Laguerre
Josenildo Ferreira Galdino
Dissertação de Mestrado submetida à Coordenação do Programa
de Pós-Graduação em Engenharia Elétri ada Universidade Federal
de Campina Grande- Campus de Campina Grande omo parte dos
requisitosne essáriosparaaobtençãodograudeMestreemCiên ias
no DomíniodaEngenharia Elétri a.
Área de Con entração: Instrumentação eControle
Péri lesRezende Barros, Ph.D
Orientador
Campina Grande, Paraíba, Brasil
Laguerre
Josenildo Ferreira Galdino
Dissertação de Mestrado apresentada em Março de 2012
Péri lesRezende Barros, Ph.D
Orientador
Prof. D.S . Benemar Alen ar de Souza (UFCG)
Examinador
Prof. D.S . José Sérgio daRo haNeto (UFCG)
Examinador
FICHA CATALOGRÁFICA ELABORADA PELA BIBLIOTECA CENTRAL DA UFCG
G149i
Galdino, Josenildo Ferreira.
Identificação de sistemas com bases de funções de Languerre / Josenildo
Ferreira Galdino. - Campina Grande, 2012.
85f.: il. col.
Dissertação (Mestrado em Engenharia Elétrica) – Universidade Federal
de Campina Grande, Centro de Engenharia Elétrica e Informática.
Orientador: Prof. Ph.D. Péricles Rezende Barros.
Referências.
1. Identificação de Sistemas. 2. Laguerre. 3. Experimento do Relé.
I. Título.
CDU 621.318 (043)
Aos meus pais, José
Gal-dino Fernandes e Aurenir
Desejo expressar osmeus sin eros agrade imentos.
Primeiramente, agradeço a DEUS por propor ionar a on lusão de mais uma etapa
daminha vidaque se onsuma neste trabalho.
Aosmeuspais,JoséGaldinoFernadeseAurenirFreitasFernandeseaosmeusqueridos
irmãos: Jura i, Jurandire Joelma, agradeço todo oamor, arinhoe motivação.
Ao Ph.D Péri les Rezende Barros, sou grato pela orientação e onança em mim
depositada. Agradeço pelas dis ussões e reexões que possibilitaram o enrique imento e
realizaçãodeste trabalho.
Nateoria lássi adeidenti açãode sistemasoproblemadeidenti arosistema
on-siste na estimação dos parâmetros de um dado modelo, por meio de um algoritmo que
utiliza os dados de entrada e saída do pro esso. Em ontrapartida, a identi ação de
sistemas om bases de funções ortonormais permite in orporar um onhe imento par ial
sobre a dinâmi a do sistema, o que reduz a ordem e, onsequentemente, estimação de
menosparâmetros serão ne essários.
Nesta dissertação, o problema de identi ação de sistemas é resolvido utilizando-se
bases de funções de Laguerre. É proposta uma nova metodologiapara a identi açãode
sistemas om bases de Laguerre om a utilização do experimento do relé para obtenção
de uma estimativaini ial do pólo de Laguerre. O uso do experimento do relé possibilita
obterum onhe imentopar ialdosistemaaser identi ado. Alémdisso,diversos
experi-mentosdealgunspro essosdeprimeiraesegundaordemforamsimulados omoMatlab
r
.In the lassi alapproa hto systemidenti ationproblemof identifyingthe system is
the assessment of parameters of a given model, using an algorithmthat uses data input
andoutputof thepro ess. In ontrast,system identi ationwithorthonormalbasis
fun -tions allows in orporating a partial knowledge about the dynami s of the system whi h
redu esthe orderand, onsequently,fewerparametersare ne essary intherepresentation
of the model.
Inthis thesiswe addresstheproblemofidentifyingbase systemsusing Laguerre
fun -tions. It proposed a new approa h for identifying systems with bases Laguerre using
the relay experiment to obtain an initial estimate of the pole of Laguerre. The use of
experiment relay allows to obtain a partial knowledge of the system being identied. In
addition,severalexperimentsofsomepro essesrstandse ondorderweresimulatedwith
Matlab.
AR Auto-regressivo (Auto regressive);
ARMAX Auto-regressivo,de média móvel om entradas exógena
(Auto regressive moving average with exogenousinput);
ARX Auto-regressivo om entradas exógenas (Auto regressive with exogenous
in-put);
AWGN Ruído bran ogaussiano aditivo(Additive White Gaussian Noise);
BJ Box-Jenkins;
FIR Resposta nitaao impulso(Finite Impulse Response);
OBF Basede Funções Ortonormais(Orthonormal Basis Fun tions);
OE Erro nasaída (Output Error);
PEP Por entagem doErro de Predição;
3.1 Por entagem doErro de Prediçãodo sistema(3.6). . . 33
3.2 Por entagem doErro de Prediçãodo sistema(3.7). . . 35
3.3 Por entagem doErro de Prediçãodo sistema(3.8 ). . . 38
3.4 Por entagem doErro de Prediçãodo sistema(3.9 ). . . 40
3.5 Por entagem doErro de Prediçãodo sistema(3.10). . . 44
4.1 Pro essos utilizadosna identi ação. . . 48
4.2 Parâmetros domodelo de primeiraordemdado em (4.10). . . 50
4.3 Comparativo entre o valorreal e aproximado do pólodo pro esso (4.10). . 50
4.4 Por entagem doErro de Prediçãodo sistema(4.10). . . 52
4.5 Parâmetros domodelo de primeiraordemdado em (4.13). . . 55
4.6 Comparativo entre o valorreal e aproximado do pólodo pro esso (4.13). . 55
4.7 Por entagem doErro de Prediçãodo sistema(4.13). . . 58
4.8 Parâmetros domodelo de primeiraordemdado em (4.16). . . 61
4.9 Comparativo entre o valorreal e aproximado do pólodo pro esso (4.16). . 61
4.10 Por entagem doErro de Prediçãodo sistema(4.13). . . 63
4.11 Pro essos utilizadosna identi ação. . . 64
4.12 Parâmetros doModelo de segunda ordem dado em (4.19). . . 66
4.13 Comparativo entre o valorreal e aproximado do pólodo pro esso (4.19). . 66
4.14 Por entagem doErro de Prediçãodo sistema(4.19). . . 69
4.15 Parâmetros doModelo de segunda ordem dado em (4.22). . . 72
4.16 Comparativo entre o valorreal e aproximado do pólodo pro esso (4.22). . 72
4.17 Por entagem doErro de Prediçãodo sistema(4.22). . . 74
4.18 Parâmetros doModelo de segunda ordem dado em (4.25). . . 77
4.19 Comparativo entre o valorreal e aproximado do pólodo pro esso (4.25). . 77
1.1 Diagrama de etapas daidenti açãode sistemas.[23℄. . . 8
2.1 Uso dooperadorq (atraso). . . 11
2.2 Regiões
D
,E
e o ir ulo de raiounitário (r = |z| = 1
).. . . 142.3 Representação grá a dopro edimentode Gram-S hmidt. . . 16
2.4 Funçõesde Laguerre para p =1 . . . 19
2.5 As duas primeirasfunções de Laguerre para
p = 0, 3; 0, 5; 0, 7; 1, 0
. . . 202.6 Diagrama de blo os: modelo linear geral . . . 21
2.7 Sistema real
G
0
, H
0
e modelo preditor(G, H)
. . . 222.8 Diagrama de blo os domodelo ARX . . . 24
2.9 Diagrama de blo os domodelo ARMAX . . . 25
2.10 Diagrama de blo os domodelo OE . . . 25
2.11 Diagrama de blo os domodelo BJ . . . 25
2.12 Diagrama de blo os domodelo FIR . . . 26
3.1 Modelo OBF om dinâmi ade Laguerre. . . 29
3.2 Amplitude dosinal de saída do sistema(3.6). . . 31
3.3 Saída dosistema (3.6) e domodelo de Laguerre om póloa =0,4. . . 31
3.4 Saída dosistema (3.6) e domodelo de Laguerre om póloa =0,6. . . 32
3.5 Saída dosistema (3.6) e domodelo de Laguerre om póloa =0,8. . . 32
3.6 Saída dosistema (3.7) e domodelo de Laguerre om póloa =0,4. . . 34
3.7 Saída dosistema (3.7) e domodelo de Laguerre om póloa =0,6. . . 34
3.8 Saída dosistema (3.7) e domodelo de Laguerre om póloa =0,8. . . 35
3.9 Saída dosistema (3.8) e domodelo de Laguerre om póloa =0,4. . . 36
3.10 Saída dosistema (3.8) e domodelo de Laguerre om póloa =0,6. . . 37
3.11 Saída dosistema (3.8) e domodelo de Laguerre om póloa =0,8. . . 37
3.12 Saída dosistema (3.9) e domodelo de Laguerre om póloa =0,4. . . 39
3.13 Saída dosistema (3.9) e domodelo de Laguerre om póloa =0,6. . . 39
3.14 Saída dosistema (3.9) e domodelo de Laguerre om póloa =0,8. . . 40
3.16 Saída dosistema (3.10) edo modelo de Laguerre om póloa =0,4. . . 42
3.17 Saída dosistema (3.10) edo modelo de Laguerre om póloa =0,6. . . 43
3.18 Saída dosistema (3.10) edo modelo de Laguerre om póloa =0,8. . . 43
4.1 Sistema em Malha Fe hada. . . 45
4.2 Diagrama de blo os dopro esso om realimentação porrelé. . . 45
4.3 Método doRelé no Simulinkpara opro esso (4.10). . . 48
4.4 Diagrama de Nyquist (4.10). . . 49
4.5 Saída dosistema e dorelé do pro esso (4.10). . . 49
4.6 Determinação doganho estáti o dopro esso (4.10). . . 50
4.7 Diagrama de blo os noSimulinkpara o sistema(4.10). . . 51
4.8 Sinal de entrada utilizado naidenti açãodosistema (4.10). . . 51
4.9 Saída dosistema e domodelo de Laguerre. . . 52
4.10 Método doRelé no Simulinkpara opro esso (4.13). . . 53
4.11 Diagrama de Nyquist do pro esso (4.13). . . 54
4.12 Saída dosistema e dorelé do pro esso (4.13). . . 54
4.13 Determinação doganho estáti o dopro esso (4.13). . . 55
4.14 Diagrama de blo os noSimulinkpara o sistema(4.13). . . 56
4.15 Sinal de entrada utilizado naidenti açãodosistema (4.13). . . 57
4.16 Saída dosistema e domodelo de Laguerre. . . 57
4.17 Método doRelé no Simulinkpara opro esso (4.16). . . 59
4.18 Diagrama de Nyquist do pro esso (4.16). . . 59
4.19 Saída dosistema e dorelé do pro esso (4.16). . . 60
4.20 Determinação doganho estáti o dopro esso (4.16). . . 60
4.21 Diagrama de blo os noSimulinkpara o sistema(4.16). . . 61
4.22 Sinal de entrada utilizado naidenti açãodosistema (4.16). . . 62
4.23 Saída dosistema e domodelo de Laguerre. . . 63
4.24 Método doRelé no Simulinkpara opro esso (4.19). . . 64
4.25 Diagrama de Nyquist do pro esso (4.19). . . 65
4.26 Saída dosistema e dorelé do pro esso (4.19). . . 65
4.27 Determinação doganho estáti o dopro esso (4.19). . . 66
4.28 Diagrama de blo os noSimulinkpara o sistema(4.19). . . 67
4.29 Sinal de entrada utilizado naidenti açãodosistema (4.19). . . 68
4.30 Saída dosistema do modelode Laguerre. . . 68
4.31 Método doRelé no Simulinkpara opro esso (4.22). . . 70
4.32 Diagrama de Nyquist do pro esso (4.22). . . 70
4.35 Diagrama de blo os noSimulinkpara o sistema(4.22). . . 72
4.36 Sinal de entrada utilizado naidenti açãodosistema (4.22). . . 73
4.37 Saída dosistema e domodelo de Laguerre. . . 73
4.38 Método doRelé no Simulinkpara opro esso (4.25). . . 75
4.39 Diagrama de Nyquist do pro esso (4.25). . . 75
4.40 Saída dosistema e dorelé do pro esso (4.25). . . 76
4.41 Determinação doganho estáti o dopro esso (4.25). . . 76
4.42 Diagrama de blo os noSimulinkpara o sistema(4.25). . . 77
4.43 Sinal de entrada utilizado naidenti açãodosistema (4.25). . . 78
1 Introdução 6 1.1 Revisão Bibliográ a . . . 8 1.2 Objetivos . . . 10 1.3 Organização doTexto . . . 10 2 Fundamentação Teóri a 11 2.1 Introdução . . . 11
2.2 Função de Transferên ia, Resposta aoImpulso e Resposta em Frequên ia . 11 2.3 Modelo de Espaço de Estados . . . 12
2.4 Espaço de Funções eProduto Interno . . . 13
2.4.1 Propriedades do ProdutoInterno . . . 14
2.4.2 Norma . . . 15
2.5 Ortonormalidade . . . 15
2.5.1 Pro edimento de Ortogonalização de Gram-S hmidt . . . 15
2.5.2 Funções OrtogonaisRa ionais . . . 17
2.5.3 Funções de Laguerre . . . 18
2.5.4 Método Baseado em Espaço de Estados . . . 19
2.6 Identi ação de Sistemas . . . 21
2.6.1 Erro de Predição . . . 22
2.6.2 Por entagem doErro de Predição (PEP) . . . 23
2.7 Identi ação Paramétri a. . . 23 2.7.1 ARX . . . 23 2.7.2 ARMAX . . . 24 2.7.3 OE . . . 24 2.7.4 BJ . . . 25 2.7.5 FIR . . . 26 2.8 Con lusões. . . 26
3 Identi ação de Sistemas usando Bases de Laguerre 27
3.1 Introdução . . . 27
3.2 Critério de Identi ação: Mínimos Quadrados . . . 28
3.3 Casos de Simulação . . . 30
3.3.1 Experimento 1: Sistemade 4 a Ordem om degrau naentrada. . . . 30
3.3.2 Experimento 2: Sistema de 4 a Ordem om AWGN e degrau na entrada (Potên ia = 0,1). . . 33
3.3.3 Experimento 3: Sistema de 4 a Ordem om AWGN e degrau na entrada (Potên ia = 0,3). . . 35
3.3.4 Experimento 4: Sistema de 4 a Ordem om AWGN e degrau na entrada (Potên ia = 0,5). . . 38
3.3.5 Experimento5: Sistemade4 a Ordem omAWGNePRBSnaentrada. 40 3.4 Con lusões. . . 44
4 O Método do Relé 45 4.1 Introdução . . . 45
4.2 Estimação do pólo de Laguerre om o método do Relé para modelos de primeiraordem . . . 47
4.3 Estimação do pólo de Laguerre om o método do Relé para modelos de segunda ordem . . . 47
4.4 Casos de Simulação: Sistemasde 1 a Ordem . . . 48
4.4.1 Experimento I . . . 48
4.4.2 Experimento II . . . 53
4.4.3 Experimento III . . . 58
4.5 Casos de Simulação: Sistemasde 2 a Ordem . . . 64 4.5.1 Experimento I . . . 64 4.5.2 Experimento II . . . 69 4.5.3 Experimento III . . . 74 4.6 Con lusões. . . 79 5 Con lusões e Sugestões 80 5.1 Con lusões. . . 80 5.2 Sugestões . . . 80 Referên ias Bibliogra as 82
Introdução
Modelos matemáti os de sistemas são utilizados. Por exemplo, modelo em espaço
de estados, função de transferên ia (rela iona a entrada e saída do sistema) ou modelos
baseados em série ( a série de Laguerre). O onhe imento obtido da quími a, físi a ou
matemáti a do pro esso pode apontar um modelo que des reva a dinâmi a do sistema,
isto é, o fun ionamento do sistema ao longo do tempo. No entanto, essa práti a não é
interessanteparasistemasmais omplexosequenão tenhamos o onhe imentoplenodos
fenmenosenvolvidos. Alternativamente, a identi ação de sistemas possibilita a
obten-çãodemodelosmatemáti osaproximadosparaarepresentaçãodesistemas. Sendoassim,
na identi ação de sistemas, os modelos utilizam os dados obtidos de experimentos que
devem ser realizados nopro esso oua partir de modelos simulados.
Identi ar sistemas dinâmi os signi a al ular, aproximar ou obter modelo(s)
ma-temáti o(s)querepresentem determinado(s) tipo(s)de omportamento(s)dosistemaque
está sendo estudado, numa determinadafaixa ou regiãode operação.[2℄
A identi ação de sistemas pode ser realizada no domínio do tempo ou da
frequên- ia. Nodomíniodo tempo são utilizadosdadostemporais medidosnaentrada ena saída
do sistema. Já no domínio da freqüên ia utilizam-se das ara terísti as de resposta em
freqüên iado sistema.
Naidenti açãode sistemasoproblemade identi arosistema onsistenaestimação
dos parâmetros de um dado modelo, por meio de um algoritmo que utiliza os dados de
entrada e saída do pro esso. Em ontrapartida, a identi ação de sistemas om bases
defunções ortonormaispermitein orporar um onhe imentopar ialsobre adinâmi ado
para o modelo, o que está de a ordo om o Prin ípio de Parsimony. 1
Sendo assim, ao
utilizarmodelosde basede funçõesortonormaisosproblemas naidenti açãodosistema
tornam-se mais simples. Dentre as bases de funções ortonormais utilizadasna
identi a-ção de sistemas, desta am-se: Laguerre e de Kautz. A base de Laguerre éformada pelas
funçõesde Laguerre, ideal para representar sistemasdinâmi os que possuam pólos reais,
enquanto que a base de Kautz é adequada para sistemas que possuam pólos omplexos
onjugados.
Oproblema deidenti arum sistemaédivididoemetapas. Asetapasde identi ação
de sistemassão quatro, são elas: [23℄
1. Testes dinâmi os e oleta de dados. Esta etapa onsiste na obtenção dos
dados a partir de um experimento. Comumentemente esses dados, hamados de
dados de identi ação podem ser obtidos no domínio do tempo ou da frequên ia,
dependendo da es olha do ritério de identi ação a ser utilizado. No domínio do
tempo são utilizados dados temporais medidos na entrada e na saída do sistema.
Enquanto que nodomínio da freqüên ia utilizam-sedas ara terísti asde resposta
em freqüên ia dosistema.
2. Es olhadaestruturado modelo. Estaetapa onsistenaes olhadeum onjunto
de modelos que serão utilizados para representar o sistema. Além disso, o tipo
de modelo: linear ou não linear, tempo ontínuo ou dis reto, paramétri o ou não
paramétri o.
3. Estimação de parâmetros. Esta etapa onsiste na es olha do ritério para
esti-mação dos parâmetros domodeloe depende da es olha daestrutura de modelo da
etapa anterior. Porexemplo,aotrabalhar om dadosnodomíniodotempopode-se
utilizar o ritériodos mínimos quadrados.
4. Validação do modelo. Com osparâmetros domodelo al uladosna etapa
ante-riorépre isode idirseomodelodefatopodeserutilizadoparaidenti arosistema.
Por esse motivo essa etapa é onhe ida omo Validação do Modelo. Ao trabalhar
no domíniodo tempo é utilizadoum parâmetro que quantique a proximidade da
saída do modelo om a saída do sistema. Por exemplo, a Por entagem do Erro de
Predição (PEP) é um indi ativodoquão próximoo modelo está dosistema.
1
A gura (1.1) éo diagramade etapas de identi açãode sistemas.
Figura 1.1: Diagramade etapas daidenti açãode sistemas.[23℄
1.1 Revisão Bibliográ a
Amodelagem e identi ação om bases de funções ortogonaisra ionais éum temade
pesquisaquevemganhandodestaquenaliteraturaespe ializada,pelofatode quemodelos
de sistemas dinâmi os que utilizam base de funções ortonormais apresentam vantagens
em relação à identi ação lássi a de sistemas. Em [41℄ mostra-se algumas vantagens
do uso das funções de Laguerre na identi ação de sistemas, omo por exemplo, o fato
da ordem do modelo ser reduzido, em omparação om a modelagem (ARX (Auto
re-gressive with exogenous input), FIR (Finite Impulse Response), AR (Auto regressive)),
atravésde modelosLaguerre. Já[33℄ propõeumaté ni ade identi açãodesistemas
ba-seadaemexpansõesdasériede Laguerre onsiderandodadosde entradaesaída ltrados.
Em [15℄ utilizam o algoritmo dos mínimos quadrados para a estimação do modelo OBF
(OrthonormalBasisFun tions). Domesmomodo,[6℄desta amaestimaçãonuméri ados
Geralmente, os modelos de base de funções ortonormais são parametrizados a partir
daespe i ação de um ou mais pólosdo sistema a ser identi ado. Modelos
parametri-zados por pólos podem levar a modelos om número reduzido de parâmetros se o pólo
es olhido for próximo do pólo real do sistema. Em geral, a es olha do(s) pólo(s) pode
ser feita através de métodos de seleção do(s) pólo(s) ou a partir de algum onhe imento
prévio das ara terísti asda dinâmi adosistema. [36℄
Diversos autoresabordaramoproblema de seleçãode pólosem modelos BFO.Em[8℄
demonstra omo resolvero problema de seleção de póloótimo de Laguerre para sistemas
des ritos por funções de transferên ias ra ionais,assumindo a existên ia de uma
expres-são analíti a daresposta ao impulso e que não haja atraso de transporte no sistema. Já
[21℄ apresentam uma ondição de otimalidade para a es olha do pólo de Laguerre. Em
[29℄ apresentam uma solução analíti apara determinaçãodo póloótimode Laguerre
uti-lizandoarespostaaoimpulsodosistema. Já[12℄ propõemautilizaçãodebus anuméri a
unidimensionalpara lo alizar opólode Laguerre. Em [43℄ é mostrada uma solução para
opóloótimo de Laguerre para sistemas em tempo ontínuo. Já[28℄ utilizamo algoritmo
de Newton-Raphson iterativo para al ular o pólo de Laguerre ideal para sistemas de
tempo ontínuo. Em[42℄édadaumageneralizaçãoparasistemasestáveisno
L
2
tomando omo base o estudo de [8℄ para a es olhaótima do pólode Laguerre. Em[39℄ apresentaum algoritmo híbrido para seleção de pólo ótimo de Laguerre. Neste aso o algoritmo
híbrido utiliza algoritmos genéti os e o algoritmo de Newton-Raphson. Enquanto que,
[35℄, utilizao métodode Otimização por Nuvem de Partí ulas (PSO, doinglês, Parti les
Swarm Optimization)proposto por[20℄ para bus aruma soluçãodoproblema de seleção
depólosemmodelosBFO.Porm,[26℄apresentam umanovapropostaparaaotimização
de modelos de sistemas dinâmi osatravés de BFO om funçõesde Laguerre naformade
espaçode estados.
Apesar dos trabalhos itados anteriormente sobre o problema da seleção de pólosna
identi açãode sistemas usandobases de funçõesortonormais. Nesta dissertação
utiliza-seumanovaestratégiadeidenti açãoutilizandoométododoréle paraobtençãode uma
estimativadopólode Laguerre. Este métodoéuma alternativapara obterosparâmetros
domodelodopro esso, atravésdaanálise de algunspontos daresposta em frequen iado
pro esso.
Diversosautoresutilizaramométododorelénaáreadeidenti açãodesistemas. Em
[19℄édes ritoummétodoparaestimaçãodosparâmetrosdeummodelodeprimeiraordem
nométodo anterior para utilizar o experimento do relé simétri o. Em[16℄ sugerem uma
alternativapara obtenção dos parâmetrosdos modelosde primeiraesegunda ordem om
atrasoa partir doexperimentodorelé.
1.2 Objetivos
A identi açãode sistemaséútilpara oprojeto de ontrole,e onomia de tempoe
dinheiro, evitar testes experimentais. Enm, aidenti açãoé uma maneirade responder
questõessobreosistemasem ane essidade defazertestesperigososoudestrutivos. Além
disso,épossivel onhe erofun ionamentodopro essoem ondiçõesopera ionaispadrões
extremassem dani ar osistema.[27℄
Com arealização desse trabalho, objetiva-se atingir os seguintes pontos:
•
Realizar um estudo naárea de identi ação, trabalhando nodomínio dotempo.•
Identi ar sistemas utilizando bases de Laguerre.•
Utilizar o métododorelé omo estratégia para es olha dopólo de Laguerre.1.3 Organização do Texto
Nesta introdução, apresentamos a des rição do problema e os objetivos deste
traba-lho. Nos apítulos seguintes serão abordados os tópi os atinentes ao desenvolvimento
destetrabalho.
No apítulo2osfundamentostéori osparaentendimentodoproblemadeidenti ação
sãoapresentados. Emseguida,no apítulo3des revemosametodologiaeos
pro edimen-tos que serão utilizadosnaidenti açãousando asbases de Laguerre.
No apítulo 4 desta a-se o método do relé e sua apli abilidade na identi ação de
sistemasutilizando basesde Laguerre. No apítulo5éfeitaa on lusãodotrabalhoesão
Fundamentação Teóri a
2.1 Introdução
Neste apítulodesta a-sealguns on eitosfundamentaisatinentesaáreade
identi a-ção de sistemas. Desta amosdois métodos de onstrução de bases ortonormais: Método
de ortogonalizaçãode Gram-S hmidt emétodobaseado em espaço de estados.
2.2 Função de Transferên ia, Resposta ao Impulso e
Resposta em Frequên ia
Dadoum sistema linear em tempodis reto
y(t) = G(q)u(t)
(2.1)naqual,
u(t)
éosinal deentrada,y(t)
éosinalde saída. Osistemaserá representado por um operador de transferên iaG(q)
, q é um operador de deslo amento e pode fun ionar omoumavanço ouatraso. Porexemplo,dado um sinalde entradau(t)
,qu(t) = u(t + 1)
fun iona omoum avanço, enquantoque,q
−1
u(t) = u(t − 1)
é umatraso. Nagura (2.1)
enfatiza-seo uso dooperador q omo atraso.
Para sistemas estáveis, aresposta ao impulsoé dada por
y(t) =
∞
X
k=0
g
k
u(t − k)
(2.2)Noteque
u(t − k) = q
−k
u(t)
. Sendoassim, podemosrees revera equação (2.2).
y(t) =
∞
X
k=0
g
k
q
−k
u(t)
(2.3)Agora, omparando-se aequação (2.3) om a equação(2.1), obtém-se
G(q) =
∞
X
k=0
g
k
q
−k
(2.4)A função de transferên ia G(z) será dada por
G(z) =
∞
X
k=0
g
k
z
−k
,
z ∈ C
earespostaemfrequên iaéobtidapor
G(e
iw
)
om
w = [−π, π]
. Alémdisso,assumiremos queas funçõesde transferên ias são estritamente próprias, ouseja,lim
|z|→∞
G(z) = 0
(2.5)
Em outras palavras, uma função de transferên ia G(z) é dita estritamente própria,
quando ograu dodenominador de
G(z)
for maior que ograu do numerador deG(z)
.[10℄2.3 Modelo de Espaço de Estados
Ummodelo de espaçode estadosde tempo dis retoé dado por
x(t + 1) = Ax(t) + Bu(t)
(2.6)y(t) = Cx(t) + Du(t)
(2.7)Na qual,
x(t) ∈ R
n
é o vetor de estados,
u(t) ∈ R
m
e
y(t) ∈ R
p
. O aso parti ular
em que
m = p = 1
é onhe ido omo SISO (Single-Input Single-Output), ou seja, uma entrada euma saída.Para distinguir os sinais de suas transformadas, iremos adotar a seguinte onvenção,
os sinais serão representados por letras minús ulas do alfabeto, enquanto que suas
tran-formadas serão representadas por letras maiús ulas. Além disso, a transformada Z de
sinaisé dada por
X(z) =
∞
X
k=0
Agora, apli ando-sea trasformadaZa ambososmembros da equação(2.6), obtém-se
Z(x(t + 1)) = Z(Ax(t) + Bu(t))
zX(z) = Z(Ax(t)) + Z(Bu(t))
zX(z) = AZ(x(t)) + BZ(u(t))
zX(z) = AX(z) + BU(z)
X(z)(zI − A) = BU(z)
X(z) = B(zI − A)
−1
U(z)
(2.9)Z(y(t)) = Z(Cx(t) + Du(t))
Y (z) = Z(Cx(t)) + Z(Du(t))
Y (z) = CX(z) + DU(z)
(2.10) Substituindo(2.9) em (2.10), obtém-seY (z) = [C(zI − A)
−1
B + D]U(z)
(2.11)Portanto, a função de transferên ia para o modelo de espaço de estado de tempo
dis retoé dadopor
G(z) = C(zI − A)
−1
B + D
(2.12)2.4 Espaço de Funções e Produto Interno
Seja
D
o dis o de raio unitário, ou seja,{z; |z| < 1}
,E
o exterior do dis o de raio unitário, in luindo o innito:{z; |z| > 1}
eT
o ir ulo de raio unitário:z; |z| = 1
. Na gura (2.2) mostra as regiõesD
,E
e o ir ulo de raio unitário. Além disso, denota-seH
2
(E)
oespaço densode funçõesquadrati amenteintegráveisemT
,analíti as 1naregião
E
. No entanto, existem espaços de funções mais gerais, omo o espaço de Hilbert 2,
es-paçoformadoporfunçõesmatri iais omplexasde dimensão
p × m
quesão integráveisno 1Uma função
f
davariável omplexaw
éditaanalíti anum pontow
0
, sesuaderivadaf
′
(w)
existe nãosóemw
0
omotambémemtodopontow
deumavizinhançadew
0
. Emoutraspalavras,féanalíti a numdominio do plano-w
se ela é analíti aem todo ponto desse domínio. Uma introdução as funções analíti aspodeseren ontradaem[38℄.2
DavidHilbert(1862-1943)Foiummatemáti oalemão ujotrabalhoemgeometriateveamaiorinuên iano ampo
desdeEu lides. Depoisdefazerumestudosistemáti odosaxiomasdageometriaEu lidiana,Hilbertpropsum onjunto
ir ulode raiounitárioe representado simboli amentepor
L
p×m
2
(T)
Figura 2.2: Regiões
D
,E
eo ir ulode raiounitário(r = |z| = 1
).Denição 1 (Produto Interno) Sejam duas funções
X(z)
eY (z) ∈ H
2
(E)
, o produto interno entre elas será expresso matemati amente porhX, Y i :=
1
2π
Z
π
−π
X(e
iw
)Y
∗
(e
iw
) dw =
1
2π
I
T
X(z)Y
∗
(1/z
∗
)
dz
z
(2.13)2.4.1 Propriedades do Produto Interno
O produto interno possui boas propriedades, tais omo: bilinearidade,simetria e
po-sitividade denida. Sejam
F
1
(z), F
2
(z)
, eF
3
(z) ∈ H
2
(E)
.•
BilinearidadehF
1
+ aF
2
, F
3
i = hF
1
, F
3
i + ahF
2
, F
3
i, ∀a ∈ R
hF
1
, F
2
+ bF
3
i = hF
1
, F
2
i + bhF
1
, F
3
i, ∀b ∈ R
•
SimetriahF
1
, F
2
i = hF
2
, F
1
i
•
PositividadeDenidahF
1
, F
1
i ≥ 0, hF
1
, F
1
i = 0 ⇒ F
1
= 0
pelo restodesua vida. Entre 1900e1914,muitosmatemáti osdosEstados Unidosquedepoisrepresentaramumpapel
importantenodesenvolvimentodamatemáti aforamparaGottingenestudar omele. Hilbert ontribuiuemváriosramos
damatemáti a,in luindoateoria algébri adonúmero,análisefun ional,físi asmatemáti as,eos ál ulosdevariações.
Tambémenumerou23problemasnãosolu ionadosdematemáti aqueele onsideroumere edordeinvestigaçãoadi ional.
2.4.2 Norma
A norma dafunção de transferên ia
X(z) ∈ H
2
(E)
é dada porkXk :=
phX, Xi
2.5 Ortonormalidade
Dadasduas funções
X
1
(z)
eX
2
(z)
elas são ortonormais,seas seguintes ondiçõessão satisfeitasmutuamentehX
1
, X
2
i = 0
(2.14)kX
1
k = kX
2
k = 1
(2.15)A ondição (2.14) garante que as funções
X
1
(z)
eX
2
(z)
são ortogonais. Enquanto que, a ondição (2.15) garante a normalidade deX
1
(z)
eX
2
(z)
. Esta denição pode ser generalizadapara o aso de utilizarmosn
funções de transferên ias.Iremos des rever nas seções seguintes dois métodos de ortonormalização, são eles:
métodode Ortonormalizaçãode Gram-S hmidte métodode espaço de estados.
2.5.1 Pro edimento de Ortogonalização de Gram-S hmidt
O pro edimentode ortogonalizaçãode Gram 3
-S hmidt é um métodosistemáti o
uti-lizado para onverter uma dada base arbitrárianuma base ortogonal. Vale salientar que
nosso interesse aqui é utilizar este pro edimento de ortogonalização de Gram-S hmidt a
umabase formadade funçõesde transferên ias.
Primeiramente,iremos onsiderarumabaseformadaporapenasduasfunçõesde
trans-ferên ias ra ionais,
V (z) = [F
1
(z) F
2
(z)]
. Deste modo, deseja-se en ontrar uma base or-togonal a partir deV (z)
. SejamF
1
(z)
eF
2
(z) ∈ H
2
(E)
duas funções de transferên ias3
Jörgen Pederson Gram (1850 -1916) foium atuário dinamarquês. A edu ação bási ade Gram foiem es olas
de aldeias suplementada om tutoria parti ular. Depois de on luir o segundo grau ele obteve o grau de Mestre em
Matemáti a omespe ialização em Álgebra Moderna. Em seguida Gram foi ontratado omo atuário na Companhia
HafniadeSegurosdeVida,ondeeledesenvolveuosfundamentosmatemáti osdesegurosdea identesparaarmaSkjold.
Eletrabalhou na Diretoriada Hafniaedirigiu Skjoldaté1910, quando setornou diretor do Conselho Dinamarquêsde
Seguros. Enquanto trabalhava deatuário, eleobteve o Doutorado om sua teseintituladaSobre Desenvolvimentos em
SériesUtilizandooMétododosMínimosQuadrados. Foinestatesequeprimeiroformulousuas ontribuiçõesaopro esso
deGram-S hmidt.MaistardeGrampassouainteressar-seporTeoriaAbstratadeNúmeros,tendoganhadoumamedalha
deourodaSo iedadeRealDinamarquesadeCiên iaseLetrasporsua ontribuiçãoneste ampo.Noentanto,eletambém
manteveuminteresse, durantetodasua vida,nainter-relação entre matemáti a-teóri aeapli ada, queolevouaquatro
ra ionais. Devemos obter asfunções
F
′
1
(z)
eF
′
2
(z)
que são asfunçõesque formama base ortogonalaV(z). Simbolizaremosesta base porV
′
(z) = [F
′
1
(z) F
′
2
(z)]
. SejaF
′
1
= ¯
F
1
. Sendo assim, pre isamos en ontrar a partir deF
2
uma funçãoF
′
2
que seja ortogonalaF
′
1
, istoé,hF
′
2
, F
′
1
i = 0
. Para isto tomamosF
′
2
= F
2
− cF
′
1
, na qual éum número es olhido, de modoque
hF
′
2
, F
′
1
i = 0
,isto é,hF
′
2
− cF
′
1
, F
′
1
i = 0
.hF
1
′
, F
2
− cF
′
1
i = hF
′
1
, F
2
i − chF
′
1
, F
′
1
i
hF
1
′
, F
2
− cF
′
1
i = hF
2
, F
′
1
i − chF
′
1
, F
′
1
i
0 = hF
2
, F
′
1
i − chF
′
1
, F
′
1
i
c =
hF
2
, F
1
′
i
hF
′
1
, F
′
1
i
, ou seja,c =
hF
2
, F
1
′
i
hF
′
1
, F
′
1
i
. Na gura (2.3), ilustra-se gra amente o pro edimento de
orto-gonalizaçãode Gram-S hmidtapli ado abase
V (z) = [F
1
(z) F
2
(z)]
.Figura 2.3: Representação grá ado pro edimentode Gram-S hmidt.
Portanto,
F
1
′
= F
1
F
2
′
= F
2
−
hF
2
, F
1
′
i
hF
′
1
, F
′
1
i
F
1
′
Observe queF
′
2
, queéortogonalaF
1
′
,foioriginadade
F
2
subtraindo-seaprojeçãodeF
2
sobreF
′
1
. Logo, a base ortogonalobtidaé dada porV
′
(z) =
h
F
1
′
(z) F
′
2
(z)
i
(2.16)
Aoutilizaropro edimentoGram-S hmidt 4
obtém-se umabaseortogonal. Noentanto,
4
Erhardt S hmidt(1876-1959) foi um matemáti o alemão. S hmidt re ebeu seu doutorado da Universidade de
Göttingenem1905,ondeestudousoborientaçãodeDavidHilbert,umdosgigantesdaMatemáti a. Maistardeem1917,
foile ionarnaUniversidadedeBerlim,ondepermane eupelorestodesuavida. S hmidtfezimportantes ontribuiçõesem
umavariedadede amposmatemáti os,masémaisnotávelporter onseguidomoldarmuitasdasdiversasidéiasdeHilbert
numúni o on eitoabrangente( hamadoespaçodeHilbert),queéfundamentalnoestudodeespaçosvetoriaisdedimensão
é interessante ter uma base que seja ortogonale normal, ou seja, uma base ortonormal.
Paraobtenção dabase ortonormalapartirdabaseortogonal,bastanormalizar ada uma
das funções. Matemati amente, temos:
V
′
(z) =
h
F
1
′
(z)
kF
′
1
(z)k
F
2
′
(z)
kF
′
2
(z)k
i
(2.17)Opro edimentodeortogonalizaçãode Gram-S hmidtpodeser generalizadoparauma
base nita formadapor
n
funções de transferên ias.V (z) =
h
F
1
(z) F
2
(z) . . . F
n
(z)
i
(2.18)
Abaseortogonalobtidapelopro edimentodeGram-S hmidtédadamatemati amente
por
F
1
′
= F
1
F
2
′
= F
2
−
hF
2
, F
′
1
i
hF
′
1
, F
′
1
i
F
1
′
F
3
′
= F
3
−
hF
3
, F
′
2
i
hF
′
2
, F
′
2
i
F
2
′
−
hF
3
, F
′
1
i
hF
′
1
, F
′
1
i
F
1
′
. . .F
n
′
= F
n
−
hF
n
, F
n−1
′
i
hF
′
n−1
, F
′
n−1
i
F
n−1
′
− · · · −
hF
n
, F
′
1
i
hF
′
1
, F
′
1
i
F
1
′
Portanto,V
′
=
h
F
1
′
F
2
′
. . . F
n
′
i
(2.19)Consequentemente, a base ortonormal será dada por
V
′
=
h
F
′
1
kF
′
1
k
F
′
2
kF
′
2
k
. . .
F
′
n
kF
′
n
k
i
2.5.2 Funções Ortogonais Ra ionais
Umafunção detransferên ia
G(z)
édita ra ionaldeordemn
,seelaforexpressa omo arazão entre dois polinmiosemz
. Matemati amente, temosG(z) =
B(z)
A(z)
(2.20) naqual,B(z) = b
1
z
n−1
+ · · · + b
n
A(z) = z
n
+ a
1
z
n−1
+ · · · + a
n
=
n
Y
k=1
(z − ξ
k
)
Alémdisso, se asfunções ra ionaissatisfazema ondição de ortogonalidadedada por
(??), então elas são funçõesortogonais ra ionais. Alguns exemplosde funções ortogonais
ra ionaissão asfunçõesde LaguerreeTakenaka-Malmquist. Aseguirapresentaremos,de
formadetalhada, asfunções de Laguerre.
2.5.3 Funções de Laguerre
O res enteinteressenautilizaçãodasfunçõesdeLaguerre,deve-seasuaapli abilidade
naárea de identi açãode sistemas. Asfunções de Laguerre possuem propriedades
atra-tivas,tais omo ortonormalidade e ompletude que desta aremos naseção seguinte. Em
suma,asfunçõesdeLaguerrepodemserutilizadaspararepresentarfunçõesde
transferên- ias estáveis. Teori amente, qualquer sistema estável pode ser representado exatamente
por uma série innita de funções de Laguerre. Obviamente, na práti a, utiliza-se uma
série nita (trun amento) da série de Laguerre. Sendo assim, o erro de trun amento
de-pende donúmerode funções utilizadase doparâmetro a que é ara terísti odas funções
de Laguerre. [11℄
Um onjunto de funçõesreais
l
1
(t), l
2
(t), . . .
formaum onjunto ortonormal no inter-valo(0, ∞)
se elas satisfazem asseguintes propriedades.Z
∞
0
l
i
2
(t) dt = 1
(2.21) eZ
∞
0
l
i
(t)l
j
(t) dt = 0,
i 6= j
(2.22)A ondição (2.21) garante a normalidade para o onjunto de funções
l
1
(t), l
2
(t), . . .
, enquantoquea ondição(2.22)garanteaortogonalidadedasfunçõesl
1
(t), l
2
(t), . . .
. Além disso,o onjuntodefunçõesortogonaisserá ompletosenãoexistirumasfunçãof (t)
omZ
∞
0
f (t)
2
< ∞
, ex etuando-se afunção identi amente nula, de modo queZ
∞
0
Funções de Laguerre em tempo ontínuo
Asfunçõesde Laguerre formam umabase de funçõesortonormais,ouseja,satisfazem
as ondições (2.21)e (2.22). O onjuntodas funçõesde Laguerre é denido omo
l
1
(t) =
p2p · e
−pt
l
2
(t) =
p2p(−2pt + 1) · e
−pt
l
3
(t) =
p2p(+2p
2
t
2
− 4pt + 1) · e
−pt
. . .=
. . .l
i
(t) =
p2p
h
(−1)
i−1
(2p)
i−1
(i − 1)!
t
i−1
+ (−1)
i
(i − 1)(2p)
i−2
(i − 2)!
t
i−2
+(−1)
i−1
(i − 1)(i − 2)(2p)
i−3
2!(i − 3)!
t
i−3
+ · · · + 1
i
· e
−pt
na qual,
p
é um parâmetro hamado de fator de es ala do tempo para as funções de Laguerre.[42℄Na gura (2.4) mostraas 4primeiras funções de Laguerre para p= 1.0
2
4
6
8
10
−1
−0.5
0
0.5
1
1.5
Funções de Laguerre
t
L(t)
L1
L2
L3
L4
Figura2.4: Funções de Laguerre para p = 1
Para analisarmos a inuên ia do parâmetro
p
nas funções de Laguerre mostra-se na gura (2.5) a primeira função de Laguerre para os asos em quep
assume os seguintes valores0, 3; 0, 5; 0, 7; 1, 0
. Do mesmo modo, traçaremos em um outro grá o a segunda função de Laguerre.2.5.4 Método Baseado em Espaço de Estados
Para obter uma base ortonormal ao espaço formado por
{ ¯
F
1
(z), . . . , ¯
F
n
(z)}
siga as seguintes etapas.[15℄1. Considere oespaço formadopor
n
funções de transferên iasra ionais0
1
2
3
4
5
6
7
8
9
10
0
0.5
1
1.5
Primeira Função de Laguerre
t
L(t)
p = 0,3
p = 0,5
p = 0,7
p = 1,0
0
1
2
3
4
5
6
7
8
9
10
−1
−0.5
0
0.5
1
1.5
Segunda Função de Laguerre
t
L(t)
p = 0,3
p = 0,5
p = 0,7
p = 1,0
Figura2.5: As duas primeirasfunções de Laguerre para
p = 0, 3; 0, 5; 0, 7; 1, 0
.2. Determine o modelo de espaço de estados ontrolável
¯
x(t + 1) = ¯
A¯
x(t) + ¯
Bu(t)
om base de funções de transferên ias dada por
¯
V (z) = [ ¯
F
1
(z), . . . , ¯
F
n
(z)] = (zI − ¯
A)
−1
B
¯
Os autovalores de
A
¯
são iguais aos pólosde{ ¯
F
1
(z), . . . , ¯
F
n
(z)}
.3. Determine a matrizde ovariân ia
P
¯
que satisfaz aequação de Lyapunov¯
P = ¯
A ¯
P ¯
A
T
+ ¯
B ¯
B
T
4. En ontre a raiz quadrada damatriz Tda inversa de
P
¯
,ou seja,T ¯
P T
T
= I
5. Faça a transformação
x(t) = T ¯
x(t)
. O modelo em espaço de estados transformado é dado porx(t + 1) = Ax(t) + Bu(t),
A = T ¯
AT
−1
,
B = T ¯
B
om base de funções de transferên ias dada por
¯
2.6 Identi ação de Sistemas
Oproblemadaidenti açãode sistemas,énofundo, um aso parti ular dabus apor
leis e modelos que expliquem fenmenos naturais ou por ação do Homem. Os modelos
obtidossãodotipo aixa-preta, ousejaatravésdosimplesajustedosdadosexperimentais
amodelos de estrutura pré-denida, sem relação om des riçõesfenomenológi as. Existe
aindaapossibilidadedeseapli arté ni asde identi açãoparaseobter oe ientes para
uso em modelos a partirdas leisdaFísi a. [30℄,[13℄
A identi ação de um sistema dinâmi o a partir de dados experimentais, onsiste
naes olhade um onjuntode modelos de estrutura pré-denida. O onjunto de modelos
é uma oleção de modelos entre os quais o melhor modelo é pro urado om base nos
dados. Sendoassim, aes olhado onjunto de modelosinuen iadiretamentenamáxima
pre isãopossível domodelo identi ado. Alémdisso, o onjunto de modelos deveser tão
grandeeexívelquantopossível,am de onter,muitos andidatosde modelospossíveis.
Issoreduzirá erros estruturaisoude polarizaçãonomodelo. Noentanto,aoparametrizar
omodelo denido, o número de parâmetros deve ser tão pequeno quanto possível devido
ao prin ípio da Parsimony. Este prin ípio estabele e que a variabilidade dos modelos
identi ados aumenta om o aumento donúmero de parâmetros.
Para obtenção do onjunto de modelos iremos denir um modelo linear dinâmi o
queéformadoporduaspartes: umapartedeteminísti aeumaparteesto ásti a. Aparte
determinísti a é obtida a partir dos dados experimentais
{u(t), y(t)}
t=1,...,N
, enquanto quea parte esto ásti a éoriginadapelaperturbação no sistema (e(t)
). Representaremos gra amenteeste modelo lineardinâmi opormeio dodiagramade blo osdagura (2.6)2.6.1 Erro de Predição
Apartirdeumasequên iadedadosdeentradaesaídadopro esso,ouseja,
{u(t), y(t)}
t=1,2,...,N
e onsiderando um sistemalinear, invarianteno tempoe de tempodis reto.[15℄y(t) = G
0
(q)u(t) + v(t)
naqual,
G
0
∈ H
2
,u
é um sinal quase-esta ionário ev
é um pro esso esto ásti o esta io-nário om densidade espe tral ra ional, representada porv(t) = H
0
(q)e(t)
, ondee
é um ruído bran o om média nula evariân iaσ
2
e
eH
0
é uma função de transferên ia mni a, istoé,lim
|z|→∞
H
0
(z) = 1
, om
H, H
−1
0
∈ H
2
.2.6.2 Por entagem do Erro de Predição (PEP)
A por entagem doerro de predição é denida omo
P EP =
n
X
k=1
(y(k) − ˆy(k))
2
n
X
k=1
(y(k) − ˜y)
2
× 100
(2.24)naqual
y
˜
éo valormédio das medições{y(k)}
ey(k)
ˆ
são osvalorespreditos de y(k).A PEP pode ser utilizado omo ritério de onvergên ia [25℄. Sendo assim,
utili-zando a PEP podemos obter o melhor modelo de Laguerre, ou seja, o que apresentar o
menorvalordaPEP.
2.7 Identi ação Paramétri a
Aidenti açãoparamétri asurgiudevido aofatoquemodelosnão-paramétri os,bem
omo, diagramas de Bode, diagrama de Nyquist e resposta ao degrau podem não ser
apazes de des rever ompletamente a dinâmi a do sistema. Em ontrapartida,
mode-losparamétri os tem a apa idade de obter um modelo aproximado para a dinâmi ado
sistema. Os modelos mais utilizados na identi ação paramétri a são: ARX (Auto
re-gressive), ARMAX (Auto regressive moving average with exogenous input), OE (Output
Error),FIR (Finite Impulse Response),BJ (Box-Jenkins). [34℄
2.7.1 ARX
O modelo auto-regressivo om entradas externas, ARX, onde AR é a parte
auto-regressiva,
A(q)y(t)
eX
a entrada externa,B(q)u(t)
pode ser obtidoa partir do modelo geral.[24℄ Omodelo ARX é dado porA(q)y(t) =
B(q)
F (q)
u(t − n
k
) +
C(q)
D(q)
e(t)
(2.25)omasrestrições
C(q) = D(q) = F (q) = 1
eA(q)
eB(q)
polinmiosarbitráriosdados porA(q
−1
, θ) = 1 + a
1
q
−1
+ a
2
q
−2
+ · · · + a
n
a
q
−n
a
(2.26)B(q
−1
, θ) = b
0
+ b
1
q
−1
+ b
2
q
−2
+ · · · + b
n
b
q
−n
b
(2.27) naqualq
−1
θ := [a
1
a
2
. . . a
n
a
b
0
b
1
. . . b
n
b
]
T
∈ Θ ⊂ R
n
a
+n
b
+1
(2.28)
Sendoassim, temos:
A(q)y(t) = B(q)u(t − nk) + e(t)
(2.29)Rees revendo a equação (2.29), obtém-se:
y(t) =
B(q)
A(q)
u(t − nk) +
1
A(q)
e(t)
(2.30)Omodelo ARX des rito pelaequação (2.30) é ilustradonagura (2.8).
Figura2.8: Diagrama de blo os domodelo ARX
O modelo ARX é utilizado em apli ações industriais devido a sua simpli idade na
estimaçãodosparâmetrosdomodelo. Em[31℄abordaautilizaçãodomodeloARXparaa
observaçãodo omportamentodatemperaturadoreti adorde orrenteelétri autilizado
para suprimento dos motores de tração de uma Lo omotivaDiesel-Elétri a.
2.7.2 ARMAX
O modelo ARMAX é derivado do modelo linear geral om as seguintes restrições,
D(q) = F (q) = 1
. Matemati amente, temos:y(t) =
B(q)
A(q)
u(t) +
C(q)
A(q)
e(t)
(2.31)Odiagramade blo os domodelo ARMAX é dado nagura (2.9).
2.7.3 OE
O modelo OE é derivado do modelo linear geral om as seguintes restrições,
A(q) =
C(q) = D(q) = 1
. Matemati amente, temos:y(t) =
B(q)
Figura 2.9: Diagramade blo os do modeloARMAX
Figura 2.10: Diagramade blo os domodelo OE
2.7.4 BJ
Omodelo BJ éderivado domodelolinear geral om arestrição,
A(q) = 1
. Matemati- amente, temos:y(t) =
B(q)
F (q)
u(t) +
C(q)
D(q)
e(t)
(2.33)A estrutura do modelo BJ é a estrutura mais geral,visto que utiliza quatro polinmios
distintos
B, F, C, D
. Odiagramade blo os domodelo BJ édado na gura(2.11).2.7.5 FIR
O modelo FIR é derivado do modelo linear geral om as seguintes restrições,
C(q) =
D(q) = F (q) = 1
. Matemati amente, temos:y(t) = B(q)u(t) + e(t)
(2.34)OmodeloFIRéomodelolinearmais simples,sendoformadoporuma ombinaçãolinear
de atrasos su essivos,
q
−1
, q
−2
, ..., q
−n
. O diagrama de blo os do modelo FIR é dado na
gura(2.12).
Figura2.12: Diagrama de blo os domodelo FIR
2.8 Con lusões
Neste apítulodesta a-se alguns on eitos bási oseinformaçõessobre aárea de
iden-ti ação de sistemas. Dois métodos para onstrução de uma base ortonormal:
Pro edi-mento de ortogonalização de Gram-S himdth e método baseado em espaço de estados.
Alémdisso,uma introduçãosobre identi açãoparamétri ade sistemas. Nopróximo
Identi ação de Sistemas usando Bases
de Laguerre
AsbasesortonormaisdeLaguerresãodotadasdeboaspropriedadestais omo:
omple-tudeeortonormalidade. A ompletudegarantesuarepresentaçãopara sistemasestáveis.
Alémdisso,aidenti açãode sistemasusandoasbasesde Laguerre possibilitain orporar
um onhe imentopar ial sobre a dinâmi adosistema.
Neste apítulootermoOBF 1
-Nexibidoemalgumaslegendasde gurasdesse apítulo
deve ser entendido omo o modelo de Laguerre-N, isto é, modelo de Laguerre de ordem
N.
3.1 Introdução
As funçõesde Laguerre são denidas, nodomíniodo tempo, por
F
k
(z) =
√
1 − a
2
z − a
h
1 − az
z − a
i
k−1
,
k = 1, 2, . . .
noqual,o parâmetro a, om
a ∈ R
, espe i aa lo alizaçãode k pólos idênti os em a. O onjunto formado pelas funçõesF
k
(z), k = 1, . . . , N
é onhe ido omo base de Laguerre. A base de Laguerre é adequada para representar sistemas dinâmi os que possuem pólosreais. [15℄.
Em identi ação de sistemas, na etapa da es olha da estrutura do Modelo, é
pre- iso denir qual o tipo de estrutura a ser utilizadano modelo. Osmodelos baseados em
funçõesortonormais possibilitamquesistemas sejamrepresentados pelaseguinte série
1
G(z) =
∞
X
k=1
c
k
F
k
(3.1)Noentanto, napráti aé desejável utilizarmodelos om bases de funçõesortonormais
de ordem N,ou seja,trun a-se asérie (3.1) om N termos. Matemati amente, temos:
G(z) ≈ G
n
(z) =
N
X
k=1
c
k
F
k
O vetorθ = [c
1
c
2
, . . . , c
N
]
T
∈ R
n
é o vetor de parâmetros a ser denido. Aodenir a ordemdo modelo,temos o número de funções utilizadasnasérie (3.1), istoé, dene-se abase
{F
k
(z), k = 1, . . . , N}
. Odesao éen ontrar osparâmetrosc
k
quemelhor aproxime omodelo obtido dosistema. Em[1℄foi utilizadoa base de Laguerre.Omodelo de Laguerre pode ser expresso matemati amentepelaseguinte série
ˆ
y =
n
X
k=1
c
k
F
k
(3.2) naqualF
1
=
z(1 − a
2
)
1/2
1 − az
F
2
= L
1
·
z − a
1 − az
. . .=
. . .F
n
= L
n−1
·
z − a
1 − az
Observe queasfunçõesde Laguerre sãore ursivas,istoé,afunção
F
n
podeser obtida da função anteriorF
n−1
. A base[F
1
F
2
. . . F
n
]
é onhe ida omo base de Laguerre. O modelode Laguerre de ordemn em diagramade blo os está apresentado nagura (3.1).Na seção seguinte são mostrados alguns experimentos de identi ação usando bases de
Laguerre, onsiderando omo sinal de entrada o degrau eo PRBS.
3.2 Critério de Identi ação: Mínimos Quadrados
A partir dos dados
{u(t), y(t)}
t=1,...,N
obtidos do sistema o erro de predição de uma passo afrente rela ionado aestrutura de modelo es olhida é dadaporFigura3.1: Modelo OBF om dinâmi a de Laguerre.
ε(t, θ) = H(q)
−1
[y(t) − G(q, θ)u(t)]
= y(t) − ϕ
T
(t)θ
(3.3)Na qual,
ϕ(t) := Γ
n
(q)u(t),
Γ
n
(q) := [F
1
(q) F
2
(q) . . . F
n
(q)]
T
Observe que a expressão (3.3) exibe uma estrutura de regressão linear para o
pro-blema de identi ação. A úni a diferença do lássi o FIR ou ARX é que as variáveis de
regressãosão versõesltradasdosinal de entrada,em vez de versõesatrasadas dos sinais
u e y. Sendoassim, o ritério dos mínimos quadrados pode ser utilizadopara estimaros
parâmetrosdo modelo OBF.
Oparâmetro estimadoporminimos quadrados é determinadopor
ˆ
θ
N
= arg min
θ∈Θ
1
N
N
X
t=1
ǫ(t, θ)
2
epodeser obtido omoumaestimativadaregressãolinearsimples,resolvendoasequações
normais
h
1
N
N
X
t=1
ϕ(t)ϕ
T
(t)
i
· ˆθ
N
=
1
N
N
X
t=1
ϕ(t)y(t)
(3.4) istoé,ˆ
θ
N
=
h
1
N
N
X
t=1
ϕ(t)ϕ
T
(t)
i
−1
·
1
N
N
X
t=1
ϕ(t)y(t)
(3.5)A equação (3.5) é onhe ida omo o estimador de mínimos quadrados lássi o. Para
omodelo de Laguerre
ˆ
θ
N
= [c
1
c
2
. . . c
N
]
istoé, o vetor de parâmetros representa os oe ientes domodelo de Laguerre om pólo
em a.
O sinal empregado na identi açãodo sistema deve ser apaz de ex itá-lo em todaa
faixadeinteressepois, aso ontrário,estas ara terísti asnãosãoregistradase,portanto,
o modelo identi ado não é apaz de representá-las. Geralmente, sinais de entrada om
ex itação persistente possibilitam um melhor ondi ionamento numéri o nos problemas
de estimação que utilizamo algoritmodos mínimosquadrados.
3.3 Casos de Simulação
Devido a propriedade de ompletude, ao onstruir uma base de Laguerre, todo
sis-tema será representado por um modelo de Laguerre. A seguir, iremos projetar alguns
experimentos para um sistemade 4 a
ordem.
3.3.1 Experimento 1: Sistema de 4 a
Ordem om degrau na
en-trada.
Considere um sistemadado por
y(s) =
13, 5
17, 13s
4
+ 56, 09s
3
+ 57, 64s
2
+ 20, 2s + 1
u(s)
(3.6)naqual,u é osinal de entrada ey é osinal de saída.
Para a identi ação, o sinal de entrada será um degrau unitárioe o modelo dado em
(3.6) foi onstruído no Simulink do Matlab, foram gerados
80
pontos om intervalo de amostragemde uma unidade de tempo para utilizar omo dados no algoritmodeidenti- ação implementado no Matlab. Na gura (3.2) temos a amplitude do sinal de saída.
Nas guras (3.3), (3.4) e (3.5) os resultados obtidos das simulações do pro esso usando
o modelo de Laguerre om pólos em 0,4; 0,6 e 0,8, respe tivamente, nessa ordem. Vale
Além disso, na tabela (3.1) temos os valores da por entagem do erro de predição para
modelosimuladono Matlab.
0
100
200
300
400
500
600
0
2
4
6
8
10
12
14
Tempo em segundos
y
Figura 3.2: Amplitudedo sinal de saída dosistema (3.6).
0
10
20
30
40
50
60
70
80
−40
−30
−20
−10
0
10
20
30
k
y
sistema
OBF−2
OBF−4
OBF−6
OBF−8
OBF−10
0
10
20
30
40
50
60
70
80
−20
−15
−10
−5
0
5
10
15
k
y
sistema
OBF−2
OBF−4
OBF−6
OBF−8
OBF−10
Figura 3.4: Saída dosistema(3.6) e domodelode Laguerre om pólo a= 0,6.
0
10
20
30
40
50
60
70
80
−10
−5
0
5
10
15
20
25
30
k
y
sistema
OBF−2
OBF−4
OBF−6
OBF−8
OBF−10
Pólo OBF-2 OBF-4 OBF-6 OBF-8 OBF-10
0,4 312,1385 69,2807 22,9183 0,3362 0,0813
0,6 147,9330 61,7686 2,6308 0,1509 0,1222
0,8 191,6212 30,7012 0,7212 0,2156 0,2772
Tabela3.1: Por entagem do Erro de Predição dosistema (3.6).
Agora, analisando os dados da tabela (3.1) o melhor modelo dentre o onjunto de
pólos
{0, 4; 0, 6; 0, 8}
é oOBF-10 om póloem 0,4. Osparâmetros desse modelo são[−185, 0711 − 38, 6553 117, 1444 82, 6584 21, 9852 2, 1275 − 0, 1381 − 0, 0474 −
0, 0036 − 0, 0001].
3.3.2 Experimento 2: Sistema de 4 a
Ordem om AWGN e degrau
na entrada (Potên ia = 0,1).
Considere um sistemadado por
y(s) =
13, 5
17, 13s
4
+ 56, 09s
3
+ 57, 64s
2
+ 20, 2s + 1
u(s) +
3
6s + 1
e(s)
(3.7)naqual,u é osinal de entrada,y éo sinal de saída e e um ruído bran o.
Para a identi ação, o sinal de entrada será um degrau unitário e o modelo dado
em (3.7) foi onstruído no Simulink do Matlab, foram gerados
80
pontos om tempo de amostragem de uma unidade de tempo para utilizar omo dados no algoritmo deidenti açãoimplementadonoMatlab. Alémdisso, oruidobran ofoigeradonosimulink
utilizando o blo o Band-Limited White -Noise e ajustando os parâmetros de tempo de
amostragem para uma unidade de tempo e potên ia do ruido em 0,1. Na gura (3.2)
temosaamplitude dosinal de saída. Nas guras(3.6), (3.7)e (3.8)osresultados obtidos
das simulações do pro esso usando o modelo de Laguerre om pólos em 0,4; 0,6 e 0,8,
respe tivamente, nessa ordem.. Vale ressaltar que foi utilizado o método do mínimos
quadrados omo ritériode identi ação. Alémdisso, natabela(3.2) temosos valoresda
0
10
20
30
40
50
60
70
80
−40
−30
−20
−10
0
10
20
30
k
y
sistema
OBF−2
OBF−4
OBF−6
OBF−8
OBF−10
Figura 3.6: Saída dosistema(3.7) e domodelode Laguerre om pólo a= 0,4.
0
10
20
30
40
50
60
70
80
−25
−20
−15
−10
−5
0
5
10
15
20
k
y
sistema
OBF−2
OBF−4
OBF−6
OBF−8
OBF−10
0
10
20
30
40
50
60
70
80
−10
−5
0
5
10
15
20
25
30
k
y
sistema
OBF−2
OBF−4
OBF−6
OBF−8
OBF−10
Figura 3.8: Saída dosistema(3.7) e domodelode Laguerre om pólo a= 0,8.
Pólo OBF-2 OBF-4 OBF-6 OBF-8 OBF-10
0,4 339,6148 70,5344 23,5854 0,7449 0,3278
0,6 152,8032 60,8713 3,1613 0,4047 0,3606
0,8 199,5883 30,0566 1,1130 0,4729 0,5116
Tabela3.2: Por entagem do Erro de Predição dosistema (3.7).
Agora, analisando os dados da tabela (3.2) o melhor modelo dentre o onjunto de
pólos
{0, 4; 0, 6; 0, 8}
é oOBF-10 om póloem 0,4. Osparâmetros desse modelo são[−199, 7452 − 42, 6483 127, 4087 89, 7379 23, 4224 2, 1001 − 0, 1768 − 0, 0498 −
0, 0034 − 0, 0001].
3.3.3 Experimento 3: Sistema de 4 a
Ordem om AWGN e degrau
na entrada (Potên ia = 0,3).
Considere um sistemadado por
y(s) =
13, 5
17, 13s
4
+ 56, 09s
3
+ 57, 64s
2
+ 20, 2s + 1
u(s) +
3
Para a identi ação, o sinal de entrada será um degrau unitário e o modelo dado
em (3.8) foi onstruído no Simulink do Matlab, foram gerados
80
pontos om tempo de amostragem de uma unidade de tempo para utilizar omo dados no algoritmo deidenti açãoimplementadonoMatlab. Alémdisso, oruidobran ofoigeradonosimulink
utilizando o blo o Band-Limited White -Noise e ajustando os parâmetros de tempo de
amostragem para uma unidade de tempo e potên ia do ruido em 0,3. Na gura (3.2)
temos a amplitude do sinal de saída. Nas guras (3.9), (3.10) e (3.11) os resultados
obtidosdas simulaçõesdopro esso usandoomodelo de Laguerre ompólosem 0,4; 0,6 e
0,8, respe tivamente, nessa ordem. Valeressaltar que foi utilizadoo métododomínimos
quadrados omo ritériode identi ação. Alémdisso, natabela(3.3) temosos valoresda
por entagem doerro de predição para modelo simulado noMatlab.
0
10
20
30
40
50
60
70
80
−40
−30
−20
−10
0
10
20
30
k
y
sistema
OBF−2
OBF−4
OBF−6
OBF−8
OBF−10
0
10
20
30
40
50
60
70
80
−20
−15
−10
−5
0
5
10
15
k
y
sistema
OBF−2
OBF−4
OBF−6
OBF−8
OBF−10
Figura3.10: Saída dosistema (3.8) edo modelo de Laguerre om póloa =0,6.
0
10
20
30
40
50
60
70
80
−10
−5
0
5
10
15
20
25
30
k
y
sistema
OBF−2
OBF−4
OBF−6
OBF−8
OBF−10
Pólo OBF-2 OBF-4 OBF-6 OBF-8 OBF-10
0,4 322,3618 72,2876 25,7147 1,4179 0,8447
0,6 149,9339 63,5143 4,1419 0,9425 0,8847
0,8 192,1478 32,8289 1,8042 1,0014 1,0084
Tabela 3.3: Por entagem do Erro de Predição dosistema (3.8 ).
Agora, analisando os dados da tabela (3.3) o melhor modelo dentre o onjunto de
pólos
{0, 4; 0, 6; 0, 8}
é oOBF-10 om póloem 0,4. Osparâmetros desse modelo são[−222, 6223 − 49, 2897 145, 2583 102, 2799 26, 4373 2, 2718 − 0, 2171 − 0, 0558 −
0, 0036 − 0, 0001].
3.3.4 Experimento 4: Sistema de 4 a
Ordem om AWGN e degrau
na entrada (Potên ia = 0,5).
Considere um sistemadado por
y(s) =
13, 5
17, 13s
4
+ 56, 09s
3
+ 57, 64s
2
+ 20, 2s + 1
u(s) +
3
6s + 1
e(s)
(3.9)naqual,u é osinal de entrada,y é o sinal de saída e e um ruído bran o.
Para a identi ação, o sinal de entrada será um degrau unitário e o modelo dado
em (3.9) foi onstruído no Simulink do Matlab, foram gerados
80
pontos om tempo de amostragem de uma unidade de tempo para utilizar omo dados no algoritmo deidenti açãoimplementadonoMatlab. Alémdisso, oruidobran ofoigeradonosimulink
utilizando o blo o Band-Limited White -Noise e ajustando os parâmetros de tempo de
amostragem para uma unidade de tempo e potên ia do ruído em 0,5. Na gura (3.2)
temos a amplitude do sinal de saída. Nas guras (3.12), (3.13) e (3.14) os resultados
obtidosdas simulaçõesdopro esso usandoomodelo de Laguerre ompólosem 0,4; 0,6 e
0,8, respe tivamente, nessa ordem. Valeressaltar que foi utilizadoo métododomínimos
quadrados omo ritériode identi ação. Alémdisso, natabela(3.4) temosos valoresda
0
10
20
30
40
50
60
70
80
−40
−30
−20
−10
0
10
20
30
k
y
sistema
OBF−2
OBF−4
OBF−6
OBF−8
OBF−10
Figura3.12: Saída dosistema (3.9) edo modelo de Laguerre om póloa =0,4.