Capítulo 1 - Modelagem Matemática
Prof. Samir Martins UFSJ-CEFET/MG
Programa de Pós Graduação em Engenharia Elétrica - PPGEL
Modelagem Matemática
I Área do conhecimento que estuda maneiras de desenvolver e implementar modelos matemáticos de sistemas reais.
I Modelagem caixa branca → modelagem baseada na física (ou
natureza) do processo - modelagem fenomenológica ou conceitual.
I Identificação de Sistemas → alternativa à modelagem caixa
branca. Modelagem caixa preta, baseada em dados experimentais coletados.
Modelagem Matemática
I Área do conhecimento que estuda maneiras de desenvolver e implementar modelos matemáticos de sistemas reais.
I Modelagem caixa branca → modelagem baseada na física (ou
natureza) do processo - modelagem fenomenológica ou conceitual.
I Identificação de Sistemas → alternativa à modelagem caixa
branca. Modelagem caixa preta, baseada em dados experimentais coletados.
Modelagem Matemática
I Área do conhecimento que estuda maneiras de desenvolver e implementar modelos matemáticos de sistemas reais.
I Modelagem caixa branca → modelagem baseada na física (ou
natureza) do processo - modelagem fenomenológica ou conceitual.
I Identificação de Sistemas → alternativa à modelagem caixa
branca. Modelagem caixa preta, baseada em dados experimentais coletados.
Modelagem Matemática
I Área do conhecimento que estuda maneiras de desenvolver e implementar modelos matemáticos de sistemas reais.
I Modelagem caixa branca → modelagem baseada na física (ou
natureza) do processo - modelagem fenomenológica ou conceitual.
I Identificação de Sistemas → alternativa à modelagem caixa
branca. Modelagem caixa preta, baseada em dados experimentais coletados.
Conceitos básicos
I O que é um modelo?
I Para que serve um modelo?
Conceitos básicos
I O que é um modelo?
I Para que serve um modelo?
Conceitos básicos
I O que é um modelo?
I Para que serve um modelo?
Considerações frequentemente feitas em modelagem
I Linearidade → princípio da superposição.
I Invariância no tempo → dinâmica que rege a evolução
temporal é sempre a mesma.
I Concentração de parâmetros → as variáveis de interesse
Considerações frequentemente feitas em modelagem
I Linearidade → princípio da superposição.
I Invariância no tempo → dinâmica que rege a evolução
temporal é sempre a mesma.
I Concentração de parâmetros → as variáveis de interesse
Considerações frequentemente feitas em modelagem
I Linearidade → princípio da superposição.
I Invariância no tempo → dinâmica que rege a evolução
temporal é sempre a mesma.
I Concentração de parâmetros → as variáveis de interesse
Linearidade em um sistema estático
Considere o sistema estático:
y = 5x . (1)
I Se x1=2 → y1=10; I Se x2= −3 → y2= −15;
Então, se x3=4x1+5x2= −7 → y3=4y1+5y2= −35.
Ainda, y3=5x3= −35. Portanto, o sistema é linear.
Linearidade em um sistema dinâmico
Considere o seguinte sistema dinâmico: 5u(t)dy
dt +y (t) − 10u(t) = 0. (2) O sistema apresentado pela equação 11não é linear. Um sistema
linear equivalente é τdy
Invariância temporal
Seja: y (t) = sen(u(t)). (4) Para u1(t) → y1(t) = sen(u1(t)). Para u2(t) = u1(t − t0): y2(t) = sen(u2(t)) = sen(u1(t − t0)) y1(t − t0) = sen(u1(t − t0)) (5)Invariância temporal
Seja: y (t) = tu(t). (6) Para u1(t) → y1(t) = tu1(t). Para u2(t) = u1(t − t0): y2(t) = tu2(t) = tu1(t − t0) y1(t − t0) = (t − t0)u1(t − t0). (7)Sistema a parâmetros distribuídos
I Considere uma viga presa ao teto com a extremidade inferior livre.
I A posição de qualquer parte da viga é determinada pela distância x ao teto.
I Na extremidade livre é aplicado um conjugado. O ângulo de torção θ dependerá da posição e do tempo, conforme:
∂2θ ∂x2 =K
∂2θ
Sistema a parâmetros distribuídos
I Considere uma viga presa ao teto com a extremidade inferior livre.
I A posição de qualquer parte da viga é determinada pela distância x ao teto.
I Na extremidade livre é aplicado um conjugado. O ângulo de torção θ dependerá da posição e do tempo, conforme:
∂2θ ∂x2 =K
∂2θ
Sistema a parâmetros distribuídos
I Considere uma viga presa ao teto com a extremidade inferior livre.
I A posição de qualquer parte da viga é determinada pela distância x ao teto.
I Na extremidade livre é aplicado um conjugado. O ângulo de torção θ dependerá da posição e do tempo, conforme:
∂2θ
∂x2 =K
∂2θ
Tipos de modelos
I Modelos estáticos e dinâmicos.
I Modelos discretos e contínuos.
I Modelos autônomos e não autônomos
I Modelos monovariáveis e multivariáveis
I Modelos determinísticos e estocásticos
Tipos de modelos
I Modelos estáticos e dinâmicos.
I Modelos discretos e contínuos.
I Modelos autônomos e não autônomos
I Modelos monovariáveis e multivariáveis
I Modelos determinísticos e estocásticos
Tipos de modelos
I Modelos estáticos e dinâmicos.
I Modelos discretos e contínuos.
I Modelos autônomos e não autônomos
I Modelos monovariáveis e multivariáveis
I Modelos determinísticos e estocásticos
Tipos de modelos
I Modelos estáticos e dinâmicos.
I Modelos discretos e contínuos.
I Modelos autônomos e não autônomos
I Modelos monovariáveis e multivariáveis
I Modelos determinísticos e estocásticos
Tipos de modelos
I Modelos estáticos e dinâmicos.
I Modelos discretos e contínuos.
I Modelos autônomos e não autônomos
I Modelos monovariáveis e multivariáveis
I Modelos determinísticos e estocásticos
Tipos de modelos
I Modelos estáticos e dinâmicos.
I Modelos discretos e contínuos.
I Modelos autônomos e não autônomos
I Modelos monovariáveis e multivariáveis
I Modelos determinísticos e estocásticos
Modelo discreto de um sistema biológico
Considere uma população de besouros, cuja dinâmica é descrita por:
L(k + 1) = νB(k ), C(k + 1) = L(k )[1 − µl],
B(k + 1) = C(k )[1 − µc] +B(k )[1 − µb]; (9)
em que L é a população de larvas, C é o número de casulos, B é o número de besouros, ν a taxa de natalidade, µl, µc e µbas taxas de
Modelo Não Autônomo de um Sistema Biológico
Seja A(k ) a quantidade de agrotóxico aspergido por m2:
L(k + 1) = νB(k ),
C(k + 1) = L(k )[1 − µl − µaA(k )],
B(k + 1) = C(k )[1 − µc] +B(k )[1 − µb]; (10)
sendo µaa taxa de mortalidade devida exclusivamente à ação do
Modelos Monovariáveis e Multivariáveis
Modelo monovariável (SISO - Single Input, Single Output):
τdy
dt +y (t) − Ku(t) = 0. (11)
Modelo da população de besouros → pode ser interpretado como um modelo multivariável.
Modelos Determinísticos e Estocásticos
Modelo determinístico: L(k + 1) = νB(k ), C(k + 1) = L(k )[1 − µl], B(k + 1) = C(k )[1 − µc] +B(k )[1 − µb]; (12) Modelo estocástico L(k + 1) = νB(k ), C(k + 1) = L(k )[1 − µl],Modelos Paramétricos e Não Paramétricos
O modelo abaixo é paramétrico: H(s) = 1
s2+0,4s + 1, (14)
Modelos Paramétricos e Não Paramétricos
Modelos Paramétricos e Não Paramétricos
Representações de modelos lineares
I Função de transferência: transformada de Laplace da resposta ao impulso (h(t)) do sistema. Para um sinal x (t):
X (s) = L{x(t)} = Z ∞ 0 x (t)e−stdt x (t) = L−1{X (s)} = 1 2πj Z σ+j∞ σ−j∞ X (s)estds, (15)
sendo s = σ + jω. A transformada de Fourier de h(t) é H(jω), e define a resposta em frequência do sistema
Representações de modelos lineares
I No caso discreto, utiliza-se a transformada Z, definida por:
X (z) = Z{x(k )} = k =∞ X k =−∞ x (k )z−k x (k ) = Z−1{X (z)} = 1 2πj I X (z)zk −1dz. (16)
Representação em espaço de estados
I Em espaço de estados, um sistema linear contínuo pode ser representado por:
˙x = Ax + Bu
y = Cx + Du. (17)
I Para o caso discreto:
Modelos Discretos
I Modelos AR (Auto Regressivo) e ARX (Auto Regressivo com entrada eXógena)
y (k ) = a1y (k − 1) + a2y (k − 2) + · · · + anyy (k − ny) y (k ) = a1y (k − 1) + · · · + anyy (k − ny) +
b1u(k − 1) + · · · + bnuu(k − nu) (19)
I Modelo ARX de um conversor CC-CC buck:
Modelos Discretos
I Função de transferência em tempo discreto: H(z) =0,01075z
2+0,2151z + 0,1075
z2− 1,6129z + 0,8280 (21)
Modelos discretos
I Modelo autônomo da população de besouros em espaço de estados: L(k+1) C(k+1) B(k+1) = 0 0 ν 1 − µl 0 0 0 1 − µc 1 − µb L(k ) C(k ) B(k ) (22)
Modelos discretos
I Modelo não autônomo da população de besouros em espaço de estados: L(k+1) C(k+1) B(k+1) = 0 0 ν 1 − µl 0 0 0 1 − µc 1 − µb L(k ) C(k ) B(k ) 0 −L(k )µa 0 A(k ) (23)
Estimação de Parâmetros
I Potenciômetro para medição de deslocamento angular.
Estimação de Parâmetros
I Estimação de parâmetros é uma etapa que sucede a escolha da função a ser estimada ˆf(·);
I Neste exemplo, ˆf(·) é linear nos parâmetros θ1e θ2. I ˆf (·) pode ser decomposta na forma:
y = [1x ] θ1 θ2 (24)
Estimação de Parâmetros
I E se utilizássemos apenas dois pontos?
I Tomando (x1,y1) = (144,0; 0,098) e (x2,y2),(158,4; 0,109), sabendo que: y1 = θ1+x1θ2; y2 = θ1+x2θ2; (25) tem-se 0,098 = 1 144,0 θ1 (26)
Estimação de Parâmetros
I Ou ainda: θ1 θ2 = 11,00 −10,00 −0,069 0,069 0,098 0,109 = −1,200 × 10−2 7,639 × 10−4 (27)Estimação de Parâmetros
Modelagem Baseada na Física do Processo
Modelagem Baseada na Física do Processo
Considerações simplificadoras:
I Sistema a parâmetros concentrados;
I Perda de carga dentro dos dutos desprezada;
I Área do tanque constante;
I Dinâmica do inversor e conjunto moto-bomba desprezada;
I Água incompressível e com peso específico constante;
Modelagem Baseada na Física do Processo
Considerações simplificadoras:
I Sistema a parâmetros concentrados;
I Perda de carga dentro dos dutos desprezada;
I Área do tanque constante;
I Dinâmica do inversor e conjunto moto-bomba desprezada;
I Água incompressível e com peso específico constante;
Modelagem Baseada na Física do Processo
Considerações simplificadoras:
I Sistema a parâmetros concentrados;
I Perda de carga dentro dos dutos desprezada;
I Área do tanque constante;
I Dinâmica do inversor e conjunto moto-bomba desprezada;
I Água incompressível e com peso específico constante;
Modelagem Baseada na Física do Processo
Considerações simplificadoras:
I Sistema a parâmetros concentrados;
I Perda de carga dentro dos dutos desprezada;
I Área do tanque constante;
I Dinâmica do inversor e conjunto moto-bomba desprezada;
I Água incompressível e com peso específico constante;
Modelagem Baseada na Física do Processo
Considerações simplificadoras:
I Sistema a parâmetros concentrados;
I Perda de carga dentro dos dutos desprezada;
I Área do tanque constante;
I Dinâmica do inversor e conjunto moto-bomba desprezada;
I Água incompressível e com peso específico constante;
Modelagem Baseada na Física do Processo
Considerações simplificadoras:
I Sistema a parâmetros concentrados;
I Perda de carga dentro dos dutos desprezada;
I Área do tanque constante;
I Dinâmica do inversor e conjunto moto-bomba desprezada;
I Água incompressível e com peso específico constante;
Modelagem Baseada na Física do Processo
I Partindo de:
dm
dt = ωi− ωo, (28) Como m = V ρ e a área do tanque é constante:
m = Ahρ, (29)
sendo ρ a massa específica, h a altura e ωi, ωoas vazões mássicas.
De (28):
ρAdh
dt = qiρ −qoρ dh q − q
Modelagem Baseada na Física do Processo
I Utilizando a equação de Bernoulli:
q = k √
∆P, (31)
I Para a tubulação de saída: qo=ko
p
P − Patm (32)
Modelagem Baseada na Física do Processo
I Utilizando a equação de Bernoulli:
q = k √
∆P, (31)
I Para a tubulação de saída: qo=ko
p
P − Patm (32)
Modelagem Baseada na Física do Processo
I Utilizando a equação de Bernoulli:
q = k √
∆P, (31)
I Para a tubulação de saída: qo=ko
p
P − Patm (32)
Modelagem Baseada na Física do Processo
I Utilizando γ (peso específico da água), pode-se escrever: P = γh + Patm (34) dh dt = ki √ Pb− γh − Patm− ko √ γh A (35)
Pela geometria do tanque, aproxima-se:
I A = 2,5m2;
I Patm =10.300kgf /m2; I γ =1000kgf /m3. I
Modelagem Baseada na Física do Processo
Figura 7:Relação entre sinal de comando do inversor e pressão na saída da bomba. Dados (x) e reta aproximada (–)
Modelagem Baseada na Física do Processo
I A saída de água se encontra a 0,114m do fundo.
I Determinação de constante K que, adicionada ao modelo, resultará em dh/dt=0, quando h=0. I Substituindo h=0 na equação 35: dh dt = kipPb∗− Patm A +K = 0 (37) K = −kipP ∗ b− Patm A (38)
Obtençaõ de k
iObtenção de k
iI Para o duto de entrada:
qi = −1,87 × 10−2+5,60 × 10−4 p Pb− γh − Patm (39) Então: ki = dqi d√Pb− γh − Patm = 5,60 × 10−4m4/s(kgf )1/2 (40)
Obtençaõ de k
oObtenção de k
oI Para o duto de saída:
qo=1,59 × 10−2+3,06 × 10−5 p γh + 6,26 × 10−6γh, (41) Então: k0 = dqi d√γh = 3,06 × 10−5+1,25 × 10−5pγh m4/s(kgf )1/2 (42)
O modelo pela física do processo
Tem-se então um modelo do processo:
dh dt = 5,60 × 10−4p3554,9 + 682,8u(t) − 1000h − 10300 A −(3,06 × 10 −5+1,25 × 10−5√1000h)√1000h A −0,014 (43)
Validação do Modelo
Figura 10:Resposta do nível a uma variação em degrau em u(t). Dados medidos (- -) e modelo (–). Os picos são devidos ao ruído no processo de
Sintonia do Modelo
I O modelo obtido precisa ser sintonizado para melhor representar o processo.
I Ajuste da constante de tempo → ˙h = 0,4 ˙h.
I Ajuste do ganho → aumentar a amplitude do degrau de entrada de 16,34mA a 17,05mA, visto pelo modelo, para 16,34mA a 1,012 × 17,05mA
Sintonia do Modelo
I O modelo obtido precisa ser sintonizado para melhor representar o processo.
I Ajuste da constante de tempo → ˙h = 0,4 ˙h.
I Ajuste do ganho → aumentar a amplitude do degrau de entrada de 16,34mA a 17,05mA, visto pelo modelo, para 16,34mA a 1,012 × 17,05mA
Sintonia do Modelo
I O modelo obtido precisa ser sintonizado para melhor representar o processo.
I Ajuste da constante de tempo → ˙h = 0,4 ˙h.
I Ajuste do ganho → aumentar a amplitude do degrau de entrada de 16,34mA a 17,05mA, visto pelo modelo, para 16,34mA a 1,012 × 17,05mA
Validação do Modelo Sintonizado
Quão Gerais São Estes Ajustes?
Figura 12:Resposta do nível a uma variação em degrau na entrada,
Identificação de Sistemas
I Procedimento alternativo que propõe a obtenção de um modelo matemático que relacione causa e efeito presente nosdados. I Espera-se, observando dados experimentais, responder à
pergunta:
Que modelo há que, ao ser excitado pela entrada u(k ), resulta na saída y (k )?
Identificação de Sistemas - etapas
I Testes dinâmicos e coleta de dados;
I Escolha da representação matemática a ser utilizada;
I Determinação da estrutura do modelo;
I Estimação de parâmetros;
Identificação de Sistemas - etapas
I Testes dinâmicos e coleta de dados;
I Escolha da representação matemática a ser utilizada;
I Determinação da estrutura do modelo;
I Estimação de parâmetros;
Identificação de Sistemas - etapas
I Testes dinâmicos e coleta de dados;
I Escolha da representação matemática a ser utilizada;
I Determinação da estrutura do modelo;
I Estimação de parâmetros;
Identificação de Sistemas - etapas
I Testes dinâmicos e coleta de dados;
I Escolha da representação matemática a ser utilizada;
I Determinação da estrutura do modelo;
I Estimação de parâmetros;
Identificação de Sistemas - etapas
I Testes dinâmicos e coleta de dados;
I Escolha da representação matemática a ser utilizada;
I Determinação da estrutura do modelo;
I Estimação de parâmetros;
Simulação de Modelos
I Avaliação do desempenho de modelos → simulação.
I Simulação de modelos contínuos → solução de equações diferenciais do tipo ˙x = f (x ,t);
I A aproximação explícita de Euler é dada por: ˙x(tk) ≈=
x (k + 1) − x (k )
T (44)
I A aproximação implícita de Euler é dada por: ˙x(tk) ≈=
x (k ) − x (k − 1)
Simulação de Modelos
I As aproximações de Euler resultam em: Explícita:
x (k ) = x (k − 1) + Tf (x (k − 1),tk −1), (46)
Implícita:
Simulação de Modelos - Exemplo
Para ˙x = −6x + 5e−t, com T = 0,3, a aproximação explícita de Euler
resulta em:
x (k ) = x (k − 1) + 0,3(−6x (k − 1) + 5e−tk −1). (48)
I Escolhe-se uma condição inicial x (0);
Validação de Modelos - Runge-Kutta
Um dos algoritmos de simulação mais utilizados para simular modelos contínuos. A = f (x (k − 1),tk −1) B = f x (k − 1) +T 2A,tk −1+ T 2 C = f x (k − 1) +T 2B,tk −1+ T 2 D = f (x (k − 1) + TC,tk −1+T ) x (k ) = x (k − 1) +T (A + 2B + 2C + D) . (49)
Simulação de Modelos Discretos
I Não requer nenhum algoritmo especial.
I Simulação de um modelo ARX de um conversor CC-CC buck: O modelo
y (k ) = 1,7649y (k − 1) − 0,8027y (k − 2) + 0,8661u(k − 3) −0,73578u(k − 1) + 0,07513u(k − 2) + ξ(k ) (50) pode ser simulado:
Simulação de Modelos Discretos
I Não requer nenhum algoritmo especial.
I Simulação de um modelo ARX de um conversor CC-CC buck:
O modelo
y (k ) = 1,7649y (k − 1) − 0,8027y (k − 2) + 0,8661u(k − 3) −0,73578u(k − 1) + 0,07513u(k − 2) + ξ(k ) (50) pode ser simulado:
Simulação de Modelos Discretos
I Não requer nenhum algoritmo especial.
I Simulação de um modelo ARX de um conversor CC-CC buck: O modelo
y (k ) = 1,7649y (k − 1) − 0,8027y (k − 2) + 0,8661u(k − 3) −0,73578u(k − 1) + 0,07513u(k − 2) + ξ(k ) (50) pode ser simulado:
Simulação de Modelos Discretos
I Admitindo condições iniciais y (1) = y (2) = 14V ;
I Entrada u(0) = u(1) = 2,3V , u(2) = u(3) = 2,4V
y (3) = 1,7649(14) − 0,8027(14) + 0,8661(2,3) −0,73578(2,4) + 0,7513(2,3) = 13,8698; (51) y (4) = 1,7649(13,8698) − 0,8027(14) + 0,8661(2,3) −0,73578(2,4) + 0,7513(2,4) = 13,6474; (52) y (5) = 1,7649(13,6474) − 0,8027(13,8698) + 0,8661(2,4) −0,73578(2,3) + 0,7513(2,4) = 13,5197; (53)
Simulação de Modelos Discretos
I Admitindo condições iniciais y (1) = y (2) = 14V ;
I Entrada u(0) = u(1) = 2,3V , u(2) = u(3) = 2,4V
y (3) = 1,7649(14) − 0,8027(14) + 0,8661(2,3) −0,73578(2,4) + 0,7513(2,3) = 13,8698; (51) y (4) = 1,7649(13,8698) − 0,8027(14) + 0,8661(2,3) −0,73578(2,4) + 0,7513(2,4) = 13,6474; (52) y (5) = 1,7649(13,6474) − 0,8027(13,8698) + 0,8661(2,4) −0,73578(2,3) + 0,7513(2,4) = 13,5197; (53) .. ..
Simulação de Modelos Discretos
I Admitindo condições iniciais y (1) = y (2) = 14V ;
I Entrada u(0) = u(1) = 2,3V , u(2) = u(3) = 2,4V
y (3) = 1,7649(14) − 0,8027(14) + 0,8661(2,3) −0,73578(2,4) + 0,7513(2,3) = 13,8698; (51) y (4) = 1,7649(13,8698) − 0,8027(14) + 0,8661(2,3) −0,73578(2,4) + 0,7513(2,4) = 13,6474; (52) y (5) = 1,7649(13,6474) − 0,8027(13,8698) + 0,8661(2,4) −0,73578(2,3) + 0,7513(2,4) = 13,5197; (53)