e o segundo baseou-se numa subclasse de modelos
+ 0.0039 · 10−3 u1 (k − 1)3 . (10)
NARX.
Para a validação do modelo NARX (10), utilizou- Com a etapa de modelagem concluída, foram rea-
se o mesmo conjunto de dados de resposta ao degrau lizados alguns experimentos para confrontar os dados
da Seção 5.2. O resultado da simulação livre de (10), coletados diretamente da planta com os dados simu-
confrontado com a simulação do modelo da Seção 5 e lados pelo modelo identificado. Os resultados experi-
com os dados experimentais, pode ser visto na Figura mentais permitiram validar ambos os modelos, sendo
14. Nesse caso, o cálculo do MSE resultou em que o segundo modelo (NARX) apresentou uma li-
geira vantagem em relação ao primeiro.
MSEθ̂ = 0.1542 e MSEωˆy = 0.4080. (11)
Referências
ωˆy
50 gonal least squares methods and their application
0
to non-linear system identification, International
Journal of control 50(5): 1873–1896.
-50
Gautam, P. (2016). System identification of non-
-100
2 4 6 8 10 12 linear inverted pendulum using artificial neural
Tempo (s) network, Recent Advances and Innovations in
Engineering (ICRAIE), 2016 International Con-
ference on, IEEE, pp. 1–5.
Figura 14: Comparação entre o sistema real, o modelo
NARX e o modelo da Seção 5. Karplus, W. J. (1977). The spectrum of mathematical
modeling and systems simulation, Mathematics
and Computers in Simulation 19(1): 3–10.
7 CONCLUSÃO Leontaritis, IJ e Billings, S. A. (1985). Input-output
parametric models for non-linear systems part i:
A aplicação da teoria de identificação de sistemas
deterministic non-linear systems, International
em plantas reais é de grande valia para o desenvolvi-
journal of control 41(2): 303–328.
mento de um estudante de engenharia, pois proporci-
ona meios para se compreender na prática os conceitos Pedley, M. (2014). Tilt sensing using a three-axis ac-
vistos em sala de aula. Isso remete à necessidade de se celerometer, freescale semiconductor, inc.
possuir protótipos em laboratórios acadêmicos. Con-
tudo, equipar um laboratório com protótipos educati- Rannen, S. and Ghorbel, C. (2017). Identification of
vos comerciais pode exigir um investimento financeiro complex systems using nonlinear discrete poly-
elevado. nomial structures, Advanced Systems and Elec-
Nesse sentido, este trabalho demonstra a viabili- tric Technologies (IC_ASET), 2017 International
dade de se construir um protótipo de helicóptero de Conference on, IEEE, pp. 38–43.
baixo custo para ser utilizado em estudos de identi- Zhang, Y., Chai, T. and Wang, D. (2017). An alterna-
ficação de sistemas (p. ex. comparação de métodos ting identification algorithm for a class of non-
de modelagem), podendo servir também de motivação linear dynamical systems, IEEE transactions on
para estudantes em outras universidades desenvolve- neural networks and learning systems .
rem seus próprios protótipos.
1183