3 Avaliação de Identificação - Senko

UNIVERSIDADE FEDERAL DA PARABA
PROGRAMA DE PS-GRADUAO EM ENGENHARIA MECNICA

CENTRO DE TECNOLOGIA
IDENTIFICAO DE SISTEMAS
(3 Lista de Exerccios)
PROFESSOR: Jos A. Riul

ALUNO: Richard Senko
Joo Pessoa
Maro 2015
1 Exerccios do Coelho, A. A. R.; Identificao de Sistemas Dinmicos Lineares.

5.2 Identificar a funo de transferncia discreta de um processo governado pela seguinte
equao a diferena:
y (t ) a1 y (t 1) b0 u (t 1)
a
y (t ) y (t 1) u (t 1) 1 T
b0
utilizando o estimador dos mnimos quadrados (procedimento off-line). As medidas de entrada e
sada so (estes dados sero armazenados no Matlab e depois utilizados no cdigo que ser
desenvolvido):
t
1
2
3
4
5
6
7
8
9
10
11
12
13
14
y(t)
0
0.239
-0.486
0.159
0.194
0.0039
0.0067
-0.315
0.196
-0.452
0.366
-0.261
-0.077
-0.212
u(t)
1.197
-1.830
-0.420
-0.5721
-0.287
0.435
-1.404
0.193
-1.771
0.701
-0.389
-1.040
-1.256
0.966
Para N amostras
T 1
y1
T
y
2 2 a1 Y
M b0
M
T

N
y N
O estimador dos mnimos quadrados dado pela seguinte equao:
TY
%Exerccio 5.2 do livro do Coelho

%MQ no-recursivo
clear all
clc
y=[0;0.239;-.486;.159;.194;.0039;.0067;-.315;.196;-.452;.366;-.261;-.0
77;-.212];
u=[1.197; -1.830;-.420;-.5721;-.287;.435; -1.404;.193; -1.771;.701;

-.389;-1.040; -1.256;.966];
n=length(y);
Y=[];
fi=[];
for j=2:1:n;
Y=[Y;y(j)];
fi=[fi;-y(j-1) u(j-1)];
end
theta=(inv(fi'*fi))*fi'*y(2:14);
a1=theta(1)
b0=theta(2)
a1 = 0.4115
b0 = 0.1871
Comparao da resposta real e a estimada
0.4
resposta real
resposta estimada
0.3
0.2
0.1
0
-0.1
-0.2
-0.3
-0.4
-0.5
10
12
14
Da equao do processo temos que
b0 z 1
y( z)
y ( z ) a1 z y ( z ) b0 z u ( z )
u ( z ) 1 a1 z 1
1
Sendo a1=0,4115 e b0=0,1871 a funo de transferncia discreta estimada do sistema dada da

seguinte forma
0,1871z 1
G ( z )
1 0, 4115 z 1
5.3 Considerar o processo discreto caracterizado pela equao:
y (t ) b0u (t ) b1u (t 1)
b
y (t ) u (t ) u (t 1) 0 T
b1
onde as seguintes medidas foram obtidas (estes dados sero armazenados no Matlab e depois
utilizados no cdigo que ser desenvolvido):
t
0
1
2
3
4
5
6
7
8
9
10
y(t)
0
1
-1
1
1
1
-1
-1
0
0
0
u(t)
0
1.1
-0.2
0.1
0.9
1
0.1
-1.1
-0.8
-0.1
0
Para N amostras
T 1
y1
T
y
2 2 b0 Y
M b1
M
T

y N
N
O estimador dos mnimos quadrados dado pela seguinte equao:
TY

%MQ no-recursivo
clear all
clc
y=[0;1.1;-.2;.1;.9;1;.1;-1.1;-.8;-.1;0];
u=[0;1;-1;1;1;1;-1;-1;0;0;0];
n=length(y);
Y=[];
fi=[];
for j=2:1:n;
Y=[Y;y(j)];
fi=[fi;u(j) u(j-1)];
end
theta=(inv(fi'*fi))*fi'*Y;
b0=theta(1)
b1=theta(2)
t=[1:11];
figure(1)
plot(t,u)
figure(2)
plot(t,y)
for t=2:1:n
yest=fi*theta;
end
t=2:1:n;
figure(3)
plot(t,Y,t,yest')
b0 = 0.6143
b1 = 0.5143
Comparao da resposta real e a estimada
1.5
resposta real
resposta estimada
1
0.5
-0.5
-1
-1.5
10
11
O vetor de parmetros estimados :
b
0, 6143
0
0,5143
b1
5.5 Admitir o processo discreto representado por
0,5 z 1
Y ( z)
Gp ( z)
1
1
(1 0,5 z )(1 0,5 z ) U ( z )
Logo
Y ( z)
0,5 z 1
U ( z ) 1 0, 6 z 1 0, 05 z 2
y ( k ) 0, 6 y (k 1) 0, 05 y ( k 2) 0,5u (k 1) equao de diferenas do processo
- Utilizando o Matlab
clear all
close all
clc
t1=0:0.5:12;
ur=t1;
%rampa
us=sin(t1*pi/5);
%senide
for j=1:1:3
ud(j)=1;
%degrau
yd(j)=0;
yr(j)=0;
ys(j)=0;
end
for j=3:1:25
ud(j)=1;
%degrau
yd(j)=0.6*yd(j-1)-0.05*yd(j-2)+0.5*ud(j-1);
yr(j)=0.6*yr(j-1)-0.05*yr(j-2)+0.5*ur(j-1);
ys(j)=0.6*ys(j-1)-0.05*ys(j-2)+0.5*us(j-1);
end
t2=1:1:25;
%Figuras das respostas a cada entrada
figure(1)
subplot(121);plot(t2,ud);title('Degrau')
subplot(122);plot(t2,yd);title('Resposta devido ao degrau')
figure(2)
subplot(121);plot(t1,ur);title('Rampa')
subplot(122);plot(t1,yr);title('Resposta devido a rampa')
figure(3)
subplot(121);plot(t1,us);title('Sinal senoidal')
subplot(122);plot(t1,ys);title('Resposta devido ao sinal senoidal')
%MQ para cada entrada
Yd=[];Yr=[];Ys=[];
fid=[];fir=[];fis=[];
for k=3:1:20;
Yd=[Yd;yd(k)];Yr=[Yr;yr(k)];Ys=[Ys;ys(k)];
fid=[fid;yd(k-1) ud(k-1)];fir=[fir;yr(k-1) ur(k-1)];fis=[fis;ys(k-1) us(k-1)];
end
tetad=inv(fid'*fid)*fid'*Yd;tetar=inv(fir'*fir)*fir'*Yr;tetas=inv(fis'*fis)*fis'*Ys;
a1_d=tetad(1)
b0_d=tetad(2)
a1_r=tetar(1)
b0_r=tetar(2)
a1_s=tetas(1)
b0_s=tetas(2)
for t=2:1:20
yestd=fid*tetad;
yestr=fir*tetar;
yests=fis*tetas;
end
%Matrizes de covarincia
p_d=inv(fid'*fid)
p_r=inv(fir'*fir)
p_s=inv(fis'*fis)
a1_d =
5.399968404755433e-001
b0_d =
5.128974535139698e-001
a1_r =
5.308566041799027e-001
b0_r =
5.220647986267659e-001
a1_s =
5.332686168665950e-001
b0_s =
5.238393141206926e-001
p_d =
6.984969973760109e-001
-6.850831589986276e-001
p_r =
2.661298664253226e-001
-2.457130719966514e-001
p_s =
4.065680054574111e-001
-3.370515678749010e-001
-6.850831589986276e-001
7.274824736477847e-001
-2.457130719966514e-001
2.287592346597027e-001
-3.370515678749010e-001
3.803854185780419e-001
a) Obter a sada do processo y(t) para os seguintes sinais de entrada:

i) Sinal degrau: u(t) = 1;
Degrau
Resposta devido ao degrau
1.4
1.8
1.2
1.6
1
1.4
1.2
0.8
1
0.6
0.8
0.6
0.4
0.4
0.2
0.2
0
10
20
30
10
20
30
ii) Sinal rampa: u(t) = t;

Rampa
12
Resposta devido a rampa
14
12
10
10
8
6
6
4
10
15
10
15
iii) Sinal senoidal u(t) = sen (t/5);
Sinal senoidal
Resposta devido ao sinal senoidal

1.5
0.8
1
0.6
0.4
0.5
0.2
0
-0.2
-0.5
-0.4
-0.6
-1
-0.8
-1
10
15
-1.5
10
15
b) Utilizando como modelo estimado funo de transferncia discreta de primeira ordem,

determinar os parmetros a1 e b0 pelo mtodo dos mnimos quadrados (procedimento off-line)
para as trs entradas. Discutir a preciso dos resultados (admitir 20 medidas).
Vetor de parmetros estimados para entrada degrau
a
0,540
d 1d
0,513
b0 d
Vetor de parmetros estimados para entrada rampa
a
0, 531
r 1r
0,522
b0 r
Vetor de parmetros estimados para o sinal senoidal
a
0,533
s 1s
0,524
b0 s
Para comparar os parmetros estimados podemos verificar o tamanho dos elementos da matriz
de covarincia de cada entrada. A matriz de covarincia definida como:
P (t ) [ T (t ) (t )]1
Matriz de covarincia para entrada degrau
0, 698 0, 685
0, 685 0, 727
Pd (t )
Matriz de covarincia para entrada rampa
0, 266 0, 246
0, 246 0, 229
Pr (t )
Matriz de covarincia para o sinal senoidal
0, 407 0,337
0,337 0,380
Ps (t )
Verifica-se que os elementos da matriz de covarincia para entrada rampa tm menor magnitude
consequentemente os parmetros estimados para o sinal rampa so os de maior preciso.
10
5.6 Seja o sistema representado pelo seguinte modelo de segunda ordem:
A( z 1 ) y (t ) z d B ( z 1 )u (t ) e(t )
onde
A( z 1 ) 1 1,5 z 1 0, 7 z 2
B ( z 1 ) 1 0,5 z 1
d 1
e sendo e(t) um sinal rudo branco com mdia 0 (zero) e desvio padro 0.01. Seja u(t) uma
sequencia N(0,1) ou PRBS com amplitude 1.
- Primeiro caso (na,nb) = (1,0):
(1 1,5 z 1 ) y(t ) z 1u (t ) e(t )

y ( k ) 1,5 y ( k 1) u ( k 1) e( k )
- Utilizando o Matlab:
%Questo 5.6 do livro do Coelho
clear all
close all
format long e
clc
%Gerando um PRBS com amplitude +-1
i=1;
for t1_prbs=0:0.01:0.99
u1(i)=0;
t_prbs(i)=t1_prbs;
i=i+1;
end
for t_prbs=1:1:length(u1);
if rand>0.5;
u2(t_prbs)=1;
else
u2(t_prbs)=-1;
end
u(t_prbs)=u1(t_prbs)+u2(t_prbs);
if u(t_prbs)==0;
u(t_prbs)=u2(t_prbs);
else
end
end
i_prbs=1:1:100;
figure(1)
plot(i_prbs,u),axis([0 100 -1.5 1.5])
%Gerando o rudo branco com desvio padro igual a 0.01
N=100;
e=0.01*randn(N,1);
11
media_e=mean(e)
variancia_e=var(e)
figure(2)
plot(e)
%MQR
np=2;
% numero de parametros
p=1000*eye(np,np); % condies iniciais
teta=zeros(np,1); %
for t=1:3
y(t)=0;
a1(t)=teta(1);
b0(t)=teta(2);
erro(t)=0.0;
erroq(t)=0.0;
erro1(t)=0.0;
erroqm(t)=0.0;
end
for t=4:1:N
y(t)=1.5*y(t-1)+u(t-1)+e(t);
fi=[-y(t-1);u(t-1)];
erro(t)=y(t)-fi'*teta;
% erro de estimao
K=p*fi/(1+fi'*p*fi);
% ganho do estimador
teta=teta+K*erro(t);
% vetor de parmetros
p=(p-K*fi'*p);
% matriz de covarincia
a1(t)=teta(1);
b0(t)=teta(2);
yest(t)=fi'*teta;
erroq(t)=erro(t)*erro(t);
erroqt(t)=erroq(t-1)+erroq(t);
ybarra=mean(y);
erro1(t)=(y(t)-ybarra);
erroqm(t)=erro1(t)*erro1(t);
erroqmt(t)=erroqm(t-1)+erroqm(t);
end
SEQ=sum(erroq)
% somatorio do erro quadratico
R2=1-(SEQ/sum(erroqm))
% coeficiente de correlaao multipla
t=1:1:N;
figure(3)
subplot(121),plot(t,a1(t)),title('a1'),xlabel('amostras');
subplot(122),plot(t,b0(t)),title('b0'),xlabel('amostras');
- Sinal de entrada PRBS de amplitude 1:
12
1.5
0.5
-0.5
-1
-1.5
10
20
30
40
50
60
70
80
90
100
- Rudo com mdia 0 e desvio padro 0,01:

0.025
0.02
0.015
0.01
0.005
0
-0.005
-0.01
-0.015
-0.02
-0.025
10
20
30
40
50
60
70
80
90
100
- Parmetros estimados:
a1
b0
1.4
-0.2
1.2
-0.4
-0.6
0.8
-0.8
0.6
-1
0.4
-1.2
0.2
-1.4
-1.6
50
amostras
100
50
amostras
100
Verifica-se que os parmetros estimados chegaram ao valor dos parmetros do modelo definido
na simulao de y
SEQ = 7,251365872463060 (somatrio do erro quadrtico)
13
R2 = 1 (coeficiente de correlao mltipla)

- Segundo caso (na,nb) = (1,1):
(1 1,5 z 1 ) y (t ) z 1 (1 0,5 z 1 )u (t ) e(t )

y (k ) 1,5 y (k 1) u (k 1) 0,5u ( k 2) e(k )
O sinal de entrada e o rudo so gerados da mesma forma do primeiro caso a diferena est no
estimador
%MQR
np=3;
teta=zeros(np,1); %
for t=1:4
y(t)=0;
a1(t)=teta(1);
b0(t)=teta(2);
b1(t)=teta(3);
erro(t)=0.0;
erroq(t)=0.0;
erro1(t)=0.0;
erroqm(t)=0.0;
end
for t=5:1:N
y(t)=1.5*y(t-1)+u(t-1)+0.5*u(t-2)+e(t);
fi=[-y(t-1);u(t-1);u(t-2)];
% erro de estimao
K=p*fi/(1+fi'*p*fi);
p=(p-K*fi'*p);
a1(t)=teta(1);
b0(t)=teta(2);
b1(t)=teta(3);
yest(t)=fi'*teta;
ybarra=mean(y);
end
SEQ=sum(erroq)
t=1:1:N;
figure(3)
- Parmetros estimados:
14
a1
b0
1.4
-0.2
0.7
1.2
-0.4
0.6
-0.6
0.5
0.8
-0.8
0.4
0.6
-1
0.3
0.4
-1.2
0.2
0.2
-1.4
-1.6
b1
0.8
50
amostras
100
0.1
50
amostras
100
50
amostras
100

R2 = 1 (coeficiente de correlao mltipla)
- Terceiro caso (na,nb) = (2,0):
(1 1,5 z 1 0, 7 z 2 ) y (t ) z 1u (t ) e(t )
y (k ) 1,5 y ( k 1) 0, 7 y ( k 2) u (k 1) e(k )
O programa semelhante ao dos outros casos
- Parmetros estimados
a1
a2
0.7
-0.2
-0.4
-0.6
b0
1.4
0.6
1.2
0.5
0.4
0.8
0.3
0.6
0.2
0.4
0.1
0.2
-0.8
-1
-1.2
-1.4
-1.6
50
amostras
100
50
amostras
100
50
amostras
100

R2 = 0,9919777068172568 (coeficiente de correlao mltipla)
15
- Quarto caso (na,nb)=(2,1)
(1 1,5 z 1 0, 7 z 2 ) y(t ) z 1 (1 1,5 z 1 )u(t ) e(t )

y (k ) 1,5 y ( k 1) 0, 7 y ( k 2) u ( k 1) 0,5u ( k 2) e(k )
O programa semelhante ao dos outros casos
- Parmetros estimados
a1
0
-0.5
0.6
-1
0.4
-1.5
0.2
-2
1.5
50
amostras
b0
a2
0.8
100
50
amostras
b1
100
50
amostras
100
0.8
0.6
0.4
0.5
0
0.2
0
50
amostras
100

R2 = 0,9891539955226569 (coeficiente de correlao mltipla)
16
5.8
i) Gerando e salvando o sinal de entrada (PRBS 1) e o rudo (mdia 0 e desvio padro 0,01)
i=1;
for t1_prbs=0:0.01:0.99
u1(i)=0;
t_prbs(i)=t1_prbs;
i=i+1;
end
if rand>0.5;
u2(t_prbs)=1;
else
u2(t_prbs)=-1;
end
if u(t_prbs)==0;
else
end
end
t_prbs=0:0.01:0.99;
figure(1)
plot(t_prbs,u),axis([0 1 -1.5 1.5])
%Gerando o rudo branco com desvio padro igual a 0.01
N=100;
e=0.01*randn(N,1);
media_e=mean(e)
variancia_e=var(e)
figure(2)
plot(e)
aa=[u' e];
save sinais.dat aa ascii
- Sinal de entrada PRBS
17
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
0
10
20
30
40
50
60
70
80
90
100
10
20
30
40
50
60
70
80
90
100
- Rudo
0.03
0.02
0.01
-0.01
-0.02
-0.03
- Programa para estimao pelos MQR

clear all
close all
format long e
clc
load sinais.dat
u=sinais(:,1);
e=sinais(:,2);
N=length(u);
18
t=1:1:N;
figure(1)
plot(t,u);axis([0 N -1.2 1.2])
figure(2)
plot(e)
%parmetro variante b0r
for t1=1:1:100
if t1>=0 & t1<=20
b0r(t1)=2;
elseif t1>=21 & t1<=40
b0r(t1)=3;
elseif t1>=41 & t1<=60
b0r(t1)=2;
elseif t1>=61 & t1<=80
b0r(t1)=3;
else
b0r(t1)=2;
end
end
t1=1:1:100;
figure(3)
plot(t1,b0r),axis([0 100 1.8 3.2])
%MQR
np=2;
teta=zeros(np,1); %
lamb=1;
% fator de esquecimento
for t=1
y(t)=0;
a1(t)=teta(1);
b0(t)=teta(2);
erro(t)=0.0;
erroq(t)=0.0;
erro1(t)=0.0;
erroqm(t)=0.0;
end
for t=2:1:N
y(t)=0.8*y(t-1)+b0r(t)*u(t-1)+e(t);
fi=[-y(t-1);u(t-1)];
% erro de estimao
K=p*fi/(lamb+fi'*p*fi);
p=(1/lamb)*(p-K*fi'*p);
a1(t)=teta(1);
b0(t)=teta(2);
yest(t)=fi'*teta;
ybarra=mean(y);
end
19
SEQ=sum(erroq)
t=1:1:N;
figure(4)
- Para fator de esquecimento =1
- Parmetros estimados =1
a1
b0
-0.1
2.5
-0.2
-0.3
-0.4
1.5
-0.5
-0.6
-0.7
0.5
-0.8
-0.9
20
40
60
amostras
80
100
20
40
60
amostras
80
100
SEQ = 3.162474068501219e+001
R2 = 9.814097045064584e-001
- Para fator de esquecimento =0,9
- Parmetros estimados com =0,9
20
a1
b0
-0.1
2.5
-0.2
-0.3
-0.4
1.5
-0.5
-0.6
-0.7
0.5
-0.8
-0.9
20
40
60
amostras
80
100
20
40
60
amostras
80
100
SEQ = 2.543722088631948e+001
R2 = 9.850469776963173e-001
Para o caso considerando fator de esquecimento igual a 0,9 a soma dos erros quadrticos
menor e o coeficiente de correlao mltipla maior. Portanto os parmetros estimados com
=0,9 so melhores.
ii)
Estimao dos parmetros usando random walk
clear all
close all
format long e
clc
load sinais.dat
u=sinais(:,1);
e=sinais(:,2);
N=length(u);
%parmetro variante b0r
for t1=1:1:100
if t1>=0 & t1<=20
b0r(t1)=2;
elseif t1>=21 & t1<=40
b0r(t1)=3;
elseif t1>=41 & t1<=60
b0r(t1)=2;
elseif t1>=61 & t1<=80
b0r(t1)=3;
else
b0r(t1)=2;
21
end
end
t1=1:1:100;
figure(7)
plot(t1,b0r),axis([0 100 1.8 3.2])
%MQR
np=2;
teta=zeros(np,1); %
lamb=1;
Q=diag([0 0.05]); % matiz Q usada n mtodo randow walk
for t=1
y(t)=0;
a1(t)=teta(1);
b0(t)=teta(2);
erro(t)=0.0;
erroq(t)=0.0;
erro1(t)=0.0;
erroqm(t)=0.0;
end
for t=2:1:N
y(t)=0.8*y(t-1)+b0r(t)*u(t-1)+e(t);
fi=[-y(t-1);u(t-1)];
% erro de estimao
p=(1/lamb)*(p-K*fi'*p)+Q;
a1(t)=teta(1);
b0(t)=teta(2);
yest(t)=fi'*teta;
ybarra=mean(y);
end
SEQ=sum(erroq)
t=1:1:N;
figure(4)
-Parmetros estimados com random walk
22
a1
b0
-0.1
2.5
-0.2
-0.3
-0.4
1.5
-0.5
-0.6
-0.7
0.5
-0.8
-0.9
20
40
60
amostras
80
100
20
40
60
amostras
80
100
SEQ = 1.764611361638944e+001
R2 = 9.896269041473356e-001
Usando o random walk melhoramos os parmetros estimados, pois foi observado a diminuio
da soma dos erros quadrticos e o aumento do coeficiente de correlao mltipla em relao ao
processo de estimao usando o fator de esquecimento igual a 0,9.
23
5.9 Gerando e salvando o sinal de entrada (PRBS 1) e o rudo (mdia 0 e varincia 1)

i=1;
for t1_prbs=0:0.01:9.99
u1(i)=0;
t_prbs(i)=t1_prbs;
i=i+1;
end
if rand>0.5;
u2(t_prbs)=1;
else
u2(t_prbs)=-1;
end
if u(t_prbs)==0;
else
end
end
i_prbs=1:1000;
figure(1)
plot(i_prbs,u),axis([0 1000 -1.5 1.5])
%Gerando o rudo branco com varincia igual a 1
N=1000;
e=1*randn(N,1);
media_e=mean(e)
variancia_e=var(e)
figure(2)
plot(e)
aa=[u' e];
save sinais58.dat aa -ascii
- Sinal de entrada (PRBS)
1.5
0.5
-0.5
-1
-1.5
100
200
300
400
500
600
700
800
900
1000
24
- Rudo
3
2
1
0
-1
-2
-3
-4
100
200
300
400
500
600
700
800
900
1000
- Estimando os parmetros com o MQR padro

clear all
close all
format long e
clc
load sinais58.dat
u=sinais58(:,1);
e=sinais58(:,2);
N=length(u);
%MQR
np=2;
teta=zeros(np,1); %
lamb=1;
% fator de esquecimento (para lamb=1 MQR padro)
for t=1:2
y(t)=0;
a1(t)=teta(1);
a2(t)=teta(2);
erro(t)=0.0;
erroq(t)=0.0;
erro1(t)=0.0;
erroqm(t)=0.0;
end
for t=3:1:N
y(t)=1.5*y(t-1)-0.56*y(t-2)+e(t);
fi=[-y(t-1);-y(t-2)];
25
% erro de estimao
a1(t)=teta(1);
a2(t)=teta(2);
yest(t)=fi'*teta;
ybarra=mean(y);
end
SEQ=sum(erroq)
t=1:1:N;
figure(1)
figure(2)
plot(t,y,t,yest),title('Comparao da sada estimada e real')
- Parmetros estimados usando MQR padro
a1
1.5
a2
2.5
0.5
2
0
1.5
-0.5
1
-1
0.5
-1.5
-2
200
400
600
amostras
800
1000
200
400
600
amostras
800
1000
SEQ = 1.000474433151930e+003
R2 = 9.474966798522828e-001
i)
Estimao usando o algoritmo da aproximao estocstica pelo procedimento de

sequncia ganho com aprendizado seqencial
%Questo 5.9_i do livro do Coelho

clear all
26
close all
format long e
clc
load sinais58.dat
u=sinais58(:,1);
e=sinais58(:,2);
N=length(u);
t=1:1:N;
%Algoritmo de estimao estocstica
np=2;
teta=zeros(np,1); %
alfa=0.1;
% coeficientes de gama
beta=1;
%
for t=1:2
y(t)=0;
a1(t)=teta(1);
a2(t)=teta(2);
erro(t)=0.0;
erroq(t)=0.0;
erro1(t)=0.0;
erroqm(t)=0.0;
end
for t=3:1:N
y(t)=1.5*y(t-1)-0.56*y(t-2)+e(t);
fi=[-y(t-1);-y(t-2)];
% erro de estimao
gama=alfa/(beta+fi'*fi);
% ajuste de ganho
teta=teta+gama*fi*erro(t);
a1(t)=teta(1);
a2(t)=teta(2);
yest(t)=fi'*teta;
ybarra=mean(y);
end
SEQ=sum(erroq)
t=1:1:N;
figure(1)
27
- Para (,)=(0.1,1)
Parmetros estimados (,)=(0.1,1)
a1
0.2
0.7
-0.2
0.6
-0.4
0.5
-0.6
0.4
-0.8
0.3
-1
0.2
-1.2
0.1
-1.4
-1.6
-0.1
-1.8
200
400
600
amostras
a2
0.8
800
1000
-0.2
200
400
600
amostras
800
1000
SEQ = 1.363879528035444e+003
R2 = 9.284257536919106e-001
- Para (,)=(0.01,1)
Parmetros estimados (,)=(0.01,1)
28
a1
0.2
0.05
-0.2
-0.4
-0.05
-0.6
-0.1
-0.8
-0.15
-1
-0.2
-1.2
200
400
600
amostras
a2
0.1
800
1000
-0.25
200
400
600
amostras
800
1000
SEQ = 3.396849128627693e+003
R2 = 8.217387157691108e-001
Comparando o somatrio dos erros quadrticos ou o coeficiente de correlao mltipla
verificamos que para a estimao usando o algoritmo da aproximao estocstica de seqncia
ganho com aprendizado seqencial os melhores parmetros estimados so para =0,1 e =1. E
comparando este mtodo com o de estimao dos MQR padro verificamos que a melhor
estimativa dos parmetros so para a usando os MQR padro.
ii)
Estimao usando o algoritmo da aproximao estocstica pelo procedimento de

sequncia ganho escalar
Para =0,005
Parmetros estimados =0,005
29
a1
0.2
a2
0.6
0.4
-0.2
0.2
-0.4
-0.6
-0.8
-0.2
-1
-0.4
-1.2
-0.6
-1.4
-1.6
200
400
600
amostras
800
1000
-0.8
200
400
600
amostras
800
1000
SEQ = 1.383216070498292e+003
R2 = 9.274110024440667e-001
- Para =0,01
Parmetros estimados =0,01
a1
0.5
-0.5
0.5
-1
-1.5
-0.5
-2
200
400
600
amostras
a2
1.5
800
1000
-1
200
400
600
amostras
800
1000
SEQ = 2.595184749121822e+003
30
R2 = 8.638087978956633e-001
verificamos que para a estimao usando o algoritmo da aproximao estocstica de seqncia
ganho escalar os melhores parmetros estimados so para =0,005.
iii)
Estimao usando o algoritmo da aproximao estocstica ajustando pelo vetor total de
medidas.
clear all
close all
format long e
clc
load sinais58.dat
u=sinais58(:,1);
e=sinais58(:,2);
N=length(u);
t=1:1:N;
figure(1)
plot(t,u);axis([0 N -1.2 1.2])
figure(2)
plot(e)
y(1:2)=0;
for t=3:N
y(t)=1.5*y(t-1)-0.56*y(t-2)+e(t);
end
%Algoritmo de estimao estocstica
np=2;
p=10*eye(np);
% condies iniciais
teta=zeros(np,1); %
r=zeros(np);
%
for t=1:5
a1(t)=teta(1);
a2(t)=teta(2);
erro(t)=0.0;
erroq(t)=0.0;
erro1(t)=0.0;
erroqm(t)=0.0;
end
for t=6:1:N
fi=[-y(t-1);-y(t-2)];
% erro de estimao
r=r+(abs(fi)*abs(fi)');
teta=teta+inv(r)*fi*erro(t);
a1(t)=teta(1);
a2(t)=teta(2);
yest(t)=fi'*teta;
31
ybarra=mean(y);
end
SEQ=sum(erroq)
t=1:1:N;
figure(4)
figure(5)
plot(t,y,t,yest),title('Comparao da sada estimada e real')
Parmetros estimados ajustando pelo vetor total de medidas.
a1
a2
-0.5
-1
2
-1.5
1
-2
0
-2.5
-1
-3
-2
-3.5
-4
200
400
600
amostras
800
1000
-3
200
400
600
amostras
800
1000
SEQ = 1.063217182575651e+003
R2 = 9.445655959909940e-001
verificamos que para a estimao usando o algoritmo da aproximao estocstica ajustando
pelo vetor total de medidas mostrou-se melhor que os mtodos utilizados em i) e ii), porm os
parmetros estimados pelo mtodo dos MQR padro ainda so melhores.
32
2. Identificar os parmetros de um sistema SISO, atravs dos dados do arquivo robot.dat.

Comparar as respostas estimadas com a resposta real. Mostrar a correlao cruzada entre o sinal
de entrada e o erro de previso. Determinar o coeficiente de correlao mltipla, o somatrio do
erro quadrtico quando da utilizao do MQR. Alm de variar a ordem do modelo com o uso do
MQR (de 1 6).
- Utilizando o algoritmo MQ:
clc
clear all
close all
load robo2gdl.dat
u=robo2gdl(:,1);
y=robo2gdl(:,2);
n=length(y);
%MQ
Y=[];
Fi=[];
for j=3:1:n;
Y=[Y;y(j)];
Fi=[Fi;-y(j-1) -y(j-2) u(j-1)];
end
teta=inv(Fi'*Fi)*Fi'*Y; % vetor de parmetros estimado
a1=teta(1)
a2=teta(2)
b0=teta(3)
yest=Fi*teta;
% sada estimada
t=3:1:n;
figure(1)
plot(t,Y,'b',t,yest,'g')
- Parmetros Estimados:
a1 = -1.8063
a2 = 0.8147
b0 = 0.0531
- Comparao (Resposta Real x Estimada):
33
- Utilizando o algoritmo MQR:

clc
clear all
close all
load robo2gdl.dat
u=robo2gdl(:,1);
y=robo2gdl(:,2);
n=length(y);
%MQR
np=3;
teta=zeros(np,1); %
lamb=1;
for j=1:2
y(j)=0;
yest(j)=0;
erro(j)=0.0;
erroq(j)=0.0;
erro1(j)=0.0;
erroqm(j)=0.0;
rue1(j)=0;
end
for j=3:1:n
fi=[-y(j-1);-y(j-2);u(j-1)];
erro(j)=y(j)-fi'*teta;
% erro de estimao
teta=teta+K*erro(j);
a1(j)=teta(1);
a2(j)=teta(2);
b0(j)=teta(3);
yest(j)=fi'*teta;
erroq(j)=erro(j)*erro(j);
erroqt(j)=erroq(j-1)+erroq(j);
ybarra=mean(y);
erro1(j)=(y(j)-ybarra);
erroqm(j)=erro1(j)*erro1(j);
34
rue1(j)=u(j)*erro(j);
end
SEQ=sum(erroq)
% somatrio do erro quadrtico
% coeficiente de correlao
mltipla
rue=(1/n)*sum(rue1)
% correlao cruzada entre os
sinais de entrada e erro de previso
t=1:1:n;
figure(1)
plot(t,y(t),t,yest(t)),title('Comparao da sada real e a estimada')
figure(2)
plot(t,erro(t)),title('Erro de estimao')
- Erro de Estimao:
35
- Correlao cruzada entre o sinal de entrada e o erro de previso:

Rue = 0.0059
- Coeficiente de correlao mltipla:
R2 = 0.9925
- Somatrio do erro quadrtico:
SEQ = 0.1360
OBSERVAO: PARA ESCOLHA DA ORDEM DO MODELO MAIS ADEQUADO, COM
O USO DO MQR, VARIAR A ORDEM DOS MODELOS DE 1 6; E USAR:
(Considerar d = 0 atraso de transporte).
importante destacar que quanto menor o SEC, melhor o modelo, porm nem sempre
vantajoso utilizar o modelo com menor SEC.
- Modelo de 1 ordem nenhum zero
close all
clear all
clc
load robo2gdl.dat
u=robo2gdl(:,1);
y=robo2gdl(:,2);
n=length(y);
%MQR
np=2;
p=1000*eye(np,np);
teta=zeros(np,1);
lamb=1;
% condies iniciais
%
36
for j=1:2
y(j)=0;
yest(j)=0;
erro(j)=0.0;
erroq(j)=0.0;
erro1(j)=0.0;
erroqm(j)=0.0;
rue1(j)=0;
end
for j=3:1:n
fi=[-y(j-1);u(j)];
% erro de estimao
yest(j)=fi'*teta;
ybarra=mean(y);
end
SEQ=sum(erroq)
mltipla
rue=(1/n)*sum(rue1)
t=1:1:n;
figure(1)
figure(2)

Rue =
0.0138
37

R2 =
0.9766

SEQ = 0.4233
- Modelo de 2 ordem 1 zero
close all
clear all
clc
load robo2gdl.dat
u=robo2gdl(:,1);
y=robo2gdl(:,2);
n=length(y);
%MQR
np=4;
teta=zeros(np,1); %
lamb=1;
for j=1:2
y(j)=0;
yest(j)=0;
erro(j)=0.0;
erroq(j)=0.0;
erro1(j)=0.0;
erroqm(j)=0.0;
rue1(j)=0;
end
for j=3:1:n
fi=[-y(j-1);-y(j-2);u(j);u(j-1)];
% erro de estimao
yest(j)=fi'*teta;
ybarra=mean(y);
end
SEQ=sum(erroq)
mltipla
rue=(1/n)*sum(rue1)
t=1:1:n;
figure(1)
figure(2)
38

Rue =
-0.0066

R2 =
0.9923

SEQ = 0.1384
close all
clear all
clc
load robo2gdl.dat
u=robo2gdl(:,1);
y=robo2gdl(:,2);
n=length(y);
%MQR
np=5;
p=1000*eye(np,np);
teta=zeros(np,1);
lamb=1;
for j=1:3
y(j)=0;
yest(j)=0;
erro(j)=0.0;
erroq(j)=0.0;
erro1(j)=0.0;
erroqm(j)=0.0;
rue1(j)=0;
end
for j=4:1:n
% condies iniciais
%
39
fi=[-y(j-1);-y(j-2);-y(j-3);u(j);u(j-1)];
% erro de estimao
yest(j)=fi'*teta;
ybarra=mean(y);
end
SEQ=sum(erroq)
mltipla
rue=(1/n)*sum(rue1)
t=1:1:n;
figure(1)
figure(2)

Rue =
-0.0030

R2 =
0.9929

SEQ = 0.1229
40

close all
clear all
clc
load robo2gdl.dat
u=robo2gdl(:,1);
y=robo2gdl(:,2);
n=length(y);
%MQR
np=6;
teta=zeros(np,1); %
lamb=1;
for j=1:4
y(j)=0;
yest(j)=0;
erro(j)=0.0;
erroq(j)=0.0;
erro1(j)=0.0;
erroqm(j)=0.0;
rue1(j)=0;
end
for j=5:1:n
fi=[-y(j-1);-y(j-2);-y(j-3);-y(j-4);u(j);u(j-1)];
% erro de estimao
yest(j)=fi'*teta;
ybarra=mean(y);
end
SEQ=sum(erroq)
mltipla
rue=(1/n)*sum(rue1)
t=1:1:n;
figure(1)
figure(2)
41

Rue =
-0.0032

R2 =
0.9910

SEQ = 0.1511
close all
clear all
clc
load robo2gdl.dat
u=robo2gdl(:,1);
y=robo2gdl(:,2);
n=length(y);
%MQR
np=7;
p=1000*eye(np,np);
teta=zeros(np,1);
lamb=1;
for j=1:5
y(j)=0;
yest(j)=0;
erro(j)=0.0;
erroq(j)=0.0;
erro1(j)=0.0;
erroqm(j)=0.0;
rue1(j)=0;
end
% condies iniciais
%
42
for j=6:1:n
fi=[-y(j-1);-y(j-2);-y(j-3);-y(j-4);-y(j-5);u(j);u(j-1)];
% erro de estimao
yest(j)=fi'*teta;
ybarra=mean(y);
end
SEQ=sum(erroq)
mltipla
rue=(1/n)*sum(rue1)
t=1:1:n;
figure(1)
figure(2)

Rue =
-0.0032

R2 =
0.9759

SEQ = 0.3908
43

close all
clear all
clc
load robo2gdl.dat
u=robo2gdl(:,1);
y=robo2gdl(:,2);
n=length(y);
%MQR
np=8;
teta=zeros(np,1); %
lamb=1;
for j=1:6
y(j)=0;
yest(j)=0;
erro(j)=0.0;
erroq(j)=0.0;
erro1(j)=0.0;
erroqm(j)=0.0;
rue1(j)=0;
end
for j=7:1:n
fi=[-y(j-1);-y(j-2);-y(j-3);-y(j-4);-y(j-5);-y(j-6);u(j);u(j-1)];
% erro de estimao
yest(j)=fi'*teta;
ybarra=mean(y);
end
SEQ=sum(erroq)
mltipla
rue=(1/n)*sum(rue1)
t=1:1:n;
figure(1)
figure(2)
44

Rue =
-0.0030

R2 =
0.9423

SEQ = 0. 9174
3. Identificar os parmetros de um sistema de dois graus de liberdade atravs dos dados do
arquivo robot2.dat. Considerar na = 2, nb = 1, d = 1 para os dois elos do rob. Utilizar o
MQR. Comparar as respostas estimadas com as reais graficamente e mostrar as curvas dos erros
de estimao.
- Utilizando as duas primeiras colunas do arquivo robot2.dat:
clc
clear all
close all
load robo2gdl.dat
u=robo2gdl(:,1);
y=robo2gdl(:,2);
n=length(y);
%MQR
np=4;
p=1000*eye(np,np);
teta=zeros(np,1);
lamb=1;
for j=1:2
y(j)=0;
yest(j)=0;
a1(j)=0;
% condies iniciais
%
45
a2(j)=0;
b0(j)=0;
b1(j)=0;
erro(j)=0.0;
erroq(j)=0.0;
erro1(j)=0.0;
erroqm(j)=0.0;
rue1(j)=0;
end
for j=3:1:n
fi=[-y(j-1);-y(j-2);u(j-1);u(j-2)];
% erro de estimao
a1(j)=teta(1);
a2(j)=teta(2);
b0(j)=teta(3);
b1(j)=teta(4);
yest(j)=fi'*teta;
ybarra=mean(y);
end
SEQ=sum(erroq)
mltipla
rue=(1/n)*sum(rue1)
t=1:1:n;
figure(1)
figure(2)
figure(3)
subplot(223),plot(t,a1(t)),title('b0'),xlabel('amostras');
46
- Curvas dos erros de estimao e erro de estimao:
47
- Utilizando as duas ultimas colunas do arquivo robot2.dat:

clc
clear all
close all
load robo2gdl.dat
u=robo2gdl(:,3);
y=robo2gdl(:,4);
n=length(y);
%MQR
np=4;
teta=zeros(np,1); %
lamb=1;
for j=1:2
y(j)=0;
yest(j)=0;
a1(j)=0;
a2(j)=0;
b0(j)=0;
b1(j)=0;
erro(j)=0.0;
erroq(j)=0.0;
erro1(j)=0.0;
erroqm(j)=0.0;
rue1(j)=0;
end
for j=3:1:n
fi=[-y(j-1);-y(j-2);u(j-1);u(j-2)];
% erro de estimao
a1(j)=teta(1);
a2(j)=teta(2);
b0(j)=teta(3);
b1(j)=teta(4);
yest(j)=fi'*teta;
48
ybarra=mean(y);
end
SEQ=sum(erroq)
mltipla
rue=(1/n)*sum(rue1)
t=1:1:n;
figure(1)
figure(2)
figure(3)
49
- Curvas dos erros de estimao e erro de estimao:
50

3 Avaliação de Identificação - Senko

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

3 Avaliação de Identificação - Senko

Hochgeladen von

Copyright:

Verfügbare Formate

UNIVERSIDADE FEDERAL DA PARABA

PROGRAMA DE PS-GRADUAO EM ENGENHARIA MECNICA

PROFESSOR: Jos A. Riul

1 Exerccios do Coelho, A. A. R.; Identificao de Sistemas Dinmicos Lineares.

%Exerccio 5.2 do livro do Coelho

u=[1.197; -1.830;-.420;-.5721;-.287;.435; -1.404;.193; -1.771;.701;

Da equao do processo temos que

Sendo a1=0,4115 e b0=0,1871 a funo de transferncia discreta estimada do sistema dada da

5.3 Considerar o processo discreto caracterizado pela equao:

%Exerccio 5.3 do livro do Coelho

O vetor de parmetros estimados :

5.5 Admitir o processo discreto representado por

a) Obter a sada do processo y(t) para os seguintes sinais de entrada:

Resposta devido ao degrau

ii) Sinal rampa: u(t) = t;

Resposta devido a rampa

iii) Sinal senoidal u(t) = sen (t/5);

Resposta devido ao sinal senoidal

b) Utilizando como modelo estimado funo de transferncia discreta de primeira ordem,

Matriz de covarincia para entrada rampa

Matriz de covarincia para o sinal senoidal

5.6 Seja o sistema representado pelo seguinte modelo de segunda ordem:

(1 1,5 z 1 ) y(t ) z 1u (t ) e(t )

- Rudo com mdia 0 e desvio padro 0,01:

R2 = 1 (coeficiente de correlao mltipla)

(1 1,5 z 1 ) y (t ) z 1 (1 0,5 z 1 )u (t ) e(t )

SEQ = 7,619913784614652 (somatrio do erro quadrtico)

SEQ = 3,745969378594384 (somatrio do erro quadrtico)

- Quarto caso (na,nb)=(2,1)

(1 1,5 z 1 0, 7 z 2 ) y(t ) z 1 (1 1,5 z 1 )u(t ) e(t )

SEQ = 10,41190894382616 (somatrio do erro quadrtico)

- Programa para estimao pelos MQR

5.9 Gerando e salvando o sinal de entrada (PRBS 1) e o rudo (mdia 0 e varincia 1)

- Estimando os parmetros com o MQR padro

Estimao usando o algoritmo da aproximao estocstica pelo procedimento de

%Questo 5.9_i do livro do Coelho

Estimao usando o algoritmo da aproximao estocstica pelo procedimento de

2. Identificar os parmetros de um sistema SISO, atravs dos dados do arquivo robot.dat.

- Utilizando o algoritmo MQR:

- Comparao (Resposta Real x Estimada):

- Correlao cruzada entre o sinal de entrada e o erro de previso:

- Correlao cruzada entre o sinal de entrada e o erro de previso:

- Coeficiente de correlao mltipla:

- Somatrio do erro quadrtico:

- Correlao cruzada entre o sinal de entrada e o erro de previso:

- Coeficiente de correlao mltipla:

- Somatrio do erro quadrtico:

- Correlao cruzada entre o sinal de entrada e o erro de previso:

- Coeficiente de correlao mltipla:

- Somatrio do erro quadrtico:

- Modelo de 4 ordem 1 zero

- Correlao cruzada entre o sinal de entrada e o erro de previso:

- Coeficiente de correlao mltipla:

- Somatrio do erro quadrtico:

- Correlao cruzada entre o sinal de entrada e o erro de previso:

- Coeficiente de correlao mltipla:

- Somatrio do erro quadrtico:

- Modelo de 6 ordem 1 zero

- Correlao cruzada entre o sinal de entrada e o erro de previso:

- Coeficiente de correlao mltipla:

- Somatrio do erro quadrtico:

- Comparao (Resposta Real x Estimada):

- Curvas dos erros de estimao e erro de estimao: