Identificação de Sistemas

Profª Laurinda L N dos Reis

Universidade Federal do Ceará - UFC

Departamento de Engenharia Elétrica - DEE
e-mail: laurinda@dee.ufc.br
1
 Ementa

! Introdução
! Noções básicas de identificação
! Modelos de processos de ordem reduzida e complexos
! Métodos clássicos para modelagem de processos
! Identificação de sistemas (equações a diferenças)
! Identificação de sistemas não-lineares
! Tópicos avançados

2
 Identificação de sistemas representado
por equações a diferenças

! Introdução
! Formalismo histórico dos mínimos quadrados
! Estimador dos mínimos quadrados não-recursivo
! Estimador dos mínimos quadrados recursivo
! Estimação de processos variantes no tempo
! Algoritmo de estimação da aproximação estocástica
! Algoritmo de estimação da variável instrumental
! Algoritmo de estimação da matriz estendida.
! Problemas
! Concepções para identificação
3
 Introdução

Diferentes métodos para estimação de parâmetros de

modelos lineares discretos são apresentados.
Ênfase maior é dada ao estimador dos mínimos
quadrados uma vez que é a base para o
desenvolvimento de outros métodos de identificação.
A qualidade da estimação é dependente da natureza do
ruído, da estrutura do modelo, do tipo de aplicação e
da “riqueza” da informação contida nas medidas.
Ambas as implementações off-line e on-line do
estimador são apresentadas e os aspectos
computacionais são avaliados.
4
 Introdução

Considera-se a priori que:

! a ordem do modelo é conhecida e

! as amostras das medidas de entrada e saída estão

disponíveis a cada período de amostragem no
universo da experimentação (equispaced).

5
 Formalismo histórico dos
mínimos quadrados

Em 1809, Carl Friedrich Gauss (1777-1855) publicou

um artigo no Werke, 4, 1-93, demonstrando que a
melhor maneira de determinar um parâmetro
desconhecido de uma equação de condições é
minimizando a soma dos quadrados dos resíduos,
mais tarde denominado de Mínimos Quadrados por
Adrien-Marie Legendre (1752-1833).
Em abril de 1810, Pierre-Simon Laplace (1749-1827)
apresenta no memoir da Academia de Paris, a
generalização a problemas com vários parâmetros
desconhecidos.
6
 Formalismo histórico dos
mínimos quadrados

Karl Friedrich Gauss (1777-1855) formulou o

Princípio dos Mínimos Quadrados ao final do século
18 para previsão da trajetória de planetas e cometas
a partir das observações realizadas.

Gauss estabeleceu que os parâmetros

desconhecidos de um modelo matemático deveriam
ser selecionados de modo que

7
 Formalismo histórico dos
mínimos quadrados

“o valor mais provável das grandezas

desconhecidas é a que minimiza a soma dos
quadrados da diferença entre os valores atualmente
observados e os valores calculados multiplicados por
números que medem o grau de precisão, onde
quanto mais precisa a medida maior a sua
ponderação”

8
 Estimador dos mínimos quadrados
não-recursivo

Considere um processo físico caracterizado por uma

entrada, u(t), uma saída, y(t), uma perturbação e(t) e
com função de transferência discreta linear da forma

9
 Estimador dos mínimos quadrados
não-recursivo

Observações:

! Para o modelo da equação (2) tem-se (na + nb + 1)

parâmetros a estimar;
! Para determinar os ai (i = 1, ... , na) e bj (j = 0, ... , nb)
deve-se utilizar as medidas de entrada e saída do
processo;
! O termo e(t) pode representar o erro de modelagem,
o erro de medição ou o ruído na saída do tipo
estocástico, determinístico ou offset.
10
 Estimador dos mínimos quadrados
não-recursivo

11
 Estimador dos mínimos quadrados
não-recursivo

Admitindo que são realizadas N medidas, suficientes para

determinar os parâmetros ai e bj, então tem-se que a
equação (6) fica

 y ( 0)   ϕ T ( 0)   e ( 0) 
 y(1)   T   
 = ϕ (1) θ +  e (1) 
 ...   ...   ... 
   T   
 y ( N −  ϕ ( N − 1) 
1) e ( N − 
1)

12
 Estimador dos mínimos quadrados
não-recursivo

13
 Estimador dos mínimos quadrados
não-recursivo

Observação:
! A matriz φ não é quadrada, isto é, tem mais
linhas do que colunas.

! A estimativa do vetor de parâmetros, θ! , pode

ser obtida pelo procedimento dos mínimos
quadrados (least squares approach)

14
 Estimador dos mínimos quadrados
não-recursivo

! Utilizando a estimativa θ! , a melhor previsão

da saída do sistema,θ! , é calculada por
!
Y = φθ ! (8)

e o erro de previsão, ε, é avaliado de acordo

com
(9)

15
 Estimador dos mínimos quadrados
não-recursivo

O estimador dos mínimos quadrados ponderado,

também denominado de estimador de Markov, é
obtido minimizando o seguinte critério:

16
 Estimador dos mínimos quadrados
não-recursivo

17
 Estimador dos mínimos quadrados
não-recursivo

Observações:

18
 Estimador dos mínimos quadrados
não-recursivo

19
 Exemplo

Código, em Matlab, da implementação do

estimador dos mínimos quadrados não-
recursivo aplicado na identificação de uma
planta discreta de segunda ordem.

20
 Exemplo

% Estimador dos mínimos quadrados não-recursivo

% Processo de segunda ordem e
% medidas contidas no arquivo medidas.dat

clear all;
load medidas.dat % criar este conjunto de dados
npts=30;u=medidas(1:npts,1);y=medidas(1:npts,2);
Y=[];fi=[];

21
 Exemplo

for j=1:npts
if j<=2
y1=0;y2=0;u1=0;u2=0;
else y1=y(j-1);y2=y(j-2);u1=u(j-1);u2=u(j-2);
end;
Y=[Y; y(j)];fi=[fi;-y1 -y2 u1 u2];
end;
teta=inv(fi'*fi)*fi'*Y

22
 Exemplo

for t=1:2,
yest(t)=0;
end;
a1=teta(1);a2=teta(2);b1=teta(3);b2=teta(4);
for t=3:npts,
yest(t)=-a1*yest(t-1)-a2*yest(t-2)+b1*u(t-1)+b2*u(t-2);
end;
plot(y,'g');
hold on;
plot(yest,'r');
23
 Observações

24
 Etapas envolvidas na identificação

25
 Mínimos quadrados (observações)

Na aplicação do estimador dos mínimos quadrados todas

as medidas devem estar disponíveis a priori para análise.
Não existe limitação no tempo de processamento do
algoritmo (identificação off-line).

26
 Mínimos quadrados (observações)

Os exemplos a seguir discutem algumas importantes

características do estimador dos mínimos quadrados
dado pela equação (13).

27
 Exemplo 1

28
 Exemplo 1

29
 Considerações

30
 Considerações

31
 Considerações

32
 Exemplo 2

33
 Exemplo 2

34
 Exemplo 2

35
 Exemplo 2

36
 Exemplo 2

37
 Exemplo 2

38
 EPC a ser entregue

! Base Daisy para identificação de sistemas

http://www.esat.kuleuven.ac.be/sista/daisy/

39
 EPC a ser entregue

! Identificar 2 processos
! Sugestão de 1 deles:
! trocador de calor: 400 amostras
ftp://ftp.esat.kuleuven.ac.be/pub/SISTA/data/process_industry/exchanger.txt

S.Bittantiand L.Piroddi,"N onlinearidentification and controlofheatexchanger:a neuralnetw ork approach",Journalofthe Franklin Institute,1996. L.Piroddi,

40 N euralN etw orks forN onlinearPredictive C ontrol.Ph.D .Thesis,Politecnico diM ilano (in Italian),1995.
 EPC a ser entregue

! Os testes a serem realizados são para modelos

matemáticos de ordem reduzida.
! Deve-se determinar o modelo matemático para o
processo baseado na função custo, J, que é o erro
médio quadrático entre a saída real e a saída
estimada do processo.
! O modelo obtido com o algoritmo dos mínimos
quadrados que apresenta o menor valor de J é
considerado o modelo “mais preciso”.

41
 Tabela a ser preenchida

42
 Questionário a ser respondido
para os dois processos

! 1) Qual o melhor modelo matemático obtido para o

processo (valor de a’s e b’s)?

! 2) Comparando-se graficamente a resposta real com

a resposta estimada do processo pode-se dizer que
o sistema aproxima um modelo linear?

! 3) Analisando-se o número de parâmetros

estimados (número de a’s e b’s) do melhor modelo
pode-se dizer que é o modelo mais simples entre
os avaliados?
43