• Nenhum resultado encontrado

neares com Estrutura OBF

5.2.5 Outros Sistemas

60 70 80 90 100

Identificação Subsistema Umidade Relativa Interna

Amostras

Umidade Relativa Interna (%)

Sistema Modelo

Figura 5.30: Identifica¸c˜ao do Subsistema Umidade

5.2.5 Outros Sistemas

Um estudo de caso envolvendo a sele¸c˜ao de p´olos em um sistema MISO ´e apresentado. O sistema tem trˆes entradas e uma sa´ıda, e as fun¸c˜oes transferˆencia relacionando cada entrada com a sa´ıda s˜ao dadas por:

y(z) = 0.1459z 3 + 0.1313z2 + 0.02771z − 0.00423 z4− 1.7z3+ 1.753z2− 1.068z + 0.3161 u1(z) +−0.2548z 2 + 0.1911z + 0.1822 z3− 1.4z2+ 0.6724z − 0.1539u2(z)+ −0.6155z4 + 1.323z3 − 0.7309z2 − 0.02993z + 0.09752 z5− 1.96z4+ 1.552z3− 0.7342z2+ 0.2091z − 0.02205u3(z) +ξ(z)

onde y(z) ´e o sinal de sa´ıda e ui(z), i = 1, 2, 3 s˜ao os sinais de entrada. ξ(z) ´e um sinal de perturba¸c˜ao, com distribui¸c˜ao normal, m´edia zero e desvio padr˜ao igual a 0.1. Um conjunto de trˆes sinais de entrada (sinais aleat´orios, com 100 amostras, distribui¸c˜ao normal, m´edia zero e desvio padr˜ao igual a 1) juntamente com a sa´ıda do sistema s˜ao os dados necess´arios para a sele¸c˜ao dos p´olos. Para fins de ilustrar a aplicabilidade do m´etodo em diferentes bases, fixou-se que a rela¸c˜ao entre u1 e y ´e modelada utilizando-se

5.2 Sistemas T´ermicos 74

Tabela 5.1: Resultados para Diferentes Estruturas de Modelos

N´umero de Bases ´ındice (×10−2)

Kautz Lag. GOBF MSE FPE

10 6 12 0.639 1.14 8 8 8 0.678 1.11 10 7 8 0.695 1.16 10 6 8 0.703 1.15 8 7 8 0.725 1.16 8 6 8 0.727 1.14 6 4 9 1.11 1.64 6 4 8 1.17 1.69 6 4 6 1.46 2.01 4 3 8 1.97 2.66 4 3 6 2.15 2.80

a base de Kautz, entre u2 e y a base de Laguerre e entre u3 e y a base GOBF com 4 p´olos reais (com possibilidade de serem distintos). Cada uma das trˆes bases foi constru´ıda com oito fun¸c˜oes.

Os p´olos das trˆes bases foram selecionados utilizando-se o m´etodo proposto em (Reginato e Oliveira, 2007b; Reginato e Oliveira, 2007a). Os valores obtidos para os p´olos s˜ao: 0.17 + 0.58i para a base de Kautz, 0.45 para a base de Laguerre e −0.3, 0.88, 0.13, 0.12 para base GOBF. O MSE entre a sa´ıda do sistema e a do modelo, utilizando-se previs˜ao livre ´e 6.78 × 10−3

.

Adicionalmente, na Tabela 5.1 encontram-se resultados da aproxima¸c˜ao do modelo utilizando bases ortonormais com diferentes n´umeros de fun¸c˜oes.

Para a valida¸c˜ao do modelo, outro conjunto de dados foi gerado. Os novos sinais de entrada possuem as mesmas caracter´ısticas daqueles utilizados para gerar os dados de identifica¸c˜ao. Para a valida¸c˜ao, o MSE entre a sa´ıda do sistema e a do modelo (tamb´em utilizando previs˜ao livre) ´e 7.78 × 10−3

. A Fig. 5.31 cont´em os sinais de sa´ıda e a previs˜ao modelo, assim como o erro absoluto entre estes sinais. Estes resultados mostram que o modelo obtido, com poucos parˆametros devido a sele¸c˜ao inicial adequada de p´olos para as bases, ´e v´alido para representar o sistema. Mais detalhes sobre esta identifica¸c˜ao foram publicadas em (Reginato e Oliveira, 2007b; Reginato e Oliveira, 2008a).

5.2 Sistemas T´ermicos 75 0 20 40 60 80 100 −2 −1 0 1 2 3

Saídas do Sistema e do Modelo Sistema Modelo 0 20 40 60 80 100 0 0.05 0.1 0.15 0.2 Amostras Erro Absoluto

76

6 Conclus˜ao

A id´eia de utilizar bases de fun¸c˜oes ortonormais na representa¸c˜ao de sistemas ´e um campo antigo, por´em teve grande repercus˜ao ap´os a d´ecada de 90. Apesar de ter conheci-mento amplo, ainda ´e explorado por poucos grupos de pesquisa no Brasil. Este conceito vem sendo utilizado na representa¸c˜ao e modelagem de sistemas em diferentes ´areas da engenharia.

Aliada `as caracter´ısticas e vantagens das bases de fun¸c˜oes ortonormais formadas por fun¸c˜oes internas com v´arias dinˆamicas descritas neste documento, estudos apresentados visam analisar e melhorar o desempenho dos modelos em quest˜ao. As frentes de estudo foram divididas em duas partes: dom´ınio do tempo e dom´ınio da freq¨uˆencia. O desen-volvimento matem´atico referente a ambos os dom´ınios foi ent˜ao descrito.

A fim de facilitar a aplicabilidade, por terceiros, dos resultados em sistemas reais e de interesse atualmente nos processos, foram desenvolvidas interfaces gr´aficas e rotinas computacionais que trabalham em conjunto, facilitando a aplica¸c˜ao desta estrutura de modelos para sistemas dinˆamicos. O essencial para a obten¸c˜ao dos modelos foi encapsu-lado em um ambiente computacional.

De fato, um passo importante na identifica¸c˜ao de um sistema dinˆamico usando bases ortonormais ´e a sele¸c˜ao dos p´olos das fun¸c˜oes. Isto ´e devido ao fato que as fun¸c˜oes de transferˆencias geradas por tal m´etodo necessitam que seus p´olos sejam adequadamente alo-cados para que a s´erie de fun¸c˜oes que represente o sistema possua uma boa convergˆencia. Neste sentido, um algoritmo h´ıbrido, baseado em inteligˆencia artificial, foi utilizado para que a aloca¸c˜ao dos p´olos fosse feita de maneira mais precisa e de forma a obter baixas dimens˜oes para os sistemas estudados. Por fim, diversos exemplos mostraram a aplica-bilidade e validade da teoria, algoritmo e software propostos em diversas ´areas, tanto no dom´ınio do tempo, quanto no da freq¨uˆencia. Todos os modelos (que s˜ao de previs˜ao livre) obtidos permitem a aplica¸c˜ao GOBF em sistemas el´etricos, em particular linhas de transmiss˜ao e transformadores, em sistemas SISO e MISO, em sistemas eletro-mecˆanicos

6.1 Trabalhos Futuros 77

e sistema t´ermicos s˜ao descritos, evidenciando a aplicabilidade dos resultados obtidos.

6.1 Trabalhos Futuros

Trabalhos futuros na ´area de identifica¸c˜ao de sistemas usando bases de fun¸c˜oes ortonor-mais incluem:

1. Compara¸c˜ao de desempenho entre modelos GOBF e outras estruturas para identi-fica¸c˜ao de sistemas j´a propostas.

2. Compara¸c˜ao entre o m´etodo de sele¸c˜ao de p´olos GOBF proposto e os j´a abordados na literatura.

3. Estudo da influˆencia, na sele¸c˜ao de p´olos, dos parˆametros pertinentes aos algoritmos utilizados para as otimiza¸c˜oes.

4. Flexibilidade para que possa ser utilizada a previs˜ao um passo a frente nas identi-fica¸c˜oes, o que pode ser desej´avel em alguns casos.

5. Sele¸c˜ao de p´olos na freq¨uˆencia com base na an´alise dos seus respectivos espectros, de forma a pelo menos obter parˆametros iniciais para os algoritmos de otimiza¸c˜ao.

6. Apesar de conclu´ıdo para a finalidade `a qual foi proposto, o software pode agre-gar mais interfaces, como as apresentadas nas figuras 6.1, 6.2, 6.3. S˜ao interfaces semi-acabadas e com linhas de c´odigo j´a embutidas, que necessitam ter seus parˆametros corre-tamente lidos, formatados e enviados `as respectivas rotinas.

6.1 Trabalhos Futuros 78

6.1 Trabalhos Futuros 79

6.1 Trabalhos Futuros 80

81

Referˆencias

Abonyi, J., R. Babuska, H. B. Verbruggen e F. Szeifert (2000). Incorporating prior knowledge in fuzzy model identification. International Journal of Systems Science 31(5), 657–667.

Aguirre, A. e L. A. Aguirre (1998). Time series analysis of monthly beef cattle prices with nonlinear autoregressive models. In: Applied Economics. Vol. 32. pp. 245–275. Aguirre, L. A. (2007). Introdu¸c˜ao `a Identifica¸c˜ao de Sistemas: T´ecnicas Lineares e N˜ao

Linares Aplicadas a Sistemas Reais. 3 ed.. Editora UFMG. Belo Horizonte, MG, Brasil.

Ak¸cay, H. e P. Heuberger (2001). A frequency-domain iterative identification algorithm using general orthonormal basis functions. Automatica 37(5), 663–674.

Alessandri, A. e T. Parisini (1997). Nonlinear modelling of complex large-scale plants using neural networks and stochastic approximation. IEEE Transactions on Systems, and Cybernetics - Part A 27(6), 750–757.

Arruda, G. H. M. e P. R. Bastos (2007). Enciclop´edia de Autom´atica. Chap. 1: Introdu¸c˜ao `a Identifica¸c˜ao de Sistemas Dinˆamicos, pp. 24–55. Vol. 3. Edgard Bl¨ucher. S˜ao Paulo, SP, Brasil.

Bazaraa, M. S., H. Sherali e C. M. Shetty (2006). Nonlinear Programming. John Wiley & Sons, Inc. New York, EUA.

Bechmann, H., M. K. Nielsen, H. Madsen e K. P. Niels (1999). Grey-box modelling of pollutant loads from a sewer system. Urban Water 1(1), 71–78.

Billings, S. A. (1980). Identification of nonlinear systems - a survey. IEE Proceedings-D Control Theory and Applications 127(6), 272–285.

Bohlin, T. (1994). A case study of grey box identification. Automatica 30(2), 307–318. Bouzrara, K. e H. Messaoud (2002). Robust identification of thermal processes using

orthogonal function bases. Heat Transfer Research 33(7-8), 473–489.

Brus, L. (2005). Nonlinear identification of a solar heating system. In: Proceedings of the IEEE International Conference on Control Applications. Toronto, EUA. pp. 1491– 1497.

Bulsari, A. e H. Saxen (1991). Application of feed-forward neural networks for system identification of a biochemical process. In: IEEE International Joint Conference on Neural Networks. Vol. 2. Singapura. pp. 1224–1229.

Referˆencias 82

Callafon, R. A., P.M.J. Van den Hof e D.K. De Vries (1994). Identification and control of a compact disc mechanism using fractional representations. In: Proc. 10th IFAC Symposium on System Identification. Dinamarca.

Campello, R. J. G.B. e G. H. C. Oliveira (2007). Enciclop´edia de Autom´atica. Chap. 4: Modelos N˜ao Lineares, pp. 104–122. Vol. 3. Edgard Bl¨ucher. S˜ao Paulo, SP, Brasil. Campello, R. J. G. B., G. H. C. Oliveira e W. C. Amaral (2007). Identifica¸c˜ao e controle

de processos via desenvolvimentos em s´eries ortonormais. Parte A: Identifica¸c˜ao. Sba Controle & Automa¸c˜ao 18(3), 301–321.

Campello, R. J. G. B. (2002). Arquiteturas e Metodologias para Modelagem e Controle de Sistemas Complexos utilizando Ferramentas Cl´assicas e Modernas. PhD thesis. UNICAMP. Campinas, SP, Brasil.

Clowes, G. J. (1965). Choice of the time-scaling factor for linear system approximation using orthonormal laguerre functions. In: IEEE Transactions on Automatic Control. Vol. 10. pp. 487–489.

Cluett, W. R. e L. Wang (1992). Frequency smoothing using laguerre model. Control Theory and Applications, IEE Proceedings D pp. 88–96.

Coelho, A. A. R. e L. S. Coelho (2004). Identifica¸c˜ao de Sistemas Dinˆamicos Lineares. Editora UFSC. Florian´opolis, SC, Brasil.

Cubillos, F. A. e E. L. Lima (1997). Identification and optimizing control of a roucher flotation circuit using an adaptable hybrid-neural model. Minerals Engineering 10(7), 707–721.

Cubillos, F. A., P. I. Alvarez, J. C. Pinto e E. L. Lima (1996). Hybrid-neural modeling for particulate solid drying processes. In: Power Technology. Vol. 87. pp. 153–160. Degeneff, R. C., W. J. McNutt, W. Neugebauer, J. Panek, M. E. McCallun e C. C. Honey

(1998). Transformer response to system switching voltages. IEEE Trans. on Power Apparatus and Systems.

den Bosch, P. P. J. Van e A. C. Van der Klauw (1994). Modeling, Identification and Simulation of Dynamical Systems. CRC Press. Londres, Inglaterra.

den Hof, P. M. J. Van, P. S. C. Heuberger e J. Bokor (1995). System identification with generalized orthonormal basis functions. Automatica 31(12), 1821–1834.

Deschrijver, D. e T. Dhaene (2006). Parametric identification of frequency domain systems using orthonormal rational bases. In: 14th IFAC Symposium on System Identification (SYSID 2006). pp. 837–842.

de Hoog, Thomas (2001). Rational orthonormal bases and related transforms in linear system modeling. PhD thesis. Delft University of Technology, Delft - The Nether-lands.

Donaisky, E., G. H. C. Oliveira e N. Mendes (2008a). Algoritmos PMV-MBPC para conforto t´ermico em edifica¸c˜oes: Aplica¸c˜ao em uma c´elula-teste. In: XVII Congresso Brasileiro de Autom´atica (CBA’08). Juiz de Fora, MG, Brasil.

Referˆencias 83

Donaisky, E., G. H. C. Oliveira e N. Mendes (2008b). An´alise de desempenho de contro-lador MBPC baseado em PMV aplicado a sistemas de aquecimento. In: V Congresso Nacional de Engenharia Mecˆanica (CONEM’08). Salvador, BA, Brasil.

Donaisky, E., G. H. C. Oliveira, R. Z. Freire e N. Mendes (2007). PMV-based predictive algorithms for controlling thermal comfort in building plants. In: Proc. of 16th IEEE Conference on Control Applications (CCA’07). Suntec City, Singapore.

Duran, M. A. e B. S. White (1994). Bayesian estimation applied to effective heat transfer coefficients in a packed bed. Chemical Engineering Science 50(3), 495–510.

Elnaggar, A. (1997). On line parameter estimation of the laguerre functions. In: Proc. of the 36th Conference on Decision & Control. Vol. 2. pp. 1273–1276.

El-Fandi, M., I. A. Henderson e J. McGhee (1998). System identification of a two input two-output simulated distillation column using noninteracting multisymbol signals. In: Proceedings of the 12th European Simulation Multiconference on Simulation. Manchester, Reino Unido. pp. 176–179.

Eykhoff, P. (1974). System Identification : Parameter and State Estimation. John Wiley & Sons. New York, EUA.

Fischer, B. R. e A. Medvedev (1998). Laguerre shift identification of a pressurized process. In: Proc. of the American Control Conference. Philadelphia, EUA. pp. 1933–1937. Freire, R. Z., G. H. C. Oliveira e N. Mendes (2005a). Development of single-zone predictive

equations using linear regression for advanced controllers synthesis. In: Proc. of the Nineth Building Simulation Conference (IBPSA’05). Vol. 1. Montreal, Canada. Freire, R. Z., G. H. C. Oliveira e N. Mendes (2005b). Thermal comfort based predictive

controllers for building heating systems. In: Proc. of the 16th IFAC World Congress (IFAC’05). Prague, Czech Republic.

Freire, R. Z., G. H. C. Oliveira e N. Mendes (2006). Non-linear predictive controllers for thermal comfort optimization and energy saving. In: Proc. of the IFAC Workshop on Energy Saving Control in Plants and Buildings. Bansko, Bulgaria.

Freire, R. Z., G. H. C. Oliveira e N. Mendes (2008). Development of regression equa-tions for predicting energy and hygrothermal performance of buildings. Energy and Buildings 40(5), 810–820.

Freire, R. Z. (2006). T´ecnicas avan¸cadas de controle aplicadas a sistemas de clima-tiza¸c˜ao visando conforto t´ermico. Master’s thesis. Pontif´ıcia Universidade Cat´olica do Paran´a. Curitiba, PR, Brasil.

Funkquist, J. (1997). Grey-box identification of a continuous digester - a distributed-parameter process. Control Engineering Practice 5(7), 919–930.

Fu, Y. e G. A. Dumont (1993a). An optimum time scale for discrete Laguerre network. IEEE Transactions on Automatic Control 38(6), 934–938.

Referˆencias 84

Fu, Y. e G. Dumont (1993b). On determination of laguerre filter pole through step or im-pulse response data. In: Proc. 12th IFAC World Congress. IFAC. Sydney, Australia. pp. 5:303–307.

Garcia, C. (1997). Modelagem e simula¸c˜ao de processos industriais e de sistemas eletromecˆanicos. EDUSP. S˜ao Paulo, SP, Brasil.

Gauss, C. F. (1809). Theoria Motus Corporum Coelestium: In Sectionibus Conicis Solem Ambientium. F. Perthes and I.H. Besser.

Giannakis, G. B. e E. Serpedin (2001). A bibliography on nonlinear system identification. Signal Process 81, 533–580.

Gustavsen, Bjorn (2004). Wide band modeling of power transformers. IEEE Transactions on Power Delivery 1(19), 414–422.

Gustavsen, B. e A. Semlyen (1999). Rational approximation of frequency domain re-sponses by vector fitting. IEEE Transactions on Power Delivery.

Hellendoorn, H. e D. Driankov (1998). Fuzzy Model Identification: Selected Approaches. Springer.

Heuberger, P.S.C. (1991). On Approximate System Identification with System Based Or-thonormal Functions. PhD thesis. Delft University of Technology, Delft - The Nether-lands.

Heuberger, P. S. C., P.M.J. Van den Hof e B. Wahlberg (2005). Modelling and Identifica-tion with RaIdentifica-tional Orthogonal Basis FuncIdentifica-tions. Springer Verlag.

Heuberger, P. S. C., P. M. J. Van den Hof e O. H. Bosgra (1995). A generalized orthonor-mal basis for linear dynamical systems. IEEE Transactions on Automatic Control 40(3), 451–465.

Heuberger, P. S. C., T. J. Hoog, P. M. J. Van Den Hof e B. Wahlberg (2003). Orthonormal basis functions in time and frequency domain: Hambo transform theory. Society for Industrial and Applied Mathematics 42, 1347–1373.

IEA (2003). International energy agency - annex 41 - whole building heat, air and moisture response moist-eng. Technical report. Modelling, Belgium.

Johansson, R., A. Robertsson, K. Nilsson e M. Verhaegen (2000). State-space system identification of robot manipulator dynamics. In: Mechatronics. Vol. 10. pp. 403– 418.

Jones, D. R., C. D. Perttunen e B. E. Stuckman (1993). Lipschitzian optimization without the lipshitz constant. Journal of Optimization Theory and Application 79, 157–181. Jorgensen, S. E. (1999). State-of-the-art of ecological modelling with emphasis on

devel-opment of structural dynamic models. Ecological Modelling 120, 75–96.

Judkoff, R. D. e J. S. Neymark (1995). Building Energy Simulation Test (BESTEST) and Diagnostic Method. Colorado National Renewable Energy Laboratory. NREL/TP-472-6231.

Referˆencias 85

Junichiro, Y. e D. Kenji (2006). Bayesian system identification method for biochemical reaction systems. In: IPSJ SIG Technical Reports. pp. 35–40.

Karnaukhov, A. V. e E. V. Karnaukhova (2003). Application of a new method of nonlinear dynamical system identification to biochemical problems. Biochemistry 68(3), 253– 259.

Kautz, W. H. (1954). Transient synthesis in time domain. IRE Transactions on Circuit Theory CT-1(3), 29–39.

Keyhani, A., S. W. Chua e S. A. Sebo (1998). Maximum likelihood estimation of trans-former high frequency parameters from test data. IEEE Transactions on Power De-livery.

King, J. J. e T. O’Canainn (2000). Optimum pole positions for laguerre functions models. In: Electronics Letters. Vol. 5. pp. 601–602.

Lindskog, P e J. Sjoberg (1995). A comparison between semi-physical and black-box neural net modeling: a case study. In: Proceedings of the International Conference: Engineering Applications of Artificial Neural Networks, Helsinki, Finland. pp. 235– 238.

Lindskog, P. (1996). Methods, Algorithms and Tools for System Identification Based on Prior Knowledge. PhD thesis. Linkoping University, Sweden.

Ljung, L. e T. Glad (1994). Modeling of Dynamic Systems. Prentice Hall.

Ljung, L. (1999). System Identification: Theory for the user. 2 ed.. Prenctice Hall, Inc. Ljung, L. (2002). Prediction error estimation methods. Circuits, Systems, and Signal

Processing 21(1), 11–21.

Lorito, F. (1998). Identification of a grey-box model of nonlinear current transformer for simulations purposes. Control Engineering Practice 6, 1331–1339.

Ludeman, L. C. (1993). Blind nonlinear system identification during ventricular fibrilla-tion. In: Proceedings of the Twelfth Southern Biomedical Engineering Conference. pp. 309–311.

Maione, B. e B. Turchiano (1985). Laguerre z-transfer function representation of linear discrete-time systems. Int. Journal of Control 41(1), 245–257.

Makila, P. M. e J. R. Partington (1999). Laguerre and Kautz shift approximations of delay systems. International Journal of Control 72(10), 932–946.

Malmquist, F. (1925). Sur la d´etermination d’une classe de fonctions analytiques par leurs valeurs dans un ensemble donn´e de points. In: Comptes Rendus du Sixi`eme Congr`es des math´ematiciens scandinaves. Copenhague, Dinamarca. pp. 253–259.

Malti, R., S. B. Ekongolo e J. Ragot (1998). Dynamic siso and miso system approxima-tions based on optimal laguerre models. IEEE Transacapproxima-tions on Automatic Control 43(9), 1318–1323.

Referˆencias 86

Masnadi-Shirazi, M. A. e N. Ahmed (1991). Optimum Laguerre networks for a class of discrete-time systems. IEEE Transactions on Signal Processing 39(9), 2104–2108. Meissner, J. W., N. Mendes, K. C. Mendon¸ca, L. M. Moura e M. Abadie (2008). Obten¸c˜ao

de curvas caracter´ısticas para simula¸c˜ao de condicionadores de ar. In: Mercofrio 2008. Curitiba, PR, Brasil.

Meissner, J. W. (2008). Desenvolvimento de um aparato experimental para avalia¸c˜ao da in´ercia higrosc´opica de materiais porosos de edifica¸c˜oes. Master’s thesis. Pontif´ıcia Universidade Cat´olica do Paran´a. Curitiba, PR, Brasil.

Mendes, N., R. C. L. F. Oliveira e G. H. Santos (2005). Energy efficiency and thermal comfort analysis using the powerdomus hygrothermal simulation tool. In: Proc. of the Nineth Building Simulation Conference (IBPSA’05). Vol. 1. Montreal, Canada. pp. 9–16.

Morvan, R., N. Tanguy e L. C. Calvez (2000). Pertinent parameters for kautz approxi-maion. Electronics Letters 36(8), 769–771.

Nalbantoglu, V., J. Bokor, G. Balas e P. Gaspar (2002). System identification with gener-alized orthonormal basis functions: An application to flexible structures. In: Control Engineering Practice. Vol. 11. pp. 245–259.

Ninness, B., H. Hjalmarsson e F. Gustafsson (1999). On the fundamental role of orthonor-mal bases in system identification. In: IEEE Transactions on Automatic Control. Vol. 44. pp. 1384–1406.

Ninness, B. (1996). Frequency domain estimation using orthonormal bases. In: in Pro-ceedings of the 13th IFAC World Congress. pp. 381–386.

Ninness, B. (1998). The utility of orthonormal bases. Technical Report EE9802. DECE / University of Newcastle. Australia.

Nunes, M. F. (2006). Estudo comparativo sobre m´etodos de identifica¸c˜ao para levan-tamento de modelos a partir de dados de resposta em freq¨uˆencia. Master’s thesis. Instituto Militar de Engenharia - IME. Rio de Janeiro, RJ, Brasil.

Ohsaki, H., M. Morita e M. Murata (2002). On modeling round-trip time dynamics of the internet using system identification. In: 16th International Conference on Informa-tion Networking.

Oliveira, G. H. C. e A. C. O. Rocha (2005). Identifica¸c˜ao de linhas e transformadores de sistemas el´etricos usando bases de laguerre e kautz. In: VII SBAI - Simp´osio Brasileiro de Automa¸c˜ao Inteligente. S˜ao Luis, MA, Brasil.

Oliveira, G. H. C., G. Favier, G. Dumont e W. C. Amaral (1998). Uncertainties identifi-cation using laguerre models with appliidentifi-cation to paper machine headbox. In: Proc. of IEEE/IMACS on Computational Engineering in Systems Applications. Vol. 1. Tunisia. pp. 329–334.

Oliveira, G. H. C., M. F. Amorim e K. Latawiec (2005). Multiple model identification and control of neonate incubators using laguerre basis. In: Proc. of the IFAC World Congress. Prague/Czech Republic.

Referˆencias 87

Oliveira, G. H. C., R. J. G. B. Campello e W. C. Amaral (2007). Identifica¸c˜ao e controle de processos via desenvolvimentos em s´eries ortonormais. Parte B: Controle preditivo. SBA Controle & Automa¸c˜ao 18(3), 322–336.

Oliveira, G. H. C., W. C. Amaral e G. Favier (1996). Controle preditivo de processos com incertezas param´etricas modelados por filtros de laguerre. In: Anais do 11o. Congresso Brasileiro de Automatica. Vol. 2. S˜ao Paulo, SP, Brasil. pp. 947–952. Oliveira, G. H. C. (1997). Controle Preditivo para Processos com Incertezas Estruturadas

baseado em S´eries de Fun¸c˜oes Ortonormais. PhD thesis. DCA/FEEC/Unicamp -Campinas/SP/Brasil.

Oliveira, G. H. C. (2007). Modelagem de componentes de sistemas el´etricos de potˆencia usando bases de fun¸c˜oes ortonormais. EletroEvolu¸c˜ao 47, 37–45.

Petrick, M. H. e B. Wigdorowitz (1997). A priori nonlinear model structure selection for system identification. Control Engineering Practice 5(8), 1053–1062.

Reginato, B. C. e G. H. C. Oliveira (2007a). Bases de fun¸c˜oes ortonormais generalizadas na modelagem de componentes do sistema el´etrico de potˆencia. In: Semin´ario Nacional de Produ¸c˜ao e Transmiss˜ao de Energia El´etrica. Rio de Janeiro, Brasil.

Reginato, B. C. e G. H. C. Oliveira (2007b). On selecting the mimo generalized orthonor-mal basis functions poles by using particle swarm optimization. In: Proc. of the European Control Conference. Kos, Greece.

Reginato, B. C. e G. H. C. Oliveira (2008a). Algoritmo h´ıbrido para sele¸c˜ao de p´olos em modelos formados por bases de fun¸c˜oes ortonormais generalizadas. In: CBA 2008 -Congresso Brasileiro de Autom´atica. Juiz de Fora, MG, Brasil.

Reginato, B. C. e G. H. C. Oliveira (2008b). Bases de fun¸c˜oes ortonormais generalizadas na modelagem de componentes do sistema el´etrico de potˆencia. EletroEvolu¸c˜ao 51, 18– 26.

Reginato, B. C. e G. H. C. Oliveira (2008c). Estudo de caso da modelagem de transfor-madores do sistema furnas usando bases ortonormais. In: V Workspot- International Workshop on Power Transformers. Bel´em, PA, Brasil.

Rosa, A., R. J. G. B. Campello e W. C. Amaral (2008). C´alculo de dire¸c˜oes de busca exatas para otimiza¸c˜ao de filtros de laguerre e de kautz. In: Congresso Brasileiro de Autom´atica - CBA. Juiz de Fora, MG, Brasil.

R. T´oth, P. S. C. Heuberger e P. M. J. Van den Hof (2006). Optimal pole selection for lpv system identification with obfs, a clustering approach. 14th IFAC Symposium on System Identification pp. 356–361.

Sabatini, A. M. (2000). A hybrid genetic algorithm for estimating the optimal time scale of linear systems approximations using laguerre models. IEEE Transactions on Au-tomatic Control 45(5), 1007–1011.

Sbarbaro, D. (1997). Local laguerre models. In: Multiple Model Approaches to Modelling and Control (R. Murray-Smith e T. A. Johansen, Eds.). Chap. 10, p. 257. Taylor & Francis.

Referˆencias 88

Schoukens, J. e R. Pintelon (1991). Identification of Linear Systems: A Practical Guideline to Accurate Modeling. Pergamon.

Silva, T. O. (1995a). On the determination of the optimal pole position of Laguerre filters. IEEE Trans. on Signal Processing 43(9), 2079–2087.

Silva, T. O. (1995b). Optimality conditions for truncated kautz networks with two period-ically repeating complex conjugate poles. IEEE Transactions on Automatic Control 40(2), 342–346.

Silva, T. O. (1996). A n-width result for the generalized orthonormal basis function model. In: Preprints of the 13th IFAC World Congress. S˜ao Francisco, EUA. pp. 375–380.

Documentos relacionados