Escolar Documentos
Profissional Documentos
Cultura Documentos
CURITIBA
2015
PEDRO MOTTA NUNES
CURITIBA
2015
N972d Nunes, Pedro Motta
Desenvolvimento de métodos de identificação de parâmetros modais
operacionais usando o método de subespaço/ Pedro Motta Nunes. -
Curitiba, 2015.
92 f. : il. color. ; 30 cm.
Banca Examinadora:
UFSC UTFPR
“Em tudo dai graças, porque esta é a vontade de Deus em Cristo Jesus para
convosco.” (1 Tessalonicenses 5:18)
Agradeço a Deus, agradeço a minha família, agradeço aos amigos e claro, agradeço
ao meu orientador e também amigo.
RESUMO
1 INTRODUÇÃO ..................................................................................................... 7
2.3 RELAÇÃO ENTRE OS PARÂMETROS MODAIS DE SISTEMAS MODELADOS PARA TEMPO CONTÍNUO E
DISCRETO ........................................................................................................................................................23
2.3.1 RELAÇÃO ENTRADA-SAÍDA DE SISTEMAS LIT ....................................................................................... 24
3.1 REALIZAÇÃO DO MODELO NA FORMA DE ESTADO USANDO DADOS DE ENTRADA E SAÍDA ...............28
5 RESULTADOS ................................................................................................... 49
5.1 GERAÇÃO DOS DADOS DE ENTRADA E SAÍDA DE UM PÓRTICO USANDO O MÉTODO DE ELEMENTOS
FINITOS49
5.2 IDENTIFICAÇÃO MODAL USANDO DADOS DE ENTRADA E SAÍDA PARA O PÓRTICO SEM
AMORTECIMENTO E LIVRE DE RUÍDO .............................................................................................................55
5.3 IDENTIFICAÇÃO MODAL USANDO DADOS DE ENTRADA E SAÍDA PARA O PÓRTICO COM
AMORTECIMENTO E LIVRE DE RUÍDO .............................................................................................................57
5.4 IDENTIFICAÇÃO MODAL USANDO DADOS DE ENTRADA E SAÍDA PARA O PÓRTICO COM
AMORTECIMENTO E RUÍDO ............................................................................................................................58
5.5 IDENTIFICAÇÃO MODAL USANDO DADOS APENAS DE SAÍDA PARA O PÓRTICO SEM
AMORTECIMENTO E SEM RUÍDO USANDO O ALGORITMO 2...........................................................................61
5.6 GERAÇÃO DE DADOS PARA O SISTEMA ESTRUTURAL DE SEIS GRAUS DE LIBERDADE .........................66
5.7 IDENTIFICAÇÃO MODAL USANDO DADOS APENAS DE SAÍDA PARA O SISTEMA MASSA-MOLA SEM
AMORTECIMENTO E LIVRE DE RUÍDO USANDO O ALGORITMO 2 ....................................................................68
5.8 IDENTIFICAÇÃO MODAL USANDO DADOS APENAS DE SAÍDA PARA O SISTEMA MASSA MOLA COM
AMORTECIMENTO E LIVRE DE RUÍDO USANDO O ALGORITMO 2 ....................................................................72
5.9 IDENTIFICAÇÃO MODAL USANDO DADOS APENAS DE SAÍDA PARA O SISTEMA MASSA MOLA COM
AMORTECIMENTO E RUÍDO NA SAÍDA USANDO O ALGORITMO 2 ..................................................................74
5.10 IDENTIFICAÇÃO DOS PARAMETROS MODAIS SEM AMORTECIMENTO E LIVRE DE RUÍDO USANDO O
ALGORITMO 1 .................................................................................................................................................77
6 CONCLUSÕES .................................................................................................. 80
7 REFERÊNCIAS .................................................................................................. 82
7
1 INTRODUÇÃO
fornecem parâmetros calculados com uma maior precisão, visto que, com
uma grande quantidade de dados, a identificação pode ser repetida várias
vezes utilizando-se diferentes métodos.
Definindo-se:
q(t )
x(t ) (2.2)
q (t )
C M K 0 f (t )
A B u (t ) (2.4)
M 0 0 M 0
18
( A B)Ψe t 0 (2.7)
Como o termo escalar e t , da equação acima, não é zero, resulta então que
( A B) Ψ 0 (2.8)
det(A B) 0 (2.9)
q(t ) φ e t e q (t ) φ e t (2.11)
φj
Ψj j 1: n (2.12)
j φ j
φ φ
Ψ Ψ1 Ψ n 1 n (2.13)
1φ1 nφ n
Ψ T AΨ I nn e ΨT BΨ Λ (2.14)
onde:
λ 0 Φ Φ*
Λ Ψ
λ *
e (2.15)
0 Φ λ Φ* λ *
λ diag 1 f e
Φ φ1 φ
f (2.16)
x (t ) F x(t ) E u (t ) (2.17)
20
onde
0 I
F A 1B E A 1
M 1C
1 e (2.18)
M K
F ΨΛΨ1 (2.19)
t2
F 2t 2 F 3t 3 Fkt k
eFt I Ft (2.21)
2! 3! k!
que representa uma série formada de infinitas parcelas, que pode ser facilmente
calculada usando as matrizes Λ e Ψ como (LUENBERGER, 1979),
eFt Ψe Λ t Ψ 1 (2.22)
x(t 2 ) Ψe Λ ( t2 t1 )
Ψ x(t1 ) Ψe Λ (t2 ) Ψ 1E u ( )d
1
(2.23)
t1
21
Onde:
A eFt (2.29)
( k 1) t
Bd Ak 1t E d
kt
(2.30)
22
0 t t F
Bd A( )d E A( )d E e d E (2.31)
t 0 0
t
1 at
e
a
Considerando que d
e 1 , tem-se, então, por analogia, que a
0
a
equação (2.31) pode ser escrita como
Bd F 1 A I E (2.32)
xk ψ z k (2.34)
ψ z k 1 A ψ z k (2.35)
( z I A)Ψ 0 (2.36)
Sendo que este problema de autovalor tem solução não trivial se e somente se a
equação polinomial característica for obtida da seguinte forma:
det(z I A) 0 (2.37)
Ψ 1AΨ Ζ j 1: n (2.39)
ou
A Ψ Ζ Ψ 1 (2.40)
k2 1
x(k 2 ) Ψ Ζ ( k2 k1 ) Ψ 1 x(k1 ) Ψ Ζ k l 1 Ψ 1 B d (l ) u (l ) (2.41)
l 0
ln( z j )
j (2.43)
t
j j em rad/s (2.44)
j
fj em Hz (2.45)
2
24
( j )
j (2.46)
j
t
x(t ) Ψe Λ (t ) Ψ 1E u ( )d (2.47)
0
Onde os termos entrada e saída aqui são descritos, respectivamente, pelo termo
força u (t ) e pelo vetor de estado x(t).
Usando as condições de ortogonalidade da matriz modal ΨT AΨ I nn , dada
pela Equação (2.14), e o fato de que E A 1 e F ΨΛΨ1 , conforme mostram as
Equações (2.2) e (2.3), tem-se que,
E A 1 Ψ T I nn Ψ 1
1
ΨΨT (2.48)
t t
x(t ) Ψe Λ (t ) ΨT u ( )d H(t ) u ( )d (2.49)
0 0
onde o termo
H(t ) Ψe Λ t ΨT (2.50)
A Equação (2.49) estabelece que o vetor de estado x(t ) pode ser expresso
através da integral de convolução entre a função matricial H(t ) e a entrada u (t ) .
Além disso, a função H(t ) é o núcleo desta integral de convolução e representa
fisicamente uma matriz de funções de respostas impulsivas (FRI)’s como:
25
h11(t ) h1n (t )
h (t ) h 2 n (t )
H(t ) Ψe Ψ 21
Λt T
(2.51)
h n1 (t ) h nn (t )
Φ Φ e t 0 Φ Φ
H(t ) Ψe Ψ Λt T
(2.52)
e t Φ Φ
Φ Φ 0
1φ f 1 f φ ff 1φ f 1 f φ*ff
e 1 t
0
e f t
.
e 1 t
*
0
e
*f t
φ11 φ f1 1φ11 1φ f 1
φ1f φ ff f φ1 f f φ ff
.
φ11 φ f1 1φ11 1φ f 1
(2.53)
φ1f
φ ff f φ1 f
f φ*ff
f
hij (t ) φi ( k ) φ j ( k ) e k t φi ( k ) φj ( k ) e k t
(2.54)
k 1
26
rij ( k ) φ i ( k ) φ j ( k ) (2.55)
f
hij (t ) rij ( k ) e lt rij*( k ) e l t
*
(2.56)
k 1
u (t ) G u(t ) (2.57)
Com esta definição do vetor u(t ) , a Eq. (2.18), para tempo contínuo, pode
ser reescrita como:
ou
onde
B Bd G (2.61)
Φj C Ψj j 1,2,..., n. (2.64)
Yh Γi X Ht U h (3.3)
y (k ) y (k 1) y (k j 1)
y (k 1) y (k 2) y (k j )
Yh y (k 2) y (k 3) y (k j 1) (3.4)
y (k i 1) y (k i ) y (k i j 2)
u( k ) u(k 1) u(k j 1)
u(k 1) u(k 2) u(k j )
U h u(k 2) u(k 3) u(k j 1) (3.5)
u(k i 1) u( k i ) u(k i j 2)
C
CA
Γ i CA2 (3.7)
CAi 1
D 0 0 0
CB D 0 0
H t CAB CB D 0 (3.8)
0
CAi2 B CAi3B CAi 4B D
Γ(1) C
Γi i i 1 ( 2) (3.10)
CA Γi
É assumindo aqui que a entrada u(k ) possui energia suficiente para excitar
todos os modos do sistema durante o experimento de identificação, i.e., o sistema
possui excitação persistente (SÖDERSTRÖM e STOICA, 1989). Um sinal de entrada
do tipo ruído branco satisfaz tal exigência.
Considerando, portanto, que a entrada seja um ruído, isso implica que a
matriz formada pelos dados de entrada U h , conforme a Equação (3.5), é de rank
completo igual a im, considerando que j (il , im) . Aplicando a SVD na matriz U h , de
dimensão im j , resulta em
V1T
Uh Q S 0 j0 T (3.12)
V2
Yh V2 Γi X V2 (3.14)
Para o caso ideal, onde os dados de entrada e saída são livres de ruído, o
rank das matrizes Γ i e V2T XT é igual a n, da ordem do sistema dinâmico modelado
pela Equação (3.1). Isso implica que o produto Yh V2 da Equação (3.14) também
possua rank igual a n. Além disso, as n colunas das matrizes Γ i e V2T XT geram,
respectivamente, o espaço coluna e o espaço linha da matriz Yh V2 .
3.2.2 Realização para dados de entrada saída considerando ruído nos dados de
saída
Para uma situação mais realista, onde os dados de saída são contaminados
por ruído, a matriz Yh V2 possui rank completo igual a il, sendo que il n . Entretanto,
uma estimativa do espaço coluna da matriz Yh V2 , de rank n, pode ser calculada
usando SVD como
ˆ
Yh V2 Q s Q
n
ˆ
ˆ S s
ˆT
0 V
ˆS V
ˆT
s ˆ Sˆ V
Q ˆT ˆ ˆ ˆT
s s s Q nS n Vn (3.15)
0 n n
ˆ Q
Γ ˆ (3.16)
i s
O modelo auto-regressivo com média móvel (ARMA) pode ser usado para
descrever o comportamento dinâmico de uma variável y (k ) e um processo aleatório
multivariado y (k ), em tempo discreto, através da seguinte equação de diferenças
(LARDIES, 2010):
f f
y (k f ) α j y (k f j ) β j e(k f j ) (4.1)
j 1 j 1
y (k 1) y (k 1)
y (k 2) y (k 2)
(4.2)
y (k f 1) y (k f 1)
f f
y ( k f ) α j y ( k f j ) β j e( k f j )
j 1 j 1
0 I 0 0 0 0 0 0
y (k 1) y (k ) e( k )
y (k 2) 0 0 I 0 0 0 0 0 (4.3)
y (k 1) e(k 1)
0 0 0 0 I
0 0
y (k f 1) 0 0 0
e(k f 1)
y ( k f ) α α f 1 α f 2 α1 β β f 1 β f 2
β1
f f
0 I 0 0
0 0 I 0
α (4.4)
0 0 0 0 I
α f α f 1 α f 2 α 1
e
0 0 0 0
0 0 0 0
β (4.5)
0 0 0 0 0
β f β f 1 β f 2 β1
y fut (k ) yT (k ) yT (k 1) yT (k f 1) T
(4.6)
37
y pas (k ) y T (k ) y T (k 1) y T (k p 1) T
(4.7)
e fut (k ) eT (k ) eT (k 1) eT (k f 1) T
(4.8)
E y fut (k 1) yTpas (k 1) E y fut (k ) yTpas (k 1) E e fut (k ) yTpas (k 1) (4.10)
E e fut (k )y Tpas (k 1) 0 (4.11)
E y fut (k 1)y Tpas (k 1) E y fut (k )y Tpas (k 1)
(4.12)
y (k 1)
y (k 2)
E y fut (k 1)y pas (k 1) E
T
y (k 1) y (k 2) y (k p) (4.13)
y ( k f )
ou
38
R2 R3 R1 p
R R 2 p
E y fut (k 1)y Tpas (k 1) E
3
R4
(4.15)
R f 1 R f 2 R f p
R2 R3 R1 p
R R4 R 2 p
3
H ( 2) (4.16)
R f 1 R f 2 R f p
R1 R2 Rp
R R3 R p1
2
H (1) (4.17)
R f R f 1 R f p1
de dimensão lf lp .
Dessa forma a equação (12) pode ser escrita de forma mais compacta
como:
H ( 2) α H (1) (4.18)
α H ( 2) HT(1) H (1) HT(1) 1
(4.19)
39
E[u(k )] 0 (4.21)
E[ v(k )] 0 (4.22)
E[u(k i) uT (k )] 0 (4.23)
E[ v(k i) vT (k )] 0 (4.24)
para i 0 .
40
E[ x(k )u T (k )] 0 (4.25)
E[x(k ) vT (k )] 0 (4.26)
R i E y(k i)y T (k ) C Ai1G (4.27)
G E x(k 1) y T (k ) (4.28)
R1 E y(k 1)y T (k ) E {C x(k 1) v(k 1)} y T (k ) (4.29)
R1 E C x(k 1)y T (k ) CE x(k 1)y T (k ) C G (4.30)
G
R 2 E y(k 2) y T (k ) E {C x(k 2) v(k 2)}{y T (k )} (4.31)
ou
R 2 E C A x(k 1) C u(k 1) v(k 2) y T (k ) (4.32)
R 2 C AE x(k 1)y T (k ) C A G (4.33)
G
R3 E y(k 3) yT (k ) E Cx(k 3) v(k 3)yT (k )) (4.34)
ou
R 3 C E x(k 3)y T (k ) C E A x(k 2) u(k 2) y T (k ) (4.35)
ou ainda
R 3 C E AAx (k 1) u(k 1) u(k 2)y T (k ) (4.36)
2
CA E x(k 1)y (k ) CA G
T
2
R1 R2 Rj
R R3 R j 1
H
2
(4.37)
R i R i 1 R i j 1
de dimensão li lj .
R1 R2 R j CG CAG CA j 1G
R R j 1 CAG
R3 CA 2G CA j G
H
2
(4.38)
R i R i 1 R i j 1 CAi 1G CAi G CAi j 2G
42
ou ainda
R1 R2 Rj C
R R j 1 CA
H
2 R3
G AG A j 1G (4.39)
R i R i 1 R i j 1 CAi 1
H Γi Λ (4.40)
Γ(1) C
Γi i i 1 ( 2) (4.41)
CA Γi
sendo que
ˆ
H Q
s Q n
ˆ
ˆ S s 0 V
ˆS
ˆT
ˆ T
s ˆ Sˆ V
Q ˆT ˆ ˆ ˆT
s s s Q n S n Vn (4.44)
0 n Vn
ˆ Q
Γ ˆ ou ˆ Q
Γ ˆ Sˆ 1 2 (4.45)
i s i s n
w[k ] Q S
E T T
w [ j] v [ j] T
R
[k j ] (4.47)
v[k ] S
onde E
. denota a média estatística e [k j ] a função delta de Dirac.
44
E x[k ] x T [k ] Σ (4.48)
sendo assumido como ser um processo independente dos processos w[k ] e v[k ],
isto é:
E x[k ] w T [k ] 0 e
E x[k ] v T [k ] 0 (4.49)
Σ E Ax[k ] w[k ] xT [k ]AT wT [k ] (4.50)
Σ A Σ AT Q (4.51)
G E x[k 1] y T [k ] A Σ CT S (4.52)
Λ i E y[k i] y T [k ] (4.53)
y [k ]
y[k ] r (4.55)
y s [k ]
y r [k ] L y[k ] (4.56)
onde
L Ir 0r(l r ) (4.57)
G r E x[k 1].y Tr [k ] G LT (4.58)
Λ ir E y[k i].y Tr [k ] Λ i LT (4.59)
y r [0] y r [1] y r [ j 1]
y r [ j ]
1 y r [1] y r [2]
Yr (4.61)
j
y r [i 1] y r [i ] y r [i j 2]
y[i ] y[i 1] y r [i j 1]
y[i j ]
1 y[i 1] y[i 2]
Y (4.62)
j
y[2i 1] y[2i] y[2i j 2]
Λ ir Λ ir1 Λ1r
r
Λ Λ ir Λ r2
T r Y YrT i 1 (4.63)
r
Λ 2i 1 Λ r2i 2 Λ ir
C
CA
T
r
A i 1G r A i 2 G r AG r ~
G r Γ i Λ ir (4.64)
i 1
CA
~
onde Λ ir é uma matriz de dimensão n ir e Γ i é a matriz de observabilidade, de
dimensão il n , formada pela matriz de estado A e também pela matriz de influência
das saídas C como:
C
CA
Γ i CA 2 (4.65)
CA i 1
47
Γ i( 2) Γ i(1) A (4.66)
Γ (1) C
Γ i i i 1 ( 2) (4.67)
CA Γ i
~
O espaço coluna do produto das matrizes T r Γ i Λ ir , dado pela equação
(4.64), está contido no espaço coluna de Γ i . O espaço linha de T r também está
contido no espaço linha de Λ ir .
Assumindo que (li , ri) n , o espaço coluna do produto das matrizes
~
T r Γ i Λ ir é gerado pela n colunas da matriz de observabilidade Γ i . O espaço linha
de T r é gerado pelas n linhas da matriz Λ ir .
O rank de ambas matrizes Γ i e Λ ir são n, que também é a ordem mínima
~
do sistema. Isto faz com que o produto T r Γ i Λ ir também tenha ordem n.
Então, o espaço coluna da matriz de covariância defasada T r tem a mesma
estrutura de invariância ao deslocamento como em Γ i , demonstrada na equação
(4.66), a qual permite calcular a matriz de estado A.
A afirmação acima é baseada na hipótese de que os dados de saída são
livres de ruído. Mas para casos mais reais, onde os dados de saída são
contaminados com ruído, a matriz T r possui rank completo maior que a ordem
mínima n do sistema dinâmico a ser identificado. Entretanto, o espaço coluna de
rank n da matriz T r pode ser calculado a partir de um procedimento de redução de
rank usando a SVD, como
48
rˆ
T Q s Q n
ˆ
ˆ S s
ˆS V
ˆT
0 V
ˆT
s ˆ Sˆ V
Q ˆT ˆ ˆ ˆT
s s s Q n S n Vn (4.69)
0 n n
ˆ Sˆ V
Tˆ r Q ˆT
s s s (4.70)
ˆ
Γˆ i Q ou ˆ Sˆ 1/ 2
Γˆ i Q (4.71)
s s s
5 RESULTADOS
Os dados de entrada e saída que são usados para avaliar a eficiência dos
métodos de identificação apresentados no presente trabalho são obtidos de uma
estrutura do tipo pórtico bidimensional, mostrada na Figura (1), sendo que suas
matrizes de massa e rigidez são calculadas através do método de elementos finitos.
As características dimensionais dessa estrutura são as seguintes:
comprimento L 240 polegadas , rigidez EI 2,952 1010 lb. pol 2 , massa por unidade
0,013 lb.s 2 / pol.2 e o raio de giração r 7,47 pol.
Esta estrutura do tipo pórtico é dividida em 14 elementos, sendo 4 destes
para cada viga lateral e 6 para a viga na horizontal e um total de 15 nós, como
mostra a Figura (2).
140 0 0 70 0 0
0 156 22l 0 54 13l
0 22l 4l 2
0 13l 3l 2
[ m] e (5.1)
70 0 0 140 0 0
0 54 13l 0 156 22l
0 13l 3l 22l 4l 2
2
0
l 2 l
2
0 0 0 0
r r
0 12 6l 0 12 6l
4l 2 6l 2l 2
[ k ]e 0 2 6l 0
2 (5.2)
l 0
l
0 0 0
r r
0 12 6l 0 12 6l
0 6l 2l 2 0 6l 4l 2
51
Como mostra a Figura (5). A Figura (5) mostra também a posição adotada
para a força de entrada, denotada por u 7 . Ela está no nó 5, atuando na direção da
coordenada de saída y7 .
N p 1
y i (k )
h
0
i7 ( ) u 7 (k ) i 1,,31 (5.3)
sendo que as matrizes de massa M e rigidez K são aquelas geradas pelo método
de elementos finitos, conforme apresentado na seção 5.1.
boa com os modos exatos do pórtico apresentados na Figura (6). Além disso, é
importante observar que os modos de vibrar para outras diversas ordens mínimas
consideradas neste teste também apresentam bons resultados.
N p 1
y i (k )
h
0
i1 ( ) u1 (k ) i 1,,4 (5.5)
64
0.07
0.06
2
0.05
abs(H11)
abs(H12)
0.04
0.03
1
0.02
0.01
0 0
0 20 40 60 80 100 120 140 160 180 0 20 40 60 80 100 120 140 160 180
Hertz Hertz
-4
x 10
0.08 3
0.07
0.06
2
0.05
abs(H13)
abs(H14)
0.04
0.03
1
0.02
0.01
0 0
0 20 40 60 80 100 120 140 160 180 0 20 40 60 80 100 120 140 160 180
Hertz Hertz
66
m1 0 0 0 0 0
0 m2 0 0 0 0
0 0 m3 0 0 0
M
0 0 0 m4 0 0 , (5.6)
0 0 0 0 m5 0
0 0 0 0 0 m6
(k1 k 2 ) k2 0 0 0 0
k (k 2 k 3 ) k3 0 0 0
2
0 k3 (k 3 k 4 ) k4 0 0
K
0 0 k4 (k 4 k 5 ) k5 0
0 0 0 k5 (k 5 k 6 ) k6
0 0 0 0 k6 (k 6 k 7 )
(5.7)
67
(c1 c 2 ) c2 0 0 0 0
c (c 2 c 3 ) c3 0 0 0
2
0 c3 (c 3 c 4 ) c4 0 0
C
0 0 c4 (c 4 c 5 ) c5 0
0 0 0 c5 (c 5 c 6 ) c6
0 0 0 0 c6 (c6 c7 )
(5.8)
N p 1
yi (k )
h ( ) u (k )
0
i1 1 i 1,,6 (5.9)
1 1
f max 16,66 Hz.
2t 2(0,03)
6 CONCLUSÕES
ii) No que diz respeito aos algoritmos que usam dados apenas de saída, o
algoritmo (2), descrito na seção 4.3, produz melhores resultados que o
algoritmo 1 da seção 4.2. Acredita-se que o motivo para esse melhor
desempenho se deva ao uso de valores de um vetor de saída de
referência, usado no algoritmo 2.
iii) O efeito do ruído somado aos dados de saída para o método que utiliza
dados de entrada e saída faz diminuir a precisão dos parâmetros
identificados, especialmente fatores e amortecimento e os modos de
vibração natural. Neste trabalho não foi considerado a questão do efeito
do ruído somado aos dados de saída para o método apenas de saída.
iv) Também não foi considerado o efeito do ruído somado aos dados de
entrada para todos os métodos apresentados neste trabalho. Este efeito
não é comumente discutido na literatura estudada para o
desenvolvimento deste trabalho.
Pode-se ainda, com base nos estudos da revisão bibliográfica bem como na
própria implantação dos algoritmos de identificação modal apresentados no presente
trabalho, sugerir os seguintes temas para futuras pesquisas:
7 REFERÊNCIAS
and Experimental Journal of Modal Analysis, Vol.1, No. 2, pp. 1-18, 1987.
KUO, B.C., Digital Control System, New York, Holt, Rinehart and Wiston,
1980.
LJUNG, L., System Identification: Theory for the User, Prentice Hall,
Englewood Cliffs, NJ, 1987.
PEETERS B., DE ROECK G., HERMANS L., WAUTERS T., KRAMER C.,
SMET C.A.M, Comparison of system identification methods using operational
DEFINIÇÕES BÁSICAS
ˆΣ
X U Σ VT U ˆV
ˆT U
ˆΣ
ˆ V
ˆ T
(2)
91
1 2 r r 1 m 0 , (3)
UT U I m
U UT I m
Uˆ TU
ˆ I
r
ˆ TU
ˆ I (4)
U mr
ˆ TU
U ˆ 0
r( m r )
UˆUˆ U
T ˆ Uˆ
T
Im
onde I denota matriz identidade.
A matriz V, de dimensão n n , é formada de maneira tal que suas
colunas são os autovetores da matriz de informação X T X e são chamados vetores
singulares à direita de X. As matrizes V̂ , relacionada com os valores singulares não
nulos de Σ , e V̂ , relacionada com os valores singulares nulos de Σ , possuem
dimensão, respectivamente, iguais a n r e n (n r ) . As matrizes V, V̂ e V̂
possuem as seguintes propriedades de ortogonalidade,
VT V I n
V VT I n
ˆ TV
V ˆ I
r
ˆ TV
ˆ I . (5)
V nr
ˆ TV
V ˆ 0
r( n r )
ˆV
V ˆ V
Tˆ V
ˆ
T
In