01 - Identificação de Sistemas

CONTROLE AUTOMATICO
Identificacao de Sistemas
Prof. Lucas de Assis Soares

UCL - Faculdade do Centro Leste
Introducao
Ha varias formas de classificar as tecnicas de modelagem de
sistemas de controle, sendo que uma delas agrupa os metodos em:
Modelagem caixa branca
Modelagem caixa preta
Modelagem caixa cinza
Na modelagem caixa branca e necessario conhecer bem o

sistema em estudo, bem como as leis fsicas que descrevem o
sistema a ser modelado. Por essa razao, tambem e conhecida
como modelagem pela fsica ou natureza do processo ou ainda
modelagem conceitual.
Devido ao conhecimento e ao tempo necessarios para modelar um

sistema partindo do equacionamento dos fenomenos envolvidos,
nem sempre e viavel seguir esse procedimento.
Introducao
A identificacao de sistemas e uma area de modelagem matematica
que estuda tecnicas alternativas a modelagem caixa branca.
Uma das caractersticas dessas tecnicas e que pouco ou nenhum

conhecimento previo do sistema e necessario e, por isso, esses
metodos sao conhecidos tambem como modelagem caixa preta
ou modelagem emprica.
Em geral, o que se pretende descrever com tais modelos sao as

relacoes de causa e efeito entre as variaveis de entrada e de sada.
A motivacao para o estudo de tecnicas de identificacao de sistemas

surge do fato que muitas vezes nao se conhecem as equacoes
envolvidas no funcionamento de um determinado sistema ou elas
sao conhecidas, mas seria impraticavel levantar tais equacoes e
estimar seus respectivos parametros.
Introducao
A identificacao de sistemas consiste na determinacao de um

modelo matematico que represente os aspectos essenciais do
sistema, caracterizado pela manipulacao dos sinais de entrada e
sada e que estao relacionados atraves de uma funcao de
transferencia contnua ou discreta.
A identificacao de sistemas e tratada, muitas vezes, como um

problema de otimizacao que envolve algumas medidas para
adequacao de modelos candidatos a representar um processo real.
Introducao
Para os processos industriais, o modelo pode ser obtido a partir do
tratamento das medidas (procedimento estatstico, filtragem de
dados) coletadas a partir de uma realizacao experimental.
O modelo matematico final e uma forma do conhecimento da

relacao existente entre os sinais de entrada e sada, caracterizada
no processo fsico pela funcao de transferencia.
Em linhas gerais, as principais etapas de um problema de

identificacao de sistemas sao:
Testes dinamicos e coleta de dados
Escolha da representacao matematica a ser usada
Determinacao da estrutura do modelo
Estimacao de parametros
Validacao do modelo
Introducao
A selecao de modelos matematicos e o ajuste dos parametros sao

influenciados por diversos fatores, entre os quais:
Conhecimento a priori do sistema (linearidade, grau de
nao-linearidade, atraso de transporte)
Propriedades do sistema identificado (complexidade)
Selecao da medida do erro a ser minimizado
Presenca de rudos
Uma vez obtido um modelo matematico, e necessario verificar se o

comportamento de tal modelo equivale ao do sistema real e quais
sao os limites de validade do modelo.
Introducao
Em uma tarefa de identificacao, diferentes procedimentos para

geracao do sinal de entrada, medicao da sada e armazenamento
dos dados sao utilizados, entre os quais:
TESTE DE RESPOSTA AO DEGRAU

O processo e submetido a uma mudanca na entrada do tipo degrau
e o armazenamento das medidas e realizado por algum registrador.
O teste de resposta ao degrau so tem validade para processos

lineares ou para processos nao-lineares que sejam aproximadamente
lineares na vizinhanca do ponto de operacao.
Ele tambem nao permite a estimacao de modelos de ordem

superior, ja que o sinal degrau tem uma pobre composicao em
frequencia.
Introducao
TESTE DA RESPOSTA EM FREQUENCIA

O processo e submetido a uma entrada harmonica. De acordo com
as curvas de magnitude e fase, e possvel identificar as frequencias
de corte e, consequentemente, a funcao de transferencia do
sistema.
IDENTIFICACAO OFF-LINE
As medidas de entrada e sada sao armazenadas para posterior
aplicacao e avaliacao dos algoritmos de estimacao nao-recursivos.
Para isso, e necessario que a estrutura do modelo esteja disponvel,

ou seja, e preciso selecionar a ordem do modelo, o numero de polos
e zeros e, eventualmente, o valor do atraso de transporte ou tempo
morto.
Introducao
IDENTIFICACAO ON-LINE
As medidas de entrada e sada sao coletadas e usadas
imediatamente na identificacao do sistema.
Dessa forma, a identificacao do modelo e recursiva e capaz de

atualizar a estimacao dos parametros do modelo a cada perodo de
amostragem.
A aplicacao em tempo real dos algoritmos de identificacao e

interessante para varios propositos, entre os quais rastreamento de
parametros variantes no tempo, deteccao, diagnostico, filtragem,
controle adaptativo e preditivo e redes neurais.
Modelos de processos
MODELOS DE TEMPO CONTINUO:
Muitos processos industriais de tempo contnuo sao representados

por funcoes de transferencia de primeira ordem com atraso de
transporte:
K
Gp (s) = e s
s + 1
K e o ganho de regime permanente, definido como:
y (t)
K=
u(t)
onde y (t) e a sada do processo e u(t) e a entrada do processo.

Como exemplo, considere o processo de controle de nvel de lquido

em regime estavel mostrado na figura abaixo.
As variaveis manipuladas sao a vazao de entrada e a vazao de

sada, enquanto a variavel controlada e o nvel do reservatorio.
A variacao do nvel devido a um degrau na vazao de entrada e
mostrada na figura abaixo.
O ganho de regime permanente e entao calculado como:

0, 6 m
K=
2, 5 m/h
A variacao do nvel devido a um degrau na posicao da valvula de
sada e mostrada na figura abaixo.
O ganho de regime permanente e entao calculado como:

0, 4 m
K=
2%
A constante de tempo para processos industriais (caracterizada

em uma funcao matematica de primeira ordem) e definida pelo
tempo requerido para que a sada do processo atinja 63,2% do
valor da variacao total, depois que ocorreu uma mudanca na
entrada.
Pergunta: Por que 63,2%?

O atraso de transporte (tempo morto) na dinamica do processo

normalmente e o tempo decorrido apos a ocorrencia de uma
perturbacao no processo ate que seja notada uma mudanca na
sada do processo.
Como exemplo, considere um sistema de controle de temperatura

que mistura a vazao de dois fluidos, quente e frio.
A temperatura das vazoes combinadas e medida em um ponto a

jusante do ponto de mistura, como ilustra a figura abaixo.
A resposta devido a um degrau na vazao de fluido frio e mostrada

na figura abaixo.
Observe portanto que o atraso de transporte representa o tempo

que lea para o material se mover ou ser transportado de um ponto
a outro, neste caso.
Adicionalmente, alguns processos industriais sao inerentemente

bem representados por uma funcao de transferencia de segunda
ordem na forma
K
Gp (s) = e s
(1 s + 1)(2 s + 1)
K
= s2 s
e s
2
+ 2 n + 1
n
1 e 2 sao as constantes de tempo, K e o ganho, e o atraso de

transporte, n e a frequencia natural nao amortecida e e o
coeficiente de amortecimento.
A frequencia natural nao amortecida determina o perodo de
oscilacao da sada e o comportamento dinamico e caracterizado
por :
Se > 1, o sistema e sobreamortecido (razes reais e desiguais,

1 2 )
Se = 1, o sistema e criticamente amortecido (razes reais e

iguais, 1 = 2 )
Se < 1, o sistema e subamortecido (razes complexas

conjugadas)
Muitos sistemas de ordem superior podem ser aproximados por

sistemas de segunda ordem.
MODELOS DE TEMPO DISCRETO:
Embora muitos processos sejam contnuos por natureza, os

modernos sistemas de controle utilizados para controlar processos
sao baseados em computadores digitais e aplicam algoritmos de
controle digital.
Neste caso, um modelo discreto da planta e necessario para

projetar e calcular a sada do sinal de controle.
Uma funcao de transferencia de tempo discreto pode ser

representada por uma razao de dois polinomios em z 1 , ou seja:
B(z 1 )
Gp (z) = z d
A(z 1 )
A(z 1 ) = 1 + a1 z 1 + a2 z 2 + . . . + ana z na
B(z 1 ) = b0 + b1 z 1 + b2 z 2 + . . . + bnb z nb
A correspondente equacao de diferencas da planta e
y [k] + a1 y [k 1] + . . . + ana y [k na] =

b0 u[t d] + b1 u[t d 1] + . . . + bnb u[k d nb]
y [k] e u[k] sao os sinais de sada e de entrada, respectivamente.

Exemplo:
Considerando T = 1 s, obtenha a equacao de diferencas

equivalente do processo de segunda ordem representado por
1
Gp (s) =
(3s + 1)(5s + 1)
Solucao:
Considerando um dispositivo de retencao de ordem zero, a funcao

de transferencia de tempo discreto e:
0, 02797z + 0, 02341
Gp (z) =
z 2 1, 535z + 0, 5866
A equacao de diferencas e
y [k]1, 535y [k1]+0, 5866y [k2] = 0, 02797y [k1]+0, 02341y [k2]
ou ainda
y [k] = 1, 535y [k1]0, 5866y [k2]+0, 02797y [k1]+0, 02341y [k2]

Metodos determinsticos de identificacao de sistemas
Na analise e projeto de sistemas de controle, deve-se adotar uma

base de comparacao entre os varios sistemas avaliados. Essa base
pode ser obtida especificando-se os sinais particulares de entrada e
comparando-se as respostas dos sistemas.
Os sinais de teste de entrada comumente utilizados sao: impulso,

degrau, rampa e senoidal.
Para a identificacao das caractersticas essenciais de um processo

sob avaliacao, e possvel utilizar uma entrada do tipo degrau.
A resposta ao degrau e um procedimento adequado para

caracterizar, de forma preliminar, a dinamica de um processo por
meio da simples interpretacao grafica.
A entrada do tipo degrau pode ser obtida pelo chaveamento

abrupto atraves de um acrescimo ou decrescimo na magnitude do
degrau.
Na pratica, isso ocorre, por exemplo, pela variacao da tensao ou

corrente, ou pela abertura ou fechamento de uma valvula de
entrada.
A resposta ao degrau pode ser obtida de acordo com os seguintes

passos:
Ajustar o regulador para o modo manual
Modificar a magnitude da variavel de controle (acrescimo ou
decrescimo)
Registrar a variavel de sada do processo
RESPOSTAS TIPICAS AO DEGRAU:






MODELOS DE PRIMEIRA ORDEM:
Um modelo parametrico de primeira ordem da dinamica de um

processo comumente encontrado na industria e descrito pela
funcao de transferencia
K
Gp (s) = e s
s + 1
Esse modelo tambem e conhecido como modelo FOPDT
(first-order plus dead-time).
A resposta ao degrau unitario desse processo e

(tt0 )
y (t) = K (1 e )
Metodos de Ziegler-Nichols e Hagglund:
Nos metodos de Ziegler-Nichols (ZN) e Hagglund (HAG), os

parametros K , e sao calculados conforme a figura abaixo.
A reta tracada corresponde a tangente no ponto de maxima

inclinacao da curva de reacao.
Nos dois metodos, o atraso e calculado pelo intervalo de tempo

entre a aplicacao do degrau na entrada do processo e o instante t1
em que a reta tangente toca a reta y (t) = y (t0 ).
O ganho k e calculado como a variacao na sada em relacao a

variacao na entrada:
y
K=
u
No metodo de Ziegler-Nichols, a constante de tempo e

determinada pelo intervalo de tempo entre t1 e t3 , em que a reta
tangente toca a reta y (t) = y ().
No metodo de Hagglund, a constante de tempo e calculada pelo

intervalo entre t1 e o instante t2 em que a curva de resposta
alcanca o valor y (t) = y (t0 ) + 0, 632y ().
Por dependerem do tracado da tangente ao ponto de maxima

inclinacao, os metodos de Ziegler-Nichols e Hagglund apresentam
sensibilidade na presenca de rudo (imprecisao na sintonia dos
parametros).
Exemplo:
Estime o modelo de primeira ordem pelo metodo de Hagglund a

partir da resposta ao degrau unitario mostrado na figura abaixo:
Solucao:
O ganho e estimado como:

y 2
K= = =2
u 1
O atraso de transporte e estimado como:
= 1, 2 minuto
E a constante de tempo e o tempo estimado para a sada atingir

63,2% do valor final, ou seja, y (t2 ) = 1, 26:
t2 = 4, 35 minutos
= t2 = 4, 35 1, 2 = 3, 15 minutos
Exemplo:
Estime o modelo de primeira ordem pelo metodo de Ziegler-Nichols

a partir da resposta ao degrau unitario mostrado na figura abaixo:
Solucao:
O ganho e estimado como:

y 1
K= = =1
u 1
O atraso de transporte e estimado como:
= 0, 6893 segundo
A constante de tempo e obtido verificando o instante de tempo em

que a reta tangente ao ponto de maxima inclinacao intercepta a
reta y (t) = y () e subtraindo o atraso de transporte:
= t3 = 3, 1272 0, 6893 = 2, 4379 segundos

Solucao:
Comparando o modelo identificado com a resposta ao degrau

unitario:
Solucao:
Percebe-se que o modelo identificado nao aproxima

adequadamente o processo original.
Ajustes posteriores a aplicacao do metodo sao, portanto,

recomendados.
Nesse caso, o processo original e na verdade de quinta ordem e

possui a seguinte funcao de transferencia:
277, 5
Gp (s) =
s5 + 19, 5s 4 + 141s 3+ 453s 2 + 608s + 277, 5
Metodo de Smith:
No metodo de Smith, os parametros K , e sao calculados

conforme a figura abaixo.
Metodo de Smith:
Os parametros sao calculados como

y
K=
u
= 1, 5(t2 t1 )
= t2
Observe que no metodo de Smith, nao e necessario tracar a
tangente ao ponto de maxima inclinacao.
Metodo de Sundaresan e Krishnaswamy:
No metodo de Sundaresan e Krishnaswamy, os parametros sao

calculados com base na figura abaixo.
Metodo de Sundaresan e Krishnaswamy:
Os instantes de tempo t1 e t2 sao estimados a partir da curva de

resposta ao degrau e correspodem aos tempos de resposta 35,3% e
85,3%.
Os parametros sao calculados como

y
K=
u
= 0, 67(t2 t1 )
= 1, 3t1 0, 29t2
O metodo de Sundaresan e Krishnaswamy evita a utilizacao do
ponto de maxima inclinacao para a estimacao dos parametros do
modelo parametrico.
Metodo de Nishikawa:
O metodo proposto por Nishikawa estima os parametros atraves

dos calculos das areas A0 e A1 mostradas na figura abaixo
Matematicamente, temos:

A0 = y () y (t)dt
0
A0
t0 =
y ()
t0
A1 = y (t)dt
0
O calculo das areas e feito por meio de integracao numerica, a

partir da estimativa do ponto onde y (t) = y () e os parametros
sao estimados como:
y
K=
u
A1
=
0.368y ()
= t0
Observe que a area A0 so e utilizada para a determinacao de t0 .
MODELOS DE SEGUNDA ORDEM:
Para um sistema de segunda ordem cuja funcao de transferencia e
n2
Gp (s) = , supondo < 1
s 2 + 2n s + n2
A resposta ao degrau unitario e:

1
y (t) = 1 e n t cos(n 1 2 t )
1 2

= tg1
1 2
MODELOS DE SEGUNDA ORDEM:
A resposta maxima (a sada no instante do tempo de pico) e dada

por:
y (tp ) = 1 + e 1 2
e acontece no instante de tempo

tp =
n 1 2
Assim, medindo y (tp ), o fator de amortecimento, pode ser

calculado e consequentemente o valor de n .
Metodo de Mollenkamp:
Identificamos tres pontos na resposta ao degrau:
t1 : tempo para a sada alcancar 15% da mudanca total final

Com base nesse valores, determinamos os parametros atraves do

seguinte algoritmo:
t2 t1
x=
t3 t1
0, 0805 5, 547(0, 475 x)2
=
(x 0, 356)
se < 1: f2 () = 0, 708 2, 811

se 1: f2 () = 2, 6 0, 60
f2 ()
n =
t3 t1
f3 () = 0, 922 1, 66
f3 ()
= t2
n
Se a constante de amortecimento e maior ou igual a 1:

+ 2 1
1 =
n

2 1
2 =
n
y (t)
K=
u(t)
Exemplo:
Determine o modelo de segunda ordem usando o metodo de

Mollenkamp considerando a seguinte resposta ao degrau unitario.
Solucao:
Os valores inicial e final sao:
y (t0 ) = 40, 0
y (t ) = 49, 5
De forma que:
15% de 9,5 = 1,42 t1 = 50 seg
45% de 9,5 = 4,28 t2 = 80 seg
75% de 9,5 = 7,12 t3 = 125 seg
Solucao:
t2 t1
x= = 0, 40
t3 t1
0, 0805 5, 547(0, 475 x)2
= = 1, 1204
(x 0, 356)
Como 1, temos:
f2 () = 2, 6 0, 60 = 2, 31
f2 ()
n = = 0, 03
t3 t1
Solucao:
f3 () = 0, 922 1, 66 = 1, 63
f3 ()
= t2 = 27, 25 s
n
Como a constante de amortecimento e maior ou igual a 1:

+ 2 1
1 = = 52, 71 s
n

2 1
2 = = 19, 94 s
n
Solucao:
O ganho de regime permanente e:
y (t)
K= = 1, 9
u(t)
A funcao de transferencia de segunda ordem estimada e entao
1, 9e 27,2s
Gp (s) =
(19, 94s + 1)(52, 71s + 1)
Metodo de Sundaresan:
O metodo pressupoe que o sistema pode ser aproximado

satisfatoriamente por duas funcoes de transferencia distintas, uma
para o caso sobreamortecido e outra para o caso subamortecido.
Para o caso sobreamortecido, a funcao de transferencia e:
Ke s
Gp (s) =
(1 s + 1)(2 s + 1)
Para o caso subamortecido, a funcao de transferencia e:
Ke s n2
Gp (s) =
s 2 + 2n s + n2
Metodo de Sundaresan - Caso sobreamortecido:

Considerando a figura anterior, o procedimento e:
1. Determinar o ganho em regime permanente;
2. Normalizar o grafico de forma que y (t0 ) = 0 e y (t ) = 1;
3. Determinar a area m1 ;
4. Determinar a inclinacao da tangente no ponto de inflexao de

y (t). Esse valor e Mi .
5. Determinar tm que e a intersecao da tangente com o valor em

regime permanente de y (t);
6. Determinar = (tm m1 )Mi ;
1/(1)
7. Determinar da relacao = 1 ln ;
8. Determinar os parametros do modelo atraves das equacoes:

1
1 =
Mi
1
1
2 =
Mi
= m1 1 2
9. Calcular o ganho de regime permanente como
y (t)
K=
u(t)
Metodo de Sundaresan - Caso subamortecido:

Considerando a figura anterior, o procedimento e:
1. Determinar o ganho em regime permanente;
2. Normalizar o grafico de forma que y (t0 ) = 0 e y (t ) = 1;
3. Determinar a area m1 (observe que a area acima do valor de

y (t ) deve ser subtrada);
4. Determinar a inclinacao da tangente no ponto de inflexao de

y (t). Esse valor e Mi .
5. Determinar tm que e a intersecao da tangente com o valor em

regime permanente de y (t);
6. Determinar = (tm m1 )Mi ;

1
cos
cos1 1 2
7. Determinar a partir da relacao = e ;
1 2
8. Determinar os parametros do modelo atraves das equacoes:
cos1 1
n =
1 m m1
2 t
2
d = m1
n
9. Calcular o ganho de regime permanente como
y (t)
K=
u(t)
Exemplo de aplicacao:
Sinal de entrada aplicado ao sistema:

Resposta real e resposta ao sistema identificado pelo metodo de

Sundaresan:
1, 338e 1,9s
H1 (s) =
(3, 406s + 1)(1, 053s + 1)


Sundaresan:
0, 0182e 4,7s
H2 (s) =
s 2 + 2(0, 4)(0, 228)s + 0, 052


Sundaresan:
0, 0189e 2,0s
H3 (s) =
s 2 + 2(0, 55)(0, 346)s + 0, 120
Nota-se que, enquanto os modelos H1 (s) e H3 (s) se ajustaram

muito bem aos dados medidos, o mesmo nao aconteceu com o
modelo H2 (s).
Uma possvel razao para isso pode ser que a resposta medida nao
se enquadra nas respostas bem aproximadas para os modelos
lineares de segunda ordem com atraso puro de tempo.
Observe que o degrau de entrada possui o dobro da amplitude que

nos outros testes.
E possvel que tal entrada tenha tirado o processo da faixa de

operacao na qual ele pode ser bem aproximado por modelos
lineares.
Para verificar se as plantas tem algum tipo de histerese ou

comportamento dependente do sinal da derivada das respectivas
variaveis de entrada, e desejavel efetuar testes em ambos os
sentidos para cada ponto de operacao.
Como o metodo de identificacao considera que a totalidade da

resposta medida do sistema se deve somente ao sinal de entrada, e
indispensavel garantir que o processo esteja tao estacionario
quanto possvel no momento do teste.
Portanto, deve-se esperar ate que a planta atinja o regime

permanente antes de iniciar o teste.
IDENTIFICACAO DE SISTEMAS USANDO A

CONVOLUCAO:
A resposta y (t) de um sistema linear e invariante no tempo a uma

entrada especfica u(t) pode ser obtida a partir da resposta ao
degrau h(t) atraves da integral de convolucao:

y (t) = h( )u(t )d
0
No caso de uma medicao experimental, os dados de sada sao

expressos no tempo discreto e a resposta y (k) e dada pelo
somatorio de convolucao:

y (k) = h(j)u(k j)
j=0

CONVOLUCAO:
Dessa forma, usando as medicoes u(k) e y (k), podemos escrever

o seguinte conjunto de equacoes:
y (0) = h(0)u(0) + h(1)u(1) + h(2)u(2) + . . . + h(N)u(N + 1)

y (1) = h(0)u(1) + h(1)u(0) + h(2)u(1) + . . . + h(N)u(N + 2)
y (2) = h(0)u(2) + h(1)u(1) + h(2)u(0) + . . . + h(N)u(N + 3)

y (N) = h(0)u(N) + h(1)u(N 1) + h(2)u(N 2) + . . . + h(N)u(0)
Supondo um conjunto de N medicoes.

CONVOLUCAO:
Essa equacao pode ser expressa na forma matricial como:
y (0) u(0) u(1) u(2) . . . u(N + 1) h(0)

y (1) u(1) u(0) u(1) . . . u(N + 2) h(1)

y (2) = u(2) u(1) u(0) . . . u(N + 3) h(2)

y (N) u(N) u(N 1) u(N 2) ... u(0) h(N)

y = Uh
A resposta ao impulso pode entao ser obtida pela operacao
matricial
h = U1 y
Desde que U seja uma matriz nao singular.
Considere o sistema descrito pela funcao de transferencia

z + 0, 5
H(z) =
z 2 1, 5z + 0, 7
Esse sistema foi submetido a uma entrada pseudo-aleatoria e
foram feitas 40 medicoes de dados de entrada e sada.
0.6
0.4
0.2
0.2
0.4
0.6
0 5 10 15 20 25 30 35 40
amostras
Sinal de sada obtido:
8
0 5 10 15 20 25 30 35 40
amostras
Resposta ao impulso do sistema identificado:
2.5
1.5
0.5
0.5
1
0 5 10 15 20 25 30 35 40
amostras
Considere agora a adicao de um rudo de media nula e variancia

igual a 2 = 1 105 .
O sinal de sada obtido com a adicao do rudo e:

6
8
0 5 10 15 20 25 30 35 40
amostras
Resposta ao impulso do sistema identificado:
2.5
1.5
0.5
0.5
1
0 5 10 15 20 25 30 35 40
amostras
Comparando os dois sinais de sada obtidos, observamos que a

diferenca entre eles muito pequena:
6 6
4 4
2 2
0 0
2 2
4 4
6 6
8 8
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
amostras amostras
A resposta ao impulso do sistema identificado entretanto e muito

diferente:
2.5 3
2 2.5
2
1.5
1.5
1
1
0.5
0.5
0
0
0.5 0.5
1 1
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
amostras amostras
Observa-se que um rudo de baixa variancia foi capaz de causar

grandes erros na obtencao da resposta ao impulso.
Portanto, este e um metodo de identificacao de sistemas

muito sensvel ao rudo.
Tambem e interessante notar que este metodo fornece a resposta

ao impulso ao inves da funcao de transferencia.
Para a simulacao desse sistema, basta fazer a convolucao entre a

resposta ao impulso obtida e a entrada desejada.
IDENTIFICACAO DE SISTEMAS PELA RESPOSTA EM

FREQUENCIA:
Se uma planta puder ser excitada com uma entrada do tipo

senoidal, pode-se recorrer aos diagramas de Bode para a
identificacao do sistema.
Para um sistema linear, invariante no tempo e estavel, a resposta a

uma entrada senoidal e uma funcao senoidal de mesma frequencia
com amplitude e fase dependentes da frequencia.
O metodo entao consiste em excitar o sistema com diferentes

frequencias e medir a amplitude e o deslocamento de fase do sinal
de sada.

FREQUENCIA:
O diagrama de Bode de um sistema consiste de dois graficos que

relacionam a amplitude da sada, em dB, e o deslocamento de fase,
em graus decimais, com a frequencia da entrada.
O metodo consiste em identificar, no diagrama de Bode obtido a

partir das medicoes, frequencias de canto e inclinacoes da curva de
modulo de forma a determinar a ordem e a localizacao dos polos e
zeros do sistema.
FREQUENCIA:
Ganho costante K :
FREQUENCIA:
1
Polos na origem j :
FREQUENCIA:
Zeros na origem j:
FREQUENCIA:
1
Polo de primeira ordem 1+jT :
FREQUENCIA:
Zero de primeira ordem 1 + jT :

FREQUENCIA:
1
Polo de segunda ordem 2 :
1+2(j )+(j )
n n
FREQUENCIA:
Erro de aproximacao de sistemas com polos de segunda ordem:


FREQUENCIA:
Chamamos a frequencia onde existe um pico no ganho logartmico

de frequencia de ressonancia.

r = n 1 2 2
Para 0 1 . O valor do pico da ressonancia e entao:

2
1
Mr =
2 1 2
FREQUENCIA:
Observe que o valor do pico da ressonancia e inversamente

proporcional ao coeficiente de amortecimento.
Dessa forma, quanto menor for , mais a curva real do ganho

logartmico vai se afastar da curva assntotica.
FREQUENCIA:
2
Zero de segunda ordem 1 + 2 (j n ) + (j n ) :
Considere a seguinte curva de modulo:

E a correspondente curva de fase:

O sistema identificado e
1, 87
G (s) =
(s + 1, 17)4
Enquanto o sistema original e

1, 89
G (s) =
s 4 + 5, 9s 3 + 12, 03s 2 + 9, 405s + 1, 89
O diagrama de Bode de ambos os sistemas e mostrado abaixo.
Bode Diagram
0
50
Magnitude (dB)
100
150
200
0
90
Phase (deg)
180
270
360
2 1 0 1 2
10 10 10 10 10
Frequency (rad/s)
E a resposta ao degrau unitario e mostrada abaixo.
Step Response
1
0.9
0.8
0.7
0.6
Amplitude
0.5
0.4
0.3
0.2
0.1
0
0 5 10 15 20 25 30
Time (seconds)

FREQUENCIA:
A procedimento descrito pela excitacao de uma entrada senoidal

apresenta algumas dificuldades de ordem pratica:
Nem sempre e possvel aplicar sinais senoidais ao processo a

ser identificado
Esse procedimento e de longa duracao, uma vez que, para

cada frequencia, e necessario esperar que o sistema atinja o
regime permanente
FREQUENCIA:
Uma solucao para esse problema e o uso da transformada de

Fourier dos sinais de entrada e sada.
A resposta em frequencia e
Y (j)
H(j) =
U(j)
sendo Y (j) e U(j) as transformadas de Fourier de y (t) e u(t),

respectivamente.
Dessa forma, e possvel estimar a resposta em frequencia H(j)

quando u(t) nao for um sinal puramente senoidal.
Considere o sistema descrito pela funcao de transferencia

z + 0, 5
H(z) =
z2 1, 5z + 0, 7
Esse sistema foi submetido a uma entrada pseudo-aleatoria e
foram feitas 128 medicoes de dados de entrada e sada.
O diagrama de Bode e mostrado abaixo.
30
20
|H(jw)| (dB)
10
10
20
1 0
10 10
50
fase de H(jw) (graus)
50
100
150
200
1 0
10 10
freqncia (rad/s)

FREQUENCIA:
Observa-se que esse procedimento e sensvel a problemas

numericos, principalmente em altas frequencia, conforme pode ser
constatado no grafico da fase de H(j).
A estimativa da resposta em frequencia e obtida dividindo-se

numero complexos, frequencia a frequencia, para cada frequencia
na faixa de interesse.
A vantagem do metodo e a existencia de algoritmos rapidos para o

calculo da transformada discreta de Fourier.
Estimador de mnimos quadrados
O metodo de mnimos quadrados e um dos mais conhecidos e mais

utilizados nas mais diversas areas de ciencia e tecnologia.
A origem da ideia basica pode ser encontrada nos trabalhos de

Gauss sobre estudos astronomicos.
Segundo Gauss, pelo princpio dos mnimos quadrados, os

parametros desconhecidos de um modelo devem ser escolhidos de
tal forma que:
A soma dos quadrados das diferencas entre os valores

observados e os valores calculados multiplicados por numeros
que medem o grau de precisao e mnima.
Estimador de mnimos quadrados nao recursivo
Considere um sistema representado pela funcao de transferencia
z d (b0 + b1 z 1 + . . . + bnb z nb )
G (z) =
1 + a1 z 1 + . . . + ana z na
A resposta temporal deste sistema e uma equacao de diferencas na
forma
y [k] = a1 y [k 1] a2 y [k 2] . . . ana y [k na]

+ b0 u[k d] + b1 u[k d 1] + . . . + bnb u[k d nb]
Observa-se que existem (na + nb + 1) parametros a serem

estimados.
Esses parametros serao estimados com base nas medidas de

entrada e sada do processo.
Definindo-se o vetor de medidas [k] de dimensao (na + nb + 1) e
o vetor de parametros de dimensao (na + nb + 1):
a
y [k 1] 1

y [k 2] a2

a
= na

[k] = y [k na]
u[k d] b0

b1

u[k d nb]

bnb

De forma que a resposta temporal pode ser reescrita como:
y [k] = t [k]
Esse modelo e chamado de modelo de regressao linear.

Vamos agora considerar que sao feitas N medidas, em numero

suficiente para determinar os parametros ai e bj .
Temos entao que:

y [0] t [0]

y [1] t [1]

=

t
y [N 1] [N 1]

Essa equacao pode ser escrita na forma matricial como
y =
onde e a matriz de observacao.

A matriz de observacao nao e quadrada, mas tem mais linhas do

que colunas.
Ela e obtida com o posicionamento de cada vetor de medidas

transposto em suas linhas:
y [1]
... y [na] u[d] ... u[d nb]
y [0] ... y [1 na] u[1 d] ... u[1 d nb]

= y [1] ... y [2 na] u[2 d] ... u[2 d nb]

y [N 2] ... y [N na 1] u[N d 2] ... u[N nb 2]

A estimativa do vetor de parametros pode ser obtida pelo
metodo dos minmos quadrados.
A previsao de sada do sistema y e calculada por:
y =
E o erro de previsao e definido como:
= y y = y
O estimador dos minmos quadrados e obtido minimizando o

seguinte criterio:
J = y 2
= (y )t (y )
t t
= yt y + yt t y + t
Derivando J em relacao a obtemos:

dJ
= 2(yt )t + 2t
d
Igualando essa equacao a zero obtemos a estimativa do vetor de
parametros que minimiza J:
= (t )1 t y
Observa-se que (t ) deve ser uma matriz nao-singular

(condicao de excitacao).
Para isso, o sistema deve estar persistentemente excitado para

evitar o caso de linhas comuns na matriz .
Uma vez estimado os parametros, a funcao de transferencia de
tempo discreto pode ser determinada.
A funcao de transferencia de tempo contnuo pode ser obtido

atraves de uma das aproximacoes mostradas abaixo:
Aproximacao backward:
z = 1 + Ts
Aproximacao forward:
1
z=
1 Ts
Aproximacao trapezoidal:
1 + Ts/2
z=
1 Ts/2
Exemplo:
Obtenha a funcao de transferencia estimada para um processo

representado pelo seguinte modelo matematico:
y [k] = b0 u[k] + b1 u[k 1]
usando o estimador dos minmos quadrados nao-recursivo.

Dados:
k u[k] y[k] k u[k] y[k]

0 1 0,9 8 0,6 1,4
1 0,8 2,5 9 0,8 1,9
2 0,6 2,4 10 1 2,3
3 0,4 1,3 11 0,8 2,4
4 0,2 1,2 12 0,6 2,3
5 0 0,8 13 0,4 1,3
6 0,2 0 14 0,2 1,2
7 0,4 0,9
Solucao:
O vetor de sada e:
y [1] 2, 5

y [2] 2, 4

y [3] 1, 3

y [4] 1, 2

y [5] 0, 8

y [6] 0

y [7] 0, 9
y=
y [8] = 1, 4

y [9] 1, 9

y [10] 2, 3

y [11] 2, 4

y [12] 2, 3

y [13] 1, 3

y [14] 1, 2

Solucao:
A matriz de observacao e:
u[1] u[0]
0, 8 1

u[2] u[1] 0, 8
0, 6

u[3] u[2] 0, 4 0, 6

u[4] u[3]
0, 2 0, 4

u[5] u[4] 0, 2
0

u[6] u[5] 0, 2 0

u[7] u[6]
= 0, 4 0, 2

=
u[8]

u[7]
0, 6 0, 4

u[9] u[8] 0, 8 0, 6

u[10] u[9]
1 0, 8

u[11] u[10] 1
0, 8

u[12] u[11] 0, 6 0, 8

u[13] u[12]
0, 4 0, 6

u[14]
u[13] 0, 4
0, 2
Solucao:
Temos entao que:

4, 6 4, 8
t = [ ]
4, 8 5, 56
cuja inversa e
2, 1924 1, 8927
(t )1 = [ ]
1, 8927 1, 8139
Dessa forma o vetor de parametros estimados e:
0, 6107
= (t )1 t y = [ ]
2, 1814
Portanto,
y [k] = 0, 6107u[k] + 2, 1814u[k 1]
Exemplo:

y [k] = bu[k]
Dados:
k y[k] u[k]
0 2,15 +1
1 -1,94 -1
2 -2,05 -1
3 1,98 +1
4 -2,10 -1
5 2,10 +1
Solucao:
O vetor de sada e:
y [0] 2, 15

y [1] 1, 94

y [2] 2, 05
y = =

y [3] 1, 98

y [4] 2, 10

y [5] 2, 10

Solucao:
u[0] +1

u[1] 1

u[2] 1

= =

u[3] +1

u[4] 1

u[5] +1

Solucao:
Temos entao que:

t = 6
cuja inversa e
1
(t )1 =
6
= (t )1 t y = 2, 0533
Portanto,
y [k] = 2, 0533u[k]
Exemplo:

y [k] + ay [k 1] = bu[k 1]

Dados:
k y[k] u[k]
1 0 1,197
2 0,239 -1,830
3 -0,486 -0,420
4 0,159 -0,5721
5 0,194 -0,287
6 0,0039 0,435
7 0,0067 -1,404
8 -0,315 0,193
9 0,196 -1,771
10 -0,452 0,701
11 0,366 -0,389
12 -0,261 -1,040
13 -0,077 -1,256
14 -0,212 0,966
Solucao:
O vetor de sada e:
y [2] 0, 239

y [3] 0, 486

y [4] 0, 159

y [5] 0, 194

y [6] 0, 0039

y [7] 0, 0067

y = y [8] = 0, 315
y [9] 0, 196

y [10] 0, 452

y [11] 0, 366

y [12] 0, 261

y [13] 0, 077

y [14] 0, 212

Solucao:
y [1]
u[1] 0 1, 197
y [2] u[2] 0, 239 1, 830

y [3] u[3] 0, 486 0, 420

y [4]
u[4] 0, 159 0, 5721
y [5] u[5] 0, 194 0, 287

y [6]
u[6] 0, 0039 0, 435
= y [7] u[7] = 0, 0067 1, 404
y [8] u[8] 0, 315 0, 193

y [9]
u[9] 0, 196 1, 771
y [10] u[10] 0, 452 0, 701

y [11] u[11] 0, 366 0, 389

y [12]
u[12] 0, 261 1, 040
y [13] u[13] 0, 077 1, 256

Solucao:
Temos entao que:

0, 9062 0, 8866
t = [ ]
0, 8866 14, 0038
cuja inversa e
1, 1763 0, 0745
(t )1 = [ ]
0, 0745 0, 0761
0, 4115
= (t )1 t y = [ ]
0, 1871
Portanto,
y [k] + 0, 4115y [k 1] = 0, 1871u[k 1]
Exemplo:

y [k] = b0 u[k] + b1 u[k 1]

Dados:
k u[k] y[k]
0 0 0
1 +1 1,1
2 -1 -0,2
3 +1 0,1
4 +1 0,9
5 +1 1
6 -1 0,1
7 -1 -1,1
8 0 -0,8
9 0 -0,1
10 0 0
Solucao:
O vetor de sada e:
y [1] 1, 1

y [2] 0, 2

y [3] 0, 1

y [4] 0, 9

y [5] 1

y= =
y [6] 0, 1

y [7] 1, 1

y [8] 0, 8

y [9] 0, 1

y [10] 0

Solucao:
u[1] u[0] +1 0

u[2] u[1] 1 +1

u[3] u[2] +1 1

u[4] u[3] +1 +1

u[5] u[4] +1 +1

= =
u[6] u[5] 1 +1

u[7] u[6] 1 1

u[8] u[7] 0 1

u[9] u[8] 0 0

u[10] u[9] 0 0

Solucao:
Temos entao que:

7 0
t = [ ]
0 7
cuja inversa e
0, 1429 0
(t )1 = [ ]
0 0, 1429
0, 6143
= (t )1 t y = [ ]
0, 5143
Portanto,
y [k] = 0, 6143u[k] + 0, 5143u[k 1]
Estimador de mnimos quadrados recursivo
Na implementacao de um controle adaptativo em tempo real, o

algoritmo do estimador de parametros deve ser iterativo, com o
modelo do sistema sendo atualizado a cada perodo de
amostragem, quando novas medidas estao disponveis.
Isso e feito para que o modelo possa adequar-se as caracterstica

do processo controlado, ou ressintonizar-se caso existam variacoes
na dinamica do processo.
Em cada perodo de amostragem, novas medidas se tornam

disponveis e sao utilizadas com o modelo atual para gerar um
novo erro de modelagem.
No instante de tempo [k + 1], novas medidas u[k + 1] e y [k + 1]

ocorrem. Em vez de recalcular o estimador dos mnimos quadrados,
e interessante atualizar as estimativasw anteriormente calculada no
instante t, [k], para obter as novas estimativas [k + 1].
Do estimador dos mnimos quadrados nao-recursivo, a estimativa

dos parametros no instante de tempo k sao
[k] = (t [k][k])1 t [k]y[k]
Enquanto que, no instante [k + 1], a estimativa dos parametros

sao:
[k + 1] = [t [k + 1][k + 1]]1 t [k + 1]y[k + 1]

Observe que:
[k]
[k + 1] = [ t ]
[k + 1]
Portanto,
[k]
t [k + 1][k + 1] = [t [k] [k + 1]] [ ]
t [k + 1]
= t [k][k] + [k + 1]t [k + 1]
Dessa forma, conhecendo [k + 1], pode-se atualizar a matriz

resultante da operacao t [k][k] para obter a matriz atual
t [k + 1][k + 1].
De forma semelhante, temos
y[k]
y[k + 1] = [ ]
y[k + 1]
Portanto,
y[k]
t [k + 1]y[k + 1] = [t [k] [k + 1]] [ ]
y[k + 1]
= t [k]y[k] + [k + 1]y[k + 1]
Ainda e necessario encontrar uma maneira de atualizar a matriz

inversa de t [k + 1][k + 1] sem calcular a matriz inversa em cada
instante de tempo.
Vamos definir
P[k] = (t [k][k])1
R[k] = t [k]y[k]
A matriz P[k] e chamada de matriz de covariancia.
Dessa forma, o vetor de parametros pode ser definido como:
[k] = P[k]R[k]
[k + 1] = P[k + 1]R[k + 1]
E sao validas as relacoes:
R[k + 1] = P1 [k + 1][k + 1]
R[k] = P1 [k][k]
Pode-se mostrar que
P[k][k + 1]t [k + 1]P[k]

P[k + 1] = P[k] +
1 + t [k + 1]P[k][k + 1]
O erro de previsao e
[k + 1] = y [k + 1] t [k + 1][k]
Dessa forma
R[k + 1] = R[k] + [k + 1]y[k + 1]

= R[k] + [k + 1] [[k + 1] + t [k + 1][k]]
= R[k] + [k + 1][k + 1] + [k + 1]t [k + 1][k]
Como
P1 [k + 1] = P1 [k] + [k + 1]t [k + 1]
Temos entao que
P1 [k + 1][k + 1] =P1 [k][k] + [k + 1][k + 1]

+ [P1 [k + 1] P1 [k]][k]
O vetor de parametros no instante de tempo [k + 1] pode entao ser

calculado como:
[k + 1] = [k] + P[k + 1][k + 1][k + 1]

O termo P[k + 1][k + 1] e um vetor coluna denominado ganho

do estimador e e calculado por
P[k][k + 1]
K [k + 1] = P[k + 1][k + 1] =
1 + t [k + 1]P[k][k + 1]
De modo que o vetor de parametros e calculado por
[k + 1] = [k] + K [k + 1][k + 1]
Procedimento para estimacao pelo metodos dos mnimos
quadrados recursivo:
O procedimento para a determinacao do estimador de mnimos

quadrados recursivo pode entao ser resumido pelo seguinte
algoritmo:
1. Medir a sada e a entrada do sistema;
2. Atualizar o vetor de medidas
t [k + 1] = [y [k] y (t 1) . . . u(t d) u(t d 1) . . .]
3. Calcular o erro de previsao
[k + 1] = y [k + 1] t [k + 1][k]
Procedimento para estimacao pelo metodos dos mnimos

quadrados recursivo:
4. Calcular o ganho do estimador
P[k][k + 1]
K [k + 1] =
1 + t [k+ 1]P[k][k + 1]
5. Calcular o vetor de parametros estimados
[k + 1] = [k] + K [k + 1][k + 1]
6. Calcular a matriz de covariancia
P[k + 1] = P[k] K [k + 1][P[k][k + 1]]t

Exemplo:

y [k] = b0 u[k] + b1 u[k 1]
usando o estimador dos minmos quadrados recursivo para o
instante de tempo k = 4.
Dados:
t u[k] y[k]
0 1 0,9
1 0,8 2,5
2 0,6 2,4
3 0,4 1,3
4 0,2 1,2
Solucao:
O vetor de sada e a matriz de observacoes relativos ao instante de

tempo k = 3 sao, respectivamente:
2, 5 0, 8 1, 0

y = 2, 4 = 0, 6 0, 8

1, 3 0, 4 0, 6

1, 1600 1, 5200
t = [ ]
1, 5200 2, 0000
208, 3333 158, 3333
(t )1 = [ ]
158, 3333 120, 8333
8, 3333 1, 6667 11, 6667
(t )1 t = [ ]
5, 8333 1, 6667 9, 1667
Solucao:
O vetor de parametros no instante de tempo k = 3 e entao:
1, 6667
[3] = (t )1 t y = [ ]
1, 3333
No instante k = 4 o novo vetor de medidas e:

0, 2
[4] = [ ]
0, 4
O erro de previsao e:
1, 6667
[4] = y [4] t [4][3] = 1, 2 [0, 2 0, 4] [ ] = 0, 3333
1, 3333
Solucao:
A matriz de covariancia relativa ao instante k = 3 e:

208, 3333 158, 3333
P[3] = (t )1 = [ ]
158, 3333 120, 8333
Portanto, para calcular o ganho do estimador:
208, 3333 158, 3333 0, 2 21, 6667
P[3][4] = [ ][ ] = [ ]
158, 3333 120, 8333 0, 4 16, 6667
208, 3333 158, 3333 0, 2

1 + t [4]P[3][4] = 1 + [0, 2 0, 4] [ ][ ]
158, 3333 120, 8333 0, 4
21, 6667
=[ ]
16, 6667
= 3, 3333
Solucao:
O ganho do estimador e entao:
P[3][4] 6, 5
K[4] = t
=[ ]
1 + [4]P[3][4] 5, 0
O novo vetor de parametros estimados e entao:
1, 6667 6, 5 0, 5
[k+1] = [k]+K[k+1][k+1] = [ ]+[ ] 0, 3333 = [ ]
1, 3333 5, 0 3, 0
Solucao:
Considerando agora todas as medidas obtidas ate o instante k = 4,

o vetor de sada e a matriz de observacoes sao, respectivamente:
2, 5 0, 8 1, 0

2, 4 0, 6 0, 8

y= =
1, 3 0, 4 0, 6

1, 2 0, 2 0, 4

O vetor de parametros no instante k = 4 e entao:
0, 5
[k] = (t )1 t y = [ ]
3, 0
Observe que o resultado da aplicacao do estimador de mnimos
quadrados recursivo produz o mesmo resultado da aplicacao do
estimador de mnimos quadrados nao-recursivo quando todas as
medicoes sao consideradas.
Para a inicializacao do algoritmo dos mnimos quadrados recursivo,

quando nenhuma medida do sistema ainda esta disponvel, deve-se
atribuir os valores de [0] e P[0].
Neste caso, e comum iniciar [0] com valores pequenos aleatorios

e P[0] = mI(na+nb+1)(na+nb+1) com m assumindo um valor grande
(103 ou maior).
E importante notar que no contexto de controle adaptativo, na

fase inicial do processamento, os parametros ainda estao sendo
adequadamente sintonizados.
Aassim, o sinal de controle e inadequado e uma mudanca e

produzida na variavel do processo, comprometendo o
comportamento dinamico do sistema em malha fechada.
Selecao do sinal de entrada
A qualidade do modelo estimado de um sistema depende em parte

da natureza do sinal de entrada aplicado durante a fase de coleta
das amostras.
Isto acontece porque o sinal de entrada excita, em variados graus

de intensidade que dependem de suas caractersticas, as
frequencias naturais ou modos caractersticos do sistema, ou
seja, o sinal de entrada forca o sistema a revelar, na sada, as suas
caractersticas dinamicas.
O sinal PRBS (pseudo random binary signal), ao ser aplicado

como entrada no processo real, tem como finalidade:
1. Excitar os modos caractersticos do sistema que correspodem ao

conteudo espectral;
2. Prevenir a ocorrencia de um mau condicionamento numerico

e/ou colunas iguais na matriz de covariancia.
O sinal PRBS so pode assumir dois valores (ou nveis): .
A comutacao de um nvel para outro ocorre de forma aleatoria,

cuja estatstica pode ser controlada (selecao do conteudo espectral
do sinal PRBS) e baseia-se em determinadas regras de
implementacao.
Procedimento para implementacao de um sequencia PRBS:
1. Utilizar uma funcao randomica para gerar uma sequencia de

numeros aleatorios com distribuicao de probabilidade uniforme no
intervalo [0, 1]
2. Determinar um threshold, de forma que, quando esse elemento

e maior do que o threshold, o sinal de entrada assume +, e
caso contrario.
Estimador de mnimos quadrados
COMENTARIOS FINAIS:
Algumas desvantagens do estimador dos mnimos quadrados sao:
Alguma informacao inicial dos parametros do sistema e

necessaria a priori para a convergencia do metodo;
Os parametros estimados podem ser tendeciosos se o rudo e

correlacionado;
Ha dificuldade na identificacao do atraso de transporte;
Nao podem ser facilmente aplicados em sistemas nao-lineares.

Identificacao de sistemas variantes no tempo
A estimacao de parametros variantes no tempo e um importante
problema na identificacao de sistemas dinamicos.
Independentemente da aplicacao dada ao estimador, e necessario

que ele seja eficaz no rastreamento das mudancas no sistema
identificado.
Alem disso, e preciso obter um modelo matematico que represente

adequadamente o comportamento do sistema controlado, visando
a aplicacao em controladores adaptativos.
Quando o numero de iteracoes aumenta no metodo dos mnimos

quadrados recursivo, os parametros estimados podem convergir.
Esta convergencia e normalmente refletida pela diminuicao dos

elementos da matriz P[k] e e desejavel para o caso de sistemas
invariantes no tempo.
Entretanto, quando o sistema e variante no tempo, e necessario

evitar que os elementos da matriz P[k] se tornem muito pequenos,
para que possa ocorrer a correcao dos estimadores [k].
Na pratica, procura-se um compromisso entre a capacidade de

adaptacao, refletida em um valor de P[k] grande, e a convergencia
no algoritmo de estimacao, P[k] pequeno.
Para manter a capacidade de adaptacao do estimador, limitando a

valores mnimos os elementos da matriz de covariancia, dois
procedimentos sao avaliados:
1. Atualizacao de P[k]
2. Fator de esquecimento
Atualizacao de P[k]
ATUALIZACAO DE P[k]:
Para a atualizacao da matriz de covariancia, os elementos de P[k]

sao aumentados pela adicao de uma matriz diagonal semidefinida
positiva Q[k], de forma que:
P[k] P[k] + Q[k]
Para isso, existem dois procedimentos:
1. Busca aleatoria
2. Reinicializacao de P[k]
Atualizacao de P[k]
BUSCA ALEATORIA:
Para a aplicacao da tecnica random walk, adiciona-se, a cada

iteracao, a matriz Q[k] cujos elementos descrevem a suposta
razao de variacao dos parametros do sistema.
Q[k] e geralmente uma matriz diagonal e, se somente certos

parametros mudam, ela pode ser selecionada com zeros na
diagonal em todas as posicoes exceto naquelas que correspodem
aos parametros variantes.
Os elementos da matriz devem refletir a magnitude da mudanca

dos parametros.
Atualizacao de P[k]
BUSCA ALEATORIA:
Uma proposta para a escolha da matriz Q[k] e:
tr{P[k]}
Q[k] =
na + nb + 1
onde tr{P[k]} e o traco da matriz P[k].
E importante observar que Q[k] aumenta o comprimento do passo

de ajuste e um valor muito grande causa uma excessiva oscilacao
nos parametros estimados correspondentes.
Atualizacao de P[k]
EXEMPLO DE APLICACAO:
Considere um sistema caracterizado pelo seguinte modelo:
y [k] = a1 y [k 1] + b0 u[k 1] + b1 u[k 2]
onde b0 = 1, b1 = 0, 5, e
0, 7 se 0 < t < 200

a1 = {
0, 35 se t 200
Considere a estimativa inicial de parametros como [0] = 0 e

P[0] = 100I33 , e a aplicacao de um sinal PRBS.
Faremos uma avaliacao da aplicacao do metodo dos mnimos

quadrados recursivo sem a aplicacao de busca aleatoria e com o
metodo de busca aleatoria considerando Q = 10I33 e Q = 0, 1I33 .
Atualizacao de P[k]
Mnimos quadrados recursivo sem busca aleatoria:

a1
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
Atualizacao de P[k]

b0
1.4
1.2
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500 600 700 800 900 1000
Atualizacao de P[k]

b1
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
Atualizacao de P[k]
Mnimos quadrados recursivo com busca aleatoria Q = 10I33 :

a1
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
Atualizacao de P[k]

b0
1.4
1.2
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500 600 700 800 900 1000
Atualizacao de P[k]

b1
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
Atualizacao de P[k]
Mnimos quadrados recursivo com busca aleatoria Q = 0, 10I33 :

a1
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
Atualizacao de P[k]

b0
1.4
1.2
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500 600 700 800 900 1000
Atualizacao de P[k]

b1
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0 100 200 300 400 500 600 700 800 900 1000
Atualizacao de P[k]
REINICIALIZACAO DE P[k]:
Se a matriz Q[k] e adicionada com muita frequencia, os elementos

da matriz P[k] se tornam muito grandes, causando uma flutuacao
excessiva nas estimativas.
Por outro lado, se a frequencia de atualizacao e pequena, os

elementos da matriz P[k] se tornam pequenos a ponto de o
algoritmo nao rastrear as mudancas no sistema. Assim, existe uma
frequencia de atualizacao otima para a alteracao de P[k].
A tecnica de covariance resting evita este problema pela adicao da

matriz Q[k] somente se a magnitude dos elementos de P[k] e
menor do que um determinado valor especificado pelo usuario. A
magnitude da matriz de covariancia e avaliada ou pelo traco de
Q[k] ou pelo erro de previsao.
Fator de esquecimento
FATOR DE ESQUECIMENTO:
Para processos variantes no tempo, e necessario fornecer ao

algoritmo dos mnimos quadrados recursivo uma capacidade de
adaptacao mnima, impedindo que o ganho do estimador tenda a
zero.
Esta capacidade pode ser obtida dando-se uma maior importancia

as novas medidas pela regulagem do fator de esquecimento.
Neste caso, pode-se introduzir uma constante no algoritmo, o

fator de esquecimento que pondera mais as ultimas medidas.
O algoritmo dos mnimos quadrados recursivo foi desenvolvido
considerando-se
P[k + 1] = (T [k + 1][k + 1])1
onde
T [k + 1][k + 1] = T [k][k] + [k + 1]T [k + 1]
Para parametros variantes no tempo, vamos modificar a segunda

equacao para
T [k + 1][k + 1] = T [k][k] + [k + 1]T [k + 1]
onde e o fator de esquecimento que assume valores entre 0 e 1 e

penaliza as informacoes antigas na presenca de novas
medidas.
Alem disso, ao inves de usar o criterio a ser minimizado

N
2
J = (y [k] T [k])
k=1
que pondera cada erro de estimacao e[k] igualmente, adotaremos

N
2
J = Nk (y [k] T [k])
k=1
Dessa forma
J(N) = J(N 1) + e 2 (N)
As medidas velhas sao exponencialmente esquecidase maior
enfase e atribuda as novas medidas.
O algoritmo de estimacao dos mnimos quadrados recursivo com

fator de esquecimento apresenta entao a seguinte forma:
[k + 1] = [k] + K[k + 1](y [k + 1] T [k + 1][k])
P[k][k + 1]
K[k + 1] =
+ T [k
+ 1]P[k][k + 1]
1 P[k][k + 1]T [k + 1]P[k]

P[k + 1] = {P[k] }
+ T [k + 1]P[k][k + 1]
O algoritmo dos mnimos quadrados recursivo com fator de

esquecimento evita que os elementos de P[k] tendam a zero.
Para aumentar a sensibilidade do estimador dos mnimos

quadrados recursivo na presenca de variacoes nos parametros do
sistema, implementa-se um fator de esquecimento variavel.
Essa tecnica pode utilizar o erro de previsao para verificar, em cada

perodo de amostragem, o estado do estimador.
Se o erro e menor que um determinado valor fornecido pelo

operador, entao os parametros estimados estao proximos dos
valores verdadeiros, e o fator de esquecimento deve assumir valor
proximo de um.
Se o erro e grande, o fator de esquecimento deve assumir valores

pequenos para que a sensibilidade do estimador aumente.
Alguns metodos para a regulacao do fator de esquecimento sao:
1. Fator de esquecimento constante:
[k] = 0 onde 0, 9 0 1
2. Fator de esquecimento com traco limitado de P[k]:
Neste caso, calcula-se [k] para manter o traco da matriz de

covariancia superior a uma constante 0 definida pelo usuario:
tr{P[k]}
0 , se tr{P[k]} < 0
[k] = {
1 , caso contrario
A constante e selecionado de modo que, em regime permanente, o

estimador apresenta pequena variancia em torno do valor estimado.
3. Fator de esquecimento exponencial
Neste caso, procura-se manter [k] torno de uma vizinhanca

proxima de 1.
Quando uma mudanca parametrica e identificada, [k] pode ser

ajustado para 0,95, o que implica uma rapida variacao nos
parametros estimados.
O comportamento de [k] entao tem um ajuste exponencial

crescendo para 1.
[k] = 0 [k 1] + (1 0 )
onde 0 < 1 e [0] < 1.

Por exemplo, para 0 = 0, 95 e [0] = 0, 95, resulta em:
0.99
0.98
0.97

0.96
0.95
0.94
0 20 40 60 80 100 120 140 160 180 200
Outro procedimento de ajuste do fator de esquecimento
exponencial e dado por
[k] = 0 [k 1] + 1 (1 0 )
Por exemplo, para 0 = 0, 95, 1 = 0, 999 e [0] = 0, 95, resulta em:
0.99
0.98
0.97

0.96
0.95
0.94
0 20 40 60 80 100 120 140 160 180 200
Considere um sistema representado por
y [k] = a1 y [k 1] a2 y [k 2] + b0 u[k 1]
onde a1 = 1, a2 = 0, 25 e
1 , se t < 200
b0 = {
2 , se t 200
Considere a estimativa inicial de parametros como [0] = 0 e

P[0] = 100I33 , e a aplicacao de um sinal PRBS.
Mnimos quadrados recursivo com fator de esquecimento = 0, 99:

a1
1.4
1.2
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500 600 700 800 900 1000

a2
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
0 100 200 300 400 500 600 700 800 900 1000

b0
2
1.8
1.6
1.4
1.2
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500 600 700 800 900 1000

a1
1.4
1.2
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500 600 700 800 900 1000

a2
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
0 100 200 300 400 500 600 700 800 900 1000

b0
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000

a1
1.4
1.2
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500 600 700 800 900 1000

a2
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
0 100 200 300 400 500 600 700 800 900 1000

b0
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
O procedimento do fator de esquecimento funciona de forma

adequada somente se o processo tem excitacao.
Um uso inadequado do fator de esquecimento algumas vezes

produz uma condicao inadequada, denominada blow up, na matriz
de covariancia.
Isso acontece quando um fator de esquecimento constante < 1 e

utilizado e o sistema esta operando em regime permanente por um
longo perodo de tempo.
Neste caso, a matriz P[k] aumenta exponencialmente.

Esse problema de operacao do estimador dos mnimos quadrados

recursivo pode ser evitado com a utilizacao de um fator de
esquecimento variavel.
A utilizacao do fator de esquecimento variante no tempo permite

que o algoritmo dos mnimos quadrados recursivo rastreie melhor
as variacoes nos parametros do que o algoritmo com fator de
esquecimento constante.
A utilizacao de um fator de esquecimento constante ou variavel

provoca um aumento de um mesmo valor todos os elementos da
matriz P[k], e os parametros que nao sao variantes no tempo
oscilam.
Atraves da escolha apropriada dos elemento da matriz Q[k] na

aplicacao da tecnica de atualizacao de P[k], os elementos da
matriz de covariancia e o ganho do estimador podem nao tender
mais a zero.
Este metodo, portanto, e mais seletivo que a utilizacao do fator de

esquecimento, pois permite aumentar separadamente os elementos
individuais de P[k].

01 - Identificação de Sistemas

Hochgeladen von

Dokumentinformationen

Originalbeschreibung:

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

01 - Identificação de Sistemas

Hochgeladen von

Copyright:

Verfügbare Formate

CONTROLE AUTOMATICO

Prof. Lucas de Assis Soares

Na modelagem caixa branca e necessario conhecer bem o

Devido ao conhecimento e ao tempo necessarios para modelar um

Uma das caractersticas dessas tecnicas e que pouco ou nenhum

Em geral, o que se pretende descrever com tais modelos sao as

A motivacao para o estudo de tecnicas de identificacao de sistemas

A identificacao de sistemas consiste na determinacao de um

A identificacao de sistemas e tratada, muitas vezes, como um

O modelo matematico final e uma forma do conhecimento da

Em linhas gerais, as principais etapas de um problema de

A selecao de modelos matematicos e o ajuste dos parametros sao

Uma vez obtido um modelo matematico, e necessario verificar se o

Em uma tarefa de identificacao, diferentes procedimentos para

TESTE DE RESPOSTA AO DEGRAU

O teste de resposta ao degrau so tem validade para processos

Ele tambem nao permite a estimacao de modelos de ordem

TESTE DA RESPOSTA EM FREQUENCIA

Para isso, e necessario que a estrutura do modelo esteja disponvel,

Dessa forma, a identificacao do modelo e recursiva e capaz de

A aplicacao em tempo real dos algoritmos de identificacao e

MODELOS DE TEMPO CONTINUO:

Muitos processos industriais de tempo contnuo sao representados

onde y (t) e a sada do processo e u(t) e a entrada do processo.

Como exemplo, considere o processo de controle de nvel de lquido

As variaveis manipuladas sao a vazao de entrada e a vazao de

O ganho de regime permanente e entao calculado como:

O ganho de regime permanente e entao calculado como:

A constante de tempo para processos industriais (caracterizada

Pergunta: Por que 63,2%?

O atraso de transporte (tempo morto) na dinamica do processo

Como exemplo, considere um sistema de controle de temperatura

A temperatura das vazoes combinadas e medida em um ponto a

A resposta devido a um degrau na vazao de fluido frio e mostrada

Observe portanto que o atraso de transporte representa o tempo

Adicionalmente, alguns processos industriais sao inerentemente

1 e 2 sao as constantes de tempo, K e o ganho, e o atraso de

Se > 1, o sistema e sobreamortecido (razes reais e desiguais,

Se = 1, o sistema e criticamente amortecido (razes reais e

Se < 1, o sistema e subamortecido (razes complexas

Muitos sistemas de ordem superior podem ser aproximados por

MODELOS DE TEMPO DISCRETO:

Embora muitos processos sejam contnuos por natureza, os

Neste caso, um modelo discreto da planta e necessario para

Uma funcao de transferencia de tempo discreto pode ser

A correspondente equacao de diferencas da planta e

y [k] + a1 y [k 1] + . . . + ana y [k na] =

y [k] e u[k] sao os sinais de sada e de entrada, respectivamente.

Considerando T = 1 s, obtenha a equacao de diferencas

Considerando um dispositivo de retencao de ordem zero, a funcao

y [k]1, 535y [k1]+0, 5866y [k2] = 0, 02797y [k1]+0, 02341y [k2]

y [k] = 1, 535y [k1]0, 5866y [k2]+0, 02797y [k1]+0, 02341y [k2]

Na analise e projeto de sistemas de controle, deve-se adotar uma

Os sinais de teste de entrada comumente utilizados sao: impulso,

Para a identificacao das caractersticas essenciais de um processo

A resposta ao degrau e um procedimento adequado para

A entrada do tipo degrau pode ser obtida pelo chaveamento

Na pratica, isso ocorre, por exemplo, pela variacao da tensao ou

A resposta ao degrau pode ser obtida de acordo com os seguintes

RESPOSTAS TIPICAS AO DEGRAU:

RESPOSTAS TIPICAS AO DEGRAU:

RESPOSTAS TIPICAS AO DEGRAU:

RESPOSTAS TIPICAS AO DEGRAU: