CONTROLE

AVANADO

Prof. Andr Laurindo Maitelli

DCA-UFRN
IDENTIFICAO DE
SISTEMAS
DINMICOS
 Introduo
a determinao de um modelo matemtico que
represente os aspectos essenciais do sistema,
caracterizado pela manipulao dos sinais de
entrada e sada que esto relacionados atravs de
uma funo de transferncia contnua ou discreta
a determinao, com base em entradas e sadas,
de um sistema em uma classe de sistemas
especificados, ao qual o sistema em teste
equivalente.
Para processos industriais, o modelo pode ser
obtido a partir do tratamento das medidas
coletadas atravs de uma realizao experimental
 Introduo
incertezas

entrada sada
Processo

Tcnicas de
Identificao

Modelo matemtico
do processo
 Etapas
Planejamento Experimental
o sinal de entrada deve excitar todos os modos do sistema
um bom mtodo de identificao deve ser insensvel s
caractersticas do sinal de entrada
Seleo da Estrutura do Modelo
pode ser feita a modelagem usando leis fsicas
a modelagem pode ser do tipo caixa preta, quando no se
tem nenhum conhecimento sobre o processo
pode ser caixa cinza, quando se tem algum conhecimento
Estimao de Parmetros
baseada em: dados de entrada e sada do processo, uma
classe de modelos e um critrio
Validao
verificao da adequao do modelo escolhido
 Lao de Identificao
conhecimento
a priori

Planejamento
Experimental

Dados

Conjunto de
modelos

Critrio

Avaliao do modelo
* O modelo pode ser
deficiente devido a:
- falha do procedimento
No OK revisar numrico
Validao - critrio mal escolhido
- conjunto de modelos
OK inapropriado
usar - dados no informativos
 Procedimentos
Diferentes procedimentos para a gerao do
sinal de entrada, medio da sada e
armazenamento dos dados:
Teste de resposta ao degrau
Teste de resposta em freqncia
Off-line
On-line
 Procedimentos
Identificao de um processo pelo teste de
resposta ao degrau:

entrada sada Armazenamento

Processo
de dados

O teste s tem validade para processos lineares ou

no-lineares linearizados em pontos de operao
No permite a identificao de modelos de ordem
superior, pois o degrau tem pobre composio em
freqncia
 Procedimentos
Identificao de um processo pelo teste de
resposta em freqncia:

Analisador entrada sada

Processo
de Espectro

mdulo fase

Aplica-se um sinal senoidal de freqncia varivel

na entrada do processo
Analisa-se as curvas de resposta em freqncia,
identificando-se plos e zeros
 Procedimentos
Identificao off-line:
Excita-se o processo e armazenam-se as
medidas de entrada e sada para aplicao e
avaliao a posteriori dos algoritmos no
recursivos
necessrio o conhecimento da estrutura do
modelo, envolvendo ordem e atraso de
transporte
 Procedimentos
Identificao on-line:
Excita-se o processo e trata-se em tempo real as
medidas de entrada e sada obtidas
A aplicao em tempo real dos algoritmos de
identificao interessante para o rastreamento
dos parmetros variantes no tempo
Supera uma desvantagem da aplicao off-line
que a necessidade de armazenamento de uma
grande quantidade de dados.
 Estimao de Parmetros
u(k) y(k)
y(k 1) f (, y(k ), u (k ))

ESTIMADOR

Sero considerados modelos ARMAX:

y(k) a1 y(k 1) a 2 y(k 2) ... a n y(k n) b1u(k 1) b 2 u(k 2) ... b m u(k m) e(k)
 Mtodo dos Mnimos Quadrados
Supondo que foram feitas N medidas de entrada e sada:
u(0), u(1),...., u(N) y(0), y(1),...., y(N)

Definindo:
a1
a
2

y(1) e(1) y(0) y(1 n ) u (0) u (1 m)
a n y ( 2) e(2) y(1)
y( 2 n ) u (2 m)
Y e u (1)
X

b1
b y ( N ) e ( N ) y( N 1) y( N n ) u ( N 1 u ( N m)
2

b
m

Tem-se: Y X e
 Exemplo

y(k ) ay(k 1) bu (k 1) e(k )

y(1) y(0) u (0) e(1)

y(2) y(1) a e(2)
u (1)

b

y ( N ) y ( N 1) u ( N 1) e ( N )

Y X e
 Mtodo dos Mnimos Quadrados
Problema a ser resolvido:
Dados Y e X, obter
Soluo: utilizar mtodo dos mnimos quadrados.
Escolher que minimize a funo erro J:
N
J e 2 (k ) e T e
k 1

J Y X Y X
T

J
Mnimo quando: 0

Y T Y Y T X T X T Y T X T X 0 2X T Y 2X T X 0

X T X X T Y
1
 Mtodo dos Mnimos Quadrados

X X X Y
1 yr
T T Min
yp

Observaes:
A soluo existe se (XTX)-1, a chamada pseudo-
inversa, for no-singular
A seqncia escolhida de entradas {u(k)} deve
garantir a existncia da no-singularidade
Se no houver a presena de incertezas (rudos)
podemos achar em N=n+m passos
A matriz X cresce a medida que N cresce
 Exemplo
y(k ) 0.8y(k 1) u (k 1)

Suponha y(0)=0 e que foi aplicada a seguinte entrada:

u(0)=1 e u(1)=-1
Logo: y(1)= -0.8y(0)+u(0)= 1
y(2)= -0.8y(1)+u(1)= -1.8

1 0
X
1 0 1 0 1 1 1
Y XTX
1.8 1 1 1 1 1 1 1 2

2 1
X X
T 1


1 1

a 2 1 0 1 1 0.8
b 1 1 1 1 1.8 1.0

 Propriedades Estatsticas do
Estimador

Assumindo que e(k) uma varivel

aleatria independente, gaussiana com
mdia zero e varincia 2, ou seja,
Ee(k) 0 Ee(i)e( j) 2 ij
1) Mdia
X T X X T X e X T X X T X X T X X T e
1 1 1

X T X X T e
1

E E E X X X T E{e}
T 1

Mas E{e} 0
Logo:
E
 Propriedades Estatsticas do
Estimador
2) Covarincia

E
T

E
T
X X


1 T
X e X X T

1
X e
T


T

X X X Eee XX X
T 1 T T T 1

X X 2 I
T 1
Assim,

Os elementos da diagonal de representam as varincias

de cada parmetro que compe o vetor de parmetros
 Propriedades Estatsticas do
Estimador
1
2
X X
T
Para N observaes:
N N
1
XTX
2
lim lim
N N N
Calculando: N

1
XTX
Se o estimador for consistente: lim
N N

em que uma matriz constante no-singular

Ento, lim 0
N
 Propriedades Estatsticas do
Estimador

Concluso:

Se
E e Nlim

0

Ento quando N

O estimador consistente
 Mtodo dos Mnimos
Quadrados Recursivo
Ideal para aplicaes on-line em sistemas
com parmetros constantes e desconhecidos
y(1) y(0) y(1 n ) u (0) u (1 m) e(1)
y(2) y(1) y( 2 n ) u (1) u (2 m) e(2)




y ( N ) y( N 1) y( N n ) u ( N 1) u ( N m) e ( N )


y(N 1) y(N) y(N 1 n) u(N) u(N 1 m) e(N 1)

Generalizando, temos:
Y( N) X( N) E( N)


y( N 1) x ( N 1) e( N 1)
T
 Mtodo dos Mnimos
Quadrados Recursivo
Considerando: Z(I) Z I

J sabemos que:
N X TN X N 1
X TN YN PN X TN YN

Logo, com (N+1) amostras:

N 1 X TN 1 X N 1 1
X TN 1 YN 1

YN

N 1 X TN 1X N 1
1
X TN 1
y N 1
1
XN YN
T
N 1
X N x N 1
X T
N x N 1

x TN 1 y N 1

N 1 X TN X N x N 1 x TN 1 X
1 T
N YN x N 1 y N 1
 Mtodo dos Mnimos
Quadrados Recursivo
Lema de Inverso de Matrizes:
Sejam Anxn
bnx1, cnx1
A, (A+bcT) matrizes no-singulares

Ento:

A bc T 1
A 1 c A b A 1bcA 1
1 T 1 1
 Mtodo dos Mnimos
Quadrados Recursivo
Definindo:
PN 1 X X N x N 1 x
T
N
T
N 1
1

E usando o lema de inverso de matrizes, com:

A X TN X N , b x N 1 , c T x TN 1

Temos que:

PN1 X X N
T
N
1

1 x T
N 1 X T
N XN 1
x N1 X X
1
T
N N 1

x N1 x TN1 X TN X N
1

PN 1 I 1 x T
N 1 PN x N 1 1

PN x N 1 x TN 1 PN
 Mtodo dos Mnimos
Quadrados Recursivo
Assim:
N1 PN1 X TN YN x N1 y N1

N 1 I 1 x TN 1 PN x N 1 1

PN x N 1 x TN 1 PN X TN YN x N 1 y N 1

N 1 PN X TN YN PN x N 1 y N 1 1 x TN 1 PN x N 1 1

PN x N 1 x TN 1PN X TN YN x N 1 y N 1

N 1 N 1 x TN 1 PN x N 1 1 x
1 T
N 1
PN x N 1 PN x N 1 y N 1 PN x N 1 x TN 1 PN X TN YN PN x N 1 x TN 1 PN x N 1 y N 1

N 1 N 1 x TN 1 PN x N 1
1

PN x N 1 1 x TN 1 PN x N 1 y N 1 x TN 1 PN X TN YN x TN 1 PN x N 1 y N 1

Finalmente, temos que:

N 1 N 1 x TN 1 PN x N 1 1

PN x N 1 y N 1 x TN 1 N
 Mtodo dos Mnimos
Quadrados Recursivo
Assim:

N
K 1 x T P x
N 1 N N 1 1
PN x N 1


N 1
N K N y N 1 x T

N 1 N



P N 1
I K x T
N N 1 PN
Em que:

x TN 1 y( N) y( N n 1) u ( N) u ( N m 1)

chamado de regressor e contm as informaes de

entrada e sada
 Seleo de P0 e 0

1) Calculando os primeiros k pontos:

k X Tk X k X Tk Yk Pk X X k
1 T 1
k

2) 0 arbitrrio

P0 I

Na k-sima iterao os valores de k e Pk se aproximam

daqueles calculados em 1) se infinito
 Seleo de P0 e 0

Pk P 1
k 1 xkx k
T 1

Pk1 Pk12 x k1x Tk1
1

Pk P 1
k 2 x k 1 x T
k 1 xkx k
T 1

Pk P 1
0 x 1 x .... x k 1 x
T
1
T
k 1 xkx k
T 1

Pk Po1 X Tk X k 1
 Seleo de P0 e 0
Yk 1
k Pk x Tk Yk
k Pk X Tk 1
x k
y k

k Pk X Tk 1 Yk 1 x k y k
Yk 2


k Pk X Tk 2 x k 1
x y
k k
y k 1

k Pk X T0 Y0 x 1 y1 .... x k y k

k Pk P01 0 X Tk Yk
 Seleo de P0 e 0
Concluso:
Para P0 I ( grande) e 0 arbitrrio:

k Pk X Tk Yk Pk X Tk X k
1
P01 0

Isto significa que, nestas condies, o mtodo recursivo

aproxima-se do exato.
 Excitao Persistente
O sinal de controle deve ser escolhido de
forma a excitar todos os modos do sistema;
Para tanto deve ser rico em freqncias
Um sinal muito utilizado na prtica o
PRBS (Pseudo Random Binary Signal), por
possuir estas caractersticas

+1

-1
 Mtodo dos Mnimos
Quadrados Recursivo com Fator de
Esquecimento
Utilizado para sistemas variantes no tempo;
A idia dar um maior peso aos dados
mais atuais;
Deve-se ter um cuidado na escolha do fator
de esquecimento;
Alternativamente, pode-se utilizar outros
mtodos como o reset da matriz de
covarincia.
 Mtodo dos Mnimos
Quadrados Recursivo com Fator de
Esquecimento
Definindo:
N
J N N k e 2 (k ) N 1 e 2 (1) N 2 e 2 (2) .... e 2 ( N 1) e 2 ( N)
k 1

N N 1
e(1) N2
e(2) e( N)
T

J N E TN E N

N X TN X N
1
X TN YN
 Mtodo dos Mnimos
Quadrados Recursivo com Fator de
Esquecimento
N 1
J N 1 N 1 k e 2 (k )
k 1

N 1 N 1
e(1) N2
e(2) e( N) e( N 1)
T

E N

Assim, E N 1
e( N 1)

 Mtodo dos Mnimos
Quadrados Recursivo com Fator de
Esquecimento
YN X N E N


y xT e
N 1 N 1 N 1

N 1 X TN 1 X N 1
1
X TN 1 YN 1
1
X N YN
N 1


X TN x N 1


X T
N x N 1



x T y
N 1 N 1

N 1 X TN X N x N 1 x TN 1 X
1 T
N YN x N 1 y N 1
 Mtodo dos Mnimos
Quadrados Recursivo com Fator de
Esquecimento

Definindo:
PN 1 X TN X N x N 1 x TN 1
1

E usando procedimento semelhante ao caso sem esquecimento,

obtm-se:

1

K N x N 1 PN x N 1 PN x N 1
T

N 1 N K N y N 1 x N 1 N
T
0 1
1

PN 1 I K N x TN 1 PN


Usualmente entre 0.995 e 1
 Seleo da Estrutura do Modelo
A seleo da estrutura de um modelo, no
caso de sistemas monovariveis limita-se
determinao da ordem do modelo e a
determinao do atraso de transporte;
A partir desta afirmao surge um
compromisso entre a capacidade de
representao da dinmica essencial do
sistema e um nmero adequado de
parmetros que possibilite menor esforo
para o processamento dos algoritmos de
identificao e controle;
 Seleo da Estrutura do Modelo
Definindo: 1 N

J N y(k 1) x Tk 1 k
2

N k 1

Podemos utilizar o critrio de Akaike para

determinar a melhor estrutura:

AIC N ln J N 2p

em que N o numero de medidas realizadas

durante o experimento e p o nmero de
parmetros utilizados no modelo estimado;
 Seleo da Estrutura do Modelo
O critrio utilizado da seguinte maneira:
inicia-se com a utilizao de um modelo de
baixa ordem, n=m=1, por exemplo;
aumenta-se a ordem do modelo estimado e o
critrio avaliado para cada incremento na
ordem, utilizando um determinado conjunto de
medidas;
A escolha da estrutura adequada baseada na
menor taxa de variao do critrio.