Escolar Documentos
Profissional Documentos
Cultura Documentos
PRÓ-REITORIA DE PÓS-GRADUAÇÃO
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA AEROESPACIAL
EAEROM0015 - ESTIMAÇÃO DE ESTADOS DE SISTEMAS DINÂMICOS
MULTIVARIÁVEIS
São Luı́s, MA
2020
PROF. FRANCISCO SOUZA
São Luı́s, MA
2020
Lista de figuras
1 Estimador de Estados . . . . . . . . . . . . . . . . . . . . . . . . 6
1.1 Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Histórico da Estimação . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Problemática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Motivação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2 Generalidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.1 Representação do Sistema em Espaço de Estados . . . . . . . . . . . . 17
2.2 Linearização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3 Sistemas Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4 Discretização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5 Processos Estocásticos . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.6 Distribuição em Processos Estocásticos . . . . . . . . . . . . . . . . . 30
2.7 Estatı́sticas de Processos Estocásticos de Primeira e Segunda Ordem . 30
2.8 Ortogonalidade e Descorrelação . . . . . . . . . . . . . . . . . . . . . 31
2.9 Estacionariedade com Sentido Estrito e Sentido Amplo . . . . . . . . 32
2.10 Ergocidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.11 Ruido Branco . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.12 Estimador de Estado . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.13 Métrica de Desempenho . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.14 Sistema de Controle de Realimentação . . . . . . . . . . . . . . . . . 36
2.15 Observadores de Estados . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.16 Realimentação de Estados . . . . . . . . . . . . . . . . . . . . . . . . 38
2.17 Observador de Estado com Realimentação . . . . . . . . . . . . . . . . 39
2.18 Principio da separação . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3 Simulações 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.1 Exemplo sem Ruı́do . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.2 Discretização do Sistema . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.3 Exemplo com Ruı́do . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4 Simulações 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
Referências1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
1
De acordo com a Associação Brasileira de Normas Técnicas. NBR 6023.
6
1 Estimador de Estados
1.1 Introdução
Sistema
Um sistema é composto por entradas e saı́das, podendo estar interrelacionadas de
acordo com um conjunto de regras.
Anotações:
7
Espaço de Estados
A noção de espaço de estados vem do método de variáveis de estado para descrever
equações diferenciais.
dx
onde ẋ = com x ∈ <n .
dt
Anotações:
8
• A existência inevitável dos erros de medição havia sido reconhecida desde a época
de Galileu, mas este foi o primeiro método formal para lidar com tais erros.
• Embora seja mais comumente usado para problemas de estimação linear, Gauss
utilizou o MMQ primeiramente para um problema de estimação não linear, no campo
da astronomia, visando realizar a estimação de órbitas de planetas.
• O MMQ foi o primeiro método de estimação que satisfazia uma condição de otimali-
dade (GREWAL; ANDREWS, 2014).
Observação:
Embora a descoberta do MMQ seja, geralmente, atribuı́da a Gauss, há publicações
independentes do MMQ por Andrien-Marie Legendre (França), Robert Adrian
(Estados Unidos). Também, o MMQ havia sido usado antes de Gauss nascer pelo
fı́sico alemão-suı́ço Johann Heinrich Lambert.
Anotações:
9
Filtro de Wiener
Nos primeiros anos da Segunda Guerra Mundial, Wiener esteve envolvido em
um projeto militar de um controlador automático para direcionar armas antiaéreas com
informações de radar.
• Com a alta velocidade dos aviões, necessitava-se prever a trajetória das aeronaves
para atingir o alvo.
Anotações:
10
• Uma derivação análoga do preditor linear ideal para sistemas de tempo discretos
foi publicada por Kolmogorov em 1941, em um trabalho independente ao de Wie-
ner, quando Wiener estava apenas concluindo o seu trabalho no preditor de tempo
contı́nuo.
Anotações:
11
Filtro de Kalman
Em 1958, o Escritório de Pesquisa Cientı́fica da Força Aérea financiava Kalman
e Bucy para pesquisas avançadas em estimação e controle no RIAS (Research Institute
for Advanced Studies), trabalhos estes na mesma linha de pesquisa dos de Wiener e
Kolmogorov.
Anotações:
12
1.3 Problemática
Anotações:
13
Matematicamente, é claro, há boas razões para esse tipo de especificação de controle.
O sistema evolui de acordo com suas equações do vetor de estados e, portanto, influência
o comportamento futuro, que é baseado no valor atual do estado. Porém na prática, novos
problemas podem surgir como:
1. O vetor estados de pode não está disponı́vel para medição (o estado pode não ser
uma grandeza fı́sica, por exemplo).
2. Em muitos sistemas fı́sicos, por exemplo, as medições requerem o uso de equipamentos
com custos elevados.
3. A precisão das medições das variáveis de estado pode ser baixa.
Anotações:
14
Estimador de Estados
Os estimadores de estados são empregados para estimar estados não medidos e
para filtrar os estados que são medidos.
Anotações:
15
1.4 Motivação
Observador de Luenberger
A idéia é projetar um estimador de estados (observador) com base em informações
sobre a dinâmica do sistema, suas entradas e saı́das.
Anotações:
16
Observador de Luenberger
• Projeta-se um observador de estados para estimar o vetor de estados x̂(t), isto é,
obter a estimativa do estado x(t) usando as observações de saı́da:
– suas entradas são os valores das saı́das medidas do sistema original (planta)
– sua saı́da (vetor de estado estimado) fornece informações ausentes (não medidas)
sobre o estado do sistema original (LUENBERGER, 1979).
Anotações:
17
2 Generalidades
• O ponto sobre x(t), isto é, ẋ(t), denota diferenciação em relação ao tempo t.
Anotações:
18
Anotações:
19
2.2 Linearização
A equação de estado linear (2.1) é útil como uma aproximação a uma equação de
estado não linear no sentido a seguir. Considere
ẋi (t) = fi [x1 (t), . . . , xn (t); u1 (t), . . . , um (t); t] , xi (to ) = xio , i = 1, ..., n (2.3)
Anotações:
20
xo = x̃o + xoδ ,
u(t) = ũ(t) + uδ (t)
onde as normas kxoδ k e kuδ (t)k são apropriadamente pequenas para t > t0 .
• Dessa forma, é razoável assumir que a solução correspondente x(t) permanece próxima
de x̃(t) e escreve-se
Anotações:
21
d d
x̃(t) + xδ (t) = f [x̃(t) + xδ (t), ũ(t) + uδ (t), t] (2.4)
dt dt
• Supondo que f seja derivável, pode-se expandir o lado direito de (2.4) usando a série
de Taylor em relação a x̃(t) e ũ(t), retendo apenas os termos de primeira ordem.
• Isso deve fornecer uma aproximação razoável, pois presume-se que uδ (t) e xδ (t) sejam
pequeno para todo t.
22
∂fi ∂fi
fi (x̃ + xδ , ũ + uδ , t) ≈fi (x̃, ũ, t) + (x̃, ũ, t)xδ1 + · · · + (x̃, ũ, t)xδn
∂x1 ∂xn
(2.6)
∂fi ∂fi
+ (x̃, ũ, t)uδ1 + · · · + (x̃, ũ, t)uδm .
∂u1 ∂um
d d ∂f
x̃(t) + xδ (t) ≈f (x̃(t), ũ(t), t) + (x̃(t), ũ(t), t)xδ (t)
dt dt ∂x (2.7)
∂f
+ (x̃(t), ũ(t), t)uδ (t)
∂u
Notação:
∂f /∂x denota o jacobiano, i.e., uma matriz com seu (i, j)-ésimo elemento dado por ∂fi /∂xj .
Como
d
x̃(t) = f (x̃(t), ũ(t), t), x̃ (to ) = x̃o (2.8)
dt
então, a relação entre xδ (t) e uδ (t) é aproximadamente descrito por uma equação de estado
linear variável no tempo da forma
∂f ∂f
A(t) = (x̃(t), ũ(t), t), B(t) = (x̃(t), ũ(t), t). (2.10)
∂x ∂u
24
a função h(x, u, t) pode ser expandido com relação a x = x̃(t) e u = ũ(t) para fornecer,
depois de eliminar termos de ordem superior, a descrição aproximada
Aqui a saı́da de desvio é yδ (t) = y(t) − ỹ(t), onde ỹ(t) = h(x̃(t), ũ(t), t), e
∂h ∂h
C(t) = (x̃(t), ũ(t), t), D(t) = (x̃(t), ũ(t), t). (2.13)
∂x ∂u
Nesse desenvolvimento, supõe-se que exista uma solução nominal de interesse para
todo t > t0 e deve ser conhecido antes que o cálculo da linearização possa ser realizado
(RUGH, 1996).
25
Assim, a resposta de todo sistema linear pode ser decomposta na resposta de estado
zero e na resposta de entrada zero.
• Além disso, as duas respostas podem ser estudadas separadamente e sua soma gera
a resposta completa.
Caso de Sistemas Não Lineares: Para sistemas não lineares, a resposta completa
pode ser muito diferente da soma da resposta de entrada zero e resposta de estado zero.
2.4 Discretização
A discretização deste sistema contı́nuo pode ser feita aproximando a derivada de ẋ (CHEN,
1998)
x(t + T ) − x(t)
ẋ(t) = lim (2.18)
T →0 T
Z T
AT Aτ
Ad = e , Bd = e dτ B, Cd = C, Dd = D. (2.22)
0
1. É uma famı́lia (ou um conjunto) de funções x(t, ζ). Nesta interpretação, t e ζ são
variáveis.
2. Se t é uma variável e ζ é fixo. Tem-se uma função de temporal (ou uma realização
do processo fornecido).
3. Se t é fixo e ζ é variável, então x(t) é uma variável aleatória igual ao estado do
processo especificado no tempo t.
4. Se t e ζ são fixos, então x(t) é um número.
São obtidas amostrasde um processo estocástico ao longo do tempo. Cada vez que
o processo é reniciado, um novo conjunto de amostras é obtido.A este conjunto de amostra
dá-se o nome de realizações (MANOLAKIS et al., 2000).
30
Fx (x1 , x2 , . . . , xn ; t1 , t2 , . . . , tn ) (2.23)
Esta função depende de t,e é igual à probabilidade do evento {x(t) ≤ x} consiste em todos
os resultados ζ de modo que, no momento especı́fico t, as amostras x(t, ζ) do processo
especificado não excedam o número x. A função F (x, t) será chamada de distribuição de
primeira ordem do processo x(t). Sua derivada em relação a x:
∂F (x, t)
f (x, t) = (2.25)
∂x
é a densidade de primeira ordem de x(t) (PAPOULIS; PILLAI, 2002).
A distribuição de segunda ordem do processo x(t) é a distribuição conjunta
Uma interpretação possivel para a média de x(t) é que esta pode ser considerada
como a ”localização”ou o ”centro de gravidade”de x(t) (MANOLAKIS et al., 2000)
Relacionado as distribuições de segunda ordem, é possivel calcular a correlação e a
corariância. A correlação é dada por
o qual é uma medida da dispersão dos valores observados em torno da média de x(t)
(MANOLAKIS et al., 2000) É possivel construir a matriz de correlação de um processo
fazendo
R (x (t1 ) , x (t1 )) R (x (t1 ) , x (t2 )) . . . R (x (t1 ) , x (t2 ))
R (x (t2 ) , x (t1 )) R (x (t2 ) , x (t2 )) . . . R (x (t2 ) , x (tn ))
R= .. .. .. ..
(2.31)
.
. . .
R (x (tn ) , x (t1 )) R (x (tn ) , x (t2 )) . . . R (x (tn ) , x (tn ))
e descorrelacionados se
p (x1 , x2 , . . . , xn , t1 , . . . , tn )
(2.35)
=p (x1 , x2 , . . . , xn , t1 + ε, t2 + ε, . . . , tn + ε)
e
E x (t1 ) xT (t2 ) = Q (t2 − t1 ) = Q(τ )
(2.37)
2.10 Ergocidade
Matemáticamente, um processo v(t) é ruı́do branco se seus valores v(ti ) e v(tj ) são
descorrelacionados para cada v(ti ) e v(tj ) 6= v(ti ) (PAPOULIS; PILLAI, 2002)
C (ti , tj ) = 0 ti 6= tj (2.38)
Figura 2.2 – A área com traços diagonais corresponde às medições utilizadas para es-
timação.
k: Instante no qual o estado está sendo estimado.
kf : Instante final que delimita todas as medições.
36
É mostrado nesta seção que o estado (ou uma aproximação dele) pode ser conveni-
entemente calculado por um dispositivo conhecido como observador. O próprio observador
é um sistema dinâmico linear. Seus valores de entrada são os valores das saı́das medidas do
sistema original e seu vetor de estado gera informações ausentes sobre o estado do sistema
original. O observador pode ser considerado como um dispositivo dinâmico que, quando
conectado às saı́das disponı́veis do sistema, gera todo o estado (LUENBERGER, 1979).
Uma abordagem alternativa é a de estimar o estado com base em medições que
são uma combinação linear dos estados e, em seguida, gerar o esforço de controle com
base nos estados estimados. Assumiremos que, na melhor das hipóteses, apenas alguns
dos estados são medidos diretamente. Queremos projetar um estimador de estado ou
observador (LUENBERGER, 1979) que, quando dada uma sequência yk e a entrada uk
reconstrói uma estimativa da sequência xk . Um observador ou estimador de estado é
outro sistema dinâmico que possui entradas uk e yk ,cuja saı́da é uma estimativa de xk
(JACQUOT, 1995). Para derivação do observador, dado um sistema linear de espaço de
estados
xk+1 = Axk + Buk
(2.44)
yk = Cxk
Se conhecermos A e B e a condição inicial x0 com precisão suficiente, este modelo
estimará com precisão a sequência de estados xk . O verdadeiro problema está no fato de
que sempre conhecemos A e B apenas aproximadamente e raramente sabemos x0 . Para
38
Nesta seção, uma breve explicação sobre o projeto do sistema de controle usando a
realimentação dos estados e a estimação dos estados quando as medições disponı́veis são
incompletas.
Considere a planta de tempo discreto descrita pela equação:
yk = Cxk . (2.46)
uk = −F xk (2.47)
onde M e K são matrizes ainda a serem selecionadas e zk é um vetor ainda não especifi-
cado.Substuindo (2.21) e (2.16), tem-se o erro de estimacão que é definido por
x̃ = x + x̂ (2.51)
40
x̃ = (A − KC)x̂k . (2.54)
3 Simulações 1
d
Jw(t) + Bw(t) = Km ia (t) (3.3)
dt
Assim, definindo-se os estados x1 (t) = w(t), x2 (t) = ic (t)e x3 (t) = ia (t), de (3.1)-
(3.3) temos
ẋ (t) −1 0 450
x (t) 0
1 1
= −18, 75 0 x2 (t) + 6, 25 u(t) (3.5)
ẋ2 (t) 0
ẋ3 (t) −0, 225 87, 50 −30 x3 (t) 0
x1 (t)
h i
y(t) = (3.6)
0, 01 0 0 x2 (t)
x3 (t)
x (k + 1) 0, 9855 1, 6695 3, 8609 x (k) 0, 0363
1 1
= + 0, 0570 u(k) (3.7)
x2 (k + 1) 0 0, 8290 0 x2 (k)
x3 (k + 1) −0, 0019 0, 6849 0, 7367 x3 (k) 0, 0233
x (k)
h i 1
y(k) = (3.8)
0, 01 0 0 x2 (k)
x3 (k)
Para entrada degrau, com amplitude 1 volt, e condicão inicial x1 (0) = x2 (0) =
x3 (0) = 0 comportamento das variáveis de estado x1 (k), x2 (k)ex3 (k), e da saida y(k) é
mostrado nas figuras (3.3)-(3.6)
46
O erro absoluto obtido para tal caso pode ser observado nas figuras (3.7)-(3.9)
48
Figura 3.7 – Métrica e1,k da estimação feita pelo observador sem ruı́do.
Figura 3.8 – Métrica e2,k da estimação feita pelo observador sem ruı́do.
Figura 3.9 – Métrica e3,k da estimação feita pelo observador sem ruı́do.
x (k + 1) 0, 9855 1, 6695 3, 8609 x (k) 0, 0363 0
1 1
= + 0, 0570 u(k) + 0 w
x2 (k + 1) 0 0, 8290 0 x2 (k)
x3 (k + 1) −0, 0019 0, 6849 0, 7367 x3 (k) 0, 0233 1
(3.9)
x (k)
h i 1
y(k) = + v(k) (3.10)
0, 01 0 0 x2 (k)
x3 (k)
Supondo-se que os ruı́dos de estado w(k) e de medida v(k) sejam Gaussianos
com média zero e covariâncias Pw = 0, 0002 e Pv = 0, 01, respectivamente, na Figuras
(3.6)-(3.11) apresentam-se três realizaçães dos processos envolvidos no modelo ( 3.9)-(3.10).
As realizaçães dos estados x1 (k) e x2 (k) são praticamente coincidentes, pois o ruı́do nesses
dois estados é oriundo do estado x3 (k), vide (3.8), que por sua vez não é muito ruidoso,
conforme indicado no quarto gráfico da Figuras (3.7)-(3.12) (HEMERLY, 2000).
O erro absoluto obtido para tal caso pode ser observado nas figuras (3.7)-(3.9)
51
Figura 3.17 – Métrica e1,k da estimação feita pelo observador com ruı́do.
55
Figura 3.18 – Métrica e2,k da estimação feita pelo observador com ruı́do.
Figura 3.19 – Métrica e3,k da estimação feita pelo observador com ruı́do.
56
4 Simulações 2
O erro absoluto obtido para tal caso pode ser observado nas figuras
57
Referências1
CHEN, C.-T. Linear system theory and design. [S.l.]: Oxford University Press, Inc., 1998.
MANOLAKIS, D. G.; INGLE, V. K.; KOGON, S. M. et al. Statistical and adaptive signal
processing: spectral estimation, signal modeling, adaptive filtering, and array processing.
[S.l.]: McGraw-Hill Boston, 2000.
OGATA, K.; YANG, Y. Modern control engineering. [S.l.]: Prentice hall Upper Saddle
River, NJ, 2010. v. 5.
RUGH, W. J. Linear system theory. [S.l.]: prentice hall Upper Saddle River, NJ, 1996.
v. 2.
1
De acordo com a Associação Brasileira de Normas Técnicas. NBR 6023.