Post on 16-Apr-2015
CONTROLE CONTROLE AVANÇADOAVANÇADO
Prof. André Laurindo MaitelliProf. André Laurindo Maitelli
DCA-UFRN
IDENTIFICAÇÃO DE IDENTIFICAÇÃO DE SISTEMAS SISTEMAS
DINÂMICOSDINÂMICOS
IntroduçãoIntrodução• “É a determinação de um modelo matemático que
represente os aspectos essenciais do sistema, caracterizado pela manipulação dos sinais de entrada e saída que estão relacionados através de uma função de transferência contínua ou discreta”
• “É a determinação, com base em entradas e saídas, de um sistema em uma classe de sistemas especificados, ao qual o sistema em teste é equivalente”.
• Para processos industriais, o modelo pode ser obtido a partir do tratamento das medidas coletadas através de uma realização experimental
IntroduçãoIntrodução
Processosaídaentrada
Modelo matemático do processo
Técnicas de Identificação
incertezas
EtapasEtapas• Planejamento Experimental
– o sinal de entrada deve excitar todos os modos do sistema
– um bom método de identificação deve ser insensível às características do sinal de entrada
• Seleção da Estrutura do Modelo
– pode ser feita a modelagem usando leis físicas
– a modelagem pode ser do tipo caixa preta, quando não se tem nenhum conhecimento sobre o processo
– pode ser caixa cinza, quando se tem algum conhecimento
• Estimação de Parâmetros
– baseada em: dados de entrada e saída do processo, uma classe de modelos e um critério
• Validação
– verificação da adequação do modelo escolhido
Laço de IdentificaçãoLaço de Identificação
Planejamento Experimental
Dados
Conjunto de modelos
Avaliação do modelo
Critério
Validação
OKusar
Não OK revisar
conhecimentoa priori
* O modelo pode ser deficiente devido a:- falha do procedimento numérico- critério mal escolhido- conjunto de modelos inapropriado- dados não informativos
ProcedimentosProcedimentos• Diferentes procedimentos para a geração do
sinal de entrada, medição da saída e armazenamento dos dados:– Teste de resposta ao degrau– Teste de resposta em freqüência– Off-line– On-line
ProcedimentosProcedimentos• Identificação de um processo pelo teste de
resposta ao degrau:
Processo Armazenamento de dados
entrada saída
• O teste só tem validade para processos lineares ou não-lineares linearizados em pontos de operação
• Não permite a identificação de modelos de ordem superior, pois o degrau tem pobre composição em freqüência
ProcedimentosProcedimentos• Identificação de um processo pelo teste de
resposta em freqüência:
• Aplica-se um sinal senoidal de freqüência variável na entrada do processo
• Analisa-se as curvas de resposta em freqüência, identificando-se pólos e zeros
Processoentrada saídaAnalisador
de Espectro
módulo fase
ProcedimentosProcedimentos• Identificação off-line:
– Excita-se o processo e armazenam-se as medidas de entrada e saída para aplicação e avaliação a posteriori dos algoritmos não recursivos
– É necessário o conhecimento da estrutura do modelo, envolvendo ordem e atraso de transporte
ProcedimentosProcedimentos• Identificação on-line:
– Excita-se o processo e trata-se em tempo real as medidas de entrada e saída obtidas
– A aplicação em tempo real dos algoritmos de identificação é interessante para o rastreamento dos parâmetros variantes no tempo
– Supera uma desvantagem da aplicação off-line que é a necessidade de armazenamento de uma grande quantidade de dados.
Estimação de ParâmetrosEstimação de Parâmetros
))k(u),k(y,(f)1k(y
ESTIMADOR
)k(u )k(y
Serão considerados modelos ARMAX:
)k(e)mk(ub...)2k(ub)1k(ub)nk(ya...)2k(ya)1k(ya)k(y m21n21
Método dos Mínimos QuadradosMétodo dos Mínimos Quadrados
Supondo que foram feitas N medidas de entrada e saída:
)N(u),....,1(u),0(u )N(y),....,1(y),0(y
Definindo:
)N(y
)2(y
)1(y
Y
m
2
1
n
2
1
b
b
b
a
a
a
)N(e
)2(e
)1(e
e
)mN(u1N(u)nN(y)1N(y
)m2(u)1(u)n2(y)1(y
)m1(u)0(u)n1(y)0(y
X
eXY Tem-se:
ExemploExemplo
)k(e)1k(bu)1k(ay)k(y
)N(e
)2(e
)1(e
b
a
)1N(u)1N(y
)1(u)1(y
)0(u)0(y
)N(y
)2(y
)1(y
eXY
Método dos Mínimos QuadradosMétodo dos Mínimos Quadrados
• Problema a ser resolvido:– Dados Y e X, obter θ
• Solução: utilizar método dos mínimos quadrados. Escolher θ que minimize a função erro J:
N
1k
T2 ee)k(eJ
XYXYJ T
Mínimo quando: 0J
ˆ
0XXYXXYYY TTTTTT 0ˆXX2YX2 TT
YXXXˆ T1T
Método dos Mínimos QuadradosMétodo dos Mínimos Quadrados
• Observações:– A solução existe se (XTX)-1, a chamada pseudo-
inversa, for não-singular– A seqüência escolhida de entradas {u(k)} deve
garantir a existência da não-singularidade– Se não houver a presença de incertezas (ruídos)
podemos achar em N=n+m passos– A matriz X cresce a medida que N cresce
YXXXˆ T1T
x
yp
yrMin Σ
ExemploExemplo
)1k(u)1k(y8.0)k(y
Suponha y(0)=0 e que foi aplicada a seguinte entrada: u(0)=1 e u(1)=-1
Logo: y(1)= -0.8y(0)+u(0)= 1 y(2)= -0.8y(1)+u(1)= -1.8
8.1
1Y
11
10X
21
11
11
10
11
10XXT
11
12XX
1T
0.1
8.0
8.1
1
11
10
11
12
b
aˆ
Propriedades Estatísticas do Propriedades Estatísticas do EstimadorEstimador
• Assumindo que e(k) é uma variável aleatória independente, gaussiana com média zero e variância σ2, ou seja,
0)k(eE ij2)j(e)i(eE
1) Média
eXXXXXXXeXXXXˆ T1TT1TT1T
eXXXˆ T1T }e{EXXXEEˆE T1T
Mas 0}e{E
ELogo:
Propriedades Estatísticas do Propriedades Estatísticas do EstimadorEstimador
2) Covariância
TˆˆE
TT1TT1T eXXXeXXXE
1TTT1T XXXeeEXXX
IXX 21T Assim,
Os elementos da diagonal de Ψ representam as variâncias de cada parâmetro que compõe o vetor de parâmetros θ
Propriedades Estatísticas do Propriedades Estatísticas do EstimadorEstimador
Para N observações:1T2
N
XX
N
Calculando:
1T2
NN N
XX
Nlimlim
Se o estimador for consistente:
1T
N N
XXlim
em que Γ é uma matriz constante não-singular
Então, 0limN
Propriedades Estatísticas do Propriedades Estatísticas do EstimadorEstimador
Conclusão:
Se e E 0limN
Então quando N
O estimador é consistente
Método dos Mínimos Método dos Mínimos Quadrados RecursivoQuadrados Recursivo
• Ideal para aplicações on-line em sistemas com parâmetros constantes e desconhecidos
)1N(e
)N(E
)1N(x
)N(X
)1N(y
)N(Y
T
1)e(Nm)1u(Nu(N)n)1y(Ny(N)1)y(N
)N(e
)2(e
)1(e
)mN(u)1N(u)nN(y)1N(y
)m2(u)1(u)n2(y)1(y
)m1(u)0(u)n1(y)0(y
)N(y
)2(y
)1(y
Generalizando, temos:
Método dos Mínimos Método dos Mínimos Quadrados RecursivoQuadrados Recursivo
Já sabemos que:
Considerando: IZ)I(Z
NTNNN
TN
1
NTN YXPYXXXˆ
N
Logo, com (N+1) amostras: 1NT
1N
1
1NT
1N1 YXXXˆ
N
1N
NT
1N
1
1NT
1N1
y
Y
XXXˆ N
1N
N
1NTN
1
T1N
N
1NTN1
y
Y
xX
x
X
xXˆ N
1N1NNTN
1T1N1NN
TN1 yxYXxxXXˆ
N
Método dos Mínimos Método dos Mínimos Quadrados RecursivoQuadrados Recursivo
Lema de Inversão de MatrizesLema de Inversão de Matrizes:
Sejam Anxn
bnx1, cnx1
A, (A+bcT) matrizes não-singulares
Então:
1111T11T bcAAbAc1AbcA
Método dos Mínimos Método dos Mínimos Quadrados RecursivoQuadrados Recursivo
Definindo: 1T1N1NN
TN1N xxXXP
E usando o lema de inversão de matrizes, com:
T1N
T1NN
TN xc ,xb ,XXA
1
NTN
T1N1N
1
NTN
1
1N
1
NTN
T1N
1
NTN1N XXxxXXxXXx1XXP
NT
1N1NN
1
1NNT
1N1N PxxPxPx1IP
Temos que:
Método dos Mínimos Método dos Mínimos Quadrados RecursivoQuadrados Recursivo
Assim: 1N1NNTN1N1N yxYXPˆ
1N1NNTNN
T1N1NN
1
1NNT
1N1N yxYXPxxPxPx1Iˆ
1N1NNTNN
T1N1NN
1
1NNT
1N1N1NNNTNN1N yxYXPxxPxPx1yxPYXPˆ
1N1NNT
1N1NNNTNN
T1N1NN1N1NN1NN
T1N
1
1NNT
1NN1N yxPxxPYXPxxPyxPxPx1xPx1ˆˆ
1N1NNT
1NNTNN
T1N1N1NN
T1N1NN
1
1NNT
1NN1N yxPxYXPxyxPx1xPxPx1ˆˆ
NT
1N1N1NN
1
1NNT
1NN1NˆxyxPxPx1ˆˆ
Finalmente, temos que:
Método dos Mínimos Método dos Mínimos Quadrados RecursivoQuadrados Recursivo
Assim:
)1mN(u)N(u)1nN(y)N(yx T1N
Em que:
É chamado de regressorregressor e contém as informações de entrada e saída
NT
1NN1N
NT
1N1NNN1N
1NN
1
1NNT
1NN
PxKIP
ˆxyKˆˆ
xPxPx1K
Seleção de PSeleção de P00 e e
1) Calculando os primeiros k pontos:
2) arbitrário
0
kTk
1
kTkk YXXXˆ
1
kTkk XXP
0
IP0
Na k-ésima iteração os valores de e se aproximamdaqueles calculados em 1) se α→infinito
k kP
Seleção de PSeleção de P00 e e 0
1Tkk
11kk xxPP
1T
1k1k12k1k xxPP
1Tkk
T1k1k
T11
10k xxxx....xxPP
1Tkk
T1k1k
12kk xxxxPP
1
kTk
1ok XXPP
Seleção de PSeleção de P00 e e 0
kTkkk YxPˆ
k
1k
kT
1kkk
y
Y
xXPˆ
kk1kT
1kkk yxYXPˆ
kk
1k
2k
1kT
2kkk yx
y
Y
xXPˆ
kk110T0kk yx....yxYXPˆ
kTk0
10kk YXˆPPˆ
Seleção de PSeleção de P00 e e 0
Conclusão:Para (α grande) e arbitrário:IP0 0
0P 10
kTkkk YXPˆ 1
kTkk XXP
Isto significa que, nestas condições, o método recursivo aproxima-se do exato.
Excitação PersistenteExcitação Persistente• O sinal de controle deve ser escolhido de
forma a excitar todos os modos do sistema;• Para tanto deve ser rico em freqüências• Um sinal muito utilizado na prática é o
PRBS (Pseudo Random Binary Signal), por possuir estas características
+1
-1
Método dos Mínimos Método dos Mínimos Quadrados Recursivo com Fator de Quadrados Recursivo com Fator de
EsquecimentoEsquecimento
• Utilizado para sistemas variantes no tempo;
• A idéia é dar um maior “peso” aos dados mais atuais;
• Deve-se ter um cuidado na escolha do fator de esquecimento;
• Alternativamente, pode-se utilizar outros métodos como o “reset” da matriz de covariância.
Método dos Mínimos Método dos Mínimos Quadrados Recursivo com Fator de Quadrados Recursivo com Fator de
EsquecimentoEsquecimentoDefinindo:
T2N1NN )N(e)2(e)1(e
NTNN EEJ
NTN
1
NTNN YXXXˆ
)N(e)1N(e....)2(e)1(e)k(eJ 2222N21N2N
1k
kNN
Método dos Mínimos Método dos Mínimos Quadrados Recursivo com Fator de Quadrados Recursivo com Fator de
EsquecimentoEsquecimento
)k(eJ 21N
1k
k1N1N
T2N1N1N )1N(e)N(e)2(e)1(e
Assim,
)1N(e
E
EN
1N
Método dos Mínimos Método dos Mínimos Quadrados Recursivo com Fator de Quadrados Recursivo com Fator de
EsquecimentoEsquecimento
1N
N
T1N
N
1N
N
e
E
x
X
y
Y
1NT
1N
1
1NT
1N1N YXXXˆ
1N
N
1NTN
1
T1N
N
1NTN1N
y
Y
xX
x
X
xXˆ
1N1NNTN
1T1N1NN
TN1N yxYXxxXXˆ
Método dos Mínimos Método dos Mínimos Quadrados Recursivo com Fator de Quadrados Recursivo com Fator de
EsquecimentoEsquecimento
NT
1NN1N
NT
1N1NNN1N
1NN
1
1NNT
1NN
PxKI1
P
ˆxyKˆˆ
xPxPxK
10
Usualmente λ entre 0.995 e 1
Definindo: 1T1N1NN
TN1N xxXXP
E usando procedimento semelhante ao caso sem esquecimento,obtém-se:
Seleção da Estrutura do ModeloSeleção da Estrutura do Modelo
• A seleção da estrutura de um modelo, no caso de sistemas monovariáveis limita-se à determinação da ordem do modelo e a determinação do atraso de transporte;
• A partir desta afirmação surge um compromisso entre a capacidade de representação da dinâmica essencial do sistema e um número adequado de parâmetros que possibilite menor esforço para o processamento dos algoritmos de identificação e controle;
Seleção da Estrutura do ModeloSeleção da Estrutura do Modelo
• Definindo: 2N
1kk
T1kNˆx)1k(y
N
1J
• Podemos utilizar o critério de Akaike para determinar a melhor estrutura:
p2JlnNAIC N
• em que N é o numero de medidas realizadas durante o experimento e p é o número de parâmetros utilizados no modelo estimado;
Seleção da Estrutura do ModeloSeleção da Estrutura do Modelo
• O critério é utilizado da seguinte maneira:– inicia-se com a utilização de um modelo de
baixa ordem, n=m=1, por exemplo;– aumenta-se a ordem do modelo estimado e o
critério é avaliado para cada incremento na ordem, utilizando um determinado conjunto de medidas;
– A escolha da estrutura adequada é baseada na menor taxa de variação do critério.