Upload
others
View
11
Download
0
Embed Size (px)
Citation preview
III Colóquio de Controle e Automação da UTFPR-CP
Identificação de Sistemas Dinâmicos 8 de Novembro de 2011
Adolfo Bauchspiess
Laboratório de Automação e Robótica
Departamento de Engenharia Elétrica
Faculdade de Tecnologia
Universidade de Brasília
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Sumário
I. Introdução
II. Sinais e Sistemas Dinâmicos
III. Algoritmos a. Métodos Determinísticos
b. O Estimador de Mínimos Quadrados
c. Estimadores não polarizados
d. Estimadores Recursivos
IV. Identificação na Prática a. Processo Térmico
b. Nível de Líquido 2ª Ordem
c. Nível de Líquido 4ª Ordem
V. Conclusões 2
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
3
1 - INTRODUÇÃO
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
I - Introdução
Modelos:
Caixa Branca
Caixa Preta
Caixa Cinza
Identificação de Sistemas
4
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
5
Sinais e Sistemas
Sistema
Dinâmico
w
u
v
y
Sinais:
u - entrada (variável manipulada)
y – saída (variável controlada)
w – perturbação mensurável
v – perturbação não mensurável
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
6
Exemplo –
Conforto Térmico
Sala
w
u
v
y
Sinais:
u – ar condicionado, calefação
y – temperatura
w – temperatura externa
v – radiação solar
N
24.3°C
22.4°C
23.6°C
To
Conf.
Room
Air Cond.
Heaters
Sistema:
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
7
Exemplo –
Processo de nível
Processo
w
u
v
y
Sistema:
Sinais:
u – qi1, vazão [cm3/s]
y – nível [cm]
w – qi3
v – ?
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
8
Exemplo – Helicóptero
Processo
w
u
v
y
Sistema:
Sinais:
u – motores
y – posição e orientação
w – ?
v – vento
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Principais Etapas numa Identificação
Coleta de dados
Escolha da representação matemática
Determinação da estrutura
Estimação dos parâmetros
Validação
9
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
10
II – SINAIS
E
SISTEMAS DINÂMICOS
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
11
II. Sinais e Sistemas Dinâmicos
Sistemas dinâmicos lineares
invariantes no tempo
Sistemas discretos
Sistemas não-lineares
Sistemas a parâmetros distribuídos
Paradigmas de controle de sistemas dinâmicos
Breve revisão de conceitos vistos em
Análise Dinâmica Linear, Controle Dinâmico e Controle Digital
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Tipos de Modelos
Estáticos x Dinâmicos
Discretos x Contínuos
Autônomos x Não autônomos
Monovariáveis x Multivariáveis
Determinísticos x Estocásticos
Paramétricos x Não paramétricos
12
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
13
Sistemas lineares invariantes no tempo
Princípio da superposição
Função de transferência
Todos os sistemas reais são não lineares:
Saturação
Zona-Morta
Dependência do ponto de operação
etc
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
14
Sistemas Discretos
Amostragem
Transformada Z
Computadores, CLPs, Microcontroladores & etc
Identificação de Sistemas
utiliza amostras dos sinais
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
15
Sistemas LTI discretos
Sistema
DiscretoSistema
Continuo
u(t) y(t) u(kT) y(kT)
0
00
)()(
,...2,1,0),()()()()()(
t
t
k
c
ciaTransferêndeFunçãoqkhqH
tktukhtydtuhty
Obs: q-1 operador deslocamento unitário
z freqüência discreta
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
16
Sistemas a Parâmetros Distribuídos
Fenômenos de Transporte
Exemplo: Transferência de Calor
Simulação da velocidade do vento em Modelica, por Felgner, ASIM2002
2
2
2
2
tK
x
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Modelo Paramétrico x Modelo Não P.
17
15,0
1)(
2
ss
ssH Modelo Paramétrico
0 5 10 15 20 25-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
Impulse Response
Time (seconds)
Am
plit
ude -40
-30
-20
-10
0
10
Magnitu
de (
dB
)
10-2
10-1
100
101
102
-135
-90
-45
0
45
Phase (
deg)
Bode Diagram
Frequency (rad/s)
Modelo Não Paramétrico: Resp. Impulso
Modelo Não Paramétrico: Diagrama de Bode
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Modelo Discreto
18
6065,08828,0
3319,0056,1)(
2
zz
zzH Modelo Paramétrico Discreto
Modelo Não Paramétrico: Resp. pulso
Modelo Não Paramétrico: Diagrama de Bode
0 5 10 15 20 25-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
1.2
Impulse Response
Time (seconds)
Am
plit
ude
-10
-5
0
5
10
Magnitu
de (
dB
)
10-2
10-1
100
101
-180
-135
-90
-45
0
Phase (
deg)
Bode Diagram
Frequency (rad/s)
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
19
Perturbações
)()()()(0
tvktukgtyk
Sistema Discreto
v (t)
y (t)u(t)
Causas: ruído de medida, entradas não controláveis
20 30 40 50 60 70 80 9010
15
20
25
30
35
40Temperatura lado Sul - Kaiserslautern 4-7 Jul 2003
t/horas
Tem
pera
tura
/°C
20 30 40 50 60 70 80 9022
23
24
25
26Temperatura sala de conferencias - Kaiserslautern 4-7 Jul 2003
t/horas
Tem
pera
tura
/°C
Ex. Temperatura medida com ruído
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
20
Caracterização de perturbações
),0()()
),,0(;,)(
1,0)()
1s
1)(:
)(
)()()(0
Nteb
normalãodistribuiçNradeprobabilidcomrte
adeprobabilidcomtea
sHExemplos
brancoruídote
ktekhtvk
0 10 20 30 40 50 60 70 80 90 100-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
a)
b)
0 10 20 30 40 50 60 70 80 90 100-0.5
-0.4
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
21
Covariância
)()()(:
)()(
)()()(
)()()()()()(
:
0)()()(:
0
00
00
0
tvtEvRvprocessodoiânciavarCo
khkh
stshkh
stektEeshkhtvtEv
iânciavarCo
ktEekhtEvMédia
v
s
sk
sk
k
Assumindo e(t) com média 0 e variância λ,
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
22
Funções de Transferência
)()()(
)()(
)()(
)()(
)()()()()()()()()(
0
1
1
111
teqHtv
zkhqH
zkgzG
qkgqG
tuqGtuqkgtuqkgktukgty
k
k
k
k
k
k
k
k
k
k
k
)()()()()( teqHtuqGty
Resposta do sistema
Funções de Transf.
Resposta à perturbação
Sistema Discreto
Filtro do ruído branco
v (t)
y (t)u(t)
e(t)
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
23
Resposta no domínio da freqüência
0 10 20 30 40 50 60 70 80 90 100-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
)(argcos)()( ii eGteGty
Sistema
Continuo
u(t)=cos(ωt)=Re(eωit)
estáveissistemaspara
kg
tk
kitiii
tk
ekgeeGteGty
ttupara
0)(
)(Re)(argcos)()(
,00)(
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
24
Periodograma
2
1
2
1
2
2/
2/1
2
1
)(:
)()2
(:
)2
(1
)(:
)(
,...2,1),2
(:
)(1
)(:
,...2,1),(
N
N
t
N
k
N
N
Nk
ktN
i
N
N
N
t
ti
N
UmaPeriodogra
tukN
UParseval
ekN
UN
tuinversaDFT
DFT
NkkN
UDiscretaFourierdedaTransforma
etuN
UFourierdedaTransforma
NttufinitaSequência
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
25
Propriedades do Periodograma
)()()(
)()2(
*
NN
NN
UUrealétuse
UUadeperiódicid
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
26
Exemplos
senão
paraA
NU
sNNNcomtAtu
N
,0
,4)(
,/2,cos)(
0
2
2
000
0 10 20 30 40 50 60 70 80 90 100-1
-0.5
0
0.5
1
y1
Input and output signals
0 10 20 30 40 50 60 70 80 90 100-1
-0.5
0
0.5
1
Time
u1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-50
-40
-30
-20
-10
0
10
20
Normalized Frequency ( rad/sample)
Pow
er/
frequency (
dB
/rad/s
am
ple
)
Power Spectral Density Estimate via Periodogram
10-2
10-1
100
101
102
10-10
10-5
100
105
y1
Periodogram
10-2
10-1
100
101
102
10-5
100
105
Frequency (rad/s)
u1
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
27
Sinal Periódico
senão
Nr
N
kseAs
U
etuN
Acom
eAN
tu
sNNNNtutu
rN
N
t
Nitr
r
N
Nr
Nitr
r
,0
2,...1,0,
2,
)(
)(1
1)(
],,1[),()(
0
0
22
1
/2
0
2/
12/
/2
0
00
0
0
0
0
0
0 10 20 30 40 50 60 70 80 90 100-1
0
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-60
-40
-20
0
20
40
Normalized Frequency ( rad/sample)
Pow
er/
frequency (
dB
/rad/s
am
ple
)
Power Spectral Density Estimate via Periodogram
0 10 20 30 40 50 60 70 80 90 100-1
0
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-60
-50
-40
-30
-20
-10
0
10
20
Normalized Frequency ( rad/sample)
Pow
er/
frequency (
dB
/rad/s
am
ple
)
Power Spectral Density Estimate via Periodogram
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
28
Filtro ou Sistema Dinâmico:
→ Transformada de Fourier
Sistema
Continuo
w(t)
1
1
1
)(,2)(
)()()()(
)(1
)(
)(1
)(
)()()(
)()(
t
GG
wN
NN
i
N
N
t
ti
N
N
t
ti
N
kgkCcomN
CCRonde
RWeGS
etwN
W
etsN
S
twqGts
estávelteestritamensistemaumporosrelacionadsãotwets
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
29
Processos Estocásticos
Uma seqüência de variáveis aleatórias com uma pdf conjunta
Definições:
ariânciavtxEttRtxVar
cruzadacorrelaçãotytExtR
ariânciavcotmtxtmtxEttC
correlaçãotxtExtR
médiatExtm
x
T
yx
T
xxx
T
x
x
)(),( )(
)()( )(
)()()()( ),(
)()( )(
)()(
2
21
221121
21
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
30
Estacionariedade
x(t) é estacionário no
sentido amplo (WSS) se:
)(),(
)(
2121 ttRttR
ttetanconsmtm
xx
xx
Gu y
nExperimento
(determinístico)
Ruído
(estocástico)
Saída
(mista)
ioestacionármaisénãoctetuqGtEy )()()()(
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
31
Processos quasi-estacionários
)(),(
1lim
),(),()()()2
)()()()1
1
s
N
t
sN
ss
ss
RttRN
e
CrtRrtRrstEs
tCtmtmtEs
Se s(t) é um processo estacionário, então satisfaz 1 e 2.
Se s(t) é determinístico então:
)()()(1
lim)2
)()1
1
s
N
tN
RtstsN
Cts
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
32
Exemplo
uxux
ux
s
s
N
t
N
t
mmRRt-τstsE
mmtsE
tRstsE
ctemtsEiaestacionárquasiSituação
NE:Notação
ticodeterminísoestocástic
tutxtsgeralem
NuN
tutuN
finitaenergiatemts
2)()()()(
)(
)()()(
)(
(.)1
lim(.)
)()()(
01
)()(1
)(
1
2
21
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
33
Espectro de Potência
Para um processo quasi-estacionário:
)()(4
)(
)cos(2
)(cos)cos(1
lim)(
)cos()(:
))(()()(
00
2
0
2
1
00
0
Ae
AtAtA
NR
tAtxSenoidalSinalExemplo
RdeFourierdedaTransformaeRe
i
x
N
tN
x
x
i
x
i
x
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
34
Espectro de processo estacionário
2
2
0 0
)(
)0,max(
)0,max(
0
0000
)()(
)()()(
)()(
)()()()(
)()(
)()()()()()()()()(
i
v
iik
s k
is
ki
k
ik
k
ii
vv
s
sksk
eH
eHekhesh
ekhekh
khkheeR
khkh
stshkhstektEeshkhtvtEv
Espectro de um processo estocástico descrito por
v(t) = H(q) e(t),
onde a seqüência de variáveis aleatórios {e(t)}
tem média 0 e covariância λ
10-2
10-1
100
100
101
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
35
Exemplo:
Processo estacionário
10-2
10-1
100
101
10-2
10-1
100
101
102
103
w/[rad/s]
Spectro de H(q)=(1 + .5 q-1)/(1 -1.5 q-1 + .7 q-2)
Periodograma x Espectro
0 10 20 30 40 50 60 70 80 90 100-0.5
0
0.5e(t) seqüência de variáveis aleatórias
0 10 20 30 40 50 60 70 80 90 100-4
-2
0
2
4v(t) sinal estocástico v(t) = H(q)*e(t)
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-50
-40
-30
-20
-10
0
10
Normalized Frequency ( rad/sample)
Pow
er/
frequency (
dB
/rad/s
am
ple
)
Power Spectral Density Estimate via Periodogram
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
36
Exemplo:
Processo estacionário
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1-70
-60
-50
-40
-30
-20
-10
0
10
20
Normalized Frequency ( rad/sample)
Pow
er/
frequency (
dB
/rad/s
am
ple
)
Power Spectral Density Estimate via Periodogram
0 100 200 300 400 500 600 700 800 900 1000-0.5
0
0.5e(t) seqüência de variáveis aleatórias
0 100 200 300 400 500 600 700 800 900 1000-4
-2
0
2
4v(t) sinal estocástico v(t) = H(q)*e(t)
10-2
10-1
100
101
10-2
10-1
100
101
102
103
w/[rad/s]
Spectro de H(q)=(1 + .5 q-1)/(1 -1.5 q-1 + .7 q-2)
Periodograma x Espectro
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
37
Sinal misto: determinístico + estocástico
)()()(
.0)()(
)()(
)()()()(
)()()()()()(
)(,0,)(
)()(
)()()(
vus
vu
v
u
tutvEpois
RR
tvtvEtutvE
tvtuEtutuEtstsE
espectroemédiaoestocástictv
espectrotico,determinístu
tvtuts
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
38
Periodograma x Espectro de Potência
)()(lim
,0
,4)(
?2
0
2
2
i
xNN
N
eX
senão
paraNA
X
)(
.)(
)()()()(lim2
ãodistribuiçcomoiaConvergênc
suavementesuficientefunçãotodapara
ddSE sNN
Resultado, para s(t) quasi-estacionário:
"")(
"")(
:.
2
comportadabemfunçãoumaée
erráticafunçãoumaéS
Obs
i
s
N
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
39
Espectro
i
xy
i
xy eRe )()(
Espectro cruzado
Motivação:
O espectro é uma propriedade de segunda ordem dos sinais.
Descreve apenas certos aspectos do sinal, é, no entanto
suficiente para caracterizar várias propriedades relacionadas
à identificação de sistemas dinâmicos.
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
40
Espectro de sinais filtrados
)()()(
)()()(
)}({)()()(
)}({
2
w
i
sw
w
i
s
eG
eG
ioestacionárquasitstwqGts
ioestacionárquasitw
Sistema
Continuo
w(t) s(t)
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
41
Modelo para sistemas com saídas ruidosas
Gu y
e
quasi-estacionário
Ruído
Saída
H
v
Ruído branco
)()()(
)()()()(
)(
)()(
)()()()()(
22
u
i
yu
i
u
i
y
u
eG
eHeG
iânciavardebrancoruídote
espectrorio,estacionáquasitu
teqHtuqGty
Relações fundamentais em
Indentificação de Sistemas
→Métodos de correlação
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
42
MODELOS DE SISTEMAS LTI
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
43
Modelo Completo
Gu y
e
H
v
d
k
k
k
k
e
D
teqHtuqGty
adoParametrizModelo
qkhqHqkgqG
PDFfcomruídote
saídaty
entradatu
teqHtuqGty
)(),()(),()(
)(1)()()(
)(.)()(
)(
)(
)()()()()(
11
Conjunto de Modelos
“Estrutura”
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
44
Modelos de Funções de Transferência
AH
A
BGHeGuyelomodopara
qbqbqB
qaqaqA
brancoruídoumétebbaa
tentubtub
ntyatyaty
tuqBtyqA
ógenaeentradacomgressivoeutoARX
b
b
a
a
ba
b
a
n
n
n
n
nn
bn
an
1,
...)(
...1)(
)(,
)()(...)1(
)(...)1()(
)()()()(
)(
1
1
1
1
11
1
1
XRA
B/Au y
e
1/A
v
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
45
ARMAX
A
CH
A
BGHeGuyelomodopara
qcqcqC
qbqbqB
qaqaqA
ccbbaa
ntectecte
ntubtub
ntyatyaty
tuqBteqCtyqA
ógenaeentradacomMóvelMédiagressivoeutoARMAX
c
c
b
b
a
a
cba
c
b
a
n
n
n
n
n
n
nnn
cn
bn
an
,
...1)(
...)(
...1)(
)(...)1()(
)(...)1(
)(...)1()(
)()()()()()(
)(
1
1
1
1
1
1
111
1
1
1
XRA
B/Au y
e
C/A
v
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
46
Estrutura equação de erro
Bu y
e
C/D
v
1/A
)()(
)()()()()(
)()(
1)()()()(
)(
teqD
qCtuqBtyqA
ARARMAX
teqD
tuqBtyqA
ARARXoumóvelmédiacomoerroErrodeEquaçãoModelo
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
47
Modelo OE – Erro de saída
B/Fu y
e
1,
)(ˆPr
)()(
11
HF
BG
uF
Btypassoumdeeditor
ffbb
teuF
Bty
OEModelo
fb nn
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
48
Preditor OE
B/Fu y
e
)(ˆ),(
),()(ˆ
),(),1()()1(),(
),()()(
)()(ˆ
)()()()(
ktyktwrealidadena
ttyeditorPr
ntwtwntutut
twtuqF
qBty
tetwteuF
Bty
OEModelo
T
T
fb
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
49
Estrutura Box-Jenkins
B/Fu y
e
C/D
...)()(
)()(
)(
)()()(
...
)()(
)()()(
)()(
)()()(ˆ
)()(
)()(
)(
)()(
teqD
qCtu
qF
qBtyqA
aindagenéricoMais
tyqC
qDqCtu
qFqC
qBqDty
teqD
qCtu
qF
qBty
ARMAouJenkinsBox
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
50
Estrutura Espaço de Estados
)()()(
)(
)(
)(
)()(
)()()()(
)()()()()()1(
1221
RvEREvvRE
saídaderuídotv
operturbaçãt
cosbranassumidosgeralmenteruídodescomponenteDuas
CA
tvtxCty
ttuBtxAtx
TTT
pxnnxn
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
51
Projeto do sinal de entrada
• Sinais mais utilizados:
- Degrau
- Seqüência Binária Pseudo-Randômica (PRBS)
- Processo ARMA
- Sinais periódicos: soma de senóides
- Condições para “excitação suficiente”
- Degeneração do projeto do sinal de entrada
- Relação entre PRBS & ruído branco
- Propriedades no domínio da freqüência destes sinais
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
52
Exemplos de sinal de entrada
• Entrada degrau
• Seqüência binária pseudo-randômica
• sinal periódico
• chaveamento entre dois níveis, segundo um certo padrão
• níveis ± a, período = M
senão
ttu
0
01)(
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
53
III – ALGORITMOS
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
54
III.a ALGORITMOS
–
MÉTODOS DETERMINÍSTICOS
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
55
MÉTODOS
NÃO PARAMÉTRICOS
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
56
Métodos não paramétricos
Métodos no domínio do tempo
Resposta ao impulso
Resposta ao degrau
Análise da correlação / tempo
Métodos no domínio da freqüência
Teste da senóide
Análise da correlação / freqüência
Análise de Fourier
Análise Espectral
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
57
Definição do problema
y(t)Caixa
Pretau(t)
v(t)
)()()(
0)(
)()(*)(
)()()()(
,
0
0
0
tvtgty
temamplitudedepulsotupara
tvtugty
tvtuqGty
temponoiantevarinelinearestáveléSistema
Métodos no domínio do tempo
→ estimam g0
Métodos no domínio da freqüência
→ estimam G0(eiω)
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
58
Critérios
)(ˆ)(sup)
)(ˆ)()
0)(ˆ)()
0,)(ˆ)()
0
0
0
0
0
ii
t
ii
eGeGd
tgtgc
ttgtgb
TeGeGa
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Ex. Processo de 2ª Ordem
Não há tratamento específico ao ruído
→ Relação Sinal/Ruído deve ser alta!
59
14,0
1)(:
2
sssGEx
)(12
2
2
22
2
22
/21
;;
)(1
1)(
2)(ˆ:
TT
dnd
n
d
t
nn
n
eBB
T
A
tsene
ty
ss
AsGModelo
degrauaorespostadapartirA
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Ex. Processo de 2ª Ordem
60
14,0
1)(:
2
sssGEx
1;1825,0;03,1
:
/21
;;
)(1
1)(
2)(ˆ:
)(12
2
2
22
2
22
A
gráficodo
eBB
T
A
tsene
ty
ss
AsGModelo
degrauaorespostadapartirA
n
TT
dnd
n
d
t
nn
n
062,13762,0
062,1)(ˆ
2
sssG
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Ex. Processo de 2ª Ordem
61
14,0
1)(:
2
sssGEx
062,13762,0
062,1)(ˆ
2
sssG
0 5 10 15 20 25 300
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
Step Response
Time (sec)
Am
plit
ude
g
g__hat
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
62
III.b ALGORITMOS –
O ESTIMADOR DE MÍNIMOS
QUADRADOS
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
O Estimador de Mínimos Quadrados
Sistema de equações sobredeterminado
63
y
y
y
TT
TT
XXX
XXX
X
1][
Matriz pseudo-inversa
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
64
Modelos ARX
e o método dos Mínimos Quadrados
)()|(
)(
)()1()()1()(
)(...)1()(...)1()(
)(...)1()(...)1()(
11
11
11
tty
ty
mtutuntytyt
bbaa
mtubtubntyatyaty
mtubtubntyatyaty
T
T
T
T
mn
mn
mn
“Um problema Arquétipo”
Modelo:
Notação Compacta:
Vetores:
Estimativa dependente dos parâmetros
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
65
O Estimador de Mínimos Quadrados
N
t
N
t
T
N
N
N
N
NN
N
t
TN
t
N
N
N
N
N
tyttt
ZVd
d
ZV
ttyN
tytyN
ZV
ZV
NyNuyuZ
1
1
1
1
2
1
2
)()()()(
0),(
),(minarg
))()((1
))|(ˆ)((1
),(
),(min
)()()1()1(
Dados do Processo:
MMQ:
Função de custo de erro quadrado:
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
66
Ex.: Equação a diferenças de 1a ordem
)1()(
)1()(
)1()1()1(
)1()1()1(ˆ
)1()1()(
1
2
2
tuty
tuty
tututy
tutyty
b
a
tbutayty
N
N
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
67
Ex.: Equação a diferenças de 1a ordem
0 0.5 1 1.5 2 2.5 30
0.2
0.4
0.6
0.8
1
7408.0
1728.0)(
7408.0
1728.0)(
303
7408.0
1728.0)(
3
2)( 1.0
zzg
zzg
NN
zzg
ssgc T
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.20
0.2
0.4
0.6
0.8
1
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
68
Ex.: Equação a diferenças de 1a ordem
y=y+0.1rand()
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.20
0.2
0.4
0.6
0.8
1
5996.0
2854.0)(
7123.0
2031.0)(
5395.0
2357.0)(
300303
7408.0
1728.0)(
3
2)(
300303
1.0
zzg
zzg
zzg
NNN
zzg
ssgc T
0 0.5 1 1.5 2 2.5 30
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 5 10 15 20 25 300
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
69
Ex.: Equação a diferenças de 1a ordem
u = sin(2t) y = y + 0.1rand()
7428.0
1718.0)(
300
7408.0
1728.0)(
3
2)(
300
1.0
zzg
N
zzg
ssgc T
0 5 10 15 20 25 30-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
70
Regressão Linear
)()|(
)()1()()1()(
)(...)1()(...)1()(
11
11
tty
mtutuntytyt
bbaa
mtubtubntyatyaty
T
T
T
mn
mn
Regressão Linear:
Calcular y utilizando os valores passados contidos em φ
y é função linear dos parâmetros em θ
Modelo ARX:
Auto-Regressivo – y depende de valores passados de y
X – entrada eXterna (u), variável eXógena
^
^
^
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Polarização do Estimador MQ
Polarização (bias)
Modelo:
71
TTAA 1
,ˆ y
]ˆ[Eb
sregressoredosdependequematrizumaéAAθ
kekky T
,ˆ
)()1()(
y
ey
][][
][])([
)]([
][
AeEIAE
AeEIAE
eAE
AEb
y
b=0 → =0 =0
)()()( kekyky i Variáveis aleatórias
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Estimadores Não Polarizados
EMQ - Estimador estendindo de mínimos quadrados
GMQ – Estimador de mínimos quadrados generalizado
VI – Estimador das variáveis instrumentais
72
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
73
MÉTODOS
DE ESTIMAÇÃO DE
PARÂMETROS
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
74
Princípios subjacentes
de métodos de estimação de parâmetros
),(),())],,(1[)
:
)(),()(),()(
:
)))|(ˆ:)(
:
.
|)(
)(
11
*
qGqH(q,θWqH(q,θW
com
teqHtuqGty
adiantepassoumdepreditoroPara
)(q,θW(q,θWty
preditorcomolinearFiltro
futurassaídasaspredizerdemaneiraumaelomodCada
elosmoddeconjuntoD
parâmetrosdevetorD
adosparametrizelosmod
uy
uy
d
M
MM
M
M
M
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
75
Princípios subjacentes
de métodos de estimação de parâmetros
NtparacalculadoserpodeerroconhecidoZPara
prediçãodeerrotytyt
candidatoelomodumdeAvaliação
parâmetrosdeestimaçãodemétodoumé
DZ
mapeamentoO
dadosdevetorNuNyuyuyZ
N
NN
N
,...2,1
)|(ˆ)(),(
:
.
ˆ
)(),(),...,2(),2(),1(),1(
**
M
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
76
Minimização do erro de predição
),(minarg)(ˆˆ
:
.,(.)
)),((1
),(
:
,...2,1),,()(),(:
?""
.,
,...2,1),|(ˆ)(),(
1
**
NN
NNN
N
t
FN
N
F
N
N
ZVZ
parâmetrosdeEstimador
positivaetipicamentescalarfunçãoumaéonde
tN
ZV
Norma
NttqLtestávellinearFiltragem
prediçãodeerrooégrandeQuão
nãoouqudráticaemnormaqualquerporAvaliado
emerrodevetorNttytyt
PEM
Prediction-error
Identification Methods
e.g.: LS, ML
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
77
III.d Estimadores Recursivos
Estimação em batelada
Estimação seqüencial
Estimação recursiva
Estimação off-line
Estimação on-line
Estimação em tempo real
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
III. Estimadores Recursivos
Seja o sistema
Algoritmo recursivo
78
RkekeEcomkeky T )](cov[,0)]([),()(
k
T
k kky ˆ)1()(
)ˆ)((ˆˆ11 k
T
kkkk kyK
Inovação
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
79
Aplicação: Controle Adaptativo
Processo
Estimador
(recursivo)
Controlador
K(t)
)(ˆ t
r yu
.)( temponovarianteestávelsistemaumétKrcontroladoO
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
80
PARTE IV
IDENTIFICAÇÃO NA PRÁTICA a) Processo Térmico
b) Nível de Líquido 2ª Ordem
c) Nível de Líquido 4ª Ordem
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
81
PARTE IV
a) PROCESSO TÉRMICO
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Processo Térmico
Experimento de Controle de Digital
82
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Processo Térmico
Visão Esquemática
83
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Processo Térmico
Identificação – Process Model
84
1. ident
2. Carregar os sinais de u,y
3. Remover a média
4. Selecionar faixas: [identificação, validação]
5. Process Models
6. Estimate: P1D, P1, P2, P2D, P2DZ,...
7. Model Output
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Processo Térmico
Modelo de Processo
85
...
)1)(1(
)1()(2
)1)(1()(2
1)(1
21
21
1
sTsT
esTKsDZP
sTsT
eKsDP
sT
KsP
pp
sT
zp
pp
sT
p
p
p
d
d
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Identificação do Processo Térmico
86
0 0.5 1 1.5 2 2.5 3 3.5 4
x 104
20
30
40
50
60
y1
Input and output signals
0 0.5 1 1.5 2 2.5 3 3.5 4
x 104
100
150
200
250
300
Time
u1
0 0.5 1 1.5 2 2.5 3 3.5
x 104
-10
0
10
y1
Input and output signals
0 0.5 1 1.5 2 2.5 3 3.5
x 104
-100
0
100
Time
u1
Procedimento:
- Excluir transição p/ P.O.
- Conjunto de Identificação
- Conjunto de Validação
- Subtrair média
Sinais medidos
~9h30
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Identificação do Processo Térmico
87
Fit:
P2DZ: 93.43
P3DZ: 93.42
P1: 87.66
P2D: 86.9
2 2.2 2.4 2.6 2.8 3 3.2
x 104
-10
-8
-6
-4
-2
0
2
4
Time
Measured and simulated model output
P3DZ
P1
P2D
P2DZ
data
2.4 2.42 2.44 2.46 2.48 2.5 2.52 2.54 2.56
x 104
-8
-6
-4
-2
0
2
Time
Measured and simulated model output
P3DZ
P1
P2D
P2DZ
data
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Identificação do Processo Térmico
88
2 2.2 2.4 2.6 2.8 3 3.2
x 104
-10
-8
-6
-4
-2
0
2
4
Time
Measured and simulated model output
P2D
data
2 2.2 2.4 2.6 2.8 3 3.2
x 104
-10
-8
-6
-4
-2
0
2
4
Time
Measured and simulated model output
P2DZ
data
Fit:
P2D: 86.9
P2DZ: 93.43
)1)(1(
)1()(2
)1)(1()(2
21
21
sTsT
esTKsDZP
sTsT
eKsDP
pp
sT
zp
pp
sT
p
d
d
P2D
Kp = 0.084231
Tp1 = 116.15
Tp2 = 0.001
Td = 0
P2DZ
Kp = 0.091263
Tp1 = 308.19
Tp2 = 41.164
Td = 4.8147
Tz = 200.4
P1 !!
)1( 1sT
K
p
p
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Identificação do Processo Térmico
89
)1)(1(
)1()(2
21 sTsT
esTKsDZP
pp
sT
zpd
Kp = 0.091263
Tp1 = 308.19
Tp2 = 41.164
Td = 4.8147
Tz = 200.4
Temperatura
Ambiente
u
yid
y_real
ZOH
Scope
Sat
0-1023
30.5
uid
PRBS
1
s
1
s1/300
1/300
0.4
0.60.091/40
1/40
Delay 5 seg
y
0.5 1 1.5 2 2.5 3
x 104
35
40
45
50
55
t/[seg]
id
data
Zero ? Influência do meio ambiente !
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
90
PARTE IV
b) NÍVEL DE LÍQUIDO
2ª ORDEM
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Identificação em Malha Fechada
Processo de Nível – 2ª Ordem
91
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Identificação em Malha Fechada
Processo de Nível – 2ª Ordem
92
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Identificação em Malha Fechada
Processo de Nível – 2ª Ordem
93
Atuadores
SensoresPlaca de
condicionamento
de sinais
Placa de
acionamentoEnergia
Vazão
Altura dos níveis Resistência
Sistema de nível de líquidos
Placa de controle
Módulo de
PWM
Conversor A/DMódulo
USART
Sinal de PWM
Sinal analógico
Dados
Controlador
Porta Serial
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Identificação em Malha Fechada
Processo de Nível – 2ª Ordem
94
0 1000 2000 3000 4000 5000 6000 7000-5
0
5
10
15
t/[seg]
r,h2/[
cm
]
2000 2100 2200 2300 2400 2500 2600 2700 2800 2900 30008
10
12
14
t/[seg]
r,h2/[
cm
]
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Identificação em Malha Fechada
Processo de Nível – 2ª Ordem
95
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Identificação em Malha Fechada
Processo de Nível – 2ª Ordem
96
222112212 ||)( hkhhkhhsign
dt
dhAr
||)( 2112211 hhkhhsignq
dt
dhA ir
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Identificação
Malha Aberta x Malha Fechada?
97
Experimento de 3h30:
Malha fechada OK
uid=idinput(12600,'PRBS',[0 0.025],[-.5 .5]);
Malha aberta ->
seria necessário aumentar muito o tempo do experimento!!
8600 8800 9000 9200 9400 9600 9800 10000
10.44
10.46
10.48
10.5
10.52
10.54
10.56
t/[seg]
h2,h
2m
a/[
cm
]
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Identificação
Pequenos Sinais?
98
uid=idinput(12600,'PRBS',[0 0.025],[-.5 .5]);
0 200 400 600 800 1000 1200 1400 1600 1800 2000-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
t/[seg]
h2/[
cm
]
valores normalizados
0,1
1
3
1050 1100 1150 1200 1250 1300
-0.4
-0.2
0
0.2
0.4
0.6
t/[seg]
h2/[
cm
]valores normalizados
0,1
1
3
0 200 400 600 800 1000 1200 1400 1600 1800 20000
2
4
6
8
10
12
14
t/[seg]
h2/[
cm
]
valores absolutos
0,1
1
3
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Taxa de Amostragem
99
uid=idinput(12600,'PRBS',[0 0.025],[-.5 .5]);
1050 1100 1150 1200 1250 1300
-0.4
-0.2
0
0.2
0.4
0.6
t/[seg]
h2/[
cm
]
valores normalizados
0,1
1
3
Teorema de Nyquist
REGRA: 5 a 8 amostras durante o tempo de subida.
Em geral é melhor realizar o experimento numa taxa mais alta
e posteriormente decimar o sinal.
Considerar a operação em malha fechada.
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Identificação em Malha Fechada
100
KKppspps
KK
sR
sYTs
p21212
-p
+ )( +
e
)(
)(
0.007676 + 0.05741 +
0.0073637e
)(
)(2
-4.7
sssR
sY s
segTsegT 164,35;19,48 21
0 1000 2000 3000 4000 5000 6000 7000-5
0
5
10
15
t/[seg]
r,h2/[
cm
]
2000 2100 2200 2300 2400 2500 2600 2700 2800 2900 30008
10
12
14
t/[seg]
r,h2/[
cm
]
pKr y
w1
))(( 11 psps
Ke Ts
Controladorw2
Processou
Identificação em Malha Fechada:
~2h
em M.F.!
Malha Aberta:
-Processo muito lento
-Ponto de Operação?
21212
-
+ )( +
e
)(
)(
ppspps
K
sU
sY Ts
0,0061)+0,0513)(+(
0,0002945e
)(
)( -4,7
sssU
sY s
0,0003123+0,05741+
0,0002945e
)(
)(2
-4,7
sssU
sY s
Kp=25, P.O.=12cm, PRBS, Banda [0 0,025]
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
101
PARTE IV
c) NÍVEL DE LÍQUIDO
4ª ORDEM
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
LEARn
Laboratorio de Ensino de Automação Remoto da UnB
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Processo de Nível de Líquido 4ª Ordem
103
qih
1
A1
h
2
A2
h
3
A3
h
4A4
k4k12 k23 k34
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Processo de Nível
104
sqrt
sqrt
sqrt
sqrt
sqrt
sqrt
sqrt
[t uid]
sinal PRBS
r4
r3
r2
r1
r
1
s
h4
1
s
h3
1
s
h2
1
s
h1Zero-Order
Hold
Scope1
Scope
Saturação
do atuador10
Ponto
de
Operação
1/A2
k2
k12
k23
k34
k4
k3
k1
10
1/A4
1/A3
1/A1
|u|
|u|
|u|
|u|
|u|
|u|
|u|
simout
2WS -
amostragem
uniforme
h4
h4h4
h3
h2
h2
h1
h1h1
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Processo de Nível de Líquido
Linearização em Ponto de Operação (u, y)
P1: r = 10; h1=19,1; h2=11,7; h3=7,31; h4=3,87
P2: r = 30; h1=84,3; h2=51,9; h3=32,3; h4=17,1
105
In1Out1
Subsystem
Scope
Saturação
do atuador30
Ponto
de
Operação
4simout
2WS -
amostragem
uniforme
[t uid]
ref
u
u
r y
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Linearização em Ponto de Operação (u, y)
P1: r = 10; h1=19,1; h2=11,7; h3=7,31; h4=3,87
P2: r = 30; h1=84,3; h2=51,9; h3=32,3; h4=17,1
106
005)-8.453e 0.007496s (s 0.001432) 0.07416s (s
008-2.1978e
)(
)(:2
22
sU
sYP
Pole-Zero Map
Real Axis (seconds-1)
Imagin
ary
Axis
(seconds-1
)
-0.04 -0.035 -0.03 -0.025 -0.02 -0.015 -0.01 -0.005 0-0.01
-0.005
0
0.005
0.01
0 500 1000 15000
0.05
0.1
0.15
0.2
0.25
From: u To: y
Step Response
Time (seconds)
Am
plit
ude
0.0002536) + 0.02073s (s 0.005785) + 0.151s (s
007-2.0446e
)(
)(:1
22
sU
sYP
Pole-Zero Map
Real Axis (seconds-1)
Imagin
ary
Axis
(seconds
-1)
-0.08 -0.07 -0.06 -0.05 -0.04 -0.03 -0.02 -0.01 0-0.015
-0.01
-0.005
0
0.005
0.01
0.015
0 100 200 300 400 500 6000
0.05
0.1
0.15
0.2
From: u To: y
Step Response
Time (seconds)
Am
plit
ude
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Linearização Analítica em P.O.
P1: r = 10; h1=19,1; h2=11,7; h3=7,31; h4=3,87
P2: r = 30; h1=84,3; h2=51,9; h3=32,3; h4=17,1
107
0.002796)+(s 0.01031)+(s 0.0287)+(s 0.03976)+(s
008-2.1982e
-0.04 -0.03 -0.02 -0.01 0-1
-0.5
0
0.5
1
Pole-Zero Map
Real Axis (seconds-1)
Imagin
ary
Axis
(seconds-1
)
0 500 1000 1500 2000 25000
0.2
0.4
0.6
0.8
Step Response
Time (seconds)
Am
plit
ude
0.00588)+(s 0.02168)+(s 0.06036)+(s 0.08362)+(s
007-2.0448e
-0.1 -0.08 -0.06 -0.04 -0.02 0-1
-0.5
0
0.5
1
Pole-Zero Map
Real Axis (seconds-1)
Imagin
ary
Axis
(seconds-1
)
0 200 400 600 800 1000 12000
0.1
0.2
0.3
0.4
Step Response
Time (seconds)
Am
plit
ude
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Identificação em P.O. (em Malha Fechada)
uid=idinput(10000,'PRBS',[0 0.05],[-1 1])
P2: r = 30; h1=84,3; h2=51,9; h3=32,3; h4=17,1
n4s4 – Best Fit = 97,62
108
0.001025) + 0.06255s + (s^2 0.002666)+(s 0.01119)+(s
0.2038) + 0.5737s - (s^2 0.2757)+(s 007-3.6002e
)(
)(
sU
sY
-0.03 -0.02 -0.01 0-8
-6
-4
-2
0
2
4
6
8x 10
-3Pole-Zero Map
Real Axis (seconds-1)
Imagin
ary
Axis
(seconds-1
)
0 500 1000 1500 2000 25000
0.1
0.2
0.3
0.4
0.5
0.6
0.7
From: u1
To: y1
0 500 1000 1500 2000 2500
From: v@y1
Step Response
Time (seconds)
Am
plit
ude
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Identificação em P.O. - Malha Aberta
uid=idinput(10000,'PRBS',[0 0.05],[-1 1])
P2: r = 30; h1=84,3; h2=51,9; h3=32,3; h4=17,1
n4s4 – Best Fit = 95,63
109
0.002808)+(s 0.01034)+(s 0.02876)+(s 0.03914)+(s
0.1151) + 0.3814s - (s^2 0.2777)+(s 007-6.7775e
)(
)(
sU
sY
0 500 1000 1500 2000 25000
0.1
0.2
0.3
0.4
0.5
0.6
0.7
From: u1
To: y1
0 500 1000 1500 2000 2500
From: v@y1
Step Response
Time (seconds)
Am
plit
ude
-0.3 -0.2 -0.1 0 0.1 0.2 0.3
-0.3
-0.2
-0.1
0
0.1
0.2
0.3
From u1
To y
1
[t uid]
sinal PRBS
In1Out1
Subsystem
Scope1
Scope
Saturação
do atuador51.6022
Ponto
de
Operação
simout
2WS -
amostragem
uniforme
u
u
y
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Identificação P.O. – Control Design – Linear Analysis
P2: u = 51.6; h1=84,3; h2=51,9; h3=32,3; h4=17,1
zpk(Model_sys2)
Modelo Analítico:
uid=idinput(10000,'PRBS',[0 0.01],[-1 1]):
n4s4: Fit 98.55 zpk(d2c(n4s4)
110
0.002809)+(s 0.01032)+(s 0.02881)+(s 0.03972)+(s
008-2.198e
)(
)(
sU
sY
-0.04 -0.035 -0.03 -0.025 -0.02 -0.015 -0.01 -0.005 0-1
-0.5
0
0.5
1
Pole-Zero Map
Real Axis (seconds-1)
Imagin
ary
Axis
(seconds-1
)
0.002796)+(s 0.01031)+(s 0.0287)+(s 0.03976)+(s
008-2.1982e
)(
)(
sU
sY
0.02969)+(s 0.01025)+(s 0.002816)+0.03846)(s+(s
0.8185) + 1.054s - (s^2 0.7369)+(s 008-3.6168e
)(
)(
sU
sY
0 500 1000 1500 20000
0.1
0.2
0.3
0.4
0.5
0.6
t/[seg]
Lin.
Ident.
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
V Conclusões
111
Teoria já bem estabelecida
Dificuldades Práticas
Principal Ferramenta: MMQ e variantes
“Arte” na escolha de:
estrutura, taxa de amostragem, algoritmos etc
Algoritmos Recursivos
Sistemas não-lineares
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
Referências
112
1) Aguirre, L.A. (2007): Introdução à Identificação de
Sistemas, 3a ed, Editora UFMG
2) Lennart Ljung (1999): System Identification - Theory
For the User, 2nd ed, PTR Prentice Hall, Upper Saddle
River, N.J.
3) Landau, I.D; Zito, G. (2006): Digital Control Systems;
Design, Identification and Implementation, Springer.
4) Haykin, S. (2001): Redes Neurais – Princípios e Prática,
2ª Ed., Ed. Bookman
5) Rossiter, J. A. (2003): Model-based predictive control: a
practical approach, CRC press.
6) MatLab - Control System Toolbox, System Identification
Toolbox, Model Predictive Control Toolbox
7) www.periodicos.capes.gov.br
®ABauchspiess LARA/UnB – Identificação de Sistemas Dinâmicos - Colóquio Cornélio Procópio 8/11/2011
FIM
113
Contato: Prof. Adolfo Bauchspiess
Tel. +55 61 3107 5571
adolfobs AT lara unb br
http://lara.unb.br/~adolfo
Endereço: Sala B1-34/18 (Caixa Postal 04386)
Departamento de Engenharia Elétrica - ENE/FT/UnB
Campus Universitário Darcy Ribeiro - Asa Norte
70904-970 Brasília-DF BRASIL
Página da Disciplina – Identificação de Sistemas Dinâmicos:
http://lara.unb.br/~bauchspiess/index.php?option=com_content&view=article&id=69&Itemid=68