Professional Documents
Culture Documents
Orientador:
Banca:
Prof. Marcelo Vieira Corra, Dr. - PPGE/Unileste-MG - Orientador.
Prof. Mara Cristina da Silveira Coellho, Dr. - UNIFEI.
Prof. Roselito de Albuquerque Teixeira, Dr. - PPGE/Unileste-MG.
Deus,
meus pais Manoel Ricardo Pacheco e Eula e
todos que torceram por mim.
Agradecimentos
Agradeo a Deus por permitir que eu realize este trabalho dando-me condies fsicas, emocionais e espirituais durante a minha vida para a realizao deste trabalho.
Aos meus pais, Manoel Ricardo e Eula Elizabeth pelo apoio incondicional que me concedem a
cada momento provendo a mim todos os recursos para que eu supere cada etapa em busca da
realizao dos meus sonhos.
Agradeo aos colegas do MOCP, em especial aqueles que conviveram comigo durante os dois
anos de trabalho. Citando em especial os bolsistas de iniciao cientf ca Igor, Renan, Marcelo
e Natlia, Tallys e tambm os colegas de Mestrado, Raquel, Renata, Marcus, Viviane, Gabriela,
Marisa, Felipe e Maressa que apoiaram e criticaram nos momentos certos.
todos os professores do Mestrado que tiveram a pacincia do ensinar e colaboraram de forma
imensurvel para a realizao deste trabalho. Em especial aqueles que tive o prazer de conviver
durante o curso de suas disciplinas: Mrio Godinho, Roselito, Adelaide, Marcelo e Dair. queles professores do programa que no tive a oportunidade de conviver em sala de aula mas que
sempre que precisei deles estavam de prontido.
s secretrias do programa que sempre pacientemente nos atendiam, esclareciam nossas dvidas e alertavam sobre as informaes importantes durante o perodo de curso.
Aos funcionrios do UnilesteMG que sempre estiveram prestando os seus servios de forma a
tornar o nosso trabalho menos rduo.
Ao professor Roselito de Albuquerque Teixeira pelas orientaes e pela competncia ao resolver
os problemas do programa na posio de coordenador do curso.
Aos familiares, amigos, vizinhos e todos aqueles que estiveram ao meu redor durante este
perodo sempre com palavras de apoio e incentivo.
Agradeo ao professor Marcelo Vieira Corra, meu orientador, pela dedicao e competncia,
pelos ensinos e pela compreenso.
vi
E f nalmente, um agradecimento especial CAPES e ao UnilesteMG pelo f nanciamento e por
depositar em mim a conf ana na minha capacidade para a realizao deste trabalho.
viii
"O ser humano vivncia a si mesmo, seus pensamentos como algo separado do resto
do universo - numa espcie de iluso de tica de sua conscincia. E essa iluso
uma espcie de priso que nos restringe a nossos desejos pessoais, conceitos e ao
afeto por pessoas mais prximas. Nossa principal tarefa a de nos livrarmos dessa
priso, ampliando o nosso crculo de compaixo, para que ele abranja todos os seres
vivos e toda a natureza em sua beleza. Ningum conseguir alcanar completamente
esse objetivo, mas lutar pela sua realizao j por si s parte de nossa liberao e
o alicerce de nossa segurana interior."
Albert Einstein
Resumo
Diante das dif culdades apresentadas na etapa de seleo de estrutura em identif cao de sistemas, este trabalho investiga qual a relao entre a resposta em frequncia de sistemas no
lineares e a escolha de estruturas e de grau de no linearidade de modelos que o representem.
Contribuiu-se com a proposio de uma metodologia que estime estruturas adequadas uma
representao polinomial a partir da resposta em frequncia dos sinais de entrada e sada. O
procedimento baseia-se na resposta em frequncia da sada gerada pelo sistema a ser modelado
excitado por um sinal de entrada de frequncia nica. Diante desse resultado, sugere-se o grau
de no linearidade para um modelo e determina-se os mximos atrasos de entrada e sada. O
critrio ERR utilizado para ordenar os agrupamentos de termos em ordem de relevncia na
explicao do sistema. De um em um, agrupamentos so sugeridos ao modelo e verif ca-se sua
resposta em frequncia respeitando a hierarquia imposta pelo ERR. Assim que h uma aproximao satisfatria da resposta em frequncia do modelo em relao resposta em frequncia
do sistema feito o corte na estrutura. O modelo ento validado. O procedimento pode tanto
ser utilizado como ferramenta nica na etapa de escolha de estrutura como ferramenta auxiliar
procedimentos clssicos existentes na literatura como o critrio de ordenao ERR e o critrio
de corte de AKAIKE. O procedimento proposto foi aplicado a dois sistemas simulados e a dois
sistemas reais. O primeiro sistema simulado apresenta uma no linearidade branda. O segundo
trata-se de uma planta de pH simulada com uma no linearidade severa. Observou-se que o
procedimento proposto apresentou resultados satisfatrios tanto em relao ao desempenho na
simulao dos modelos obtidos quanto obteno de estruturas mais compactas sem grandes
perdas de desempenho. Os sistemas reais utilizados tratam de um forno de bancada e o segundo
trata-se de um prottipo de helicptero de dois graus de liberdade Quanserr . Dados foram coletados e o mtodo foi aplicado obtendo resultados satisfatrios. Foram obtidas estruturas mais
compactas com pouca reduo no desempenho dos modelos. Comparaes foram realizadas
entre os modelos obtidos pelas tcnicas clssicas de seleo de estrutura e o procedimento proposto verif cando-se ef ccia do mtodo.
Abstract
Given the diff culties presented in the structure selection stage in system identif cation, this
work investigates what is the relationship between the nonlinear systems frequency response
and the choice of structure and the degree of nonlinearity of models that represent them. The
development of a methodology to estimate the structures is needed for a polynomial representation from the frequency response of input and output. The procedure is based on the frequency
response of the output generated by the system being modeled excited by an input signal of
single frequency. Given this result, it is suggested that the degree of nonlinearity for a model
and determines the maximum delay of input and output. The ERR criterion is used to sort
groups of terms in order of relevance in explaining the system. By one to one, groups of terms
are suggested to the model and verif es its frequency response respecting the hierarchy imposed
by the ERR. So there is a satisfactory approximation of the frequency response of the model
relative to the frequency response of the system is cut in the structure. The model is then validated. The procedure can be used both as a unique tool in the stage of choice of structure as
an auxiliary tool to conventional procedures in the literature as the ERR and Akaike criteria.
The proposed procedure was applied to two simulated systems and two real systems. The f rst
simulated system has a soft nonlinearity. The second is a plant with a pH simulated severe nonlinearity. It was observed that the proposed procedure with satisfactory results both in relation
to the performance obtained in simulation models as to obtain more compact structures without
signif cant loss of performance. The real systems used to treat a countertop oven and the second
it is a prototype helicopter to two degrees of freedom Quanser r . Data were collected and the
method was applied satisfactory outcomes. More compact structures were obtained with little
reduction in performance of the models. Comparisons were made between models obtained by
classical techniques of selection procedure proposed structure and verifying the effectiveness
of the method.
Sumrio
Resumo
xi
Abstract
xiii
Lista de Figuras
xvii
Lista de Tabelas
xxi
Lista de Smbolos
1 Introduo
xxiv
1.1
Motivao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
Organizao do texto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2 Fundamentao Terica
2.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
9
xiv
2.2
2.3
2.4
10
Transformada de Fourier . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
2.3.1
19
2.3.2
21
Consideraes Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
25
3.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
3.2
26
3.2.1
26
3.2.2
32
3.2.3
35
3.2.4
3.3
39
Metodologia aplicada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
3.3.1
3.3.2
3.4
41
Comentrios Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
xv
4 Estudo de casos simulados
49
4.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
49
4.2
49
4.2.1
Obteno de estrutura de modelo polinomial NARX para o sistema simulado 1 utilizando o mtodo clssico e a sugesto de grau de no
linearidade proposta . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.2
4.3
53
Obteno de estrutura de modelo polinomial NARX para o sistema simulado 1 utilizando a resposta em frequncia . . . . . . . . . . . . . .
57
65
4.3.1
Obteno de estrutura de modelo polinomial NARX para o sistema simulado 2 utilizando o mtodo clssico e a sugesto de grau de no
linearidade proposta . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3.2
Obteno de estrutura de modelo polinomial NARX para o sistema simulado 2 utilizando a resposta em frequncia . . . . . . . . . . . . . .
73
75
Comentrios Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
77
4.3.3
4.4
68
79
5.1
Introduo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
79
5.2
Sistema Trmico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
79
5.2.1
80
Aquisio de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . .
xvi
5.2.2
Obteno de estrutura de modelo polinomial NARX para o sistema trmico utilizando o mtodo clssico e a sugesto de grau de no linearidade proposta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2.3
86
87
88
5.3.1
Aquisio de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . .
90
5.3.2
5.2.4
5.3
82
5.4
94
Comentrios Finais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
97
6 Consideraes Finais
6.1
90
99
Referncias Bibliogrficas
108
Lista de Figuras
3.1
Anlise no domnio da frequncia de agrupamentos de termos de entrada submetidos a um sinal de frequncia nica. . . . . . . . . . . . . . . . . . . . . .
31
34
38
4.1
50
4.2
51
4.3
51
4.4
52
4.5
Parte dos dados para o sistema 1 excitado a uma frequncia de 0,02 rad/s. . . .
53
4.6
DTFT dos dados do sistema simulado 1 excitado a uma frequncia de 0,02 rad/s. 54
4.7
56
58
59
60
3.2
3.3
4.8
4.9
xviii
4.11 Predio livre e anlise no domnio da frequncia do quarto modelo obtido para
o sistema simulado 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
4.12 Predio livre e anlise no domnio da frequncia do quinto modelo obtido para
o sistema simulado 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
4.13 Evoluo do clculo de ErroW para cada passo para o sistema simulado 1. . .
64
4.14 Parte dos dados gerados pela simulao do sistema 2 para identif cao. . . . .
66
4.15 Parte dos dados gerados pela simulao do sistema 2 para validao. . . . . . .
67
67
4.17 Parte dos dados para o sistema 2 excitado a uma frequncia de 2,0 104 rad/s.
69
69
4.19 Predio livre e anlise no domnio da frequncia do modelo obtido pelo mtodo
clssico para o sistema simulado 2. . . . . . . . . . . . . . . . . . . . . . . . .
71
4.20 Evoluo do clculo de ErroW para cada passo para o sistema simulado 2. . .
74
4.21 Predio livre e anlise no domnio da frequncia do modelo obtido pelo mtodo
de anlise da resposta em frequncia para o sistema simulado 2. . . . . . . . .
75
4.22 Curva esttica do sistema simulado 2 e dos modelos obtidos pelo critrio de
ERR e pelo mtodo proposto. . . . . . . . . . . . . . . . . . . . . . . . . . . .
76
5.1
81
5.2
81
5.3
82
5.4
Parte dos dados para o sistema trmico excitado a uma frequncia de 5,3 103
rad/s. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
83
83
85
5.5
5.6
xix
5.7
86
5.8
Predio livre do modelo obtido pelo mtodo proposto para o sistema trmico. .
87
5.9
Curva esttica do sistema trmico e dos modelos obtidos pelo critrio de ERR+AKAIKE
e pelo mtodo proposto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
89
89
91
91
5.14 Parte dos dados para o helicptero excitado a uma frequncia de 0,0628 rad/s. .
92
92
5.16 Predio livre e anlise no domnio da frequncia do modelo obtido pelo mtodo
clssico para o helicptero. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
94
95
5.18 Predio livre do modelo obtido pelo mtodo proposto para o helicptero. . . .
96
Lista de Tabelas
3.1
40
4.1
54
4.2
56
58
59
61
62
63
72
72
4.10 Valores de ErroW para cada adio de termo no modelo para o sistema simulado 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
73
4.3
4.4
4.5
4.6
4.7
4.8
4.9
xxii
5.1
84
5.2
85
5.3
Valores de ErroW para cada adio e termo no modelo para o sistema trmico.
86
5.4
93
5.5
94
Valores de ErroW para cada adio e termo no modelo para o sistema trmico.
95
5.6
Lista de Smbolos
F
`
y(k)
u(k)
e(k)
N
d
ny
nu
ne
c
(k 1)
T
(k)
g
n
n
N
j
x[n]
A[k]
Gmf
Funo
Grau de no linearidade
Sinal de sada
Sinal de entrada
Sinal de rudo
Conjunto dos nmeros naturais
Atraso de transporte
Mximo atraso de sada
Mximo atraso de entrada
Mximo atraso de erro
Parmetro
Vetor de regressores (pode conter observaes at o instante (k 1))
Transposto
Parmetros
Valor estimado
Resduo
Parmetros estimados
Regressores ortogonais
Nmero de termos de um modelo
Nmero de parmetros de um modelo
Nmero de amostras
Matriz de regressores
sqrt1
Sinal
Agrupamento de termos
Peso de senides
Ganho de uma frequncia do modelo
xxiv
Grf
Siglas e Abreviaes
AIC
ARX
DTFS
ERR
FOS
FFT
FS
GFRF
MQ
MQE
NARMAX
NARX
OPS
OS
RNA
RMSE
SISO
xxvi
Captulo 1
Introduo
Modelagem matemtica de sistemas uma metodologia muito comum em cincia e na engenharia. Porm mostrava-se um desaf o aos pesquisadores desde as dcadas de 50 e 60 pela falta de
ferramentas computacionais para realizao de clculos em srie. Mas com o forte avano tecnolgico e o desenvolvimento de recursos computacionais cada vez mais ef cazes, os clculos
matemticos j no formariam barreiras para o desenvolvimento da rea de modelagem.
Em breves palavras, modelo uma representao matemtica aproximada de um sistema dinmico real, ou seja, um modelo representa apenas algumas caractersticas do sistema real. Nesse
ponto cabe a seguinte pergunta: quais caractersticas devem ser reproduzidas pelo modelo? A
resposta a esta pergunta no nica e depende do(s) objetivo(s) para o qual o modelo est sendo
desenvolvido (AGUIRRE, 2004). Uma outra pergunta tambm poderia ser realizada: Qual(is)
(so) a(s) regio(es) de interesse em anlise deste modelo?
Vrias so as representaes matemticas possveis para sistemas lineares e no lineares. Entre
as representaes paramtricas, para um sistema linear existem as funes de transferncia, os
modelos em espao de estados e modelos polinomiais ARX (do ingls - Autoregressive Models with Exogenous Inputs) e ARMAX (do ingls - Autoregressive Moving Average Models
with Exogenous Inputs). Para os sistemas no lineares pode-se citar as representaes por Redes Neurais Artif ciais e os modelos polinomiais NARX (do ingls - Nonlinear Autoregressive
Models with Exogenous Inputs) e NARMAX (do ingls - Nonlinear Autoregressive Moving
Average Models with Exogenous Inputs)
De acordo com o nvel de conhecimento sobre o processo a ser incorporado ao modelo, os mtodos de modelagem podem ser classif cados como em (TULLEKEN, 1993; SJOBERG e outros,
1995):
1 Introduo
modelagem caixa branca (modelo fsico ou fenomenolgico): nesta abordagem a estrutura e os parmetros do modelo so determinados por princpios fsicos que regem o
comportamento esttico e dinmico do sistema,
modelagem caixa preta (modelo emprico): a nica informao utilizada so dados de entrada e sada do processo. Neste caso, os fenmenos fsicos internos ao processo so desconsiderados. Podem ser gerados modelos paramtricos, onde os parmetros, em geral,
no tm signif cado fsico, ou modelos no-paramtricos, representados, por exemplo,
pela resposta ao impulso, resposta ao degrau e resposta em frequncia,
modelagem caixa cinza: nesta tcnica, o procedimento de modelagem utiliza tanto dados
de entrada e sada, quanto informaes conhecidas do processo. Por exemplo, a estrutura
das equaes matemticas do modelo podem derivar de informaes conhecidas a priori
e utiliza-se os dados coletados para identif car os parmetros deste modelo.
Devido ao conhecimento e tempo necessrios para modelar um sistema partindo do equacionamento dos fenmenos envolvidos, nem sempre vivel seguir o procedimento de modelagem
fenomenolgica (AGUIRRE, 2004) por isso, em casos onde o processo fenomenolgico deveras complicado, faz-se a opo pela modelagem emprica.
A modelagem emprica uma alternativa interessante, porque pouco ou nenhum conhecimento
prvio do sistema necessrio na obteno de um modelo, exigindo-se apenas o conhecimento
dos sinais de entrada e sada do processo. A cincia que estuda modelos matemticos empricos
baseados nos sinais de entrada e sada dos sistemas denominada Teoria de Identificao de
Sistemas.
Uma etapa de fundamental importncia na Identif cao de Sistemas a seleo de estrutura
do modelo. A escolha inadequada pode no incorporar certas caractersticas do sistema dinmico ao modelo. Algumas tcnicas so difundidas na literatura, porm, no so ef cientes em
todos os casos e muitas vezes dependem da experincia e da habilidade do desenvolvedor para
mostrarem resultados satisfatrios. Neste trabalho investigada a seleo de estrutura de modelos matemticos com o auxlio da resposta em frequncia fornecida pelo conjunto de dados
de entrada e sada.
Considerando representaes polinomiais, para modelos lineares, a seleo de estrutura limitase a ordem dos polinmios. Em modelos no-lineares complicado def nir uma ordem signif cativa para a incluso de termos candidatos no modelo, tendo em vista o elevado nmero de
termos existentes mesmo para valores relativamente de baixa ordem. Outro problema def nir
quais sero os cruzamentos de termos visto que tais informaes no esto explcitas nos sis-
3
temas ou dados. Aguirre (2004), Aguirre; Billings (1995a) e Mendes; Biillings (2001) j cocomentam sobre as dif culdades na seleo de estruturas de modelos no-lineares.
Um outro problema na identif cao de modelos polinomiais o fato de que o nmero de termos candidatos cresce rapidamente com o aumento do grau de no-linearidade e dos mximos
atrasos nos sinais de entrada e sada do modelo. Isso acarreta o aumento da complexidade do
modelo tornando a busca por uma estrutura ideal1 uma tarefa ainda mais rdua.
Alguns mtodos para seleo de estrutura foram propostos no decorrer dos estudos sobre a modelagem emprica. Em identif cao caixa-preta, por exemplo, alguns mtodos que auxiliam na
seleo de estrutura de modelos no lineares j esto difundidos na literatura dos quais podem
ser citados: critrio de informao de Akaike (AKAIKE, 1974; AGUIRRE, 2004), agrupamento
de termos (CORRA, 2001; AGUIRRE, 2004), a busca ortogonal, OS, ou busca ortogonal rpida, FOS (do ingls Orthogonal Search e Fast Orthogonal Search) com taxa de reduo de erro,
ERR (do ingls Error Reduction Ratio), (KORENBERG, 1985, 1989a,b; BILLINGS; CHEN;
KORENBERG, 1989; CHEN; BILLINGS; LUO, 1989; PAARMANN; KORENBERG, 1992),
a busca tima de parmetros com ndice de projeo de distncia, OPS (do ingls Optimal Parameter Search) (LU; JU; CHON, 2001; ZOU; CHON, 2004) e o SRR (do ingls Simulation
Error Reduction Ratio) (SPINELLI W., 2006; PIRODDI, 2008).
Ressalta-se que a taxa de reduo de erro (ERR) ou a busca de parmetros tima (OPS), e os
critrios de informao como o critrio de Akaike, so complementares entre si. Uma possibilidade, por exemplo, seria o uso da ERR ou OPS para ordenar hierarquicamente os termos
candidatos do modelo. Portanto, tendo-se ordenado os termos, poder-se-ia empregar um critrio
de informao para efetuar o corte necessrio para a escolha da ordem do modelo representativo. Billings (1980) comenta sobre a dif culdade na busca de representaes no lineares e a
impossibilidade de estabelecer apenas uma tcnica capaz de fornecer solues ef cazes em todos
os casos. Zhang (2007) e Wei e Billings (2008) reforam esta dificuldade.
Um sistema dinmico pode ser analisado no domnio do tempo e/ou no domnio da frequncia.
Por esse motivo, a identif cao deve ser capaz de derivar modelos (lineares ou no-lineares) que
descrevam o comportamento do sistema original no domnio do tempo (equaes diferenciais
ou de diferenas) ou no domnio da frequncia (resposta em frequncia), ponto de interesse
deste trabalho. Seria ento possvel que a partir de um conjunto de dados de entrada e sada
analisados no domnio da frequncia fornecesse informaes para a identif cao de modelos
lineares e no-lineares.
1
Uma estrutura ideal para um modelo polinomial aquela que represente o sistema dinmico a ser modelado e
tenha a menor complexidade possvel.
1 Introduo
5
As respostas em frequncias de modelos no lineares podem ser obtidas atravs das Funes
de Resposta em Frequncia Generalizadas (GFRF - do ingls Generalized Frequency Response
Functions) que estendem o conceito de funes de resposta em frequncia lineares a uma ampla
classe de sistemas no-lineares que possuem memria e podem ser descritos pelo modelo de
sries de Volterra (VOLTERRA, 1930; BOYD; CHUA; DESOER, 1984).
No entanto, o que se deseja obter o modelo matemtico a partir do conjunto de dados de
entrada e sada do sistema e com pouco ou nenhum outro conhecimento prvio. O que pode
ser feito com esses dados so as suas anlises no domnio da frequncia atravs da FFT. Tal
ferramenta permite visualizar qual foi o conjunto de frequncias existente nos dados de entrada,
ou seja, aquelas frequncias s quais o sistema foi submetido, e as frequncias que compem
o sinal gerado em sua sada. Isso de fundamental importncia pois a partir dessa anlise j
possvel identif car possveis no linearidades do sistema modelado. A partir de ento pode ser
considerado que a anlise da frequncia da sada gerada por um determinado sistema no-linear,
alm das informaes dos dados de entrada, possuem informaes sobre o sistema em que se
aplica tal entrada.
O mtodo de anlise de resposta em frequncia de sistemas no-lineares baseados na teoria de
sries de Volterra foi iniciada em na dcada de 1950 quando o conceito de GFRF de sistemas no
lineares foi apresentado. As GFRFs foram def ninas como transformaes multidimensionais
de Fourier dos kernels (do ingls Ncleos) de Volterra nas expanses de sistemas no-lineares
nas sries de Volterra (LANG; BILLINGS, 2000).
Lang e outros (2007) realizaram um trabalho que procurava investigar as frequncias de sada
de sistemas no-lineares com o objetivo de contornar algumas dif culdades na anlise e desenvolvimento no domnio da frequncia. Ainda propuseram uma metodologia para obter as
respostas em frequncia de modelos polinomiais de equaes de diferenas a partir dos termos
do modelo e de seus coeficientes. Wu; Lang; Billings (2007) comentam sobre o desenvolvimento de um algoritmo capaz de determinar as faixas de frequncia de sada de sistemas nolineares.
No entanto, poucos estudos baseados no domnio da frequncia focaram-se na seleo de estruturas de modelos polinomiais discretos. A grande maioria envolveu a determinao das GFRFs
a partir de modelos j obtidos e parametrizados.
1 Introduo
1.1 Motivao
A motivao para realizao deste trabalho est no fato de que o processo de escolha de estrutura para modelos polinomiais ainda encontra-se em aberto. Pouco tem sido discutido quanto
a relao de anlise de resposta em frequncia de um sistema e os termos necessrios para
reproduzi-la utilizando um modelo polinomial discreto. Logo, neste trabalho so investigadas
as possibilidades de seleo de termos e consequentemente seleo de estruturas, a partir anlise
no domnio da frequncia do conjunto de dados de entrada e sada do sistema.
1.2 Objetivos
Os objetivos deste trabalho so:
1. Investigar a relao entre a incluso de combinaes dos vrios termos candidatos de um
modelo discreto de equaes de diferenas NARX e as mudanas espectrais dos sinais de
sada em relao s mudanas espectrais dos sinais de entrada;
2. Propor um procedimento de auxlio na escolha da estrutura (grau de no linearidade e
termos candidatos) de um modelo de equaes de diferenas que se baseie nas anlises
do domnio da frequncia do conjunto de dados de entrada e sada;
3. Comprovar a ef cincia do mtodo proposto atravs de testes em dois sistemas simulados
e em dois sistemas reais.
1 Introduo
Captulo 2
Fundamentao Terica
2.1 Introduo
Neste captulo ser apresentada uma breve fundamentao terica que sustenta os estudos realizados neste trabalho. Num primeiro momento so apresentadas as tcnicas de identif cao,
suas etapas e mtodos mais utilizados. Depois so apresentadas as tcnicas de anlise no domnio da frequncia.
10
2 Fundamentao Terica
11
validao do modelo.
Nas prximas sees as etapas supracitadas sero abordadas de forma sucinta. Outros detalhes,
aplicaes, exemplos e discusses podem ser encontrados em (AGUIRRE, 2004).
2.2.1.1 Testes dinmicos e a coleta de dados
Trs aspectos precisam ser analisados: onde excitar o sistema, que tipos de sinais usar a f m de
obter dados que sejam representativos dessa dinmica e como amostrar tais dados.
O sinal de excitao apresenta duas importantes funes. A primeira delas conseguir excitar todas as caractersticas dinmicas e estticas do sistema em toda a faixa de frequncia de
interesse. A segunda est relacionada ao perf l de amplitudes desse sinal, que responsvel
pela excitao das no-linearidades presentes no sistema. Caractersticas dinmicas e estticas
que no forem excitadas no aparecero nos modelos. O que no estiver nos dados no ser
identif cado.
Na identif cao de sistemas no-lineares comum usar um gerador de nmeros aleatrios para
gerar sinais de entrada persistentemente excitantes de ordem elevada. Tendo def nido o tempo
de amostragem, mantm-se constante cada valor escolhido aleatoriamente por um tempo em
torno de 3 a 5 intervalos de amostragem.
Uma etapa importante no processo de identif cao a escolha do tempo ou perodo de amostragem, que corresponde ao intervalo entre duas amostras. Na prtica, a frequncia de amostragem
normalmente escolhida entre 5 e 10 vezes a maior frequncia de interesse.
Dois problemas podem surgir no mal dimensionamento do tempo de amostragem. O primeiro
deles refere-se a subamostragem, onde o tempo de amostragem muito grande e causa mal
representao da dinmica real do sistema. O outro problema o de super-amostragem, onde
o tempo de amostragem muito pequeno, que como descrito por (BILLINGS; AGUIRRE,
1995), um sinal super-amostrado, provoca instabilidade numrica e elevado esforo computacional devido ao mal condicionamento da matriz de regressores, dif cultando a determinao da
estrutura do modelo. Quando um sinal super-amostrado, pode-se decim-lo a f m de que se
torne devidamente amostrado.
2.2.1.2 Escolha da representao matemtica
Grandes so as possibilidades de representaes no-lineares na identif cao de sistemas. A
escolha do tipo de representao depende de fatores j discutidos na seo 2.1 dos quais pode ser
acrescentada a disponibilidades das ferramentas de implementao da representao escolhida.
12
2 Fundamentao Terica
Porm na prtica as representaes so selecionadas de acordo com a convenincia do modelador, a complexidade da aplicao ou a possibilidade de interligao com outros conceitos.
As representaes no-lineares que mais se destacam, podem ser citadas, as redes neurais artif ciais (RNA), defendidas e melhor discutidas em (BRAGA; CARVALHO; LUDEMIR, 2000;
AMARAL, 2001; HAYKIN, 2001). Tais representaes so modelos matemticos inspirados
no funcionamento do crebro humano, formado por um conjunto de clulas chamadas neurnios
fazendo um paralelo ao grupo de unidades (neurnios) que em conjunto, formam um sistema
inteligente capaz de representar um sistema (crebro).
Uma outra representao matemtica que pode ser citada a srie de Volterra (VOLTERRA,
1930; BILLINGS, 1980). A utilizao de uma srie de Volterra permite caracterizar um processo no-linear de forma a se ter uma idia do seu signif cado fsico (RUGH, 1981).
Entre as representaes no-lineares, pode-se destacar tambm os modelos de blocos interconectados (WIENER, 1958; WIGREN, 1993; PEARSON; POTTMANN, 2000; COELHO,
2002), compostos por um modelo dinmico linear em cascata com uma funo esttica nolinear. Quando a funo esttica precede o modelo dinmico, tem-se o modelo de Hammerstein. Por outro lado, quando o modelo dinmico precede a funo esttica, tem-se o modelo de
Wiener.
Um outro tipo de representao no-linear so os modelos polinomiais e racionais (BILLINGS;
CHEN, 1989a,b; BILLINGS; TAO, 1991; BILLINGS; ZHU, 1993, 1994; CORRA, 2001;
CAMPOS, 2007).
Na rea de identif cao de modelos no lineares, o modelo NARMAX polinomial (LEONTARITIS; BILLINGS, 1985a,b). Tais modelos so extenses dos modelos NARX porm com
a incluso de termos de rudo para evitar polarizao1 de parmetros.
O modelo NARMAX polinomial um modelo discreto que explica o valor de sada em funo
de valores prvios dos sinais de sada y(k), de entrada u(k) e de rudo e(k) e representado da
seguinte forma:
y(k) = F ` y(k 1), . . . ,y(k ny ),u(k d ), . . . ,u(k d nu + 1),
e(k 1), . . . ,e(k ne ) + e(k),
1
(2.1)
A polarizao o desvio entre o valor esperado de uma determinada varivel aleatria (a varivel estimada) e
uma varivel determinstica (o valor real), ainda que no seja conhecida.
13
sendo que e(k) indica os efeitos que no podem ser bem representados por F ` [], que uma
funo polinomial com grau de no-linearidade ` N. Os termos d ,ny ,nu e ne representam,
respectivamente, o atraso de transporte e os mximos atrasos em y, em u e em e.
A parte livre do rudo da equao (2.1) pode ser expandida como o somatrio de termos com
graus de no-linearidade variando na faixa 1 m `. Assim, cada termo de grau m poder
conter um fator de grau p do tipo y(k i) e um fator de grau (m p) do tipo u(k i) sendo
multiplicado por um parmetro representado por cp,mp (n1 , . . . ,nm ). Matematicamente, tem-se
(PEYTON-JONES; BILLINGS., 1989):
y(k) =
y ,nu
` X
m nX
X
p
Y
y(k ni )
i=1
m
Y
u(k ni ),
(2.2)
i=p+1
sendo que
ny ,nu
n1 ,nm
ny
X
n1 =1
nu
X
(2.3)
nm =1
O limite superior ser ny se o somatrio se referir a fatores do tipo y(k ni ). Por outro lado,
se o somatrio se referir a fatores do tipo u(k ni ), tal limite ser nu .
2.2.1.3 Seleo da Estrutura do Modelo
Parte crucial na Identif cao de Sistemas, a seleo de estrutura ainda um problema. Vrias
tcnicas foram propostas a f m de selecionar os melhores regressores de modelos NARX/NARMAX embora ainda no se tenha uma soluo que def na com ef cincia a melhor estrutura para
cada caso identif cado.
Alguns casos de seleo de estrutura que obtiveram melhores desempenhos na Identif cao
de Sistemas no lineares foram propostos em (KORENBERG e outros, 1988; LEONTARITS; BILLINGS, 1987; BILLINGS; CHEN; KORENBERG, 1989; AGUIRRE; BILLINGS,
1995a; MAO; BILLINGS, 1997);(MENDES; BILLINGS, 2001; PIRODDI; SPINELLI, 2003;
RODRGUEZ-VZQUEZ e outros, 2004; ZHANG; ZHU; LONGDEN, 2007; WEI; BILLINGS,
2008).
Para modelos polinomiais a seleo de estrutura trata da def nio do grau de no-linearidade
` e dos mximos atrasos em y, em u e em e. importante salientar que quanto maior o grau
de no linearidade e os mximos atrasos, maior ser a variedade de termos possveis multipli-
14
2 Fundamentao Terica
+ (k)
y(k) = T (k 1)
n
X
i i (k 1) + (k),
=
i=1
(2.4)
15
y(k) =
n
X
gi wi (k 1) + (k),
(2.5)
i=1
[ERR]i =
(2.6)
sendo que o ERR indica a poro da varincia da sada explicada pela incluso de um novo
termo no modelo. Normalmente, a escolha dos termos candidatos ao modelo feita considerando os regressores que apresentam os maiores valores de ERR.
2.2.1.5 Critrio de Akaike
O mtodo mais utilizado para estimar o nmero de termos que devem ser includos em modelos
dinmicos o critrio de informao de AKAIKE (1974). De acordo com o critrio de Akaike,
o nmero timo de termos em um modelo deve minimizar a seguinte funo de custo:
AIC = N ln(V ar[(k)]) + 2 n ,
(2.7)
16
2 Fundamentao Terica
+ (k)
y(k) = T (k 1)
= y(k) + (k),
(2.8)
(k), o erro cometido pelo modelo ao tentar explicar y(k) como T (k 1).
Tomando a equao (2.8) ao longo do conjunto de dados e representando o conjunto de equaes
resultante em forma matricial, tem-se:
+ ,
y =
(2.9)
sendo que representa a matriz de regressores e representa o erro cometido pelo modelo ao
tentar explicar y(k).
Isolando-se na equao (2.9) tem-se:
= y .
(2.10)
JMQ =
N
X
(i)2 = T .
i=1
(2.11)
17
(2.12)
18
2 Fundamentao Terica
RMSE =
qP
2
y(k) y(k)
qP
2 ,
N
y(k)
y
k=1
N
k=1
(2.13)
sendo que y(k) a predio livre do sinal e y o valor mdio do sinal medido y(k). importante
ressaltar que quanto menor for o valor do RMSE, maior ser a capacidade do modelo de se
ajustar aos dados. Se forem utilizados os dados de validao como exige a tcnica, comprovase que quo menor seja o ndice RMSE, maior ser a capacidade de generalizao do modelo.
At ento, tratou-se da validao dinmica, ou seja utilizando pares de dados de entrada e sada
transcorrentes no tempo. Porm, existe tambm a validao esttica, ou seja, aquela que usa
a relao entre os dados de entrada e sada sem a inf uncia do estado de transio temporal
tambm conhecido como estado estacionrio. Corra (2001), Coelho (2002) e Campos (2007)
utilizaram desta tcnicas em seus trabalhos.
19
x[n] =
x[n], M n M
0, |n| > M
(2.14)
Procurando replicar o sinal no-peridico inf nitas vezes para longe da origem tanto pela direita
como pela esquerda tem-se M e desta forma pode-se expressar
x[n] = lim x[n].
M
(2.15)
x[n] =
M
X
X[k]ejk0 n
(2.16)
k=M
(2.17)
Uma vez que x[n] = x[n] para M n M, a equao (2.17) pode ser reescrita da seguinte
forma:
20
2 Fundamentao Terica
X
1
X[k] =
x[n]ejk0 n ,
2M + 1 n=
(2.18)
partindo do fato que x[n] = 0 para |n| > M. Def ne-se agora uma funo contnua de frequncia X(ej ) cujas amostras em k0 so iguais aos coef cientes da DTFS normalizados por
2M + 1. Logo,
X(ej ) =
x[n]ejn ,
(2.19)
n=
de forma que X[k] = X(ejk0 )/(2M + 1). Substituindo esta def nio de X[k] na equao
(2.16) tem-se:
M
X
1
x[n] =
X(ejk0 )ejk0n
2M + 1 k=M
(2.20)
(2.21)
(2.22)
Aproximando a equao (2.23) pela regra retangular para uma integral e lembrando que =
k0 , de forma que d = 0 , tem-se:
1
x[n] =
2
X(ej )ejn d.
(2.23)
21
Dessa forma x[n] expresso como uma superposio ponderada de senides de tempo discreto.
Neste caso, a superposio uma integral e a ponderao em cada senide 12 X(ej)d.
Logo, a representao por DTFT expressa como:
x[n] =
1 R
X(ej )ejn d
2
(2.24)
X(ej ) = P
jn
n= x[n]e
Logo, pode-se dizer que X(ej ) e x[n] so um par de DTFT, descrito por:
FT
X(ej ),
x[n]DT
ou seja, a transformada X(ej ) descreve o sinal x[n] como uma funo de frequncia senoidal
e denominada representao no domnio da frequncia de x[n]. A amostragem de um sinal
no tempo gera no domnio da frequncia rplicas deslocadas do espectro do sinal original.
Mais informaes sobre a Transformada de Fourier de Tempo Discreto pode ser encontrada em
(HAYKIN; VAN VEEN, 2001).
2.3.2 Efeitos da amostragem de sinais
2.3.2.1 Aliasing
A operao de amostragem gera um sinal de tempo discreto a partir de um sinal de um tempo
contnuo, ou seja, representa-se matematicamente o sinal amostrado como o produto de um sinal
contnuo original por um trem de impulsos. Os efeitos da subamostragem e super-amostragem
no processo de identif cao foram brevemente discutidos na seo 2.2.1.1. No entanto, quando
um sinal amostrado, necessrio que possa se reconstruir o sinal original (contnuo) a partir
do sinal digitalizado. Isso garante que todas as caractersticas do sinal original inclusive sua
Transformada de Fourier sejam preservadas.
Quando h subamostragem do sinal em estudo, pode-se haver um efeito chamado aliasing,
que em portugus signif ca disfarce. Esse disfarce ocorre quando a DTFT deixa de ter uma
correspondncia biunvoca com o sinal de tempo contnuo original. Isso signif ca que no
possvel usar o espectro do sinal amostrado para analisar o sinal no tempo contnuo, e que no
se pode reconstruir de forma nica o sinal de tempo contnuo a partir de suas amostras.
22
2 Fundamentao Terica
O aliasing distorce o espectro do sinal original. H uma superposio entre o espectro original e
suas rplicas acarretando o fenmeno de um componente de alta frequncia assumir a identidade
de um de baixa frequncia. Isto sugere que uma condio para a correspondncia nica entre
o sinal de tempo contnuo e suas amostras equivalente condio para o impedimento do
aliasing. Esta exigncia formalmente estabelecida da seguinte maneira:
Teorema 2.3.1 (Teorema da Amostragem) Admitindo-se que x(t)FT X(j) represente um
sinal de faixa limitada, de forma que X(j) = 0 para || > m , sendo uma frequncia qualquer do sinal e m a mais alta frequncia do sinal. Se s > 2m , em que s = 2/ a
frequncia de amostragem e , o tempo de amostragem, ento x(t) determinado de maneira
nica por suas amostras x(n ), com n = 0, 1, 2, . . . .
A frequncia mnima de amostragem, 2m , denominada taxa de amostragem de Nyquist ou
taxa de Nyquist.
Isso leva a um relaxamento em escolher uma taxa de amostragem superior taxa de Nyquist.
Porm, embora o sinal no qual se tem interesse possa ter uma frequncia mxima m , em geral,
o sinal de tempo contnuo ter energia em frequncias mais elevadas devido presenta de rudo
ou de outras caractersticas no ideais. Portanto, uma super-amostragem tambm pode provocar
aliasing na DTFT de um sinal de interesse.
2.3.2.2 Janelamento do sinal
Em aplicaes prticas envolvendo a amostragem de sinais pode-se obter somente uma gravao
f nita do sinal. Isso resulta em uma forma de onda truncada que possui caractersticas espectrais diferentes do sinal original. Tal descontinuidade produz a perda da informao espectral
original.
Uma maneira de aumentar as caractersticas espectrais de um sinal amostrado a aplicao
de janelas sobre o mesmo. Ao analisar uma sequncia de dados f nita atravs da DTFT, o
janelamento minimiza as margens de transio em formas de onda truncadas, reduzindo dessa
forma a perda espectral.
O janelamento de um sinal no domnio do tempo equivalente um f ltro passa baixas. Resumidamente, o que se faz multiplicar o sinal f nito pela funo que representa a janela. Devido
a multiplicao no domnio do tempo ser equivalente convoluo no domnio da frequncia,
o espectro de um sinal ajanelado a convoluo do espectro do sinal original com o espectro
da janela. Dessa maneira, o janelamento modif ca a forma do sinal tanto no domnio do tempo
quanto no da frequncia.
23
(2.25)
Hamming: Essa janela uma verso modif cada da janela de Hanning. Sua forma tambm similar a de uma onda cossenoidal. Uma janela de tamanho N def nida pela
Equao .
w[n] = 0,54 0,46cos(2n/N), para n = 0,1,2, . . . , N 1
(2.26)
Outras janelas tambm podem ser citadas tais como a janela de Kaiser-Bessel, Triangular, Flattop, Exponencial, entre outras. A escolha correta da janela depende de um certo conhecimento
a priori do sinal em anlise. Como em grande parte das vezes isso no possvel, deve-se experimentar os diversos mtodos de janelamento existentes e encontrar o que melhor se adapta a
anlise em questo.
24
2 Fundamentao Terica
No prximo captulo ser apresentada e discutida a metodologia proposta e utilizada neste trabalho.
Captulo 3
Seleo de estrutura atravs da anlise de
resposta em frequncia
3.1 Introduo
No captulo anterior foram discutidas as etapas de Identif cao de Sistemas e a Transformada
de Fourier de sinais discretos.
Na seo 2.2.1.2 foi visto que as no linearidades de modelos NARX polinomiais so determinadas por produtos entre entradas, entre sadas ou por produtos entre entradas e sadas. Os
termos dos modelos so aqueles apresentados na equao (2.1). A escolha de estrutura destes
modelos consiste em determinar quais termos e agrupamentos faro parte do modelo, ou seja,
faro parte de sua estrutura com o objetivo de representar os regimes dinmicos descritos pelos
dados.
importante salientar que, se o nmero de termos do modelo for maior que o necessrio, resultando em um modelo sobreparametrizado (modelo com um nmero excessivo de termos), seus
termos redundantes, alm de acarretarem grande tempo computacional e mal condicionamento
numrico, podem fazer com que o modelo apresente regimes dinmicos esprios (AGUIRRE;
BILLINGS, 1995b; PIRODDI; SPINELLI, 2003) ou, at mesmo, torne-se instvel. A escolha
de termos apropriados de fundamental importncia para obteno de um modelo compacto e
robusto.
Alguns mtodos tratados na literatura para seleo de estrutura foram apresentados na seo
2.2.1.3. Entre as tcnicas usadas foram destacados o ERR que ordena os termos candidatos de
26
acordo com a contribuio de cada um na explicao da dinmica dos dados. Tendo ordenado
os termos ainda necessrio achar o ponto de corte. Uma primeira estimativa pode ser obtida
atravs do critrio de informao de Akaike. Como essas duas tcnicas esto bem estabelecidas na literatura, sero chamadas de mtodos clssicos daqui em diante para facilitar sua
referncia no texto.
Neste captulo ser apresentada uma metodologia de suporte seleo de estrutura de modelos
NARX polinomiais realizada a partir da anlise no domnio da frequncia de um sistema de uma
entrada e uma sada (SISO - do ingls Single Input, Single Output). O modelo deve reproduzir
aproximadamente a resposta em frequncia do sistema em sua sada. Portanto, realizou-se um
estudo para saber como cada termo ou agrupamento deste colabora na reconstruo da resposta
em frequncia do modelo que compe. A anlise matemtica deste estudo demonstrada na
seo 3.2.
sen(kT ) =
1 jkT
(e
ejkT ),
2j
(3.1)
27
y(k) =
y ,nu
` X
m nX
X
p
Y
y(k ni )
i=1
m
Y
u(k ni ),
(3.2)
i=p+1
Aplicando o sinal senoidal apresentado na equao (3.1) em um modelo NARX como o apresentado na equao (3.2) pode-se observar o surgimento de frequncias diferentes da frequncia
de excitao do modelo. Tanto as frequncias surgidas quanto o nmero dessas frequncias depender de cada termo escolhido para a composio do modelo.
Q
Tratando-se de agrupamento de termos puros de entrada dados por c0,m (n1 , . . . ,nm ) m
i=1 u(k
ni ) com p = 0, tem-se:
m
Y
1
c0,m (n1 , . . . ,nm ) ( (ej(kni )T ej(kni)T )).
2j
i=1
(3.3)
Sendo a equao (3.3) um termo puro de entrada de grau de no linearidade m, pode-se expandila utilizando o binmio de Newton, logo tem-se:
m
1 X
m!
(3.4)
A equao (3.4) apresenta a expanso usando o binmio de Newton da equao (3.3) submetida
a um grau de no linearidade m. Essa equao mostra que dependendo de m um padro de
frequncias surge na sada. A partir dela possvel def nir exatamente quais frequncias surgem
quando existe no modelo um agrupamento de termo puro de entrada. Os exemplos 3.2.1 a 3.2.4
apresentaro o desenvolvimento da expanso para agrupamento de termos puros de entrada de
graus de no linearidade ` variando de dois a cinco.
Para os exemplos a seguir considere o sinal de entrada apresentado na equao (3.1) na forma
de Euler.
Exemplo 3.2.1
Considere o termo i u(k)2 de um modelo NARX qualquer.
Considerando o sinal aplicado como a entrada mostrada na equao (3.1) tem-se o desenvolvi-
28
mento:
1 jkT
(e
ejkT ))2
2j
1
= ( )2 (ejkT ejkT )2
2j
1
= (e2jkT + e2jkT 2)
4
e2jkT
e2jkT
1
=
+
4
4
2
u(k)2 = (
(3.5)
Pela equao (3.5) pode-se notar que o agrupamento i u(k)2 gera a frequencia zero e a frequncia 2.
Exemplo 3.2.2
Agora considere o termo i u(k)3 de um modelo NARX qualquer.
Considerando o sinal aplicado como a entrada mostrada na equao (3.1) tem-se o desenvolvimento:
1 jkT
(e
ejkT ))3
2j
1
= ( )3 (ejkT ejkT )3
2j
1
= (e3jkT 3ejkT + 3ejkT + e3jkT )
8j
(e3jkT + 3ejkT 3ejkT e3jkT )
=
8j
u(k)3 = (
(3.6)
Pela equao (3.6) pode-se notar que o agrupamento i u(k)3 gera a frequncia e a frequncia
3.
Exemplo 3.2.3
Agora considere o termo i u(k)4 de um modelo NARX qualquer.
Considerando o sinal aplicado como a entrada mostrada na equao (3.1) tem-se o desenvolvi-
29
mento:
1 jkT
(e
ejkT ))4
2j
1
= ( )4 (ejkT ejkT ))4
2j
1
(6 4e2jkT + e4jkT + e4jkT 4e2jkT )
=
16
(6 4e2jkT + e4jkT + e4jkT 4e2jkT )
=
16
u(k)4 = (
(3.7)
Pela equao (3.6) pode-se notar que o agrupamento i u(k)4 gera a frequncia zero, a frequncia
2 e a frequncia 4.
Exemplo 3.2.4
Considere o termo i u(k)5 de um modelo NARX qualquer.
Considerando o sinal aplicado como a entrada mostrada na equao (3.1) tem-se o desenvolvimento:
1 jkT
(e
ejkT ))5
2j
1
= ( )5 (ejkT ejkT )5
2j
1
=
(10ejkT + 10ejkT e5jkT 5e3jk + 5e3jkT + e5jkT )
32j
(10ejkT + 10ejkT e5jkT 5e3jkT + 5e3jkT T + e5jkT )
=
(3.8)
32j
u(k)5 = (
Pela equao (3.6) pode-se notar que o agrupamento i u(k)5 gera as frequncias , 3 e 5.
A partir dos desenvolvimentos dos exemplos 3.2.1 a 3.2.4 pde ser visto que agrupamentos
de termos puros de entrada de grau de no linearidade ` par no geram . Apenas geram
frequncias mltiplas pares de . Os mesmos agrupamentos, porm de grau de no linearidade
` mpar geram a frequncia e mais frequncias mltiplas mpares de .
Um exemplo grf co ser apresentado na Figura 3.1. Neste exemplo so apresentados as anlises
30
no domnio da frequncia fornecidas por cada agrupamento de termos puros de entrada demonstrados nos exemplos 3.2.1 a 3.2.4.
Exemplo 3.2.5
Considere os agrupamentos de termos puros de entrada apresentados nos exemplos 3.2.1 a 3.2.4.
Aplicando-se um sinal de entrada senoidal de mdia zero amostrado a uma taxa de 62,8319
rad/s de ganho um e frequncia nica de 1 rad/s, obteve-se a DTFT para cada um deles. Os
coef cientes de todos os termos representados foi def nido como um. As anlises no domnio da
frequncia para os exemplos so apresentadas na Figura 3.1.
Na Figura 3.1 (b), apresentada a resposta em frequncia de um termo linear de entrada. Podese observar que a frequncia fornecida pelo termo a mesma frequncia aplicada na entrada
apresentada na Figura 3.1 (a). O mesmo no se pode dizer das respostas em frequncia exibidas nas Figuras 3.1 (c) a (f). A Figura 3.1 (c) refere-se a uma resposta em frequncia de
um agrupamento de termos puro de entrada no-linear de grau de no linearidade ` igual a dois.
Considerando que agrupamentos com ` par produzem as frequncias k sendo k = 2,4,6, . . . ,m
na sada e a frequncia fundamental de 1 rad/s, logo este agrupamento fornecer a frequncia
2 rad/s.
A mesma regra vlida para o caso da Figura 3.1 (d) onde apresentada a resposta em frequncia de um agrupamento em que ` igual a quatro. Neste caso surgem as duas frequncias:
zero, 2 rad/s e 4 rad/s. Tanto para o caso de ` igual a dois e ` igual a quatro, as sadas no
reproduzem a frequncia fundamental.
Para os casos representados pelas Figuras 3.1 (e) e (f) os agrupamentos de termos puros de entrada no lineares apresentam grau de no linearidade ` mpar. Na Figura 3.1 (e) apresentada a
resposta em frequncia de um agrupamento de ` igual a trs. Na Figura 3.1 (f), ` igual a cinco.
Como agrupamentos puros de entrada de no linearidade ` mpar produzem as frequncias k
sendo k = 1,3,5, . . . ,m na sada, sero produzidas pelo agrupamento representado na Figura
3.1 (e) a frequncia fundamental e a frequncia 3, e para o agrupamento representado na
Figura 3.1 (f), a frequncia fundamental e as frequncias 3 e 5.
A partir da discusso e dos exemplos 3.2.1 a 3.2.5 pode-se generalizar: para agrupamentos de
termos puros de entrada de grau de no linearidade m:
sendo m par, sero produzidas as frequncias 2k, sendo k = 0,1 . . . ,m/2, m 2 e;
sendo m mpar, sero produzidas as frequncias 2(k + 1), sendo k = 0,1 . . . ,(m 1)/2,
m 3.
(b)
Espectro de frequncia da sada (y)
0.8
0.8
0.7
0.7
0.6
0.6
0.5
0.5
|Y(j)|
|U(j)|
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
3
Frequencia (rad/s)
(c)
0.45
0.45
0.4
0.4
0.35
0.35
0.3
|Y(j)|
0.3
|Y(j)|
3
Frequencia (rad/s)
(d)
0.25
0.25
0.2
0.2
0.15
0.15
0.1
0.1
0.05
0.05
31
3
Frequencia (rad/s)
(e)
3
Frequencia (rad/s)
(f)
0.6
0.5
0.45
0.5
0.4
0.35
|Y(j)|
|Y(j)|
0.4
0.3
0.3
0.25
0.2
0.2
0.15
0.1
0.1
0.05
0
3
Frequencia (rad/s)
3
Frequencia (rad/s)
32
Portanto, foram def nidas quais as frequncias que um agrupamento de termos puros de entrada
fornecem para a resposta do modelo quando submetidos a uma sinal de frequncia nica. Graus
de no linearidade ` > 5 podem ser analisados expandindo-se a equao (3.4) comprovando a
generalizao proposta.
3.2.2 Agrupamento de termos cruzados
Considerando o modelo NARX polinomial da equao (3.2), pode-se notar que agrupamento de
termos cruzados de entrada e sada tambm podem compor o modelo. Representado este tipo
de agrupamento como na equao (3.9), tem-se:
p
Y
i=1
y(k ni )
m
Y
u(k ni )
(3.9)
i=p+1
com p,m 6= 0.
Considere o exemplo 3.2.6.
Exemplo 3.2.6
Sendo a equao (3.10) parte de um modelo NARX polinomial de grau de no linearidade `
igual a dois estimado e com parmetros tem-se:
(3.10)
Aplicando-se o mesmo sinal de entrada apresentado na equao (3.10) e considerando que y(k
1) = 0, tem-se:
1
1
y(k) = i ( (ejkT ejkT )) 0 + i+1 ( (ejkT ejkT )))
2j
2j
no passo k, e:
(3.11)
33
1 j(k+1)T
1
(e
ej(k+1)T )) (i ( (ej(k+1)T ej(k+1)T )) 0 +
2j
2j
1 j(k+1)T
+i+1 ( (e
ej(k+1)T )) +
2j
1
+i+1 ( (ej(k+1)T ej(k+1)T ))
2j
1
1
= i ( (ej(k+1)T ej(k+1)T )) (i+1 ( (ej(k+1)T ej(k+1)T ))) +
2j
2j
1 j(k+1)T
+i+1 ( (e
ej(k+1)T ))
2j
1
1
= i i+1 ( (ej(k+1)T ej(k+1)T ))( (ej(k+1)T ej(k+1)T )) +
2j
2j
1 j(k+1)T
ej(k+1)T ))
+i+1 ( (e
2j
e2j(k+1)T
e2j(k+1)T
1
i i+1 (
)+
4
4
2
1 j(k+1)T
j(k+1)T
= +i+1 ( (e
e
))
(3.12)
2j
y(k + 1) = i (
no passo k + 1, e
e2j(k+2)T
e2j(k+2)T
1
1 j(k+2)T
(e
ej(k+2)T )) (i i+1 (
)+
2j
4
4
2
1
1
+i+1 ( (ej(k+2)T ej(k+2)T )) + i+1 ( (ej(k+2)T ej(k+2)T ))
2j
2j
3j(k+2)T
j(k+2)T
j(k+2)T
(e
+ 3e
3e
e3j(k+2)T )
= i2 i+1 (
)
8j
e2j(k+2)T
1
e2j(k+2)T
)+
+i i+1 (
4
4
2
1 j(k+2)T
+i+1 ( (e
ej(k+2)T ))
(3.13)
2j
y(k + 2) = i (
no passo k + 2.
Pode-se notar atravs dos desenvolvimentos apresentados nas equaes (3.11) a (3.13), que a
cada iterao o modelo realimentado por uma sada passada que j contm frequncias in-
34
seridas pelo prprio modelo em passos anteriores. Isso faz com que o sinal gerado por um
agrupamento de termos cruzados fornea prpria sada inf nitas frequncias ressonantes da
frequncia fundamental. Quanto maior o nmero de passos dados pelo modelo, mais frequncias surgiro na anlise no domnio da frequncia.
Exemplo 3.2.7
Neste exemplo apresentado a anlise no domnio da frequncia de um agrupamento de termos
cruzados. Aplicando-se um sinal de entrada senoidal de mdia zero amostrado a uma taxa
de 62,8319 rad/s de ganho um e frequncia nica de 1 rad/s, obteve-se a DTFT da sada. O
coef ciente do agrupamento do exemplo um. As anlises no domnio da frequncia para o
exemplo 3.2.6 so apresentadas na Figura 3.2.
(a)
(b)
0.8
0.7
2.5
0.6
|Y(j)|
|U(j)|
2
0.5
0.4
0.3
1.5
0.2
0.5
0.1
0
3
4
5
Frequencia (rad/s)
3
4
5
Frequencia (rad/s)
Figura 3.2: Anlise no domnio da em frequncia de um modelo com agrupamentos de termos cruzados
submetidos a um sinal de frequncia nica. Em (a) a DTFT da entrada apresentada e em
(b) a DTFT do sinal fornecido por um agrupamento de termos cruzados.
Pela Figura 3.2 possvel notar que aplicando uma frequncia na entrada, vrias outras frequncias surgem na sada. Isso pode ser comprovado se o desenvolvimento das equaes (3.11)
a (3.13) for continuado.
Portanto, para agrupamento de termos cruzados de grau de no linearidade m, pode-se generalizar, a partir dos exemplos 3.2.6 e 3.2.7, que:
qualquer que seja m, o nmero de frequncias fornecido por um agrupamento de termos
cruzados, aumenta medida que as iteraes com sadas passadas cresce. Logo, quando
k inf, so fornecidas inf nitas frequncias na sada mltiplas de .
35
cp,0(n1 , . . . ,np )
p
Y
y(k ni )
(3.14)
i=1
com p 6= 0.
O exemplo 3.2.8 apresentar o desenvolvimento de um modelo qualquer que contm um agrupamento de termos puro de sada. O grau de no linearidade do termo do exemplo dois mas
pode ser expandido para graus de no linearidade pares superiores. Para o exemplo 3.2.8 sero
considerados graus de no linearidades pares para os agrupamentos.
Exemplo 3.2.8
Sendo a equao (3.15) parte de um modelo NARX de grau de no linearidade par ` igual a dois
estimado e com parmetros tem-se:
(3.15)
Aplicando-se o mesmo sinal de entrada apresentado na equao (3.15) e considerando que y(k
1) = 0, tem-se:
1
y(k) = i (0)2 + i+1 ( (ejkT ejkT )))
2j
no passo k, e:
(3.16)
36
1
1
y(k + 1) = i (i+1 ( (ej(k+1)T ej(k+1)T )))2 + i+1 ( (ej(k+1)T ej(k+1)T ))
2j
2j
2j(k+1)T
2j(k+1)T
e
1
1
e
2
2j(k+2)T
e
2
y(k + 2) = i (i i+1
(
e2j(k+2)T
1
1
) + i+1 ( (ej(k+2)T ej(k+2) )))2
4
2
2j
4
1
+i+1 ( (ej(k+2)T ej(k+2)T ))
2j
e2j(k+2)T
e4j(k+2)T
e4j(k+2)T
3
e2j(k+2)T
3 4
+
+
+
+ )) +
= i i+1 (
4
4
16
16
8
j(k+2)T
j(k+2)T
3j(k+2)T
j(k+2)T
e
e
j
e
j
e
j
3
+2i2 i+1
(
+
+
4j
4
8
8
ej(k+2)T
e3j(k+2)T
1 e2j(k+2)T
e2j(k+2)T
2
) + i i+1
(
)+
8j
8
2
4
4
1
+i+1 ( (ej(k+2)T ej(k+2)T ))
2j
(3.17)
no passo k + 2.
Nota-se que h o surgimento de todas as frequncias ressonantes da frequncia fundamental.
Se houver continuidade no desenvolvimento para os passos posteriores, haver o surgimento
de inf nitas frequncias quando um agrupamento de termos puro de sada com grau de no
linearidade dois compor o modelo.
No exemplo 3.2.9 ser demonstrado o agrupamento de termos puro de sada para grau de no
linearidade ` = 2 mpar igual a trs. Tal processo pode ser estendido para qualquer grau de no
linearidade mpar para agrupamentos puros de sada.
Exemplo 3.2.9
Sendo a equao (3.18) parte de um modelo NARX de grau de no linearidade ` igual a dois
estimado e com parmetros tem-se:
37
(3.18)
Aplicando-se o mesmo sinal de entrada apresentado na equao (3.15) e considerando que y(k
1) = 0, tem-se:
1
y(k) = i (0)3 + i+1 ( (ejkT ejkT )))
2j
(3.19)
no passo k, e:
1
1
y(k + 1) = i (i+1 ( (ej(k+1)T ej(k+1)T )))3 ) + i+1 ( (ej(k+1)T ej(k+1)T )))
2j
2j
1
3
= i i+1
( (e3j(k+1)T 3ej(k+1)T + 3ej(k+1)T + e3j(k+1)T ))
8j
1
+i+1 ( (ej(k+1)T ej(k+1)T )))
(3.20)
2j
no passo k + 1, e:
1
3
y(k + 2) = i (i i+1
( (e3j(k+2)T 3ej(k+2)T + 3ej(k+2)T + e3j(k+2)T ))
8j
1
+i+1 ( (ej(k+2)T ej(k+2)T ))))3 +
2j
1
+i+1 ( (ej(k+2)T ej(k+2)T ))
(3.21)
2j
no passo k + 2. A expanso da parte da equao (3.21) elevada ao cubo gera uma outra equao
com muitos termos que pode ser expandida computacionalmente e ser suprimida aqui. O que
relevante que essa expanso gerar frequncias mltiplas mpares da frequncia fundamental.
Exemplo 3.2.10
Neste exemplo apresentado a anlise no domnio da frequncia de um agrupamento de termos
38
puros de sada. Aplicando-se um sinal de entrada senoidal de mdia zero amostrado a uma taxa
de 62,8319 rad/s de ganho um e frequncia nica de 1 rad/s, obteve-se a DTFT da sada. O
coef ciente do agrupamento do exemplo 0,1. As anlises no domnio da frequncia para o
exemplo 3.2.6 so apresentadas na Figura 3.3.
(a)
(b)
0.09
0.7
0.08
0.6
0.07
0.06
0.5
|Y(j)|
|U(j)|
0.1
0.8
0.4
0.05
0.04
0.3
0.03
0.2
0.02
0.1
0
0.01
0
3
4
5
Frequencia (rad/s)
(c)
0.1
0.09
0.04
0.08
0.035
0.07
0.03
0.06
|Y(j)|
|Y(j)|
0.05
0.025
0.04
0.015
0.03
0.01
0.02
0.005
0.01
2
4
5
Frequencia (rad/s)
0.05
0.02
0.045
(d)
4
5
Frequencia (rad/s)
4
5
Frequencia (rad/s)
Figura 3.3: Anlise no domnio da frequncia de um modelo com agrupamentos de termos cruzados
submetidos a um sinal de frequncia nica. Em (a) a DTFT da entrada apresentada. Em
(b) a DTFT do sinal fornecido por um agrupamento de termos puro de sada com grau de
no linearidade quatro. Em (c) a DTFT do sinal fornecido por um agrupamento de termos
puro de sada com grau de no linearidade trs. E em (d) a DTFT do sinal fornecido por um
agrupamento de termos puro de sada com grau de no linearidade cinco.
Pela Figura 3.3 (b) possvel notar que aplicando uma frequncia na entrada, vrias outras
frequncias surgem na sada para um grau de no linearidade par igual a quatro em um agrupamento de termos puro de sada. Desenvolvimentos e simulaes com outros graus de no
39
40
importante notar tambm que os ganhos de cada frequncia dependem dos coef cientes que
acompanham cada agrupamento. Agrupamentos diferentes podem fazer surgir as mesmas frequncias na sada do modelo, logo os ganhos das frequncias apresentadas resultado de uma
soma ponderada pelos coef cientes de cada termo que gera a mesma frequncia.
Uma outra observao que deve ser feita que os atrasos de cada termo do agrupamento no
interferem em quais frequncias surgem na sada devido presena do agrupamento. Isso pode
ser comprovado pelos desenvolvimentos realizados nesta seo. A Tabela 3.1 apresenta a relao de termos e o surgimento de frequncias.
Tabela 3.1: Resposta em frequncia de agrupamentos de termos submetidos a um sinal de entrada de
frequncia nica i .
Agrupamento
Frequncias de sada
u
i
y
i
um m par
ki sendo que k = 0,2,4,6, . . . ,m
yp p par
ki sendo que k = 1,2,3, . . . ,
um m mpar ki sendo que k = 1,3,5, . . . ,m
yp p mpar
ki sendo que k = 1,3,5, . . . ,
um yp
ki sendo que k = 1,2,3, . . . ,
Conforme apresentado na Tabela 3.1 pode-se notar que def nir as frequncias surgidas na sada
para cada agrupamento no trivial. Apenas para os termos lineares e para os agrupamentos de
termos puros de entrada possvel chegar a um nmero def nido de frequncias geradas.
Quando trata-se de ganho de cada uma dessas frequncias surgidas, necessrio conhecer o
coef ciente que acompanha cada uma das fontes dessas frequncias, no caso, cada um dos agrupamentos.
Se um mesmo modelo contiver termos lineares, agrupamentos de termos puros de entrada com
grau de no linearidade mpar, agrupamento de termos cruzados e agrupamento de termos puros
de sada, todos esses iro contribuir para o ganho da frequncia fundamental i . Quanto s
frequncias ressonantes, os agrupamentos de termos puros de entrada iro contribuir para as
frequncias mpares mltiplas de i e os demais agrupamentos para todas as outras. Se contiver
agrupamentos de termos puros de entrada com grau de no linearidade par, este contribuir para
os ganhos das frequncias mltiplas de 2i.
Como um modelo deve aproximar a resposta em frequncia do sistema modelado, a estimao
de parmetros deve ser realizada de forma a ponderar os ganhos das frequncias geradas por
41
cada agrupamento e esta soma f nal aproximar ao mximo da frequncia real de sada gerada
pelo sistema. O mesmo deve ser considerado para os avanos e/ou atrasos de fase.
Como se pode notar pelos desenvolvimentos realizados ao longo da seo 3.2.1, um modelo j
parametrizado, ser capaz de fornecer apenas um padro de resposta em frequncia para cada
frequncia individualmente aplicada na entrada. Logo, se for aplicado um sinal de frequncia
nica na entrada de um modelo, este sempre fornecer na sada o mesmo padro de reposta em
frequncia. A partir dessa informao proposta a metodologia utilizada neste trabalho.
42
puros de entrada.
Se um sistema apresenta a frequncia fundamental mais uma frequncia ressonante pode-se
sugerir, por exemplo, que o grau de no linearidade seja dois e que se tenha termos de entrada
lineares que sero responsveis pela reproduo da frequncia fundamental. Caso o sistema
apresente duas frequncias ressonantes pode-se sugerir um grau de no linearidade trs e pelo
menos um termo com grau de no linearidade dois. O termo com grau de no linearidade trs
faz surgir na sada a frequncia fundamental e sua primeira frequncia mltipla mpar. O termo
com grau de no linearidade par faz surgir a frequncia par mltipla da frequncia fundamental.
Ainda no caso de haver duas frequncias ressonantes, poderiam ser sugeridos agrupamentos de
termos puros de entrada de grau de no linearidade dois e agrupamentos de termos cruzados de
entrada e sada visto que estes so capazes de gerar todas as frequncias ressonantes. Adicionar
agrupamentos de termos cruzados ao modelo pode tambm colaborar na representao de frequncias ressonantes, podendo-se assim, reduzir a complexidade do modelo no que diz respeito
ao grau de no linearidade. No entanto, pode-se fazer surgir frequncias esprias ao sistema
representado.
O grau de no linearidade do modelo pode partir da anlise no domnio da frequncia dos agrupamentos de termos de entrada. Isso garantir que todas as frequncias dentro da regio de
potncia espectral sejam representadas. Como foi visto na seo 3.2.1, os agrupamentos de
termos puros de entrada geram frequncias que podem ser def nidas. Tomando as informaes
da Tabela 3.1 e comparando com a anlise no domnio da frequncia do sistema, possvel
determinar o grau de no linearidade do agrupamento de termos puros de entradas que represente todas as frequncias apresentadas. Ento toma-se este grau de no linearidade como
mximo garantindo-se a representao de todas as frequncias da sada e limita-se o grau de
no linearidade dos demais agrupamentos de termos a este mximo.
De acordo com a Tabela 3.1 pode-se notar que a simples presena de agrupamentos de termos
cruzados contribui para o aparecimento de diversas frequncias na sada quando o modelo
submetido a um sinal de entrada de frequncia nica. Logo, pode-se pressupor que um grau de
no linearidade dois ou trs em um modelo que contenha agrupamento de termos cruzados j
possvel representar todas as frequncias ressonantes. Embora isso possa acarretar o surgimento
de frequncias esprias ao sistema modelado. Diante disso, uma boa representao j pode ser
obtida a partir de um grau de no linearidade dois ou trs mesmo apresentando mais que duas
frequncias ressonantes.
Porm, considerar o grau de no linearidade do sistema a partir dos agrupamentos de termos
puros de entrada mais conveniente, pois, pode-se determinar exatamente quantas e quais fre-
43
44
2
Grfi Gmfi
n+1
X Grfi
ErroW =
Grfi
Pn+1
Grf
j
j=1
i=1
(3.22)
45
|fy (j)|
|fu (j)|
(3.23)
sendo fy (j) o vetor de frequncias da sada gerada pelo modelo e fu (j) o vetor de frequncias da entrada aplicada ao modelo obtidos atravs da DTFT.
Seguindo para o prximo passo, para determinar os mximos atrasos dos sinais de entrada
e sada do modelo, necessrio seguir algum procedimento presente na literatura. Um bom
exemplo o mtodo dos falsos vizinhos (FNN) onde os mximos atrasos so estimados diretamente a partir dos dados (RHODES; MORARI, 1995a,b) ou as funes de correlao cruzada
(FCC) de ordem elevada presentes em (BILLINGS; ZHU, 1994; AGUIRRE, 1997) e utilizados
neste trabalho.
A sugesto de termos do passo 5c pode ser feita seguindo as anlises feitas na seo 3.2.4. A
partir do nmero de frequncias ressonantes possvel determinar o grau de no linearidade de
partida para a representao segundo a discusso da seo 3.3.1.
46
As frequncias que devem ser consideradas na sada tanto para a sugesto do grau de no linearidade quanto para comparao realizada no mtodo so aquelas que esto na regio de potncia
espectral do sistema. Porm, necessrio avaliar quais frequncias realmente fazem parte da
dinmica do sistema e quais frequncias surgem em funo da amostragem e do janelamento
do sinal. Frequncias que surgem aps este limite provavelmente so esprias dinmica do
sistema. Alm disso deve-se optar por uma frequncia o mais prximo da menor frequncia
de potncia espectral possvel. Isso permitir a anlise de todas as frequncias ressonantes
frequncia aplicada pelo sinal de entrada.
Pelos desenvolvimentos realizados nas sees 3.2.1 a 3.2.3 e resumidos na Tabela 3.1 podem
ser sugeridas com maior exatido apenas os agrupamentos de termos puros de entrada.
Pode-se tambm, ao invs de adotar o procedimento proposto como ferramenta principal na
seleo de estrutura, utiliz-lo como ferramenta auxiliar a outros mtodos onde estruturas com
menores nmeros de termos j foram escolhidas cabendo ao mtodo realizar o corte de termos
menos relevantes.
Uma boa prtica nesse caso, seria utilizar o mtodo como auxlio aos critrios ERR e Akaike.
Utilizando esses critrios antes da aplicao da ferramenta proposta o mtodo avalia se h
relevncia de todos os termos includos nas estruturas pelos mtodos clssicos. Portanto, seria uma opo ao mtodo acrescentar o seguinte passo antes do passo 5c:
Utilize o critrio de corte de Akaike.
Portanto, o mtodo iria buscar por estruturas mais compactas do que aquelas oferecidas pela
aplicao do critrio ERR em conjunto com o critrio de corte de Akaike.
A estimao de parmetros do passo 5(e)ii pode ser feita utilizando o MQ ou MQE discutidos
na seo 2.2.1.6.
importante apontar agrupamentos de termos importantes na explicao da dinmica do sistema modelado porque diminuir a variedade de estruturas avaliadas no passo 5e diminuindo o
tempo de processamento computacional.
O modelo agora com os parmetros estimados precisa reproduzir o mesmo domnio da frequncia que o sistema submetido ao mesmo sinal de entrada. Para isso, a anlise no domnio da
frequncia obtido utilizando a DTFT. Neste caso comparar-se- apenas o ganho de cada uma
das frequncias de interesse. Foi preciso ento calcular o erro entre os ganhos das frequncias
do modelo e do sistema. Para isso foi criado um ndice de erro entre os ganhos das frequncias
do modelo e do sistema chamado ErroW . A equao (3.22) apresenta o clculo deste ndice.
47
48
Captulo 4
Estudo de casos simulados
4.1 Introduo
Neste captulo a metodologia proposta neste trabalho aplicada em dois sistemas simulados.
O primeiro um sistema visto em (HABER; UNBEHAUEN, 1990). Este sistema foi escolhido principalmente por ser frequentemente utilizado na literatura para realizao de identif cao. Isso permite que sejam comparados desempenhos de modelos obtidos anteriormente
com representaes apontadas pelo mtodo. Uma outra vantagem poder obter sistemas com
no linearidades pr-estabelecidas variando um parmetro do modelo.
O segundo sistema trata-se da simulao de uma planta de neutralizao de pH. Seu uso neste
trabalho deve-se principalmente sua caracterstica no linear severa. Isso garante que o mtodo
utilizado possa ser submetidos casos extremos onde a identif cao nem sempre funciona utilizando ferramentas existentes na literatura. Casos recentes na literatura como em (CORRA,
2001; CAMPOS, 2007) apresentam estruturas de grande complexidade para uma representao satisfatria desse sistema. A metodologia aplicada far uma busca por uma estrutura mais
compacta e que mesmo assim represente bem a dinmica da planta de pH simulada.
50
[1 + u(t)]
dy
+ y(t) u(t) = 0
dt
(4.1)
ou seja, trata-se de um sistema cujo ganho constante e a constante de tempo varia com o ponto
de operao na seguinte forma (u) = 1 + u(t). A equao (4.1) foi simulada com = 5,
gerando conjuntos de dados distintos para identif cao e para validao assim como feito em
(CORRA; AGUIRRE, 2004). No foi adicionado rudo para este caso.
Para a identif cao realizada no procedimento, foi usado um sinal com a entrada de amplitude
aleatria, excursionando o sistema em toda a sua faixa de operao com durao de cada patamar tambm aleatrio. O tempo de amostragem usado foi de Ts = 0,1 s e a massa de dados
total possui 15000 observaes.
Esse sistema foi simulado utilizando o Simulinkr em formato de diagrama de blocos utilizando
a equao (4.1). A simulao baseada no algoritmo de Dormand-Prince chamado no programa
de ode45.m. A Figura 4.1 apresenta o diagrama de blocos da representao.
Os dados gerados pela simulao podem ser visualizados nas Figuras 4.2 e 4.3, respectivamente.
Procurou-se excitar o sistema em toda a faixa de frequncia onde o sistema tem potncia espectral com o objetivo de excitar toda sua dinmica.
51
Dados de identificao: entrada vs. tempo
p.u.
4
3
2
1
0
100
100
200
300
400
500
600
tempo(s)
Dados de identificao: sada vs. tempo
200
300
700
p.u.
2.5
2
1.5
1
0.5
400
tempo(s)
500
600
700
Figura 4.2: Dados gerados pela simulao do sistema 1 para identif cao. Em (a), os dados de entrada
so apresentados e em (b) os dados de sada.
p.u.
4
3
2
1
800
900
800
900
1000
1100
1200
1300
tempo(s)
Dados de identificao: sada vs. tempo
1400
3
p.u.
2.5
2
1.5
1
0.5
1000
1100
1200
tempo(s)
1300
1400
Figura 4.3: Dados gerados pela simulao do sistema 1 para validao. Em (a), os dados de entrada so
apresentados e em (b) os dados de sada.
interessante notar que os vetores de dados de identif cao e de validao possuem tamanhos
iguais. Neste primeiro caso o sistema foi simulado, portanto, poderiam ser gerados quantos
52
10
0
Ganho (dB)
10
20
30
40
50
60
2
10
10
10
10
Frequencia (rad/s)
Figura 4.4: Ganho das frequncias do sistema simulado 1 em dB. A linha refora o comportamento do
ganho no domnio da frequncias dos dados.
Pela Figura 4.4 pode-se observar que o comportamento do sistema simulado 1 semelhante a
de um f ltro passa baixas e que, a frequncia de corte desse f ltro considerando um ganho de
corte de -3dB, localiza-se entre 0,1 e 0,2 rad/s. Os pontos aps esta faixa de frequncia que
possuem ganhos que diferem do comportamento do sistema so causados pelo janelamento dos
dados. Foi utilizado a janela de Hammimg para diminuio desse efeito. A linha escura enfatiza
a relao entre os ganhos de entrada e sada do sistema simulado 1.
Diante das informaes apresentadas nesta seo, pode-se partir para a obteno da estrutura
seguindo a metodologia proposta.
53
p.u.
4
3
2
1
0
100
200
300
400
500
600
tempo(s)
(b) Parte dos dados do sistema 1: CTV sada vs. tempo submetido a uma frequncia de 0,02 rad/s
100
200
p.u.
4
3
2
1
300
400
tempo(s)
500
600
Figura 4.5: Parte dos dados para o sistema 1 excitado a uma frequncia de 0,02 rad/s. Em (a), os dados
de entrada so apresentados e em (b) os dados de sada.
A deteco visual de no linearidades a partir da anlise dos sinais de entrada e sada difcil
devido semelhana deste conjunto de dados verif cado nas Figuras 4.5 (a) e (b) para entrada
e sada, respectivamente. Porm, o sinal parece ter sofrido uma pequena alterao na sada.
Como pode ser observado, houve uma mudana nos tempos de pico superior do sinal prximo
a 100 e a 400 segundos da sada em relao entrada. Para uma anlise mais criteriosa so
realizadas as DTFTs tanto para o sinal de entrada quanto para o sinal de sada.
As Figuras 4.6 (a) e (b) apresentam a anlise no domnio da frequncia do sistema simulado 1
submetido a uma entrada de 0,02 rad/s. A anlise no domnio da frequncia foi obtida atravs
54
da aplicao da DTFT tanto nos dados de entrada quanto nos dados de sada.
(a)
(b)
1.5
|Y(j)|
|U(j)|
1.5
0.5
0.5
0.05
0.1
0.15
Frequencia (rad/s)
0.2
0.25
0.05
0.1
0.15
Frequencia (rad/s)
0.2
0.25
Figura 4.6: DTFT dos dados do sistema simulado 1 excitado a uma frequncia de 0,02 rad/s. A DTFT do
sinal de entrada est representados em (a). A DTFT dos dados de sada esto representados
em (b). O eixo horizontal foi cortado na frequncia 0,25 rad/s para uma melhor visualizao.
Nas Figuras 4.6 pode-se verif car a existncia de apenas uma frequncia no sinal de entrada
e o surgimento de uma frequncia ressonante no sinal de sada. A Tabela 4.1 apresenta as
frequncias surgidas na sada e os seus ganhos em mdulo.
Tabela 4.1: Frequncias e respectivos ganhos surgidos na sada do sistema simulado 1.
Frequncia (rad/s)
0,02
0,04
Ganho (mdulo)
2,3911
0,1845
Analisando a Figura 4.6 (b) e confrontando com os dados da Tabela 4.1 observa-se o surgimento
de uma outra frequncia aparente alm da frequncia de excitao. A primeira a frequncia
fundamental, resposta direta entrada e principal componente da sada. Sugere-se ento que
esta a frequncia que deve ser melhor representada pelo modelo. A nica frequncia ressonante do modelo a de valor 0,04 rad/s. Esta frequncia tem papel fundamental na dinmica do
sistema 1 porque surge dentro de sua faixa de operao e dentro do limite de 30% da frequncia
de amostragem.
Diante disso e da discusso feita na seo 3.3.1 sugere-se que o uso de um modelo polinomial de
grau de no-linearidade dois seria suf ciente para representao do sistema simulado 1. Graus de
55
no linearidade maiores que este poderiam inserir frequncias esprias do sistema no modelo.
Os agrupamentos de termos que podem ser sugeridos para a estrutura do modelo, analisando
pela resposta em frequncia, so: os termos lineares, capazes de reproduzir a frequncia fundamental dos dados da sada e em conjunto representar o comportamento de f ltro passa-baixas do
sistema; o agrupamento de termos cruzados de grau de no linearidade par. Estes ltimos agrupamentos colaboram para a representao da frequncia ressonante mltipla par da frequncia
fundamental; e um agrupamento de termo puro de entrada de grau de no linearidade 2. Este
colabora para a reproduo da segunda frequncia ressonante exibida pelo sistema.
Os mximos atrasos na entrada e sada foram determinados utilizando o FCC.
O modelo obtido pelo mtodo clssico da literatura apresentado na equao (4.2).
(4.2)
O modelo da equao (4.2) apresentou 13 termos em sua estrutura ordenados do mais relevante
para o menos relevante na explicao da dinmica do sistema. O RMSE foi de 0,1290. A
predio livre e a anlise no domnio da frequncia do modelo so apresentadas nas Figuras 4.7
(a) e (b) respectivamente.
56
(b)
3.5
2
1.8
1.6
2.5
1.4
1.2
p.u.
|Y(j)|
1.5
0.8
0.6
0.4
0.5
0
700
Dados
Modelo (4.2)
800
900
0.2
1000
1100
1200
tempo(s)
1300
1400
1500
0.02
0.04
0.06
Frequencia (rad/s)
0.08
0.1
Figura 4.7: Predio livre e anlise no domnio da frequncia do modelo obtido pelo mtodo clssico
para o sistema simulado 1. A predio livre est ilustrada em (a). A anlise no domnio da
frequncia em (b).
Na Figura 4.7 pode-se observar que a anlise no domnio da frequncia obtida pelo modelo
apresentam as frequncias fundamental e outras duas ressonantes. Os valores das frequncias
ressonantes para este caso so apresentados na Tabela 4.2.
Tabela 4.2: Frequncias e respectivos ganhos surgidos na sada modelo obtido pelo mtodo clssico para
o sistema simulado 1.
Frequncia (rad/s)
0,02
0,04
0,06
Ganho (mdulo)
2,076
0,2248
0,0045
Pela Tabela 4.2 possvel observar que as frequncias apresentadas pela predio livre do sistema submetido ao sinal de frequncia nica de 0,02 rad/s so as mesmas apresentadas pelo modelo exceto a segunda frequncia ressonante. A frequncia 0,06 rad/s apresentada pelo modelo
no corresponde ao conjunto de frequncias ressonantes apresentadas pelo sistema. Portanto, o
surgimento desta frequncia pode representar uma dinmica espria afetando o desempenho do
modelo. O ErroW calculado foi de 0,1233.
Diante disso, procurou-se aplicar o mtodo proposto para verif car a possibilidade de melhorar
o desempenho do modelo e ainda avaliar a necessidade de cada termo e agrupamento de termos
apresentado na estrutura fornecida pelo mtodo clssico.
57
58
(b)
3.5
1
2.5
0.8
p.u.
|Y(j)|
0.6
1.5
0.4
1
0.2
0.5
0
700
Dados
Modelo (4.3)
800
900
1000
1100
1200
tempo(s)
1300
1400
1500
0.02
0.04
0.06
Frequencia (rad/s)
0.08
0.1
Figura 4.8: Predio livre e anlise no domnio da frequncia do primeiro modelo obtido para o sistema
simulado 1. A predio livre est representados em (a). A anlise no domnio da frequncia
em (b).
A Tabela 4.3 apresenta os valores dos ganhos das frequncias fornecidas pelo modelo apresentado pelo mtodo no passo 1.
Tabela 4.3: Frequncias e respectivos ganhos surgidos na sada modelo obtido pelo primeiro passo do
mtodo proposto para o sistema simulado 1.
Frequncia (rad/s)
0,02
0,04
Ganho (mdulo)
1,1552
0,3322
Pode-se observar atravs da Figura 4.8 e pelo ndice RMSE que o desempenho do modelo foi
inferior ao do modelo obtido pelo mtodo clssico. Na Tabela 4.3 nota-se que os ganhos de cada
frequncia fornecida pelo modelo tm valores bem diferentes daqueles obtidos pelo sistema
apresentados na Tabela 4.1. O ErroW calculado foi de 0,4833 bem maior que o ErroW
apresentado pelo modelo apresentado na equao (4.2).
Diante do pior desempenho do modelo da equao (4.3) comparado ao modelo obtido pelo
mtodo clssico, sugere-se acrescentar mais um termo que possa colaborar nos ganhos das
frequncias fundamental e ressonante exibidas na sada do modelo. Seguindo a ordenao realizada pelo critrio ERR, adiciona-se o termo u(k 1)y(k 2) porque este termo tambm
possui contribuio para a frequncia ressonante apresentada pelo sistema. Depois estima-se
novamente os parmetros e realiza-se uma nova predio livre. O modelo obtido apresentado
59
na equao (4.4).
+0,0014u(k 1)y(k 2)
A Figura 4.9 apresenta em (a) a predio livre do modelo obtido e em (b) a anlise no domnio
da frequncia . O RMSE foi de 0,3690.
(a)
(b)
3.5
2
3
2.5
1.5
p.u.
|Y(j)|
1.5
1
0.5
0.5
0
700
Dados
Modelo (4.4)
800
900
1000
1100
1200
tempo(s)
1300
1400
1500
0.02
0.04
0.06
Frequencia (rad/s)
0.08
0.1
Figura 4.9: Predio livre e e anlise no domnio da frequncia do segundo modelo obtido para o sistema
simulado 1. A predio livre est representados em (a). A anlise no domnio da frequncia
em (b).
A Tabela 4.4 apresenta os valores dos ganhos das frequncias fornecidas pelo modelo apresentado pelo mtodo no passo 2.
Tabela 4.4: Frequncias e respectivos ganhos surgidos na sada modelo obtido pelo segundo passo do
mtodo proposto para o sistema simulado 1.
Frequncia (rad/s)
0,02
0,04
0,06
0,08
Ganho (mdulo)
2,205
0,2856
0,119
0,04821
60
Pode-se notar pelas informaes da Figura 4.1 (b) e da Tabela 4.4 que pelo efeito da adio
de um termo cruzado ao modelo surgem outras frequncias na sada fornecida pelo modelo.
Embora isso tenha ocorrido, o modelo teve seu desempenho signif cativamente melhorado se
comparado ao modelo (4.2). Isso pode ter sido causado pela aproximao dos ganhos das
frequncias de interesse (0,02 e 0,04 rad/s) do modelo aos ganhos das frequncias reais do
sitema. O ErroW obtido foi de 0,4833.
No prximo passo, utilizando o critrio de ordenao ERR, o agrupamento que ser acrescentado u(k 1)y(k 1). Com este agrupamento o modelo obtido e estimado apresentado na
equao (4.5).
A Figura 4.10 apresenta em (a) a pedio livre do modelo obtido e em (b) a anlise no domnio
da frequncia . O RMSE foi de 0,1293.
(a)
(b)
3.5
2
1.8
1.6
2.5
1.4
1.2
p.u.
|Y(j)|
1.5
1
0.8
0.6
0.4
0.5
0
700
Dados
Modelo (4.5)
800
900
1000
0.2
1100
1200
tempo(s)
1300
1400
1500
0.02
0.04
0.06
Frequencia (rad/s)
0.08
0.1
Figura 4.10: Predio livre e anlise no domnio da frequncia do terceiro modelo obtido para o sistema
simulado 1. A predio livre est representados em (a). A anlise no domnio da frequncia
em (b).
A Tabela 4.5 apresenta os valores dos ganhos das frequncias fornecidas pelo modelo apresentado pelo mtodo no passo 3.
61
Tabela 4.5: Frequncias e respectivos ganhos surgidos na sada modelo obtido pelo terceiro passo do
mtodo proposto para o sistema simulado 1.
Frequncia (rad/s)
0,02
0,04
0,06
0,08
Ganho (mdulo)
2,019
0,2123
0,038
0,009
Comparando os valores dos ganhos das frequncias 0,02 e 0,04 rad/s das Tabelas 4.1 e 4.5
possvel notar que estes continuam prximos. Isso signif ca que as frequncias que devem
ser representadas pelo modelo tem o seu ganho prximos aos ganhos reais do sistema. No
entanto, em relao s frequncias esprias ao sistema 1, 0,06 e 0,08 rad/s, a adio do termo
u(k 1)y(k 1) causou uma forte atenuao em seus ganhos fazendo com que a resposta
em frequncia do modelo fosse melhor aproximada da resposta em frequncia do sistema. O
ErroW calculado foi de 0,1449 ainda maior que o modelo (4.5).
No prximo passo, utilizando o critrio de ordenao ERR, o termo que ser acrescentado
u(k 2). Este um termo linear e contribui apenas para o ganho da frequncia fundamental. Tanto pode ser descartado como pode ser utilizado para um novo clculo de ErroW .
Isso porque a sua contribuio pode ser irrelevante j que o ganho da frequncia fundamental
encontra-se muito prximo ao ganho da frequncia do sistema. Tambm pode ter efeito danoso
na representao da dinmica principal do sistema. Com o propsito de anlise, ser apresentada a predio livre tambm para o modelo com este termo. Com este termo o modelo obtido
e estimado apresentado na equao (4.6).
62
(b)
3.5
2
1.8
1.6
2.5
1.4
1.2
p.u.
|Y(j)|
1.5
1
0.8
0.6
0.4
0.5
0
700
Dados
Modelo (4.6)
800
900
1000
0.2
1100
1200
tempo(s)
1300
1400
1500
0.02
0.04
0.06
Frequencia (rad/s)
0.08
0.1
Figura 4.11: Predio livre e anlise no domnio da frequncia da sada do quarto modelo obtido para o
sistema simulado 1. A predio livre est representados em (a). A anlise no domnio da
frequncia em (b).
A Tabela 4.6 apresenta os valores dos ganhos das frequncias fornecidas pelo modelo apresentado pelo mtodo no passo 4.
Tabela 4.6: Frequncias e respectivos ganhos surgidos na sada modelo obtido pelo quarto passo do
mtodo proposto para o sistema simulado 1.
Frequncia (rad/s)
0,02
0,04
0,06
0,08
Ganho (mdulo)
2,02
0,2125
0,038
0,009
Confrontando os dados das Tabelas 4.5 e 4.6 pode-se notar que a adio do termo u(k 2)
no teve inf uncia signif cativa na resposta em frequncia do modelo. Por isso, poderia ser
dispensado da anlise no mtodo proposto. o ErroW obtido para este caso foi de 0,1445.
Descartando o termo u(k 2) e adicionando o termo u(k 2)2 realizado o prximo passo. O
modelo obtido agora apresentado na equao (4.7).
63
A Figura 4.12 apresenta em (a) a predio livre do modelo obtido e em (b) a sua anlise no
domnio da frequncia. O RMSE foi de 0,1301.
(a)
(b)
3.5
2
1.8
1.6
2.5
1.4
1.2
p.u.
|Y(j)|
1.5
1
0.8
0.6
0.4
0.5
0
700
Dados
Modelo (4.7)
800
900
1000
0.2
1100
1200
tempo(s)
1300
1400
1500
0.02
0.04
0.06
Frequencia (rad/s)
0.08
0.1
Figura 4.12: Predio livre e anlise no domnio da frequncia do quinto modelo obtido para o sistema
simulado 1. A predio livre est representados em (a). A DTFT em (b).
A Tabela 4.7 apresenta os valores dos ganhos das frequncias fornecidas pelo modelo apresentado pelo mtodo no passo 5.
Tabela 4.7: Frequncias e respectivos ganhos surgidos na sada modelo obtido pelo quinto passo do
mtodo proposto para o sistema simulado 1.
Frequncia (rad/s)
0,02
0,04
0,06
0,08
Ganho (mdulo)
2,019
0,2124
0,038
0,009
Novamente para este quinto modelo a alterao da resposta em frequncia ocasionada pela
adio do termo u(k 2)2 foi pequena. O ErroW calculado para a DTFT deste quinto modelo
64
foi de 0,1448. Pode-se notar que a adio dos dois ltimos termos no alterou signif cativamente
a resposta em frequncia da sada do modelo. O clculo de ErroW praticamente no se alterou.
A Figura 4.13 apresenta a evoluo de ErroW ao longo dos passos.
Evoluo de ErroW
0.5
0.45
0.4
ErroW
0.35
0.3
0.25
0.2
0.15
0.1
1.5
2
2.5
3
3.5
4
4.5
Passo (Nmero de agrupamentos de termos adicionados)
Figura 4.13: Evoluo do clculo de ErroW para cada passo para o sistema simulado 1.
Nota-se que nos passos quatro e cinco no h diminuio signif cativa do ErroW calculado.
Isso sugere que tanto o termo u(k 2) e u(k 2)2 so irrelevantes na explicao da dinmica
do sistema no domnio da frequncia. Portanto pode-se haver o corte da estrutura no passo trs.
O modelo sugerido pelo mtodo ser o modelo apresentado na equao (4.5).
importante salientar que essa avaliao no feita para os primeiros termos lineares. Isso
porque esses termos no colaboram sozinhos na reproduo da frequncia ressonante da sada
e no alcanam desempenho satisfatrio na representao de sistemas que apresentam no linearidades.
Agrupamento de termos que geram as mesmas frequncias podem ser sugeridos ao modelo. A
contribuio de cada agrupamento para cada frequncia depender tambm do coef ciente que
acompanha o agrupamento. Para o termo u(k 1)2 fcil predizer o efeito do termo sobre o
modelo. Porm para os termos cruzados, u(k 1)y(k 2) e u(k 1)y(k 1) esta concluso
no to trivial, pois, estes termos podem fornecer inf nitas frequncias ressonantes quando
adicionados ao modelo. No entanto, diferentemente de u(k 1)2 , os agrupamentos cruzados contribuem de forma signif cativa para a frequncia fundamental do sistema representado.
65
66
Neste trabalho a entrada nica trata-se da vazo de reagente bsico e a sada, tambm nica,
trata-se da medio de pH. As demais entradas so mantidas constantes. Melhores informaes
sobre a planta de neutralizao de pH simulada podem ser obtidas em (CAMPOS, 2007).
Para a identif cao realizada no procedimento, foi usado um sinal com a entrada de amplitude
aleatria, excursionando o sistema em toda a sua faixa de operao com durao de cada patamar tambm aleatrio. O tempo de amostragem usado foi de Ts = 15 s e a massa de dados total
possui 48000 observaes.
Parte dos dados de identif cao e validao podem ser visualizados nas Figuras 4.14 e 4.15
respectivamente.
p.u.
3
2
1
0
4
5
6
tempo(s)
Dados de identificao: sada vs. tempo
7
4
x 10
10
p.u.
8
6
4
0
4
tempo(s)
7
4
x 10
Figura 4.14: Parte dos dados gerados pela simulao do sistema 2 para identif cao. Em (a), os dados
de entrada so apresentados e em (b) os dados de sada.
67
p.u.
3
2
1
3.6
3.7
3.8
3.9
4
4.1
4.2
tempo(s)
Dados de identificao: sada vs. tempo
4.3
5
x 10
10
p.u.
8
6
4
3.6
3.7
3.8
3.9
4
tempo(s)
4.1
4.2
4.3
5
x 10
Figura 4.15: Parte dos dados gerados pela simulao do sistema 2 para validao. Em (a), os dados de
entrada so apresentados e em (b) os dados de sada.
30
20
Ganho (dB)
10
0
10
20
30
40
4
10
10
Frequencia (rad/s)
10
Figura 4.16: Ganho das frequncias do sistema simulado 2 em dB. A linha escura refora o comportamento do ganho no domnio da frequncia dos dados.
Para a simulao com uma frequncia def nida foram aplicados sinais senoidais pr-def nidos
com amplitude f xa tambm excursionando toda a faixa de interesse do sistema com o objetivo
68
69
(a)
Parte dos dados de entrada para o sistema 2 vs. tempo na frequncia de 2,0 103 rad/s
5
p.u.
4
3
2
1
0
5
6
7
4
tempo(s)
x 10
(b)
Parte dos dados do sistema 2 sada vs. tempo submetido a uma frequncia de 2,0 103 rad/s
10
p.u.
8
6
4
5
tempo(s)
x 10
Figura 4.17: Parte dos dados para o sistema 2 excitado a uma frequncia de 2,0 104 rad/s. Em (a), os
dados de entrada so apresentados e em (b) os dados de sada.
A Figura 4.18 (a) e (b) apresenta a anlise no domnio da frequncia do sistema simulado 2
submetido a uma entrada de 2,0 104 rad/s. A a anlise no domnio da frequncia foi obtida
atravs da aplicao da DTFT tanto nos dados de entrada quanto nos dados de sada.
(a)
(b)
Espectro de frequncia da sada (y) para o sistema 2: pH
3
submetido a uma frequncia de 2,0 10 rad/s
0.8
|Y(j)|
|U(j)|
1.5
0.6
1
0.4
0.5
0.2
0
0
0.5
1.5
2
2.5
3
Frequencia (rad/s)
3.5
4.5
5
3
x 10
0.5
1.5
2
2.5
3
Frequencia (rad/s)
3.5
4.5
5
3
x 10
Figura 4.18: Anlise no domnio da frequncia dos dados do sistema simulado 2 excitado a uma frequncia 2,0 104 rad/s. A anlise no domnio da frequncia do sinal de entrada est
representados em (a). Para os dados de sada, em (b).
70
Nas Figuras 4.18 pode-se comprovar a existncia de apenas uma frequncia da entrada e o
surgimento de outras frequncias na sada. Diferentemente do sistema simulado 1, o espectro
de frequncia do sinal de sada do sistema simulado 2 apresenta diversas frequncias na sada.
Isso ocorre, provavelmente, em decorrncia da severa no-linearidade da planta de neutralizao
de pH simulada.
O desaf o neste ponto determinar quais frequncias so relevantes na formao do sinal de
sada quando o sistema submetido a um sinal de frequncia nica igual a 2,0 104 rad/s e
quais frequncias que o modelo ser capaz de reproduzir em sua sada. Sugere-se pelo desenvolvimento realizado que um grau de no-linearidade extremamente elevado possa representar
bem o sistema no domnio da frequncia. Porm, isto pouco interessante na prtica pois torna
o modelo muito complexo fazendo com que sua simulao e implementao f que trabalhosa.
Mesmo que no se tenha um grau de no linearidade prximo do nmero de frequncias ressonantes do sistema, pela Tabela 3.1 pode-se observar que agrupamentos de termos puros de
sada e agrupamentos de termos cruzados fornecem ao sistema inf nitas frequncias ressonantes.
Logo, existe a possibilidade de se adotar graus de no linearidade menores, diminuindo a complexidade do modelo e, ao mesmo tempo, possibilitando o surgimento de inf nitas frequncias
ressonantes no modelo acrescentando os agrupamentos mencionados. Percebe-se tambm que
modelos com apenas agrupamentos puros de entrada no sero capazes de reproduzir bem a
dinmica do sistema.
Atravs dessa discusso e da discusso realizada no captulo 3, foi escolhido um grau de no
linearidade trs para obter o modelo pelo mtodo clssico.1 Sabe-se que o grau de no linearidade no atende reproduo de todas as frequncias na sada, portanto, certo que sero
necessrios agrupamento de termos cruzados e talvez agrupamentos de termos puros de sada.
Foram determinados mximos atrasos de entrada e sada um e trs respectivamente atravs do
FCC.
Uma outra questo em relao a quantidade de frequncias que devero ser consideradas no
clculo do ndice ErroW . Para tanto, obteve-se o modelo pelo mtodo clssico e observou-se a
sua capacidade de representao da resposta em frequncia. Atravs dessa anlise determinouse quais frequncias seriam utilizadas para determinar o clculo de ErroW . Contudo, para este
caso, o mtodo procurar uma estrutura que apresente um melhor desempenho sendo menos
complexa e partir do modelo obtido pelo mtodo clssico.
O modelo obtido pelo mtodo clssico apresentado na equao (4.8).
1
Testes suprimidos neste trabalho mostraram que o aumento do grau de no linearidade para quatro ou cinco
no melhoram satisfatoriamente o desempenho do modelo para os dados do sistema simulado 2.
71
+0,003y(k 3)2
A ordem dos termos apresentada na equao (4.8) a ordem hierrquica fornecida pelo ERR.
O critrio de informao de Akaike forneceu um valor de 32 termos para o modelo, porm o
mesmo no convergiu. O ponto de corte foi def nido em uma busca exaustiva retirando-se os
termos at encontrar uma estrutura para que o modelo convergisse. Chegou-se ao nmero de
termos igual a 15.
O RMSE do modelo apresentado na equao (4.8) foi de 0,2099. A predio livre e a resposta
em frequncia do modelo obtido pelo ERR para o sistema simulado 2 so apresentadas nas
Figuras 4.19 (a) e (b), respectivamente.
(a)
(b)
10
9
3.5
8
3
7
pH
|Y(j)|
6
5
4
2.5
2
1.5
3
1
2
Dados
Modelo (4.8)
1
0
3.64
3.66
3.68
3.7
3.72 3.74
tempo(s)
0.5
3.76
3.78
3.8
3.82
5
x 10
0.5
1
1.5
Frequencia (rad/s)
2.5
3
x 10
Figura 4.19: Predio livre e anlise no domnio da frequncia do modelo obtido pelo mtodo clssico
para o sistema simulado 2. A predio livre est representada em (a). A anlise no domnio
da frequncia em (b).
A Figura 4.19 (b) apresenta todas as frequncias que o modelo foi capaz de criar na sada
submetido ao mesmo sinal de entrada de frequncia nica aplicado ao sistema. A Tabela 4.8
72
apresenta as frequncias surgidas na sada fornecida pelo modelo apresentado na equao (4.8)
submetido ao sinal de entrada de frequncia nica igual a 2,0 104 rad/s.
Tabela 4.8: Frequncias e respectivos ganhos surgidos na sada do modelo obtido pelo mtodo clssico
para o sistema simulado 2.
Frequncia (rad/s)
2,0 104
4,0 104
6,0 104
8,0 104
1,0 103
1,2 103
1,4 103
Ganho (mdulo)
4,511
0,5131
0,4681
0,2601
0,2045
0,1276
0,0796
A Tabela 4.8 mostra que o modelo obtido pelo ERR foi capaz de representar a frequncia
fundamental e mais seis frequncias ressonantes com ganhos considerveis. Portanto, para
o clculo de ErroW , sero consideradas as primeiras sete frequncias surgidas na sada do
sistema para realizao do corte de termos. A Tabela 4.9 apresenta as sete primeiras frequncias
e seus respectivos ganhos para o sistema simulado 2 observadas na Figura 4.18 (b).
Frequncia (rad/s)
2,0 104
4,0 104
6,0 104
8,0 104
1,0 103
1,2 103
1,4 103
Ganho (mdulo)
2,475
0,206
0,497
0,1145
0,1469
0,0423
0,0319
Com base nas Tabelas 4.8 e 4.9 pode-se calcular o ErroW para a o modelo obtido pelo ERR.
Para este, o valor calculado de ErroW 0,5884.
73
Tabela 4.10: Valores de ErroW para cada adio de termo no modelo para o sistema simulado 2.
74
ErroW
0.9
0.8
0.7
0.6
0.5
0.4
2
3
4
5
6
7
8
9
Passo (Nmero de agrupamentos de termos adicionados)
10
Figura 4.20: Evoluo do clculo de ErroW para cada passo para o sistema simulado 2.
(4.9)
O modelo 4.9 apresenta 11 termos enquanto o modelo obtido pela busca exaustiva foi estimado
com 15 termos. importante salientar que o nmero de termos fornecido pelo critrio de corte
de Akaike forneceu um nmero de termos de um modelo que no convergiu (31 termos). A
predio livre do modelo 4.9 apresentada na Figura 4.21 (a) e em (b) a sua anlise no domnio
da frequncia submetido ao sinal de frequncia nica de 2,0 104 rad/s.
75
(b)
10
3.5
9
8
7
2.5
|Y(j)|
pH
6
5
4
2
1.5
3
1
2
Dados
Modelo (4.9)
1
0
3.64
3.66
3.68
3.7
3.72 3.74
tempo(s)
0.5
3.76
3.78
3.8
3.82
5
x 10
0.5
1
1.5
Frequencia (rad/s)
2.5
3
x 10
Figura 4.21: Predio livre e anlise no domnio da frequncia do modelo obtido pelo mtodo de anlise
da resposta em frequncia para o sistema simulado 2. A predio livre est representados
em (a). A anlise no domnio da frequncia em (b).
76
11
10
9
pH
8
7
6
Dados
5
4
3
2
0.5
1.5
2
2.5
Vazo de base (ml/s)
3.5
Figura 4.22: Curva esttica do sistema simulado 2 e dos modelos obtidos pelo critrio de ERR e pelo
mtodo proposto. A linha contnua apresenta a curva esttica do sistema simulado 2. A linha
descontnua mais clara apresenta a caracterstica esttica do modelo obtido pelo ERR com
15 termos. A linha descontnua mais escura apresenta a caracterstica esttica do modelo
obtido pelo mtodo proposto baseado na resposta em frequncia.
Na Figura 4.22 pode-se observar que a curva esttica do sistema simulado 2 melhor aproximada quando se segue a sugesto do mtodo proposto. Isso pode explicar que os termos que
foram retirados do modelo no tm importncia signif cativa na representao do sistema. Alm
disso, sugere-se que o modelo com os termos a mais, embora tenha tido desempenho semelhante quando comparado o ndice RMSE, fornece um comportamento esttico bem diferente
do comportamento esttico real do sistema. Enquanto o modelo apresentado pelo mtodo proposto capaz de apresentar nesta mesma regio um comportamento muito mais prximo do
sistema. Isso pode ser observado nas regies de vazo de base entre 0 e 0,5 ml/s.
No entanto, como pode ser visto na f gura 4.14 poucos dados de identif cao esto presentes
nas regies de melhora de desempenho do comportamento esttico do modelo (4.9). Portanto,
no se pode af rmar que a melhora nesse desempenho referente aplicao do mtodo.
77
78
Captulo 5
Estudo de casos reais
5.1 Introduo
No Captulo 4 foi apresentada a aplicao do mtodo proposto no Captulo 3 em dois sistemas
simulados. Neste captulo a metodologia aplicada em sistemas reais e por isso apresentam
algumas peculiaridades. Entre essas caractersticas peculiares dos sistemas reais, pode-se citar
o aparecimento de rudo nos sinais coletados e a dif culdade em obter dados em grandes quantidades, seja pelo tempo requerido para simulao ou pelas condies no ideais de operao,
que podem no permitir a obteno de dados que varram toda a faixa de operao do sistema,
prejudicando assim a identif cao.
Neste captulo, o mtodo proposto no Captulo 3 foi implementado em dois sistemas reais. O
primeiro sistema trata-se de um sistema trmico de bancada em que sua fonte de calor uma
lmpada incandescente. O segundo sistema trata-se de um modelo de um helicptero de dois
graus de liberdade.
A validao dos modelos foi feita pelo mtodo tradicional utilizando dados separados para a
validao diferente do conjunto de dados de identif cao e foi escolhido o sistema trmico para
se realizar a validao do modelo obtido pelo comportamento esttico.
80
enquanto a diminuio de temperatura, ao cessar a fonte de calor, seja mais lenta. Devido esta
variao de constante de tempo, o sistema trmico apresenta um carter no linear.
Resumidamente, o sistema trmico usado neste trabalho trata-se de uma montagem de bancada
composta por um tubo de PVC de 200mm de dimetro e 300mm de altura apoiado em uma superfcie de madeira e uma lmpada incandescente em seu interior. O forno fracamente isolado
termicamente de forma que variaes da temperatura ambiente afetam o seu comportamento
dinmico. Os dados consistem em uma entrada de controle variando de 5 a 0 Volts que so
eletronicamente convertidos em tenso aplicada uma lmpada incandescente. Esta lmpada
de 60 W de potncia e alimentada por uma tenso varivel de 0 a 127 Volts. Quanto maior a
tenso aplicada lmpada, maior a energia trmica fornecida ao sistema. A sada do sistema
exibida em uma escala de 0 a 10 Volts e fornecida por um circuito eletrnico que contm
como sensor um transistor LM35. Cada variao unitria de tenso de sada representa a variao de cerca de 10o C na temperatura do sistema. Os dados so trocados entre o sistema e o
computador atravs de uma placa USB-6008 da National Instrumentsr
Nas sees subsequentes sero apresentadas as formas de aquisio de dados e a aplicao do
mtodo no auxlio obteno de uma estrutura adequada de modelos polinomiais.
5.2.1 Aquisio de dados
Os dados de identif cao devem ser capazes de ref etir os diversos regimes dinmicos apresentados pelo sistema. Para tanto, o sinal de excitao da planta deve apresentar espectro suf cientemente amplo em frequncia e amplitude de tal forma que excursione o sistema pelos regimes
dinmicos de interesse. Infelizmente, isso nem sempre possvel em sistemas reais, devido s
restries operacionais.
Os dados foram coletados a uma taxa de amostragem de 62,83 rad/s. A f m de evitar mal
condicionamento numrico na estimao de parmetros devido a medies repetitivas, os dados
foram dizimados para uma taxa de amostragem de 6,2832 rad/s para realizao do procedimento
de identif cao.
Embora para a identif cao, dados repetitivos possam implicar em mal condicionamento numrico,
na etapa de estimao de parmetros, para a obteno da anlise no domnio da frequncia,
optou-se por manter a taxa de amostragem inicial dos dados a f m de melhorar a visualizao
das frequncias de interesse.
As Figuras 5.1 e 5.2 apresentam os dados coletados e separados em dados para a identif cao
e dados para validao.
81
Tenso (Volts)
1.5
2.5
3
3.5
tempo(s)
(b) Dados de identificao: sada vs. tempo
4
4
x 10
Temperatura (C)
70
60
50
40
1
1.5
2.5
tempo(s)
3.5
4
4
x 10
Figura 5.1: Dados gerados pelo sistema trmico para identif cao. Em (a), os dados de entrada so
apresentados e em (b) os dados de sada.
Tenso (Volts)
Temperatura (C)
1
0
1000
1000
2000
3000
4000
5000
6000
tempo(s)
(b) Dados de identificao: sada vs. tempo
60
55
50
45
40
2000
3000
4000
tempo(s)
5000
6000
Figura 5.2: Dados gerados pelo sistema trmico para validao. Em (a), os dados de entrada so apresentados e em (b) os dados de sada.
82
Ganho (dB)
10
0
10
20
30
40
3
10
10
10
10
Frequencia (rad/s)
Figura 5.3: Ganho das frequncias do sistema real trmico em dB. A linha escura refora o comportamento do ganho no domnio da frequncias dos dados.
A resposta em frequncia apresentada pela Figura 5.3 demonstra que o sistema trmico comportase como um f ltro passa-baixas atenuando fortemente frequncias acima da faixa aproximada
de 2,0 102 e 6,0 102 rad/s. Fisicamente, um sistema trmico excitado a um sinal de alta
frequncia no capaz de responder ao sinal de entrada. Isso porque o processo tem caracterstica dinmica lenta. Portanto, sinais de alta frequncia inseridos na entrada so fortemente
atenuados na sada.
A linha escura refora a visualizao do resposta em frequncia do sistema trmico mais aproximada.
5.2.2 Obteno de estrutura de modelo polinomial NARX para o sistema trmico utilizando o mtodo clssico e a sugesto de grau de no linearidade proposta
A frequncia de corte de operao do sistema trmico encontra-se prxima a faixa de 2,0102
e 6,0 102 rad/s como pode ser visto na Figura 5.3. Conhecida a regio de espectro de
frequncia onde o sistema trmico funciona, determinou-se a frequncia de excitao do sistema
para verif cao do surgimento de frequncias ressonantes em 5,3 103 rad/s.
A Figura 5.4 (a) apresenta o sinal de entrada aplicado ao sistema trmico e a resposta do sistema
ao sinal aplicado na Figura 5.4 (b) frequncia determinada.
83
Temperatura (C)
(a)
Parte dos dados de entrada para o forno vs. tempo na frequncia de 0,0053 rad/s
4
3
2
1
1
1.05
1.1
1.15
1.2
tempo(s)
1.25
1.2
tempo(s)
1.25
1.3
1.35
4
x 10
(b)
Parte dos dados do forno sada vs. tempo submetido a uma frequncia de 0,0053 rad/s
Temperatura (C)
65
60
55
50
45
1
1.05
1.1
1.15
1.3
1.35
4
x 10
Figura 5.4: Parte dos dados para o sistema trmico excitado a uma frequncia de 5,3 103 rad/s. Em
(a), os dados de entrada so apresentados e em (b) os dados de sada.
(a)
(b)
Espectro de frequncia da entrada (u) para o forno submetido a uma frequncia de 0,0053 rad/s
Espectro de frequncia da sada (y) para o forno submetido a uma frequncia de 0,0053 rad/s
9
1.6
8
1.4
7
1.2
6
|Y(j)|
|U(j)|
1
0.8
0.6
5
4
3
0.4
0.2
0.05
0.1
0.15
Frequencia (rad/s)
0.2
0.25
0.05
0.1
0.15
Frequencia (rad/s)
0.2
0.25
Figura 5.5: Anlise no domnio da frequncia do sistema trmico excitado a uma frequncia de 5,3103
rad/s. A anlise no domnio da frequncia do sinal de entrada est representados em (a) e dos
dados de sada esto representados em (b).
As Figuras 5.5 (a) e (b) apresentam a anlise no domnio da frequncia do sistema trmico
submetido a uma entrada de 5,3 103 rad/s da entrada e da sada respectivamente. A anlise
84
no domnio da frequncia foi obtida atravs da aplicao da DTFT tanto nos dados de entrada
quanto nos dados de sada.
Nas Figuras 5.5 (a) e (b) pode-se comprovar a existncia de apenas uma frequncia da entrada
e o surgimento de duas frequncias ressonantes existentes na sada, muito embora haja o aparecimento de frequncias devido amostragem e ao janelamento do sinal. A Tabela 5.1 apresenta
as frequncias ressonantes da frequncia fundamental surgidas na sada e os seus ganhos em
mdulo.
Tabela 5.1: Frequncias e respectivos ganhos surgidos na sada do sistema trmico.
Frequncia (rad/s)
5,3 103
1,06 102
1,59 102
Ganho
8,577
0,4084
0,5522
Os dados exibidos na Tabela 5.1 indicam uma no linearidade moderada nos dados do sistema
trmico devido ao ganho das ressonncias serem baixos em relao a frequncia aplicada na
entrada. No entanto, para representar de forma adequada o sistema como sugere o mtodo,
pode-se utilizar grau de no-linearidade dois ou trs. Optou-se pelo menor grau de no linearidade a f m de obter um modelo menos complexo. Logo, agrupamentos de termos cruzados
ou puros de entrada devero estar presentes para representar a terceira frequncia ressonante j
que agrupamentos puros de entrada de grau de no linearidade par no as reproduzem. Quanto
aos atrasos mximos de entrada e sada foram determinados, pelo FCC, dois para os dois casos.
Por ser um sistema real e estar sujeito a rudos, obteve-se modelos NARMAX com 20 termos
de rudo lineares.
O modelo obtido pelo mtodo clssico apresentado na equao (5.1)
(5.1)
i=1
O modelo da equao (5.1) apresentou 11 termos em sua estrutura ordenados do mais relevante
85
para o menos relevante na explicao da dinmica do sistema e os termos de rudo. O rmse foi
de 0,3401. A predio livre e a resposta em frequncia do modelo so apresentadas nas Figuras
5.6 (a) e (b), respectivamente.
(a)
(b)
62
60
12
58
10
54
|Y(j)|
Temperatura (C)
56
52
50
48
46
Dados
Modelo (5.1)
44
42
1
1.1
1.2
1.3
1.4
tempo(s)
1.5
1.6
0.01
x 10
0.02
0.03
Frequencia (rad/s)
0.04
0.05
Figura 5.6: Predio livre e anlise no domnio da frequncia do modelo obtido pelo mtodo clssico
para o sistema trmico. A predio livre est representados em (a). A anlise no domnio da
frequncia em (b).
Pela Figura 5.6 pode-se observar o surgimento de frequncias devido ao janelamento do sinal e
da amostragem. No caso de sistemas reais esse efeito intensif cado pois os conjuntos de dados
tm tamanhos limitados. Um outro problema que surge a presena de rudo nos dados. Esses
rudos aparecem nas respostas em frequncia do sistema e assim como o ajanelamento do sinal,
podem camuf ar as frequncias ressonantes que surgem na sada com menores ganhos causando
erros no clculo do ndice ErroW para implementao do mtodo.
A Tabela 5.2 apresenta as frequncias e seus respectivos ganhos para o sistema trmico observados na Figura 5.6 (b).
Tabela 5.2: Frequncias e respectivos ganhos surgidos na sada do modelo obtido pelo mtodo clssico
para o sistema trmico.
Frequncia (rad/s)
5,3 103
1,06 102
1,59 102
Neste caso, o valor de ErroW foi 0,6123.
Ganho (mdulo)
14,39
0,5117
0
86
Na Figura 5.7 apresentado o ErroW a cada agrupamento acrescentado ao modelo. Note que
a partir do passo 4 no qual acrescentado o termo u(k 2)y(k 2) o ndice ErroW volta a
crescer. Portanto, pode-se dizer que o acrscimo de termos a partir de ento tem efeito negativo
na resposta em frequncia do sistema, ou seja, a incluso de termos est incluindo dinmicas
esprias ao modelo. Portanto, limita-se a estrutura do modelo no quarto agrupamento aps os
termos lineares.
Evoluo de ErroW
0.9
0.85
0.8
ErroW
0.75
0.7
0.65
0.6
0.55
0.5
2
3
4
5
6
Passo (Nmero de agrupamentos de termos adicionados)
Figura 5.7: Evoluo do clculo de ErroW para cada passo para o sistema trmico.
87
Observe que o modelo (5.2) tem apenas seis termos, cinco a menos que o modelo (5.1), apresentado pelo mtodo clssico. A predio livre do modelo obtido apresentada na Figura
5.8.
56
54
52
50
48
46
Dados
Modelo (5.2)
44
42
1
1.1
1.2
1.3
1.4
tempo(s)
1.5
1.6
4
x 10
Figura 5.8: Predio livre do modelo obtido pelo mtodo proposto para o sistema trmico.
O mtodo proposto apresentou o modelo 5.2 que obteve um desempenho satisfatrio. O ndice
RMSE calculado foi de 0,3560 prximo ao RMSE obtido pelo modelo (5.1).
5.2.4 Validao esttica dos modelos
O sistema trmico foi escolhido para a realizao da validao esttica.
Na Figura 5.9 so apresentados os comportamentos estticos exibidos pelo sistema e pelos
modelos obtidos neste trabalho para o sistema trmico.
88
80
Temperatura (C)
70
60
50
40
30
0.5
1.5
2
Tenso (Volts)
2.5
Figura 5.9: Curva esttica do sistema trmico e dos modelos obtidos pelo critrio de ERR+AKAIKE
e pelo mtodo proposto. A linha contnua apresenta a curva esttica do sistema trmico.
A linha descontnua mais clara apresenta a caracterstica esttica do modelo obtido pelo
ERR+AKAIKE. A linha mais escura apresenta a caracterstica esttica do modelo obtido
pelo mtodo proposto baseado na resposta em frequncia.
Pela Figura pode-se observar que as curvas estticas dos dois modelos aproximaram de forma
insuf ciente curva esttica do sistema trmico. No entanto, quando comparado o modelo
5.2 pelo mtodo proposto e o modelo (5.1), obtido pelo mtodo clssico, observa-se que os
modelos tm desempenho esttico prximos. Embora no tenha tido um desempenho superior
signif cativo, o mtodo proposto sugere um modelo mais compacto o que o torna vantajoso
perante o outro modelo.
89
As duas sadas do prottipo constituem-se nos ngulos de cada um dos movimentos de rotao.
A primeira, o ngulo de rotao do movimento de arfagem e a segunda o ngulo de rotao para
o movimento de guinada.
Este trabalho limitou-se ao uso de sistemas SISO. Portanto a entrada do motor da cauda foi
mantida constante e a leitura do ngulo de rotao do movimento de guinada foi desprezada.
Mais detalhes sobre a coleta de dados sero apresentados na seo 5.3.1.
A ao da gravidade contribui para uma condio especial ao movimento do sistema. Ao mesmo
tempo que faz oposio ao movimento de subida, colabora para o movimento de descida inf uindo na velocidade de subida e descida do movimento de arfagem. Isso faz com que o
sistema tenha ao menos duas constantes de tempo. A partir disso j pode-se considerar que o
90
91
Tenso (Volts)
14.5
14
13.5
ngulo Arfagem ()
13
200
400
600
800
tempo(s)
(b) Dados de identificao: sada vs. tempo
200
400
1000
0
10
20
30
40
600
tempo(s)
800
1000
Figura 5.12: Dados gerados pelo helicptero para identif cao. Em (a), os dados de entrada so apresentados e em (b) os dados de sada.
Tenso (Volts)
ngulo Arfagem ()
1100
1150
1200
1250
1300
1350
tempo(s)
(b) Dados de identificao: sada vs. tempo
10
15
20
25
30
35
1100
1150
1200
1250
tempo(s)
1300
1350
Figura 5.13: Dados gerados pelo helicptero para validao. Em (a), os dados de entrada so apresentados e em (b) os dados de sada.
92
Tenso (Volts)
(a) Dados de entrada para o helicptero vs. tempo na frequncia de 0.6283 rad/s
14.5
14
13.5
400
500
600
700
800
tempo(s)
(b) Dados do helicptero sada vs. tempo submetido a uma frequncia de 0.6283 rad/s
ngulo Guinada ()
100
200
300
100
200
300
10
15
20
25
30
400
500
tempo(s)
600
700
800
Figura 5.14: Parte dos dados para o helicptero excitado a uma frequncia de 0,0628 rad/s. Em (a), os
dados de entrada so apresentados e em (b) os dados de sada.
(b)
7
2.5
6
2
|Y(j)|
|U(j)|
5
1.5
4
3
1
2
0.5
1
0
0.1
0.2
0.3
0.4
Frequencia (rad/s)
0.5
0.6
0.7
0.1
0.2
0.3
0.4
Frequencia (rad/s)
0.5
0.6
0.7
Figura 5.15: Anlise no domnio da frequncia dos dados do sinal de arfagem do helicptero excitado a
uma frequncia de 0,0628 rad/s. A anlise no domnio da frequncia dos dados de entrada
est representados em (a) e dos dados de sada esto representados em (b).
93
Nas Figuras 5.15 (a) e (b) a visualizao das frequncias est mais complexa que nos sistemas
anteriores. Pode-se observar que a inf uncia do janelamento, mesmo minimizado com os f ltros
de janela de Hamming, dos dados de entrada insere diversas frequncias na DTFT da entrada.
No obstante, essas frequncias acabam por interferir na resposta em frequncia do sistema
obtida pela DTFT do sinal de sada. Porm, possvel visualizar em (a) que a frequncia
predominante aquela aplicada na entrada de 0,0628 rad/s. Em (b), possvel ver a frequncia
ressonante 0,1257 rad/s com ganho menor em relao frequncia fundamental. As demais
frequncias surgidas podem ser em decorrncia da discretizao do sinal e do nmero limitado
de dados coletados. A Tabela 5.4 apresenta as frequncias surgidas na sada e os seus ganhos
em mdulo.
Tabela 5.4: Frequncias e respectivos ganhos surgidos na sada do helicptero.
Frequncia (rad/s)
0,0628
0,1257
Ganho
8,545
0,835
Os dados exibidos na Tabela 5.4 indicam uma no linearidade moderada nos dados do helicptero devido ao ganho das frequncias ressonantes serem baixos em relao a frequncia
aplicada na entrada. Para representar de forma adequada o sistema como sugere o mtodo,
pode-se utilizar grau de no-linearidade dois pois h apenas mais uma frequncia ressonante
visvel. Quanto aos atrasos mximos de entrada e sada foram determinados em dois pelo FCC.
Por ser um sistema real e estar sujeito a rudos, foram obtidos modelos NARMAX com 20
termos de rudo lineares.
O modelo obtido pelo mtodo clssico apresentado na equao (5.3).
O modelo da equao (5.3) apresentou 10 termos em sua estrutura ordenados do mais relevante
para o menos relevante na explicao da dinmica do sistema. O RMSE foi de 0,6843. A
predio livre e a anlise no domnio da frequncia do modelo so apresentadas nas Figuras
5.16 (a) e (b) respectivamente.
94
(b)
Dados
Modelo (5.3)
12
14
16
20
|Y(j)|
ngulo Arfagem ()
6
18
22
24
3
26
28
30
1
32
1145
1150
1155
1160
1165
tempo(s)
1170
1175
1180
0.02
0.04
0.06
Frequencia (Hz)
0.08
0.1
Figura 5.16: Predio livre e anlise no domnio da frequncia do modelo obtido pelo mtodo clssico
para o helicptero. A predio livre est representados em (a). A anlise no domnio da
frequncia em (b).
Pela Figura 5.16 pode-se observar o surgimento de frequncias devido ao janelamento do sinal e
da amostragem. Esse efeito intensif cado ainda mais pois os conjuntos de dados tm tamanhos
limitados. Os rudos presentes no conjunto de dados aparecem nas respostas em frequncia do
sistema e podem camuf ar as frequncias ressonantes que surgem na sada com menores ganhos
dif cultando o clculo de ErroW para implementao do mtodo.
A Tabela 5.5 apresenta as frequncias e seus respectivos ganhos para o helicptero observadas
na Figura 5.6 (b). Neste caso, o valor de ErroW foi 0,0635.
Tabela 5.5: Frequncias e respectivos ganhos surgidos na sada do modelo obtido pelo mtodo clssico
para o helicptero.
Frequncia (rad/s)
0,0628
0,1257
Ganho
9,019
1,196
95
Tabela 5.6 mostra os valores de ErroW calculados a cada passo realizado pelo mtodo.
Tabela 5.6: Valores de ErroW para cada adio e termo no modelo para o sistema trmico.
Evoluo de ErroW
1
0.9
0.8
0.7
ErroW
0.6
0.5
0.4
0.3
0.2
0.1
0
2
3
4
5
6
Passo (Nmero de agrupamentos de termos adicionados)
Figura 5.17: Evoluo do clculo de ErroW para cada passo para o helicptero.
96
Observe que o modelo (5.4) tem apenas cinco termos, cinco a menos que o modelo apresentado
pelo mtodo clssico no modelo (5.3). A predio livre do modelo obtido apresentada na
Figura 5.18.
12
14
ngulo Arfagem ()
16
18
20
22
24
26
28
30
32
1145
1150
1155
1160
1165
tempo(s)
1170
1175
1180
Figura 5.18: Predio livre do modelo obtido pelo mtodo proposto para o helicptero.
O mtodo proposto apresentou o modelo (5.4) que obteve um desempenho fraco porm parecido
com o desempenho do modelo (5.3), obtido pelo mtodo clssico. O ndice RMSE calculado
foi de 0,7125 enquanto para o mtodo clssico foi de 0,6843.
Pode-se observar que o ndice de erro de simulao foi maior para o modelo obtido pelo
mtodo mostrando um desempenho fraco em relao ao modelo obtido pelo mtodo clssico.
A dif culdade em encontrar um modelo com uma estrutura que apresentasse um melhor desempenho pode ter sido causada pela interferncia de frequncias esprias ao sistema surgidas
pelo ajanelamento do sinal no clculo da FFT.
97
98
Captulo 6
Consideraes Finais
A etapa de seleo de estrutura em identif cao de sistemas ainda no foi completamente solucionada. Diversos trabalhos tm sido realizados no intuito de facilitar o processo de busca de
uma estrutura mais prxima do ideal de um modelo sem a necessidade da experincia do modelador e se possvel realiz-lo em posse de apenas o conjunto de dados em alguns casos.
importante ressaltar que cada um tem a sua limitao.
Um critrio amplamente discutido na literatura o ERR. Apesar de sua ampla aplicabilidade,
tal critrio pode escolher termos incorretos ou redundantes em condies no ideais de identif cao. Essas condies no ideais de identif cao referem-se a dados superamostrados ou
ruidosos ou quando o sinal de entrada relativamente lento.
A f m de investigar o problema de seleo de estrutura de modelos NARX polinomiais, foi
proposto neste trabalho um estudo de comparao entre a anlise da resposta em frequncia de
um sistema e cada um dos agrupamentos de termos pertencentes a um modelo que o represente.
Uma anlise matemtica foi feita para cada tipo de agrupamento e algumas simulaes foram
realizadas comprovando a aplicabilidade da metodologia.
No Captulo 3 foi apresentada, analisada e discutida as relaes de cada um dos termos possveis em um determinado modelo. Foi visto que apenas para agrupamentos de termos puros
de entrada pode-se determinar quais as frequncias geradas ao se aplicar um sinal de entrada
de frequncia nica no modelo. Tambm foi visto que agrupamento de termos cruzados ou
agrupamentos puros de sada fornecem inf nitas frequncias ao modelo quando submetido ao
mesmo sinal. Pode-se perceber que este comportamento permitia a diminuio dos graus de
no linearidade de modelos pois para a representao de frequncias ressonantes bastava adicionar um agrupamento de termos puro de sadas ou cruzados para gerar inf nitas ressonantes.
100
6 Consideraes Finais
Observou-se que isso poderia justif car ser desnecessrio graus de no linearidades muito altos
em alguns casos.
A partir dessas anlises foi possvel sugerir a incluso ou excluso de alguns termos de um modelo mesmo j hierarquizado pelo ERR, pois tornou-se possvel avaliar o efeito do agrupamento
na resposta em frequncia do modelo.
Os testes realizados para os sistemas simulados mostraram que a metodologia proposta funcionou como critrio de corte de estruturas com agrupamentos hierarquizados pelo ERR. Observou-se que, em comparao ao critrio de informao de Akaike, o desempenho dos modelos
sugeridos pelo mtodo proposto foram semelhantes, porm, com a vantagem de fornecer estruturas mais compactas. Isso demonstrou que em alguns casos o critrio de Akaike pode fornecer
termos que no explicam a dinmica dos dados, algumas vezes fornecendo estruturas extremamente complexas. O mtodo proposto foi capaz de reconhecer estruturas bem compactas que
tiveram desempenhos prximos a um modelo com uma estrutura muito mais complexa. A aplicao do mtodo na planta simulada de pH mostrou que, embora no erro de simulao, no
houvesse melhora no desempenho dinmico do modelo, ainda assim com uma estrutura bem
mais compacta, houve uma melhora signif cativa na aproximao do comportamento esttico.
Para os casos reais, o mtodo proposto no apresentou robustez presena de rudo e ao ajanelamento do sinal. Isso porque o clculo da FFT realizado para uma quantidade limitada de dados
causa o aparecimento de frequncias no pertencentes ao sistema que camuf am as frequncias
verdadeiras. A presena de rudos nos dados tambm faz surgir frequncias que dependendo
de sua amplitude esconde frequncias que compem o espectro real do sistema. Porm, modelos obtidos pelo mtodo tiveram desempenhos semelhantes modelos obtidos pelo mtodo
clssico. Isso comprova que o mtodo clssico tambm est sujeito falhas na obteno de
modelos devido condies no ideais de identif cao.
O mtodo aqui implementado serve como um critrio de informao, porm, no fundamentalmente estatstico como o critrio de Akaike, mas apresenta relao com a representao da
dinmica do sistema a ser modelado. Isso muito vantajoso, pois, h uma menor possibilidade
de incluir agrupamentos que insiram dinmicas esprias ao sistema. Tambm aumenta-se a possibilidade de indicar os agrupamentos corretos que expliquem as no linearidades do sistema e
descartar agrupamentos que o explicam, diminuindo assim a quantidade de termos do modelo e
consequentemente simplif cando sua estrutura.
101
102
Referncias Bibliogrficas
AGUIRRE, L. A. On the structure of nonlinear polynomial models: higher order correlation functions, spectra and term clusters. Circuits and Systems I - Fundamental Theory and
Applications, 1997. 450-453p. v.44.
AGUIRRE, L. A. Introduo identificao de sistemas tcnicas lineares e no-lineares
aplicadas a sistemas reais. UFMG, 2004.
AGUIRRE, L. A.; BILLINGS, S. A. Improved structure selection for nonlinear models based
on term clustering. International Journal of Control, v.62, n.3, p.569587, 1995.
AGUIRRE, L. A.; BILLINGS, S. A. Dynamical effects of overparametrization in non-linear
models. Physica D, v.80, n.1-2, p.2640, January 1995.
AGUIRRE, L. A.; BILLINGS, S. A. Improved structure selection for nonlinear models based
on term clustering. International Journal of Control, v.62, n.3, p.569587, January 1995b.
AKAIKE, H. A new look at the statistical model identif cation. Automatic Control, IEEE
Transactions on, v.19, n.6, p.716723, 1974.
AMARAL, G. F. V. Uso de redes neurais e conhecimento a priori na identificao de
sistemas dinmicos no-lineares. 2001. Programa de Ps-Graduao em Engenharia
Eltrica, Universidade Federal de Minas Gerais, Belo Horizonte, Brasil.
BILLINGS, S. A. Identif cation of nonlinear systems - a survey. IEE Proceedings, Parte D,
v.127, n.6, p.272285, November 1980.
BILLINGS, S. A.; AGUIRRE, L. A. Effects of the sampling time and identif cation of nonlinear
models. International Journal of Bifurcation and Chaos, v.5, n.6, p.15411556, 1995.
BILLINGS, S. A.; CHEN, S. Representation of non-linear systems: the NARMAX model.
International Journal of Control, v.49, n.3, p.10131032, 1989.
104
BILLINGS, S. A.; CHEN, S. Identif cation of non-linear rational systems using a predictionerror estimation algorithm. International Journal of Systems Science, v.20, n.3, p.467494,
1989.
BILLINGS, S. A.; CHEN, S.; KORENBERG, M. J. Identif cation of MIMO non-linear systems
using a forward-regression orthogonal estimator. International Journal of Control, v.49,
n.6, p.21572189, 1989.
BILLINGS, S. A.; TAO, Q. H. Model validity testes for non-linear signal processing applications. International Journal of Control, v.54, n.1, p.157194, 1991.
BILLINGS, S. A.; ZHU, Q. M. Nonlinear Model Validation Using Correlations Tests.
Sheff eld S1 4DU, UK: University of Sheff eld, 1993. (463).
BILLINGS, S. A.; ZHU, Q. M. Nonlinear Model Validation using Correlation Tests. International Journal of Control, v.60, n.6, p.11071120, 1994.
BOYD, S.; CHUA, L. O.; DESOER, C. A. Analytical Foundations of Volterra Series. IMA
Journal of Mathematical and Information, v.1, p.243282, 1984.
BRAGA, A. P.; CARVALHO, A. P. L. F.; LUDEMIR, T. B. Redes neurais artificiais: teoria e
aplicaes. LTC, 2000.
CAMPOS, R. C. C. Projeto e construo de planta piloto de neutralizao de pH e proposta
de metodologia para incorporao de informaes auxiliares na identificao NARX
racional. 2007. Programa de Ps-Graduao em Engenharia Industrial, Centro Universitrio do Leste de Minas Gerais - Unileste-MG, Coronel Fabriciano, Brasil.
CHEN, S.; BILLINGS, S. A.; LUO, W. Orthogonal least squares methods and their applications
to non-linear system identif cation. International Journal of Control, v.50, n.5, p.1873
1896, 1989.
COELHO, M. C. S. Modelos de Hammertein e de Wiener: conexes com modelos NARX
e sua aplicao em identif cao de sistemas no-lineares. 2002. Programa de PsGraduao em Engenharia Eltrica, Universidade Federal de Minas Gerais, Belo Horizonte,
Brasil.
CORRA, M. V. Identificao caixa-cinza de sistemas no-lineares utilizando representaes NARMAX racionais e polinomiais. 2001. Programa de Ps-Graduao em
Engenharia Eltrica, Universidade Federal de Minas Gerais, Belo Horizonte, Brasil. Programa de Ps-Graduao em Engenharia Eltrica.
105
CORRA, M. V.; AGUIRRE, L. A. Identificao no-linear caixa cinza: uma reviso e novos
resultados. Revista Controle & Automao, 2004. (2, v.15).
GEVERS, M. Identif cation for control: from the early achievements to the revival of experiment design. European Journal of Control, v.11, n.4-5, p.335352, 2005.
HABER, R.; UNBEHAUEN, H. Structure identif cation of nonlinear dynamic systems - a survey on input/output approaches. Automatica, v.26, n.4, p.651677, 1990.
HAYKIN, S. Redes Neurais: princpios e prtica. 2a .ed. Porto Alegre: Bookman, 2001.
HAYKIN, S.; VAN VEEN, B. Sinais e Sistemas. Porto Alegre: Bookman, 2001.
JING, X. J.; LANG, Z. Q.; BILLINGS, S. A. Output Frequency Response Function Based
Analysis for Nonlinear Volterra Systems. Mechanical Systems and Signal Processing, v.22,
n.1, p.102120, 2008.
KORENBERG, M.; BILLINGS, S. A.; LIU, Y. P.; MCILROY, P. J. Orthogonal parameter estimation algorithm for non-linear stochastic systems. International Journal of Control, v.48,
n.1, p.193210, 1988.
KORENBERG, M. J. Orthogonal identif cation of nonlinear difference equation models. Proceedings of the 28th Midwest Symposium on Circuits and Systems, p.9095, 1985.
KORENBERG, M. J. A fast orthogonal search method for biological time-series analysis and
system identif cation. IEEE Inter. Conf. on Systems, Man and Cybernetics, v.1, n.1,
p.459465, 1989a.
KORENBERG, M. J. A robust orthogonal algorithm for system identif cation and time-series
analysis. Biological Cybern. 1, v.69, n.1, p.267276, 1989b.
LANG, Z. Q.; BILLINGS, S. A. Evaluation of Output Frequency Responses of Nonlinear Systems under Multiple Inputs. IEEE Trans. on Circuits and Systems, v.47, n.1, p.2838,
2000.
LANG, Z. Q.; BILLINGS, S. A.; YUE, R.; LI, J. Output Frequency Response Function of
Nonlinear Volterra Systems. Automatica, v.43, p.805816, 2007.
LEONTARITIS, I. J.; BILLINGS, S. A. Input-output parametric models for nonlinear systems Part I: deterministic non-linear systems. International Journal of Control, v.41, n.2, p.303
328, 1985.
106
107
PIRODDI, L.; SPINELLI, W. An identif cation algorithm for polynomial NARX models based
on simulation error minimization. International Journal of Control, v.76, n.17, p.1767
1781, 2003.
RHODES, C.; MORARI, M. Determining the model order of nonlinear input/output systems
directly from data. Proceedings of the American Control Conference, v.3, p.21902194,
1995.
RHODES, C.; MORARI, M. Determination of model order for NARX models directly from
input-output data. Journal of Process Control, v.8, n.5,6, p.459468, 1995.
RODRGUEZ-VZQUEZ, K.; FONSECA, C. M.; ; FLEMING, P. J. Identifying the structure of nonlinear dynamic systems using multiobjective genetic programming. IEEE Transactions on Systems, Man and Cybernetics - Part A: Systems and Humans, v.34, n.4,
p.531545, 2004.
RUGH, W. J. Nonlinear systems theory - the Volterra/Wiener approach. 1981.
SJOBERG, J.; ZHANG, Q.; LJUNG, L.; BENVENISTE, A.; DELYON, B.; GLORENNEC,
P.; HJALMARSSON, H.; JUDITSKY, A. Nonlinear black-box modeling in system identif cation: a unif ed overview. Automatica, v.31, n.12, p.16911724, 1995.
SPINELLI W., P.-L. e. L. M. A two-stage algorithm for structure identif cation of polynomial
NARX models. In: 2006, Minneapolis - Minnesota. Anais. . . 2006. p.23872392.
TULLEKEN, H. J. A. F. Grey-box modelling and identif cation using physical knowledge and
Bayesian techniques. Automatica, Tarrytown, NY, USA, v.29, n.2, p.285308, 1993.
VOLTERRA, V. Theory of functions. Blackie and Sons, 1930.
WEI, H. L.; BILLINGS, S. A. Model structure selection using an integrated forward orthogonal search algorithm assisted by squared correlation and mutual information. International
Journal of Modeling, Identification and Control, v.4, n.3, p.341346, 2008.
WEI H. L. E BILLINGS, S. A. Model structure selection using an integrated forward orthogonal search algorithm assisted by squared correlation and mutual information. International
Journal of Modeling, Identification and Control, v.3, n.4, p.341356, 2008.
M.I.T., T. T. P. (Ed.). Nonlinear problems in random theory. New York, NY.: In Wiley, J. and
Sons, editors, 1958.
108
WIGREN, T. Recursive prediction error identif cation using nonlinear Wiener model. Automatica, v.29, n.4, p.10111025, 1993.
WU, X.; LANG, Z. Q.; BILLINGS, S. A. Analysis of Output Frequencies of Nonlinear Systems. IEEE Trans. on Signal Processing, v.55, n.7, p.32393246, 2007.
ZHANG L. F., Z. Q. M. e. L. A. A set of novel correlation tests for nonlinear system variables.
International Journal of Systems Science, v.38, n.1, p.4760, 2007.
ZHANG, L. F.; ZHU, Q. M.; LONGDEN, A. A set of novel correlation tests for nonlinear
system variables. International Journal of Systems Science, v.38, n.1, p.4760, 2007.
ZOU, R.; CHON, K. H. Robust algorithm for estimation of time-varying transfer functions.
IEEE Trans. on Biomedical Engineering, v.51, n.2, p.219228, 2004.