CONTROLE

AVANADO
Prof. Andr Laurindo Maitelli
DCA-UFRN

I DENTI FI CAO DE
SI STEMAS
DI NMI COS
Introduo
a determinao de um modelo matemtico que
represente os aspectos essenciais do sistema,
caracterizado pela manipulao dos sinais de
entrada e sada que esto relacionados atravs de
uma funo de transferncia contnua ou discreta
a determinao, com base em entradas e sadas,
de um sistema em uma classe de sistemas
especificados, ao qual o sistema em teste
equivalente.
Para processos industriais, o modelo pode ser
obtido a partir do tratamento das medidas
coletadas atravs de uma realizao experimental
Introduo
Processo
sada
entrada
Modelo matemtico
do processo
Tcnicas de
Identificao
incertezas
Etapas
Planejamento Experimental
o sinal de entrada deve excitar todos os modos do sistema
um bom mtodo de identificao deve ser insensvel s
caractersticas do sinal de entrada
Seleo da Estrutura do Modelo
pode ser feita a modelagem usando leis fsicas
a modelagem pode ser do tipo caixa preta, quando no se
tem nenhum conhecimento sobre o processo
pode ser caixa cinza, quando se tem algum conhecimento
Estimao de Parmetros
baseada em: dados de entrada e sada do processo, uma
classe de modelos e um critrio
Validao
verificao da adequao do modelo escolhido
Lao de Identificao
Planejamento
Experimental
Dados
Conjunto de
modelos
Avaliao do modelo
Critrio
Validao
OK
usar
No OK revisar
conhecimento
a priori
* O modelo pode ser
deficiente devido a:
- falha do procedimento
numrico
- critrio mal escolhido
- conjunto de modelos
inapropriado
- dados no informativos
Procedimentos
Diferentes procedimentos para a gerao do
sinal de entrada, medio da sada e
armazenamento dos dados:
Teste de resposta ao degrau
Teste de resposta em freqncia
Off-line
On-line
Procedimentos
Identificao de um processo pelo teste de
resposta ao degrau:
Processo
Armazenamento
de dados
entrada sada
O teste s tem validade para processos lineares ou
no-lineares linearizados em pontos de operao
No permite a identificao de modelos de ordem
superior, pois o degrau tem pobre composio em
freqncia
Procedimentos
Identificao de um processo pelo teste de
resposta em freqncia:
Aplica-se um sinal senoidal de freqncia varivel
na entrada do processo
Analisa-se as curvas de resposta em freqncia,
identificando-se plos e zeros
Processo
entrada sada
Analisador
de Espectro
mdulo fase
Procedimentos
Identificao off-line:
Excita-se o processo e armazenam-se as
medidas de entrada e sada para aplicao e
avaliao a posteriori dos algoritmos no
recursivos
necessrio o conhecimento da estrutura do
modelo, envolvendo ordem e atraso de
transporte
Procedimentos
Identificao on-line:
Excita-se o processo e trata-se em tempo real as
medidas de entrada e sada obtidas
A aplicao em tempo real dos algoritmos de
identificao interessante para o rastreamento
dos parmetros variantes no tempo
Supera uma desvantagem da aplicao off-line
que a necessidade de armazenamento de uma
grande quantidade de dados.
Estimao de Parmetros
)) k ( u ), k ( y , ( f ) 1 k ( y u = +
ESTIMADOR
{ } ) k ( u { } ) k ( y
u

Sero considerados modelos ARMAX:

) k ( e ) m k ( u b ... ) 2 k ( u b ) 1 k ( u b ) n k ( y a ... ) 2 k ( y a ) 1 k ( y a ) k ( y
m 2 1 n 2 1
+ + + + = + + + +
Mtodo dos Mnimos Quadrados
Supondo que foram feitas N medidas de entrada e sada:
{ } ) N ( u ),...., 1 ( u ), 0 ( u { } ) N ( y ),...., 1 ( y ), 0 ( y
Definindo:
(
(
(
(

=
) N ( y
) 2 ( y
) 1 ( y
Y

(
(
(
(
(
(
(
(
(
(
(
(

= u
m
2
1
n
2
1
b
b
b
a
a
a

(
(
(
(

=
) N ( e
) 2 ( e
) 1 ( e
e

(
(
(
(

=
) m N ( u 1 N ( u ) n N ( y ) 1 N ( y
) m 2 ( u ) 1 ( u ) n 2 ( y ) 1 ( y
) m 1 ( u ) 0 ( u ) n 1 ( y ) 0 ( y
X




e X Y + u =
Tem-se:
Exemplo
) k ( e ) 1 k ( bu ) 1 k ( ay ) k ( y + = +
(
(
(
(

+
(

(
(
(
(

=
(
(
(
(

) N ( e
) 2 ( e
) 1 ( e
b
a
) 1 N ( u ) 1 N ( y
) 1 ( u ) 1 ( y
) 0 ( u ) 0 ( y
) N ( y
) 2 ( y
) 1 ( y

e X Y + u =
Mtodo dos Mnimos Quadrados
Problema a ser resolvido:
Dados Y e X, obter
Soluo: utilizar mtodo dos mnimos quadrados.
Escolher que minimize a funo erro J:

=
= =
N
1 k
T 2
e e ) k ( e J
( ) ( ) u u = X Y X Y J
T
Mnimo quando: 0
J

=
u c
c
u = u
( ) 0 X X Y X X Y Y Y
T T T T T T
= u u + u u
u c
c
0

X X 2 Y X 2
T T
= u +
( ) Y X X X

T
1
T

= u
Mtodo dos Mnimos Quadrados
Observaes:
A soluo existe se (X
T
X)
-1
, a chamada pseudo-
inversa, for no-singular
A seqncia escolhida de entradas {u(k)} deve
garantir a existncia da no-singularidade
Se no houver a presena de incertezas (rudos)
podemos achar em N=n+m passos
A matriz X cresce a medida que N cresce
( ) Y X X X

T
1
T

= u
u

x
y
p

y
r

Min
Exemplo
) 1 k ( u ) 1 k ( y 8 . 0 ) k ( y = +
Suponha y(0)=0 e que foi aplicada a seguinte entrada:
u(0)=1 e u(1)=-1
Logo: y(1)= -0.8y(0)+u(0)= 1
y(2)= -0.8y(1)+u(1)= -1.8
(

=
8 . 1
1
Y
(

=
1 1
1 0
X
(

=
(

=
2 1
1 1
1 1
1 0
1 1
1 0
X X
T
( )
(

1 1
1 2
X X
1
T
(

=
(

=
(

= u
0 . 1
8 . 0
8 . 1
1
1 1
1 0
1 1
1 2
b
a

Propriedades Estatsticas do
Estimador
Assumindo que e(k) uma varivel
aleatria independente, gaussiana com
mdia zero e varincia
2
, ou seja,
{ } 0 ) k ( e E = { }
ij
2
) j ( e ) i ( e E o o =
1) Mdia
( ) ( ) ( ) ( ) ( ) e X X X X X X X e X X X X

T
1
T T
1
T T
1
T

+ u = + u = u
( ) e X X X

T
1
T

+ u = u
{ } { } ( ) { } } e { E X X X E E

E
T
1
T

+ u = u
Mas
0 } e { E =
{ } u = u

E Logo:
Propriedades Estatsticas do
Estimador
2) Covarincia
( )( ) { }
T

E u u u u = +
( ) | |( ) | |
)
`

= +

T
T
1
T T
1
T
e X X X e X X X E
( ) { } ( )
1
T T T
1
T
X X X ee E X X X

= +
( ) I X X
2
1
T
o = +

Assim,
Os elementos da diagonal de representam as varincias
de cada parmetro que compe o vetor de parmetros
Propriedades Estatsticas do
Estimador
Para N observaes:
1
T 2
N
X X
N

|
|
.
|

\
|
o
= +
Calculando:
1
T 2
N N
N
X X
N
lim lim


|
|
.
|

\
| o
= +
Se o estimador for consistente: I =
|
|
.
|

\
|


1
T
N
N
X X
lim
em que uma matriz constante no-singular
Ento, 0 lim
N
= +

Propriedades Estatsticas do
Estimador
Concluso:
Se e { } u = u

E 0 lim
N
= +

Ento quando u u

N
O estimador consistente
Mtodo dos Mnimos
Quadrados Recursivo
Ideal para aplicaes on-line em sistemas
com parmetros constantes e desconhecidos
(
(
(

+
+ u
(
(
(

+
=
(
(
(

+ ) 1 N ( e
) N ( E
) 1 N ( x
) N ( X
) 1 N ( y
) N ( Y
T

(
(
(
(
(
(
(
(

+
+ u
(
(
(
(
(
(
(
(

+ +



=
(
(
(
(
(
(
(
(

+ 1) e(N m) 1 u(N u(N) n) 1 y(N y(N) 1) y(N

) N ( e
) 2 ( e
) 1 ( e
) m N ( u ) 1 N ( u ) n N ( y ) 1 N ( y
) m 2 ( u ) 1 ( u ) n 2 ( y ) 1 ( y
) m 1 ( u ) 0 ( u ) n 1 ( y ) 0 ( y
) N ( y
) 2 ( y
) 1 ( y
Generalizando, temos:
Mtodo dos Mnimos
Quadrados Recursivo
J sabemos que:
Considerando:
I
Z ) I ( Z
( )
N
T
N N N
T
N
1
N
T
N
Y X P Y X X X

= = u

N
Logo, com (N+1) amostras:
( )
1 N
T
1 N
1
1 N
T
1 N 1
Y X X X

+ +

+ + +
= u
N
( )
(
(
(

= u
+
+

+ + +
1 N
N
T
1 N
1
1 N
T
1 N 1
y
Y
X X X

N
| | | |
(
(
(

|
|
|
.
|

\
|
(
(
(

= u
+
+

+
+ +
1 N
N
1 N
T
N
1
T
1 N
N
1 N
T
N 1
y
Y
x X
x
X
x X

N
( ) | |
1 N 1 N N
T
N
1
T
1 N 1 N N
T
N 1
y x Y X x x X X

+ +

+ + +
+ + = u
N
Mtodo dos Mnimos
Quadrados Recursivo
Lema de Inverso de Matrizes:
Sejam A
nxn

b
nx1
, c
nx1

A, (A+bc
T
) matrizes no-singulares
Ento:
( ) ( )
1 1
1
1 T 1
1
T
bcA A b A c 1 A bc A

+ = +
Mtodo dos Mnimos
Quadrados Recursivo
Definindo:
( )
1
T
1 N 1 N N
T
N 1 N
x x X X P

+ + +
+ =
E usando o lema de inverso de matrizes, com:
T
1 N
T
1 N N
T
N
x c , x b , X X A
+ +
= = =
( ) ( ) | | ( ) ( )
1
N
T
N
T
1 N 1 N
1
N
T
N
1
1 N
1
N
T
N
T
1 N
1
N
T
N 1 N
X X x x X X x X X x 1 X X P

+ +

+
+ =
( ) | |
N
T
1 N 1 N N
1
1 N N
T
1 N 1 N
P x x P x P x 1 I P
+ +

+ + +
+ =
Temos que:
Mtodo dos Mnimos
Quadrados Recursivo
Assim:
| |
1 N 1 N N
T
N 1 N 1 N
y x Y X P

+ + + +
+ = u
( ) | | | |
1 N 1 N N
T
N N
T
1 N 1 N N
1
1 N N
T
1 N 1 N
y x Y X P x x P x P x 1 I

+ + + +

+ + +
+ + = u
( ) ( )
1 N 1 N N
T
N N
T
1 N 1 N N
1
1 N N
T
1 N 1 N 1 N N N
T
N N 1 N
y x Y X P x x P x P x 1 y x P Y X P

+ + + +

+ + + + +
+ + + = u
( ) ( ) | |
1 N 1 N N
T
1 N 1 N N N
T
N N
T
1 N 1 N N 1 N 1 N N 1 N N
T
1 N
1
1 N N
T
1 N N 1 N
y x P x x P Y X P x x P y x P x P x 1 x P x 1

+ + + + + + + + + +

+ + +
+ + + u = u
( ) ( ) | |
1 N 1 N N
T
1 N N
T
N N
T
1 N 1 N 1 N N
T
1 N 1 N N
1
1 N N
T
1 N N 1 N
y x P x Y X P x y x P x 1 x P x P x 1

+ + + + + + + +

+ + +
+ + + u = u
( ) | |
N
T
1 N 1 N 1 N N
1
1 N N
T
1 N N 1 N

x y x P x P x 1

u + + u = u
+ + +

+ + +
Finalmente, temos que:
Mtodo dos Mnimos
Quadrados Recursivo
Assim:
| | ) 1 m N ( u ) N ( u ) 1 n N ( y ) N ( y x
T
1 N
+ + =
+

Em que:
chamado de regressor e contm as informaes de
entrada e sada
( )
( )
| |

=
u + u = u
+ =
+ +
+ + +
+

+ +
N
T
1 N N 1 N
N
T
1 N 1 N N N 1 N
1 N N
1
1 N N
T
1 N N
P x K I P

x y K

x P x P x 1 K
Seleo de P
0
e
1) Calculando os primeiros k pontos:
2) arbitrrio
0

u
( )
k
T
k
1
k
T
k k
Y X X X

= u ( )
1
k
T
k k
X X P

=
0

u
I P
0
o =
Na k-sima iterao os valores de e se aproximam
daqueles calculados em 1) se infinito
k

u
k
P
Seleo de P
0
e
0

u
| |
1
T
k k
1
1 k k
x x P P

+ =
| |
1
T
1 k 1 k
1
2 k 1 k
x x P P

+ =
| |
1
T
k k
T
1 k 1 k
T
1 1
1
0 k
x x x x .... x x P P

+ + + + =

| |
1
T
k k
T
1 k 1 k
1
2 k k
x x x x P P

+ + =
| |
1
k
T
k
1
o k
X X P P

+ =
Seleo de P
0
e
0

u
k
T
k k k
Y x P

= u | |
(
(
(

= u

k
1 k
k
T
1 k k k
y
Y
x X P

| |
k k 1 k
T
1 k k k
y x Y X P

+ = u

| |

+
(
(
(

= u

k k
1 k
2 k
1 k
T
2 k k k
y x
y
Y
x X P

{ }
k k 1 1 0
T
0 k k
y x .... y x Y X P

+ + + = u
| |
k
T
k 0
1
0 k k
Y X

P P

+ u = u

Seleo de P
0
e
0

u
Concluso:
Para ( grande) e arbitrrio: I P
0
o =
0

u
0 P
1
0

k
T
k k k
Y X P

= u
( )
1
k
T
k k
X X P

=
Isto significa que, nestas condies, o mtodo recursivo
aproxima-se do exato.
Excitao Persistente
O sinal de controle deve ser escolhido de
forma a excitar todos os modos do sistema;
Para tanto deve ser rico em freqncias
Um sinal muito utilizado na prtica o
PRBS (Pseudo Random Binary Signal), por
possuir estas caractersticas
+1
-1
Mtodo dos Mnimos
Quadrados Recursivo com Fator de
Esquecimento
Utilizado para sistemas variantes no tempo;
A idia dar um maior peso aos dados
mais atuais;
Deve-se ter um cuidado na escolha do fator
de esquecimento;
Alternativamente, pode-se utilizar outros
mtodos como o reset da matriz de
covarincia.
Mtodo dos Mnimos
Quadrados Recursivo com Fator de
Esquecimento
Definindo:
| |
T
2 N 1 N
N
) N ( e ) 2 ( e ) 1 ( e

= E
N
T
N N
E E J =
( )
N
T
N
1
N
T
N N
Y X X X

= u
) N ( e ) 1 N ( e .... ) 2 ( e ) 1 ( e ) k ( e J
2 2 2 2 N 2 1 N 2
N
1 k
k N
N
+ + + + = =

=

Mtodo dos Mnimos

Quadrados Recursivo com Fator de
Esquecimento
) k ( e J
2
1 N
1 k
k 1 N
1 N
+
=
+
+
=
| |
T
2 N 1 N
1 N
) 1 N ( e ) N ( e ) 2 ( e ) 1 ( e + = E

+

Assim,
(
(
(

=
+
) 1 N ( e
E
E
N
1 N

Mtodo dos Mnimos
Quadrados Recursivo com Fator de
Esquecimento
(
(
(

+ u
(
(
(

=
(
(
(

+ + + 1 N
N
T
1 N
N
1 N
N
e
E
x
X
y
Y

( )
1 N
T
1 N
1
1 N
T
1 N 1 N
Y X X X

+ +

+ + +
= u
| | | |
(
(
(

(
(
(

= u
+
+

+
+ +
1 N
N
1 N
T
N
1
T
1 N
N
1 N
T
N 1 N
y
Y
x X
x
X
x X

{ } | |
1 N 1 N N
T
N
1
T
1 N 1 N N
T
N 1 N
y x Y X x x X X

+ +

+ + +
+ + = u
Mtodo dos Mnimos
Quadrados Recursivo com Fator de
Esquecimento
( )
( )
| |

=
u + u = u
+ =
+ +
+ + +
+

+ +
N
T
1 N N 1 N
N
T
1 N 1 N N N 1 N
1 N N
1
1 N N
T
1 N N
P x K I
1
P

x y K

x P x P x K
1 0 < <
Usualmente entre 0.995 e 1
Definindo:
( )
1
T
1 N 1 N N
T
N 1 N
x x X X P

+ + +
+ =
E usando procedimento semelhante ao caso sem esquecimento,
obtm-se:
Seleo da Estrutura do Modelo
A seleo da estrutura de um modelo, no
caso de sistemas monovariveis limita-se
determinao da ordem do modelo e a
determinao do atraso de transporte;
A partir desta afirmao surge um
compromisso entre a capacidade de
representao da dinmica essencial do
sistema e um nmero adequado de
parmetros que possibilite menor esforo
para o processamento dos algoritmos de
identificao e controle;
Seleo da Estrutura do Modelo
Definindo:
| |
2
N
1 k
k
T
1 k N

x ) 1 k ( y
N
1
J

=
+
u + =
Podemos utilizar o critrio de Akaike para
determinar a melhor estrutura:
| | p 2 J ln N AIC
N
+ =
em que N o numero de medidas realizadas
durante o experimento e p o nmero de
parmetros utilizados no modelo estimado;
Seleo da Estrutura do Modelo
O critrio utilizado da seguinte maneira:
inicia-se com a utilizao de um modelo de
baixa ordem, n=m=1, por exemplo;
aumenta-se a ordem do modelo estimado e o
critrio avaliado para cada incremento na
ordem, utilizando um determinado conjunto de
medidas;
A escolha da estrutura adequada baseada na
menor taxa de variao do critrio.