Beruflich Dokumente
Kultur Dokumente
Identificacao de Sistemas
IDENTIFICACAO OFF-LINE
As medidas de entrada e sada sao armazenadas para posterior
aplicacao e avaliacao dos algoritmos de estimacao nao-recursivos.
IDENTIFICACAO ON-LINE
As medidas de entrada e sada sao coletadas e usadas
imediatamente na identificacao do sistema.
y (t)
K=
u(t)
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
Exemplo:
Solucao:
ou ainda
Solucao:
= 1, 2 minuto
t2 = 4, 35 minutos
= t2 = 4, 35 1, 2 = 3, 15 minutos
Metodos determinsticos de identificacao de sistemas
Exemplo:
Solucao:
= 0, 6893 segundo
Solucao:
Metodo de Smith:
Metodo de Nishikawa:
Matematicamente, temos:
A0 = y () y (t)dt
0
A0
t0 =
y ()
t0
A1 = y (t)dt
0
Metodos determinsticos de identificacao de sistemas
Metodo de Nishikawa:
y
K=
u
A1
=
0.368y ()
= t0
Observe que a area A0 so e utilizada para a determinacao de t0 .
Metodos determinsticos de identificacao de sistemas
n2
Gp (s) = , supondo < 1
s 2 + 2n s + n2
= tg1
1 2
Metodos determinsticos de identificacao de sistemas
Metodo de Mollenkamp:
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)
Metodos determinsticos de identificacao de sistemas
Exemplo:
Solucao:
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
Metodos determinsticos de identificacao de sistemas
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
Metodos determinsticos de identificacao de sistemas
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
Metodos determinsticos de identificacao de sistemas
Solucao:
y (t)
K= = 1, 9
u(t)
1, 9e 27,2s
Gp (s) =
(19, 94s + 1)(52, 71s + 1)
Metodos determinsticos de identificacao de sistemas
Metodo de Sundaresan:
Ke s
Gp (s) =
(1 s + 1)(2 s + 1)
Ke s n2
Gp (s) =
s 2 + 2n s + n2
Metodos determinsticos de identificacao de sistemas
3. Determinar a area m1 ;
1/(1)
7. Determinar da relacao = 1 ln ;
Metodos determinsticos de identificacao de sistemas
y (t)
K=
u(t)
Metodos determinsticos de identificacao de sistemas
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)
Metodos determinsticos de identificacao de sistemas
Exemplo de aplicacao:
Exemplo de aplicacao:
1, 338e 1,9s
H1 (s) =
(3, 406s + 1)(1, 053s + 1)
Metodos determinsticos de identificacao de sistemas
Exemplo de aplicacao:
Exemplo de aplicacao:
0, 0182e 4,7s
H2 (s) =
s 2 + 2(0, 4)(0, 228)s + 0, 052
Metodos determinsticos de identificacao de sistemas
Exemplo de aplicacao:
Exemplo de aplicacao:
0, 0189e 2,0s
H3 (s) =
s 2 + 2(0, 55)(0, 346)s + 0, 120
Metodos determinsticos de identificacao de sistemas
Exemplo de aplicacao:
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.
Metodos determinsticos de identificacao de sistemas
Exemplo de aplicacao:
Exemplo de aplicacao:
y = Uh
A resposta ao impulso pode entao ser obtida pela operacao
matricial
h = U1 y
Desde que U seja uma matriz nao singular.
Metodos determinsticos de identificacao de sistemas
Exemplo de aplicacao:
0.6
0.4
0.2
0.2
0.4
0.6
0 5 10 15 20 25 30 35 40
amostras
Metodos determinsticos de identificacao de sistemas
Exemplo de aplicacao:
8
0 5 10 15 20 25 30 35 40
amostras
Metodos determinsticos de identificacao de sistemas
Exemplo de aplicacao:
2.5
1.5
0.5
0.5
1
0 5 10 15 20 25 30 35 40
amostras
Metodos determinsticos de identificacao de sistemas
Exemplo de aplicacao:
8
0 5 10 15 20 25 30 35 40
amostras
Metodos determinsticos de identificacao de sistemas
Exemplo de aplicacao:
2.5
1.5
0.5
0.5
1
0 5 10 15 20 25 30 35 40
amostras
Metodos determinsticos de identificacao de sistemas
Exemplo de aplicacao:
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
Metodos determinsticos de identificacao de sistemas
Exemplo de aplicacao:
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
Metodos determinsticos de identificacao de sistemas
Exemplo de aplicacao:
Ganho costante K :
Metodos determinsticos de identificacao de sistemas
IDENTIFICACAO DE SISTEMAS PELA RESPOSTA EM
FREQUENCIA:
1
Polos na origem j :
Metodos determinsticos de identificacao de sistemas
IDENTIFICACAO DE SISTEMAS PELA RESPOSTA EM
FREQUENCIA:
Zeros na origem j:
Metodos determinsticos de identificacao de sistemas
IDENTIFICACAO DE SISTEMAS PELA RESPOSTA EM
FREQUENCIA:
1
Polo de primeira ordem 1+jT :
Metodos determinsticos de identificacao de sistemas
IDENTIFICACAO DE SISTEMAS PELA RESPOSTA EM
FREQUENCIA:
1
Polo de segunda ordem 2 :
1+2(j )+(j )
n n
Metodos determinsticos de identificacao de sistemas
IDENTIFICACAO DE SISTEMAS PELA RESPOSTA EM
FREQUENCIA:
1
Mr =
2 1 2
Metodos determinsticos de identificacao de sistemas
IDENTIFICACAO DE SISTEMAS PELA RESPOSTA EM
FREQUENCIA:
Exemplo de aplicacao:
Exemplo de aplicacao:
Exemplo de aplicacao:
O sistema identificado e
1, 87
G (s) =
(s + 1, 17)4
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)
Metodos determinsticos de identificacao de sistemas
Exemplo de aplicacao:
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)
Metodos determinsticos de identificacao de sistemas
A resposta em frequencia e
Y (j)
H(j) =
U(j)
Exemplo de aplicacao:
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)
Metodos determinsticos de identificacao de sistemas
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] = t [k]
y =
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]
Estimador de mnimos quadrados nao recursivo
A estimativa do vetor de parametros pode ser obtida pelo
metodo dos minmos quadrados.
y =
= y y = y
J = y 2
= (y )t (y )
t t
= yt y + yt t y + t
Estimador de mnimos quadrados nao recursivo
= (t )1 t y
Aproximacao backward:
z = 1 + Ts
Aproximacao forward:
1
z=
1 Ts
Aproximacao trapezoidal:
1 + Ts/2
z=
1 Ts/2
Estimador de mnimos quadrados nao recursivo
Exemplo:
Dados:
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
Estimador de mnimos quadrados nao recursivo
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
Estimador de mnimos quadrados nao recursivo
Solucao:
2, 1924 1, 8927
(t )1 = [ ]
1, 8927 1, 8139
0, 6107
= (t )1 t y = [ ]
2, 1814
Portanto,
y [k] = 0, 6107u[k] + 2, 1814u[k 1]
Estimador de mnimos quadrados nao recursivo
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
Estimador de mnimos quadrados nao recursivo
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
Estimador de mnimos quadrados nao recursivo
Solucao:
A matriz de observacao e:
u[0] +1
u[1] 1
u[2] 1
= =
u[3] +1
u[4] 1
u[5] +1
Estimador de mnimos quadrados nao recursivo
Solucao:
= (t )1 t y = 2, 0533
Portanto,
y [k] = 2, 0533u[k]
Estimador de mnimos quadrados nao recursivo
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
Estimador de mnimos quadrados nao recursivo
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
Estimador de mnimos quadrados nao recursivo
Solucao:
A matriz de observacao e:
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
Estimador de mnimos quadrados nao recursivo
Solucao:
Exemplo:
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
Estimador de mnimos quadrados nao recursivo
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
Estimador de mnimos quadrados nao recursivo
Solucao:
A matriz de observacao e:
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
Estimador de mnimos quadrados nao recursivo
Solucao:
0, 6143
= (t )1 t y = [ ]
0, 5143
Portanto,
y [k] = 0, 6143u[k] + 0, 5143u[k 1]
Estimador de mnimos quadrados recursivo
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]
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]
P[k] = (t [k][k])1
R[k] = t [k]y[k]
[k] = P[k]R[k]
[k + 1] = P[k + 1]R[k + 1]
R[k + 1] = P1 [k + 1][k + 1]
R[k] = P1 [k][k]
Estimador de mnimos quadrados recursivo
O erro de previsao e
[k + 1] = y [k + 1] t [k + 1][k]
Dessa forma
Como
P1 [k + 1] = P1 [k] + [k + 1]t [k + 1]
Temos entao que
P[k][k + 1]
K [k + 1] = P[k + 1][k + 1] =
1 + t [k + 1]P[k][k + 1]
[k + 1] = [k] + K [k + 1][k + 1]
Estimador de mnimos quadrados recursivo
Procedimento para estimacao pelo metodos dos mnimos
quadrados recursivo:
[k + 1] = y [k + 1] t [k + 1][k]
Estimador de mnimos quadrados recursivo
P[k][k + 1]
K [k + 1] =
1 + t [k+ 1]P[k][k + 1]
[k + 1] = [k] + K [k + 1][k + 1]
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
Estimador de mnimos quadrados recursivo
Solucao:
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
Estimador de mnimos quadrados recursivo
Solucao:
1, 6667
[3] = (t )1 t y = [ ]
1, 3333
O erro de previsao e:
1, 6667
[4] = y [4] t [4][3] = 1, 2 [0, 2 0, 4] [ ] = 0, 3333
1, 3333
Estimador de mnimos quadrados recursivo
Solucao:
Solucao:
P[3][4] 6, 5
K[4] = t
=[ ]
1 + [4]P[3][4] 5, 0
1, 6667 6, 5 0, 5
[k+1] = [k]+K[k+1][k+1] = [ ]+[ ] 0, 3333 = [ ]
1, 3333 5, 0 3, 0
Estimador de mnimos quadrados recursivo
Solucao:
COMENTARIOS FINAIS:
1. Atualizacao de P[k]
2. Fator de esquecimento
Atualizacao de P[k]
ATUALIZACAO DE P[k]:
1. Busca aleatoria
2. Reinicializacao de P[k]
Atualizacao de P[k]
BUSCA ALEATORIA:
BUSCA ALEATORIA:
tr{P[k]}
Q[k] =
na + nb + 1
onde tr{P[k]} e o traco da matriz P[k].
onde b0 = 1, b1 = 0, 5, e
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]
EXEMPLO DE APLICACAO:
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]
EXEMPLO DE APLICACAO:
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]
EXEMPLO DE APLICACAO:
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]
EXEMPLO DE APLICACAO:
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]
EXEMPLO DE APLICACAO:
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]
EXEMPLO DE APLICACAO:
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]
EXEMPLO DE APLICACAO:
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]
EXEMPLO DE APLICACAO:
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]:
FATOR DE ESQUECIMENTO:
onde
Dessa forma
J(N) = J(N 1) + e 2 (N)
As medidas velhas sao exponencialmente esquecidase maior
enfase e atribuda as novas medidas.
Fator de esquecimento
P[k][k + 1]
K[k + 1] =
+ T [k
+ 1]P[k][k + 1]
[k] = 0 onde 0, 9 0 1
[k] = 0 [k 1] + (1 0 )
0.99
0.98
0.97
0.96
0.95
0.94
0 20 40 60 80 100 120 140 160 180 200
Fator de esquecimento
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
Fator de esquecimento
EXEMPLO DE APLICACAO:
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
1.2
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500 600 700 800 900 1000
Fator de esquecimento
EXEMPLO DE APLICACAO:
0.3
0.25
0.2
0.15
0.1
0.05
0
0 100 200 300 400 500 600 700 800 900 1000
Fator de esquecimento
EXEMPLO DE APLICACAO:
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
Fator de esquecimento
EXEMPLO DE APLICACAO:
1.2
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500 600 700 800 900 1000
Fator de esquecimento
EXEMPLO DE APLICACAO:
0.3
0.25
0.2
0.15
0.1
0.05
0
0 100 200 300 400 500 600 700 800 900 1000
Fator de esquecimento
EXEMPLO DE APLICACAO:
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Fator de esquecimento
EXEMPLO DE APLICACAO:
1.2
0.8
0.6
0.4
0.2
0
0 100 200 300 400 500 600 700 800 900 1000
Fator de esquecimento
EXEMPLO DE APLICACAO:
0.3
0.25
0.2
0.15
0.1
0.05
0
0 100 200 300 400 500 600 700 800 900 1000
Fator de esquecimento
EXEMPLO DE APLICACAO:
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Fator de esquecimento