Anda di halaman 1dari 125

Marcelo Vieira Corra

Identificao de Sistemas Dinmicos


No-Lineares Utilizando Modelos
NARMAX Racionais Aplicao a Sistemas Reais

Dissertao submetida banca examinadora designada pelo


Colegiado do Programa de Ps-Graduao em Engenharia Eltrica
da Universidade Federal de Minas Gerais como parte dos requisitos
necessrios obteno do grau de Mestre em Engenharia Eltrica.

Programa de Ps-Graduao em Engenharia Eltrica


Universidade Federal de Minas Gerais

Resumo

Resumo
O objetivo deste trabalho investigar aplicao da representao NARMAX racional para
representar sistemas dinmicos no-lineares e compar-la com a representao NARMAX
polinomial. Esta estrutura uma estrutura paramtrica do tipo entrada-sada, teoricamente
capaz de representar uma ampla classe de sistemas no-lineares.
O trabalho inicia-se com uma apresentao de cinco etapas necessrias para se obter
modelos NARMAX polinomiais, abordando conceitos de agrupamentos de termos e pontos
fixos para sua estrutura. A seguir feita uma abordagem similar para a representao
NARMAX racional.
apresentado um conjunto de rotinas para a identificao de modelos NARMAX racionais
desenvolvido no ambiente MATLABTM. Ao longo deste trabalho so discutidos os principais
problemas envolvidos na estimao de parmetros dos modelos NARMAX racionais e
algumas solues so propostas.
Finalmente, a estrutura NARMAX racional usada na identificao de sistemas dinmicos
no-lineares reais, sendo testada na modelagem de um forno eltrico sem estrutura de
isolamento trmico e no circuito catico de Chua. Os regimes dinmicos destes sistemas j
tinham sido representados por modelos NARMAX polinomiais o que possibilitou a
comparao com os modelos NARMAX racionais.

Abstract

ii

Abstract
The main objective of this work is to investigate the application of the rational NARMAX
representation in the identification of non-linear dynamic systems and to compare rational
models to the polynomial NARMAX representation. This parametric structure input-output
type is capable of representing, in theory, a wide class of non-linear systems.
The work begins with the presentation of five necessary steps to obtain polynomial
NARMAX models, covering concepts of term clusters and fixed points for its structure.
Similar results for the rational NARMAX representation are reviewed.
A set of routines for the identification of rational NARMAX models developed in
MATLABTM interface is presented. The main problems involved in estimating parameters of
rational NARMAX models as well as some proposed solutions are also discussed throughout
this work.
Finally, rational NARMAX models are used in the identification of real non-linear dynamic
systems and is tested on an eletric furnace modeling without thermal insulation as well as on
the chaotic Chua circuit. The dynamic regimes of these systems had already been modeled
by polinomial NARMAX models, making the comparison with rational NARMAX models
possible.

Agradecimentos

iii

Agradecimentos
minha esposa Mrcia, pela reviso do texto final, pelo apoio, pela pacincia e
principalmente pelo seu incentivo, sem o qual seria impossvel a realizao deste.
minha Me que sem medir esforos dedicou todo o seu tempo para cuidar do meu filho.
Ao Professor Luis Aguirre que soube, na medida certa, orientar, incentivar e cobrar, alm de
estar sempre disponvel para discutir os assuntos tcnicos e/ou simplesmente ouvir minhas
angstias, desenvolvendo relao maior que a de Professor/Aluno.
Ao Professor Eduardo Mazoni que no poupou esforos para que nossos encontros fossem
realizados, e pela sua inestimvel ajuda com crticas, sugestes e com as rotinas
computacionais gentilmente cedidas.
Ao Professor Fbio Jota, pela montagem do forno eltrico, que permitiu a coleta de dados
no incio de 1993, usados nesse trabalho.
Aos colegas do MACSIN, especialmente Giovani, lvaro, Ubiratan e Leonardo que me
ajudaram em vrias etapas deste trabalho como: coleta de dados, envio de artigos, envio de
programas e alguns clculos, a ajuda destes foi de fundamental importncia.
Aos colegas de trabalho do ICMG que me apoiaram e incentivaram, especialmente s
Professoras Mara Camey e Maria Cndida.
Ao Instituto Catlico de Minas Gerais - ICMG pelo apoio e suporte financeiro.

ndice Analtico

iv

ndice Analtico
Resumo.................................................................................................................................................. i
Abstract................................................................................................................................................. ii
Agradecimentos.................................................................................................................................. iii
ndice de Figuras................................................................................................................................ vi
ndice de Tabelas............................................................................................................................. viii
Nomenclatura.................................................................................................................................... ix
Captulo 1
1. CONSIDERAO SOBRE A MODELAGEM DE SISTEMAS ..........................................................1
1.1. INTRODUO.........................................................................................................................................1
1.2. ELUCIDRIO ..........................................................................................................................................2
1.3. MODELAGEM MATEMTICA DE SISTEMAS ............................................................................................6
1.4. ASPECTOS DA IDENTIFICAO DE SISTEMAS .........................................................................................8
1.5. APRESENTAO DO TRABALHO ............................................................................................................9

Captulo 2
2. IDENTIFICAO DE SISTEMAS USANDO A REPRESENTAO NARMAX

POLINOMIAL11

2.1. INTRODUO.......................................................................................................................................11
2.2. A REPRESENTAO POLINOMIAL ........................................................................................................12
2.3. ESCOLHA DO TEMPO DE AMOSTRAGEM ..............................................................................................12
2.3.1. Uma Regra Heurstica para Seleo do Tempo de Amostragem ................................................13
2.4. ESCOLHA DO SINAL DE EXCITAO.....................................................................................................14
2.5. ESCOLHA DA ESTRUTURA....................................................................................................................15
2.5.1. Algoritmo Ortogonal com Regresso-Direta. .............................................................................16
2.5.2. Tcnicas de agrupamento de termos e pontos fixos. ...................................................................19
2.6. VALIDAO.........................................................................................................................................23
2.7. EXEMPLOS DE APLICAES .................................................................................................................25
2.8. COMENTRIOS FINAIS .........................................................................................................................26

Captulo 3
3. IDENTIFICAO DE SISTEMAS USANDO A REPRESENTAO NARMAX RACIONAL ...27
3.1. INTRODUO.......................................................................................................................................27
3.2. O MODELO RACIONAL ........................................................................................................................28
3.2.1. Descrio de Entrada-Sada .......................................................................................................28
3.3. EXPRESSO LINEAR NOS PARMETROS ...............................................................................................29
3.4. ESTIMAO DE PARMETROS .............................................................................................................31
3.4.1. Estimador Usando Mtodo dos Mnimos Quadrados .................................................................31

$ ......................................................................................................................32
3.4.2. Polarizao de
3.4.3. Estimador de Mnimos Quadrados para o Modelo Racional - RME ..........................................36
3.5. ESTUDO DOS AGRUPAMENTOS DE TERMOS PARA O MODELO RACIONAL ............................................36

ndice Analtico

3.6. NMERO, LOCALIZAO E ESTABILIDADE DOS PONTOS FIXOS ............................................................39


3.7. DETERMINAO DE ESTRUTURA .........................................................................................................40
3.8. COMENTRIOS FINAIS .........................................................................................................................41

Captulo 4
4. AMBIENTE COMPUTACIONAL PARA IDENTIFICAO DE MODELOS RACIONAIS .......42
4.1. INTRODUO.......................................................................................................................................42
4.2. DESCRIO DAS ROTINAS DE IDENTIFICAO .....................................................................................42
4.3. ANLISE DAS ROTINAS DE IDENTIFICAO..........................................................................................46
4.3.1. Estimao dos parmetros para o modelo racional ...................................................................47
4.4. COMENTRIOS FINAIS .........................................................................................................................55

Captulo 5
5. MODELAGEM DE UM FORNO ELTRICO ....................................................................................57
5.1 INTRODUO........................................................................................................................................57
5.2 DESCRIO DO SISTEMA ......................................................................................................................57
5.3 MODELAGEM DA DINMICA NO-LINEAR DO FORNO ELTRICO USANDO A REPRESENTAO
RACIONAL ...........................................................................................................................................59
5.3.1 Descrio dos dados ....................................................................................................................59
5.3.2 Deteco de No-Linearidades ....................................................................................................62
5.3.3 Modelo NARMAX Polinomial ......................................................................................................62
5.3.4 Modelagem Utilizando ERR e Agrupamento de Termos..............................................................63
5.3.5 Validao dos Modelos Identificados ..........................................................................................65
5.4 COMENTRIOS FINAIS ..........................................................................................................................73

Captulo 6
6. MODELAGEM DO CIRCUITO DE CHUA ........................................................................................75
6.1 INTRODUO........................................................................................................................................75
6.2 DESCRIO DO SISTEMA ......................................................................................................................75
6.3 MODELAGEM DA DINMICA NO-LINEAR DO CIRCUITO DE CHUA .......................................................78
6.3.1 Descrio dos dados ....................................................................................................................78
6.3.2 Deteco de estrutura e estimao de parmetros.......................................................................82
6.3.3 Validao dos modelos obtidos....................................................................................................83
6.4 COMENTRIOS FINAIS ..........................................................................................................................94

CONCLUSO ............................................................................................................................................ 96

Apndice A
A. ROTINAS EM MATLAB USADAS. ....................................................................................................98
A.1 INTRODUO .......................................................................................................................................98
A.2 ROTINAS ..............................................................................................................................................98
A.3 EXEMPLO DE UTILIZAO ..................................................................................................................103
REFERNCIAS BIBLIOGRFICAS ................................................................................................... 105

ndice de Figuras

vi

ndice de Figuras
Figura 1.1 Representao de um sistema entrada-sada invariante no tempo .............................3
Figura 3.1 Algoritmo de Mnimos Quadrados Estendido proposto em (Billings e Zhu,
1991).............................................................................................................................................37
Figura 4.1 Fluxograma do procedimento de identificao de modelos NARMAX racionais . ...43
Figura 4.2 Cdigos usados na rotina ratels.m................................................................................ 48
Figura 4.3 Cdigos usados na rotina ratelsr.m .............................................................................. 49
Figura 4.4 (a) sinal u(t); (b) sinal y(t), simulado a partir do modelo; (c ) sinal e(t) adicionado a
y(t) ................................................................................................................................................. 50
Figura 4.5 Teste de correlao dos resduos de identificao usando OLS. ............................. 51
Figura 4.6 Teste de correlao dos resduos de identificao usando RME sem termos de
rudo. ............................................................................................................................................ 53
Figura 4.7 Teste de correlao dos resduos de identificao usando RME Modificado e
termos lineares de rudo. ........................................................................................................... 55
Figura 5.1 Diagrama de blocos do forno eltrico implementado do LCPI - CPDEE ...........58
Figura 5.2 Resposta do forno eltrico ao rudo quantizado.. ...................................................... 60
Figura 5.3 Resposta do forno eltrico ao degrau. ......................................................................... 61
Figura 5.4 Visualizao da resposta do modelo nl391, quando excitado pelas entradas de fd1,
frq1, fd2 e frq2. ............................................................................................................................. 63
Figura 5.5 Validao estatstica do modelo mr02f. ........................................................................ 66
Figura 5.6 Validao estatstica do modelo mr03f. ........................................................................ 67
Figura 5.7 Validao estatstica do modelo mr03f5.. ..................................................................... 68
Figura 5.8 Validao dinmica do modelo mr02f ..........................................................................69
Figura 5.9 Correo do ganho do modelo mr02f para as massas fd1 e fd2............................... 70
Figura 5.10 Zoom na resposta do sistema a massa fd2................................................................. 70
Figura 5.11 Validao dinmica modelo mr03f.............................................................................. 71
Figura 5.12 Correo do ganho do modelo mr03f para as massas fd1 e fd2 .............................. 71
Figura 5.13 Validao dinmica modelo mr03f5............................................................................ 72
Figura 5.14 Correo do ganho do modelo mr03f5 para as massas fd1 e fd2 ............................ 72
Figura 6.1 - Circuito de Chua........................................................................................................... 76
Figura 6.2 Curva caracterstica do Diodo de Chua....................................................................... 76
Figura 6.3 Dados experimentais da tenso vc1 sobre o atrator em espiral.................................. 79
Figura 6.4 Projeo bidimensional do atrator catico de dupla volta obtido a partir de dsvc1.80

ndice de Figuras

vii

Figura 6.5 Dados experimentais da tenso vc1 sobre o atrator em espiral.................................. 81


Figura 6.6 Projeo bidimensional do atrator catico de dupla volta obtido a partir de vc1. 81
Figura 6.7 Evoluo dos coeficiente de agrupamentos do numerador ..................................... 83
Figura 6.8 Evoluo dos coeficiente de agrupamentos do denominador ................................. 83
Figura 6.9 Resultado obtido com predio de k passos a frente do modelo ratvc1. ................ 86
Figura 6.10 Resultado obtido com predio de k passos a frente do modelo ratvc1r.............. 87
Figura 6.11 Projeo bidimensional do atrator catico de dupla volta obtido a partir do
modelo ratvc1............................................................................................................................... 88
Figura 6.12 Projeo bidimensional do atrator catico de dupla volta obtido a partir do
modelo ratvc1r. ............................................................................................................................ 88
Figura 6.13 Evoluo do clculo do expoente de Lyapunov. Dados vc1.dat ............................ 89
Figura 6.14 Resultado do clculo da dimenso de correlao. Dados vc1.dat. .......................... 89
Figura 6.15 Teste de correlao nos resduos de identificao modelo ratvc1......................... 90
Figura 6.16 Teste de correlao nos resduos de identificao modelo ratvc1r. ...................... 90
Figura 6.17 Projeo bidimensional do atrator catico de dupla volta obtido a partir do
modelo ratdsvc1............................................................................................................................ 92
Figura 6.18 Projeo bidimensional do atrator catico de dupla volta obtido a partir do
modelo dsae1. ............................................................................................................................. 92
Figura 6.19 Evoluo do clculo do expoente de Lyapunov. Dados dsvc1.dat........................93
Figura 6.20 Clculo da dimenso de correlao modelos obtidos a partir de dsvc1.dat.........94
Figura A.1 Simbologia usada em gentm41.m...............................................................................100
Figura A.2 Sequncia de comandos em Matab usados para identificao de modelos
racionais.....................................................................................................................................104

ndice de Tabelas

viii

ndice de Tabelas
Tabela 2.1 Agrupamento de termos dos quais devem ser escolhidos os termos de um modelo
para que este apresente pontos fixos no-triviais simtricos e pontos triviais na
quantidade indicada na segunda coluna (Aguirre e Mendes, 1996) .................................... 23
Tabela 3.1 Agrupamento de termos dos quais devem ser escolhidos os termos de um modelo
para que este apresente pontos fixos no-triviais simtricos e pontos triviais na
quantidade indicada na segunda coluna (Mendes, 1995a).................................................... 40
Tabela 4.1 Resultado da estimao usando mnimos quadrados ordinrio rotina ratsm4.m 50
Tabela 4.2 Resultado da estimao usando RME sem termos de rudo.................................... 52
Tabela 4.3 Resultado da estimao usando RME Modificado com termos lineares de rudo 53
Tabela 4.4 Comparao entre o somatrios do erros percentuais na estimao de parmetros
para cada procedimento adotado. (i) OLS; (ii) RME sem termos de rudo; (iii) RME
Modificado .................................................................................................................................. 55
Tabela 5.1 Desvio padro dos erros de predio dos modelos do forno (em percentual).... 73
Tabela 6.1 Pontos fixos calculados para modelos obtidos a partir de vc1................................ 86
Tabela 6.2 Perodos mdios, calculados a partir dos dados de identificao vc1.dat, e a partir
da simulao dos modelo ratvc1r e ratvc1................................................................................. 87
Tabela 6.3 Valor estimado para o expoente de Lyapunov .......................................................... 89
Tabela 6.4 Dimenso de correlao, dados vc1.dat e modelos ratvc1 e ratvc1r. .......................... 89
Tabela 6.5 Pontos fixos calculados a partir de dsvc1. .................................................................. 91
Tabela 6.6 Valor estimado para o espoente de Lyapunov......................................................... 93
Tabela 6.7 Dimenso de correlao, dados dsvc1.dat e modelos dase1 e ratdsvc1................. 94

Nomenclatura

ix

Nomenclatura
Conjuntos Numricos

Conjunto dos nmeros inteiros

Conjunto dos nmeros inteiros positivos

Conjunto dos nmeros naturais

Conjunto do nmeros reais

Variveis
A

Matriz auxiliar, no procedimento de Gram-Schimidt, para estimao


ortogonal de parmetros.

a(.)

Funo no linear qualquer usada no numerador do modelo NARMAX


racional.

b(.)

Funo no linear qualquer usada no denominador do modelo NARMAX


racional.

C()

Funo de correlao utilizada no clculo da dimenso de correlao de um


atrator.

cij

Coeficiente de um termo x(t) de um modelo NARMAX

Matriz diagonal obtida a partir de WTW

Dc

Dimenso de Correlao do atrator de um sistema dinmico no-linear.

DL

Dimenso de Lyapunov de um sistema dinmico no-linear.

Tempo de retardo de um sistema ou tempo morto.

di

Elementos da matriz diagonal D.

de

Dimenso de imerso de um sistema dinmico.

e(t)

Rudo ou perturbaes em um sistema dinmico.

F(.)

Funo no-linear qualquer.

Nomenclatura

f(.)

Funo escalar qualquer.

Parmetro do modelo ortogonalizado, no procedimento de Gram-Schimidt.

g$

Estimativa do parmetro g.

JN(.)

ndice de desempenho ou funo de custo.

Intervalo de predio.

Grau de no-linearidade de um mapeamento no-linear.

Nmero de parmetros a ser estimados em um modelo NARMAX.

Mapa de Poincar de um sistema dinmico no-linear.

Ordem dos termos x(t) de um modelo NARMAX

Comprimento do registro de dados disponveis.

Ordem de um sistema dinmico.

ne

Atraso mximo nos termos em e(t), em modelos discretos.

ny

Atraso mximo nos termos em y(t), em modelos discretos.

Nmero de termos de rudo em um modelo NARMAX.

Nmero de termos em um modelo NARMAX.

Matriz dos regressores de um modelo NARMAX.

p(t)

Regressor de um modelo NARMAX polinomial representado na


configurao preditor de um-passo-a-frente.

Ponto fixo de um sistema dinmico.

Matriz ortogonal (decomposio QR).

Matriz ortogonal aumentada (decomposio QR).

Matriz triangular superior (decomposio QR).

Dimenso do espao vetorial onde est situado o atrator de um sistema


dinmico.

Varivel complexa de Laplace

Ts

Perodo de amostragem.

Tempo ou nmero de amostras no caso discreto

Nomenclatura

xi

Parte real do autovalor de um sistema discreto ou discretizado.

u(t)

Sinal medido de entrada de um sistema.

v(t)

Varivel instrumental.

Matriz de regressores ortogonais.

w(t)

Regressor ortogonal.

Parte imaginria do autovalor de um sistema discreto ou discretizado.

x(t)

Representao geral de um termo do modelo NARMAX polinomial.

Vetor de sadas.

y(t)

Sinal de sada medido de um sistema

y$ (t )

Sada do preditor de um-passo-a-frente

y(t)

Vetor de coordenadas em atraso.

y1, y2

Vetores auxiliares na estimao ortogonal de parmetros pelo mtodo da


transformao de Householder.

Ponto fixo de um modelo NARMAX.

Autovalor de um sistema discreto ou discretizado.

Autovalor da matriz Jacobiana de um modelo NARMAX polinomial.

Seo de Poincar de um sistema dinmico no linear.

Passo de integrao numrica.

(.)

Funo delta de Dirac.

Maior expoente de Lyapunov de um sistema dinmico no-linear.

{i } in=1

Espectro de expoentes de Lyapunov de um sistema dinmico no-linear.

Parmetro de bifurcao de um sistema dinmico.

Vetor de parmetros de um modelo NARMAX polinomial.

Parmetro nominal de um sistema dinmico representado por um modelo


NARMAX.

Parmetro de um modelo NARMAX, estimado pelo mtodo dos mnimos


quadrados.

Nomenclatura

xii

Vetor de resduos de modelagem em um modelo NARMAX polinomial.

(t)

Resduo de modelagem.

(t )

Resultado de b(t)e(t), obtido devido a linearizao dos parmetros para o


modelo NARMAX racional.

Coeficiente de um agrupamento de termos em um modelo NARMAX


polinomial.

Coeficiente de um agrupamento de termos do numerador em um modelo


NARMAX racional.

Coeficiente de um agrupamento de termos do denominador em um modelo


NARMAX racional.

Tempo de atraso na definio das coordenadas de atraso.

Valor mnimo entre y e y 2 .

Tempo em que ocorre o primeiro mnimo da auto-correlao linear de um


sinal.

y2

Tempo em que ocorre o primeiro mnimo da auto-correlao no-linear de


um sinal.

Varincia dos resduos.

Matrizes auxiliares no processo de estimao de parmetros por mnimos


quadrados estendido para o modelo NARMAX racional.

y1 y1 ()

Funo de auto-correlao do sinal y1(t).

y1 y2 ()

Funo de correlao cruzada dos sinais y1(t) e y2(t).

Agrupamento de termos em um modelo NARMAX polinomial.

Agrupamentos de termos do numerador em um modelo NARMAX racional.


Agrupamentos de termos do denominador em um modelo NARMAX
racional.

Nomenclatura

xiii

Operadores

E{.}

Esperana matemtica.

Operador de deslocamento temporal.

Var{y(t)}

Varincia de y(t).

Norma genrica.

Norma euclidiana.

Valor absoluto de um nmero.

[]T

Transposio de vetor ou matriz.

Siglas

ARMAX

Modelo (linear) auto-regresivo, de mdia mvel e entrada externa (Autoregressive, moving-average with exogenous input model).

ERR

Taxa de reduo do erro (Error reduction ratio)

FFT

Transformada rpida de Fourier (Fast Fourier transform).

FPE

Erro de predio final (Final prediction error).

NAR

Modelo no-linear auto-regresivo. (Non-linear auto-regressive model).

NARMA

Modelo no-linear auto-regresivo, de mdia mvel e entrada externa (Nonlinear auto-regressive, moving-average model).

NARMAX

Modelo no-linear auto-regresivo, de mdia mvel e entrada externa (Nonlinear auto-regressive, moving-average with exogenous input model).

NARX

Modelo no-linear auto-regresivo, com entrada externa (Non-linear autoregressive, with exogenous input model).

NTC

Elemento sensor de temperatura (Negative thermal coefficient).

PID

Proporcional-Integral-Derivativo.

PRBS

Sinal binrio pseudo-aleatrio (Pseudo binary random signal).

RAM

Memria de acesso aleatrio (Random access memory).

Nomenclatura

xiv

RBF

Funo radiais de base (Radial basis funcition).

SNR

Relao sinal/rudo (Signal-to-noise ratio).

TM

Marca registrada (Trade mark).

Consideraes sobre a Modelagem de Sistemas

Captulo 1
Considerao sobre a Modelagem de Sistemas
O papel da matemtica para ajuda das
pessoas na organizao de seus pensamentos
um dos mais fascinantes temas da cultura
humana. (Ljung, 1994).

1.1. Introduo
O modelo de um sistema uma representao mental, fsica, grfica ou matemtica de
observaes feitas no mundo real de acordo com certo padro. A modelagem de sistemas
de vital importncia para o desenvolvimento da cincia e tecnologia. A evoluo do
conhecimento cientfico ao longo dos sculos vem se apoiando em regras e leis matemticas
que descrevem fenmenos fsicos observados na natureza.
O ato de dirigir um veculo pode ser citado como exemplo de utilizao de modelos mentais
de sistemas fsicos, usados naturalmente pelas pessoas em tarefas do cotidiano. Um
motorista que dirige pela primeira vez um certo automvel, inicia identificando o sistema, ou
seja, obtm um modelo mental para o mesmo afim de ajustar suas aes para o controle do
automvel. Vrios outras situaes do cotidiano podem ser citadas como exemplos de
utilizao de modelos mentais.
A modelagem matemtica de sistemas adquire importncia especial na soluo de problemas
de engenharia. Atravs dos modelos matemticos pode-se predizer o comportamento
dinmico e esttico de um sistema possibilitando simular seu comportamento, sob diversas
condies de operao. Com isto podem-se ajustar controladores e/ou estudar formas de
melhorar seu desempenho atravs de simulao dos modelos.

Consideraes sobre a Modelagem de Sistemas

A obteno de modelos que reproduzem exatamente o comportamento de um sistema


algo impossvel. Na prtica os modelos se aproximam satisfatoriamente do comportamento
do sistema para uma determinada aplicao especfica e uma faixa de operao limitada.
Deste modo no existe um modelo para um determinado sistema, mas diversos modelos
para o mesmo. Nem sempre o modelo que mais se aproxima do comportamento de um
sistema o melhor. Dependendo da aplicao um modelo mais simples pode ser mais
adequado.
Um dos objetivos do estudo de tcnicas para modelagem construir mtodos simples e
eficazes na modelagem de sistemas. Como introduo modelagem de sistemas vale citar
alguns provrbios (Pena e Aguirre, 1994):
A planta tem sempre razo;
M informao pior que ignorncia;
Um modelo contm apenas o que nele foi colocado;
Modelo validado no pode ser sintonizado;
O Universo, apesar de no linear, , quase sempre, bem comportado;
Uma mente bem educada fica satisfeita com o que possvel saber;
O timo o melhor possvel no tempo e no espao.
Estes provrbios sintetizam consideraes que devem ser feitas durante qualquer
procedimento de modelagem.
Este Captulo apresenta um breve introduo na modelagem matemtica de sistemas
dinmicos. Procura estabelecer a importncia da modelagem e analisa os principais mtodos
utilizados para derivar modelos matemticos de sistemas dinmicos.

1.2. Elucidrio
Esta seo tem o objetivo de explicar os principais conceitos utilizados ao longo desta
dissertao, no se atendo definio formal de cada termo, mas do seu significado e/ou
aplicao.

Consideraes sobre a Modelagem de Sistemas

Sistema autonmo
Um sistema dito autonmo quando regido por equaes diferenciais (ou equaes de
diferenas) que no dependem explicitamente do tempo t. Por outro lado, sistemas que so
regidos por equaes diferenciais que dependem explicitamente do tempo so denominados
no-autonmos. Um sistema no-autonmo pode ser transformado em um sistema autnomo
atravs de uma troca de variveis, com o tempo se transformando em mais uma varivel de
estado.

Sistema invariante no tempo

Sistemas que so representados por equaes diferenciais cujos coeficientes sejam funes
do tempo so chamados sistemas variantes no tempo. Caso contrrio o sistema chamado de
invariante no tempo.
Em um sistema invariante no tempo sua resposta y(t), a uma entrada u(t) no se altera com o
tempo absoluto. Na Figura 1.1 temos a representao em diagrama de blocos de um sistema
invariante no tempo, onde u(t) a entrada, y(t) sada e F(.) uma funo no linear qualquer.
y(t)

u(t)
F(u,y)

Figura 1.1 Representao de um sistema entrada-sada invariante no tempo

A alterao nas propriedades fsicas devido ao desgaste natural com o tempo, isto ,
envelhecimento, um dos principais fatores que tornam um sistema variante no tempo,
porm em boa parte das aplicaes, esta variao desconsiderada por ocorrer em um
intervalo de tempo muito grande.
Sistema dinmico
Um sistema dito dinmico quando sua sada y(t) no depende exclusivamente da entrada u(t)
naquele instante, mas da evoluo histrica da entrada e da sada. Sistemas cujas sadas
dependem exclusivamente da entrada naquele instante so denominados sistemas estticos.
As sadas dos sistemas dinmicos guardam informao do que ocorreu no tempo passado,
por isso estes sistemas so ditos sistemas com memria. O corpo humano um exemplo de

Consideraes sobre a Modelagem de Sistemas

sistema dinmico, por mais que esteja confortavelmente instalado em uma poltrona aps um
dia de trabalho exaustivo, este dar sinais de cansao. J um resistor exemplo de sistema
esttico. A tenso em seus terminais depende unicamente do valor instantneo da corrente
(para baixas freqncias pelo menos). Sistemas com dinmica relativamente rpida so
muitas vezes considerados estticos dependendo do contexto em que funcionam.
Os sistemas dinmicos so representados por equaes diferencias no tempo contnuo e por
equaes de diferenas no tempo discreto.
Sistema catico
Sistemas com dinmica catica possuem evoluo temporal que conduz assintoticamente a
atratores estranhos. Os atratores estranhos apresentam dependncia sensitiva s condies iniciais
(DCI).
O comportamento catico determinstico possui as seguintes caractersticas (Fiedler-Ferrara
e Prado, 1994):
imprevisibilidade, isto , o conhecimento do estado do sistema durante um tempo
arbitrariamente longo no permite predizer, de maneira imediata, sua evoluo posterior;
espectro contnuo de freqncias, caracterizando um comportamento aperidico ;
invariana de escala, significando uma estrutura com caractersticas de auto-similaridade
(tipicamente no espao de estados);
estacionaridade, isto , embora aperidico, o sistema atinge regime.
A irregularidade das oscilaes associadas a sistemas caticos no implica que elas sejam
completamente arbitrrias. Estas oscilaes apresentam amplitude limitada e, em alguns
casos, o perodo de oscilao (pseudo-perodo) varia apenas ligeiramente ao longo do
tempo, embora as oscilaes sejam errticas.
Atrator
Um atrator a regio do espao de estados onde o sistema permanece aps o trmino do
seu movimento transitrio (t ). Atratores s so possveis em sistemas dissipativos.
Dentre os atratores possveis para sistemas no-lineares destaca-se:

Consideraes sobre a Modelagem de Sistemas

atrator pontual, que independente do tempo. So trajetrias que convergem para um


nico ponto, cessando qualquer deslocamento;
ciclos limites, que peridico no tempo, so caracterizados por sua amplitude e perodo. So
representados por curvas fechadas que podem atrair ou repelir solues prximas. Os
ciclos limites so solues peridicas (movimentos regulares) tpicas a osciladores forados
no lineares;
toro Tn, (2 n < m), que corresponde a um regime quasi-peridico com n freqncias
fundamentais independentes. m o nmero de graus de liberdade do sistema;
atrator estranho, que apresentam dependncia sensitiva s condies iniciais (DCI).
Dimenso de Correlao
A dimenso de correlao uma entre as vrias medidas de dimenso do atrator de um
sistema dinmico.
A dimenso de correlao est relacionada com a quantidade de equaes diferenciais
necessrias para caracterizar a dinmica sobre um dado atrator. Se a dimenso de correlao
de um atrator DC = d + , onde d inteiro e 0 1 ento o menor nmero de equaes
diferenciais necessrias para descrever a dinmica do sistema original d + 1.
O espao de estados de um sistema dinmico pode ser reconstrudo a partir de uma srie
temporal {yi }i =1 . Sejam yi e yj dois pontos das trajetrias do sistema no espao de estados
N

reconstrudo Sy = y i y j . A funo de correlao pode ser definida como (Grassberg e


Procaccia, 1983):
C( ) = lim n

1
(nmero de pares (yi , yj) com Sy < ).
N
(1.1)

A dimenso de correlao ento definida como:

DC = lim

log e C( )
log e
(1.2)

Consideraes sobre a Modelagem de Sistemas

Expoentes de Lyapunov
Os expoentes de Lyapunov medem a taxa de divergncia (exponencial) de trajetrias
vizinhas em certas direes do espao de estado de um sistema dinmico no-linear.
A existncia de um ou mais expoentes de Lyapunov positivos define direes de
instabilidade local na dinmica do sistema. A soma dos expoentes de Lyapunov de um
sistema dissipativo globalmente estvel negativa, embora alguns expoentes possam ser
positivos. Esse fato indica que trajetrias vizinhas no espao de estados de tais sistemas
tendem a se aproximar quanto tf . Fiedler-Ferrara e Prado (1994) mostram os sinais dos
expoentes de Lyapunov de um sistema em funo de sua ordem e comportamento dinmico.
Os expoentes de Lyapunov de um sistema dinmico no-linear podem ser calculados a partir
da definio lim t f [(1 t f ) log e (d t f d 0 )] , onde d 0 a separao inicial e d t f a separao
final (aps um tempo t f ) das trajetrias.
Invariantes dinmicos
Invariantes dinmicos so grandezas utilizadas para caracterizar o comportamento dinmico em
regime permanente (ou seja atratores) de um dado sistema. Os expoentes de Lyapunov e a
dimenso de correlao so exemplos de invariantes dinmicos.

1.3. Modelagem Matemtica de Sistemas


O modelo matemtico dinmico de um sistema um conjunto de equaes que descrevem o
seu comportamento dinmico e esttico. A obteno de um modelo matemtico deve
estabelecer um compromisso entre a simplicidade do modelo e a preciso dos resultados da
anlise (Ogata, 1993).
Modelos matemticos de sistemas dinmicos podem ser obtidos basicamente atravs de duas
abordagens diferentes:
modelagem pela fsica do processo (Doebelin, 1980; Klamkim, 1987);
identificao de sistemas (Box e Jenkins, 1976; Ljung, 1987).

Consideraes sobre a Modelagem de Sistemas

A modelagem matemtica baseada na fsica do processo parte de leis fsicas que regem o
comportamento dinmico do sistema. Esta abordagem exige conhecimento pleno das leis
fsicas relacionadas com o processo e tambm conhecimento das grandezas fsicas
envolvidas. Nesta abordagem os parmetros obtidos para o modelo guardam uma relao
direta com as grandezas fsicas. Em geral os modelos so representados por equaes
diferenciais no domnio do tempo, ou atravs de funes complexas no domnio de Laplace.
Para sistemas muito complexos, a modelagem baseada na fsica do processo normalmente
torna-se invivel, j que no se conhecem todas as relaes entre as diversas variveis e
tambm todas as grandezas fsicas envolvidas.
Na identificao de sistemas, o modelo matemtico construdo a partir da resposta a uma
entrada conhecida. Esta resposta obtida atravs de dados de entrada e sada do sistema,
sendo realizadas medies destas variveis simultaneamente a uma taxa de amostragem
constante. Os modelos matemticos obtidos atravs deste processo conseguem reproduzir
caractersticas dinmicas e estticas do sistema original.
Os mtodos desenvolvidos para a identificao de sistemas podem ser divididos em trs
grupos (Ljung, 1987):
mtodos paramtricos;
mtodos no-paramtricos;
mtodos no domnio da freqncia.
Os mtodos paramtricos partem de estruturas matemticas parametrizadas para descrever o
comportamento dinmico do sistema original. Os parmetros destas estruturas so estimados
usando-se algoritmos de estimao de parmetros a partir dos dados medidos (Ljung, 1987).
Nos mtodos no-paramtricos o comportamento dos sistemas dinmicos determinado
atravs de funes de correlao calculadas sobre os dados disponveis. J a identificao de
sistemas no domnio da freqncia obtida atravs da transforma de Fourier (Hougen, 1972)
dos dados de entrada e sada, resultando na resposta em freqncia do sistema original.
A identificao de sistemas baseada em mtodos paramtricos foi inicialmente utilizada na
obteno de modelos lineares para os sistemas em estudo (Box e Jenkins, 1976). Os sistemas
fsicos no entanto so no lineares, de forma que modelos lineares so limitados para
reproduzir todas as suas caractersticas. Em geral, modelos lineares de sistemas dinmicos
descrevem o comportamento dos sistemas assumindo linearidade em uma determinada faixa
de operao limitada. Mesmo assim, modelos lineares foram e so largamente utilizados,
principalmente devido facilidade com que so obtidos.

Consideraes sobre a Modelagem de Sistemas

Com o advento da teoria de sistemas dinmicos no lineares, surge interesse pela


identificao de modelos no-lineares, principalmente a partir da dcada de 80. Com esta
nova necessidade vem a busca de representaes para as equaes matemticas que
descreveram a dinmicas dos sistemas no-lineares, assim como o desenvolvimento de
algoritmos de estimao de parmetros e de tcnicas de validao para tais modelos.

1.4. Aspectos da Identificao de Sistemas


A identificao de sistemas parte de dados de entrada e sada medidos no sistema que se
deseja modelar. Tais dados so denominados dados de identificao e so obtidos atravs da
medio simultnea da resposta do sistema y(t) a uma excitao na entrada u(t) prdeterminada. A qualidade do modelo obtido estar intimamente ligada com as caractersticas
do sinal de excitao. O modelo s reproduzir as caractersticas do sistema que tiverem sido
adequadamente excitadas pelo sinal de entrada.
Os modelos matemticos gerados pela identificao de sistemas podem ser divididos em
duas classes:
modelos entrada-sada;
modelos em espao de estados.
Os modelos de entrada-sada descrevem a sada y(t) do sistema em funo da entrada u(t).
Estes modelos no possuem nenhuma informao das variveis internas do sistema. J os
modelos em espao de estados permitem analisar o comportamento de variveis internas
para uma dada regio de operao.
Uma questo de vital importncia na identificao de sistemas a escolha da estrutura para
representao dos sistemas. Conhecimentos a priori do sistema a ser identificado pode
facilitar a escolha da estrutura. De acordo com o nvel de conhecimento utilizado nesta
escolha, os modelos so classificados em (Ljung, 1987):
modelos caixa-branca (white-box);
modelos caixa-cinza (gray-box);
modelos caixa-preta (black-box).

Consideraes sobre a Modelagem de Sistemas

Os modelos caixa-branca tem sua estrutura totalmente definida a partir de conhecimento a


priori do sistema a ser identificado. Neste caso a forma da equao matemtica que
representa o sistema previamente conhecida. Nos modelos caixa-cinza a utilizao de
conhecimento a priori simplifica os algoritmos de seleo de estrutura. Os modelos caixa-preta
no utilizam nenhuma informao conhecida a priori do sistema. A estrutura destes modelos
selecionada dentro de famlias conhecidas por apresentar boa flexibilidade na modelagem
de sistemas (Ljung, 1995).
Outro ponto importante na identificao de sistemas a estimao de parmetros. A
estimao de parmetros consiste em determinar os parmetros de uma determinada
estrutura a fim de que o modelo reproduza o comportamento do sistema original.
A etapa final de um processo de identificao de um sistema a sua validao. A validao
consiste em verificar se todas as dinmicas presentes nos dados de identificao foram
modeladas e se o modelo reproduz a dinmica do sistema original.

1.5. Apresentao do Trabalho


O objetivo principal desse trabalho avaliar o uso da representao NARMAX racional para
a modelagem de sistemas fsicos reais. Como conseqncia deste estudo sugere-se uma
modificao no algoritmo de estimao de parmetros proposto em (Billings e Zhu, 1991)
visando a facilitar sua implementao. O novo algoritmo foi testado usando dados reais
coletados em dois sistemas diferentes.
Os modelos racionais podem ser considerados como uma evoluo natural depois dos
modelos lineares e polinomiais no-lineares. Os modelos NARMAX racionais descrevem
eficientemente vrias no-linearidades com reduzido nmero de parmetros (Billings e Zhu,
1991).
O Captulo 2 apresenta aspectos da identificao de sistemas usando a representao
NARMAX polinomial. So apresentadas a forma do modelo NARMAX polinomial e as
diversas etapas na obteno destes modelos como: (i) escolha do tempo de amostragem e
dados de identificao; (ii) escolha da estrutura, onde apresentado o algoritmo ERR e
discutidos conceitos de agrupamento de termos e pontos fixos, como tcnicas auxiliares para
escolha da estrutura; (iv) estimao dos parmetros atravs do algoritmo ortogonal com
regresso-direta; (v) validao do modelo identificado. Finalmente so apresentadas algumas
aplicaes dos modelos NARMAX polinomiais.

Consideraes sobre a Modelagem de Sistemas

10

No Captulo 3 apresentada a forma geral de uma representao NARMAX racional, e suas


principais caractersticas. discutido o procedimento que transforma a expresso linear nos
parmetros e apresentado o estimador de mnimos quadrados - RME, proposto em (Billings
e Zhu, 1991), sendo analisada a polarizao provocada por tal procedimento. A seguir
apresenta-se um estudo dos agrupamentos de termos e pontos fixos para o modelo racional.
No Captulo 4 feita uma breve discusso a respeito das rotinas usadas no processo de
identificao. Trs procedimentos distintos so testados na estimao de parmetros de um
sistema simulado em computador: (i) estimao de parmetros usando o algoritmo de
mnimos quadrados ordinrios; (ii) utilizao do algoritmo estimador para modelos racionais
- RME, proposto em (Billings e Zhu, 1991) sem introduo de termos de rudo; e (iii)
utilizao do algoritmo RME modificado com termos aditivos de rudo. A comparao
crtica dos algoritmos e a proposio de procedimento em (iii) so contribuies do presente
trabalho.
No Captulo 5 as rotinas de identificao so usadas na obteno de modelos para um forno
eltrico. O forno eltrico utilizado encontra-se no Laboratrio de Controle de Processos
Industriais (LCPI) do Centro de Pesquisa e Desenvolvimento em Engenharia Eltrica
(CPDEE) da Universidade Federal de Minas Gerais (UFMG). O sistema possui dinmica
bilinear com constantes de tempo diferentes para o aquecimento e esfriamento. Modelos
NARMAX polinomiais para o forno foram obtidos em (Rodriques, 1996), sendo que as
mesmas massas de dados foram usadas na obteno de modelos NARMAX racionais, o que
possibilitou a comparao entre as duas representaes na modelagem do comportamento
do forno eltrico.
O Captulo 6 apresenta a modelagem no-linear do circuito catico de Chua. O circuito de
Chua um circuito eletrnico com comportamento no-linear que tem sido objeto de estudo
por um grande nmero de pesquisadores (Glover e Mess, 1992; Chua e Hasler, 1993; Harley
e Mossayebi, 1993; Madan, 1993; Aguirre e Billings, 1994b; Aguirre, 1995b). Foi realizada a
modelagem do atrator catico de dupla volta utilizando dados de operao de um prottipo
montado no LCPI (Torres e Aguirre, 1995b). Mais uma vez foi possvel estabelecer
comparaes com modelos NARMAX polinomiais obtidos em (Rodrigues, 1996) com as
mesmas massas de dados.
Ao final so apresentadas as concluses do trabalho, e tambm algumas propostas de
continuao do mesmo. No Apndice A as principais rotinas em Matlab usadas durante o
processo de identificao so descritas.

Identificao de Sistemas Usando a Representao Polinomial

11

Captulo 2
Identificao de Sistemas Usando a
Representao NARMAX Polinomial

2.1. Introduo
A tentativa de explicar ou de reproduzir comportamentos de sistemas fsicos algo que h
muito desperta o interesse de pesquisadores. Pode-se citar vrios nomes importantes para o
desenvolvimento da cincia, que descreveram fenmenos fsicos atravs do enunciado de leis
matemticas, como: Isaac Newton com as leis do movimentos e da gravitao universal,
Charles Coulomb com a leis da repulso e atrao de cargas eltricas, Maxwell e Boltzmann
com a teoria cintica dos gases, dentre outros.
Com o desenvolvimento dos processos industriais e a necessidade de control-los, tornou-se
necessrio desenvolver modelos que reproduzissem suas caractersticas estticas e tambm
dinmicas. Por isso a modelagem matemtica assume grande importncia, pois atravs dela
pode-se predizer o que acontecer com um sistema, conhecendo-se a sua entrada e suas
sadas anteriores. A modelagem tambm permite simular a resposta do sistema quando este
submetido a distrbios de carga, bem como verificar e descobrir os valores timos de
sintonia de controladores.
Existem duas linhas bsicas de como se obter o modelo matemtico de sistemas fsicos: (i)
modelagem a partir da fsica do processo (Doebelin, 1980; Klamkin, 1987); (ii) modelagem a
partir da resposta do sistema a entradas conhecidas - identificao de sistemas (Box e
Jenkins, 1976; Ljung, 1987). A primeira parte das leis fsicas que regem o processo para se
obter uma equao matemtica, isto , um modelo. Geralmente este modelo representado
por uma equao diferencial linear. A segunda obtm um modelo para o sistema a partir da
sua resposta a uma entrada conhecida, neste caso o modelo obtido pode ser representado de
vrias formas, tais como: um polinmio (modelo ARMAX), uma razo de dois polinmios
(modelo Racional), uma rede neural, etc.

Identificao de Sistemas Usando a Representao Polinomial

12

Este captulo tem o objetivo de descrever a identificao de sistemas no lineares, utilizando


os modelos NARMAX polinomiais. Faz-se uma breve reviso sobre a representao
NARMAX polinomial, o efeito do tempo de amostragem na escolha dos termos que
compem o modelo, escolha do sinal de excitao, deteco de estrutura, identificao e
validao. No final do captulo sero apresentadas algumas aplicaes em identificao de
sistemas reais.

2.2. A Representao Polinomial


O modelo polinomial utiliza-se de um polinmio de grau l para representar a dinmica de
sistemas fsicos. Este polinmio composto por termos contendo informaes do passado
das entradas e das sadas do processo.
Um modelo NARMAX polinomial pode ser representado por (Leontaritis and Billings,
1985a; Leontaritis and Billings, 1985b; Billings e Chen, 1989):
y(t)=F l[ y(t - 1), y(t - 2) , ... , y(t - ny), u(t - d ), u(t - d - 1), ... ,u(t - d - nu + 1),
e(t - 1), e(t - 2),...,e(t - ne)] + e(t) ,
(2.1)
onde t = 1, ... , N. Fl uma funo polinomial qualquer com grau de no linearidade l. y(t),
u(t) e e(t) so, respectivamente, sada, entrada e rudo do sistema, cujos atrasos mximos so
representados por ny, nu, e ne, respectivamente. d representa o tempo morto do sistema e N
o nmero de pontos dos dados de identificao.

2.3. Escolha do Tempo de Amostragem


A escolha correta do tempo de amostragem de um sinal contnuo o primeiro passo para se
identificar um sistema. O tempo de amostragem influi na seleo da estrutura, na estimao
dos parmetros do modelo e na capacidade do modelo reproduzir os diferentes regimes
dinmicos que o sistema possui.

Identificao de Sistemas Usando a Representao Polinomial

13

A importncia da seleo correta do tempo de amostragem foi estudada em (Billings e


Aguirre, 1995). Este autores concluram que: (i) os dados devem ser amostrados de forma
suficientemente rpida para garantir que todas as freqncias de interesse estejam bem
representadas no conjunto de dados usados para a identificao; (ii) o tempo de amostragem
muito pequeno pode afetar o desempenho do algoritmo de seleo de estrutura e estimao
de parmetros; (iii) algumas interaes no lineares s aparecero e sero reproduzidas se a
taxa de amostragem for suficientemente rpida.
Uma superamostragem, ou seja, um sinal amostrado mais rpido do que o necessrio,
freqentemente resulta em problemas numricos durante a estimao de parmetros (Billings
e Aguirre, 1995). Na prtica, entretanto, uma superamostragem pode tambm provocar
problemas na seleo de estrutura. Por outro lado uma subamostragem pode provocar o
efeito de dados adjacentes no serem correlacionados, impossibilitando assim a identificao.

2.3.1. Uma Regra Heurstica para Seleo do Tempo de


Amostragem
Alguns mtodos para escolha do tempo de amostragem utilizam funes de autocorrelao
linear (Casdagli et al., 1991;Fraser 1989b) e funes de autocorrelao no linear (Aguirre,
1995a). As funo utilizadas em (Billings e Tao, 1991) so definidas como:

____

____

yy ( c ) = E {( y (t ) y (t ))( y (t c ) y (t ))} , c = 0,1,... ,


(2.2)

'

y2 y

____
_____
2
2
2
E
y
t
y
t
y
t
y 2 (t ) )} , c = 0,1,... ,

( c)
{( ( )
( ))( (
c)
2'
(2.3)

onde E{} a esperana matemtica e a barra indica mdia com relao ao tempo. yy
indica a correlao linear e

'

y2 y2

'

indica a correlao no linear.

O procedimento proposto em (Aguirre, 1995a) para determinao do tempo de amostragem


inicia-se atravs do estudo das auto-correlaes, descritas em (2.2) e (2.3), dos dados de
identificao a serem usados. Define-se:

Identificao de Sistemas Usando a Representao Polinomial

m = min{ y ,

14

y2

'

},
(2.4)

onde y e

y2

'

, so os primeiros mnimos das funes de auto-correlao linear e no-linear,

respectivamente. O tempo de amostragem pode ento ser escolhido de acordo com (Billings
e Aguirre, 1995):

m
m
Ts
.
20
10
(2.5)

Em alguns casos, os limites superiores e inferiores podem ser relaxados para

5 e

25 ,

respectivamente.

2.4. Escolha do Sinal de Excitao


Na identificao paramtrica, a escolha do sinal de excitao, isto , o sinal que ser aplicado
durante o teste, de primordial importncia. A partir da resposta do sistema (sada) ao sinal
de excitao (entrada) obtm-se as relaes existente entre sada e entrada, ou seja, seu
modelo dinmico.
As entradas a serem utilizadas para excitar o sistema devem ser projetadas para satisfazer um
conjunto de propriedades (Billings, 1980; Billings e Voon, 1983: Billings e Voon, 1986) que,
em princpio, garantiro a adequabilidade dos dados obtidos. necessrio que o sinal de
entrada consiga excitar o sistema em toda a faixa de freqncia de interesse. Para sistemas
no-lineares, nos quais variaes da amplitude do sinal de entrada podem provocar
mudanas qualitativas no comportamento do mesmo, necessrio projetar um perfil de
amplitudes para os sinais de teste (Aguirre e Billings, 1995a), de forma a garantir que todas as
no linearidades presentes no sistema sejam visitadas.
Os sinais mais utilizados para excitar os sistemas so ondas quadradas, sinais binrios
pseudo-aleatrios (PRBS), e rudo branco, por possurem espectro de freqncias
relativamente largo.

Identificao de Sistemas Usando a Representao Polinomial

15

Os dados obtidos na experimentao do sistema devem ser processados por filtros passabaixas, a fim de que o falseamento dos sinais amostrados seja evitado. O espectro de
freqncias de um sinal amostrado corresponde ao espectro do sinal original no intervalo
-2/Ts f 2/Ts , onde Ts o tempo de amostragem e 2/Ts chamada de freqncia de
Nyquist.

2.5. Escolha da Estrutura


A seleo de estrutura adequada vital para a representao global da dinmica de um
sistema (Aguirre, 1994). A escolha da estrutura pode ser dividida em duas etapas: (i) que
agrupamentos de termos1 devem pertencer ao modelo e, (ii) que termos, dentro dos
agrupamentos escolhidos, faro parte do modelo.
A escolha correta dos agrupamentos de termos evitaro efeitos dinmicos esprios (Aguirre
e Billings, 1994). O nmero de termos para representar a dinmica do sistema deve ser
suficientemente pequeno para se evitar instabilidade numrica (Aguirre e Billings, 1994),
provocada por sobreparametrizao.
Uma das questes como determinar o nmero de termos que deve ser usado na
representao, e quais, dentre a totalidade dos candidatos. As tcnicas de escolha de termos
podem ser agrupadas em dois grandes grupos, denominados, construtivo e eliminativo
(Kadtke et al, 1993; Aguirre, 1994). Na primeira, parte-se de um determinado modelo e em
cada passo um termo acrescentado de acordo com sua importncia na representao do
sistema. Na segunda, parte-se um modelo teste e os termos menos significativos so
eliminados a cada passo, neste caso necessrio estimar os parmetros iniciais do modelo
teste, eliminando os menos significativos.
Dentre as tcnicas usadas na determinao de estrutura ser destacado nesta seo o
procedimento denominado ERR, error reduction ratio (Billings et al, 1989). O ERR consiste
em associar a cada termo candidato, um ndice que corresponde contribuio deste na
explicao da varincia dos dados de sada. Desta forma possvel ordenar os termos
candidatos de acordo com a contribuio de cada um. O algoritmo ERR gera um lista em
ordem decrescente com os termos e suas contribuies na identificao do sistema. O ERR

Isto ser definido na seo 2.5.2.

Identificao de Sistemas Usando a Representao Polinomial

16

obtido utilizando as propriedades da fatorao ortogonal de matrizes, e ser descrita


posteriormente, na seo 2.5.1.
Uma vez obtida a lista referida acima, o problema passa para a determinao do nmero de
termos a ser inserido no modelo. A escolha da estrutura de modelos NARMAX tem sido
objeto de estudo, e vrios artigos vem sendo publicados com diversas abordagens para o
tema, estudo de agrupamento de termos em (Aguirre e Billings, 1995), estudo de pontos
fixos de modelos polinomias (Aguirre e Mendes, 1996) e o efeitos dinmicos da
sobreparametrizao (Aguirre e Billings, 1995).

2.5.1. Algoritmo Ortogonal com Regresso-Direta.


Um algoritmo ortogonal que eficientemente combina seleo de estrutura e estimao de
parmetros foi desenvolvido (Korenberg, 1985) e estendido para a identificao de uma
nica-entrada e nica-sada para sistemas estocsticos (Korenberg et al, 1988),
posteriormente aplicado a multi-entradas e multi-sadas (Billings et al, 1989).
Utilizando a representao matricial, a Equao (2.1) pode ser rescrita como:
Y=P+,
(2.6)
onde P a matriz de regressores, a matriz que contm os parmetros a serem estimados
e matriz que contem os erros entre o valor medido e o valor estimado. O vetor de
parmetros calculado de forma que a norma Euclidiana Y - P 2 seja minimizada.
Isto pode ser resolvido pelo mtodo dos mnimos quadrados.
O mtodo de Mnimos Quadrados Ortogonal ( OLS - Orthogonal Least Squares) parte de
)
vetores de base pi e encontra um vetor soluo , que satisfaz a condio de P projetar os
valores de y no espao dado pelos vetores base. O mtodo OLS (Billings et al.,1988) envolve
a transformao do conjunto de vetores pi em um conjunto de vetores de base ortogonais,
realizando clculos para determinar a contribuio individual de cada vetor. A matriz de
regressores P decomposta como:

Identificao de Sistemas Usando a Representao Polinomial

17

P = WA ,
(2.7)
onde A um matriz triangular superior M x M com 1s na diagonal,

1 12
0 1

A = 0 0
M
M

0 L

13
23
1
M
L

L 1M
L 2M

L
M
M
M

L
1

(2.8)
e W uma matriz N x M com wi colunas ortogonais sobre os dados. Ento:
WTW = D,
(2.9)
e D diagonal com elementos di :
N

d i = wiT wi = wi (t )wi (t ) ,
t =1

1 i M .
(2.10)

O espao representado pelo conjunto de vetores de base ortogonais wi o mesmo espao


representado pelo conjunto pi, podendo-se rescrever a equao (2.6) como:
Y = Wg + E .
(2.11)
^

A soluo OLS de g dada por

Identificao de Sistemas Usando a Representao Polinomial

wiT Y
g= T
,
wi wi
^

18

1 i M.
(2.12)

Os valores de g e satisfazem o sistema triangular


^

A = g .
(2.13)
Esta ltima equao pode ser usada para obter os parmetros do modelo original a partir dos
^

parmetros estimados de g . Os mtodos Gram-Shimidt Clssico e Gram-Shimidt


Modificado podem ser usados para obter (2.7) e ento resolver para os mnimos quadrados
^

estimando (Golub e Van Loan, 1989).


A varincia da sada pode ser expressa por:
1 T
1
Y Y=
N
N

g
i =1

2
i

wiT wi +

1 T
E E.
N
( 2.14)

Nota-se que

g
i

2
i

wiT wi N a parte da varincia da sada explicada pelo i-simo regressor,

e que ETE / N a varincia da sada y(t) no explicada. Ento g i2 wiT wi N a poro da


varincia de sada explicada por wi. A taxa de reduo de erro (error reduction ratio - ERR ),
devido incluso de wi no modelo definida como:

g i2 wiT wi
[ ERR] i =
,
Y TY

1 i M.
( 2.15)

A razo acima oferece um meio simples e efetivo de checar a importncia de cada regressor
na explicao da varincia da sada.

Identificao de Sistemas Usando a Representao Polinomial

19

2.5.2. Tcnicas de agrupamento de termos e pontos fixos.


A parte determinstica do modelo NARMAX definido na equao (2.1) , que um modelo
NARX, pode ser escrito como (Peyton-Jones e Billings, 1989):

y (t ) =

m= 0

n y ,nu

p=0

nn ,nm

i =1

i = p +1

c p,m p (n1 ,..., nm ) y(t ni ) u(t ni ) ,


(2.16)

onde,

n y ,nu

n1 ,nm

ny

nu

n1 =1

nm =1

(2.17)
e l o grau de no linearidade, ny refere-se aos fatores em y(t - ni) e nu aos fatores u(t - ni).
Se o perodo de amostragem, Ts, escolhido suficientemente pequeno (Ts 0):
y(t - 1) y(t - 2) ... y(t - ny) ,
u(t - 1) u(t - 2) ... u(t - nu).
(2.18)
Aplicando (2.18) na equao (2.16):
n y ,nu

y (t )

nl ,nm

p
m p
.
p ,m p ( n1 ,..., n m ) y ( t 1) u ( t 1)
m= 0 p = 0

(2.19)
O conjunto de termos na forma y(t - i)pu(t - j)m - p denominado agrupamento de termos (term
cluster em Aguirre e Billings, (1995c). Os agrupamentos de termos sero representados por

Identificao de Sistemas Usando a Representao Polinomial

20

n y ,nu

y pu m p (m = 0, ..., l e p = 0, ..., m). A constante

p ,m p

(n1 ,..., nm ) o coeficiente do

nl ,nm

agrupamento de termos y pu m p (cluster coefficient em Aguirre e Billings, 1995c) e ser


representada por

y pum p

Pontos fixos (ou pontos de equilbrio) de um sistema discreto so aqueles pontos tais que y(t)
= y(t - i), i +, fazendo u(t - i) = 0, i + .
Os agrupamentos de termos e seus coeficientes podem ser utilizados na determinao dos
pontos fixos de um sistema representado por modelos NARMAX. Esta possibilidade
oferece, em alguns casos, uma importante contribuio na determinao da estrutura.
A utilizao destes conceitos restringe, inicialmente, a procura de termos representativos do
sistema aos agrupamentos de termos que deve conter o modelo, e depois, aos termos de
cada agrupamento. Este procedimento reduz sensivelmente o universo de procura e torna a
estrutura mais robusta.
Aguirre e Mendes, (1996) mostram que (i) o nmero de pontos fixos de um modelo
polinomial depende dos agrupamentos de termos representados na estrutura do modelo, e
(ii) que a localizao de cada ponto fixo completamente determinada pelos respectivos
coeficientes de agrupamentos.
Os conceitos de agrupamento de termos e coeficientes de agrupamento de termos so
utilizados para caracterizar o nmero de pontos fixos no mapa discreto, como tambm a
localizao e a simetria de cada ponto fixo.
Os agrupamentos possveis de um polinmio autnomo com grau de no-linearidade l so
0 = constante, y , y 2 ,..., y l .
Ento, os pontos fixos de um polinmio autnomo com grau de no linearidade l, so dados
pelas razes do polinmio (2.20), onde foram usados os conceitos de agrupamento e
coeficiente de agrupamento de termos (Aguirre e Mendes, 1996):

yl

y l +...+ y 2 y 2 + ( y 1) y + 0 = 0 ,
(2.20)

Identificao de Sistemas Usando a Representao Polinomial

sendo

21

= c0 ,0 uma constante. Fica claro que o nmero de pontos fixos de um polinmio

de grau l igual a l se

yl

0 .

A localizao dos pontos fixos dada pelas razes da equao (2.20), e a lgebra envolvida na
sua soluo pode ser vista em (Aguirre e Mendes, 1996).
Estabilidade de pontos Fixos
Uma das vantagens de se utilizar o conceito dos pontos fixos, est na possibilidade de se ter
uma idia do comportamento dinmico do sistema a partir da determinao da estabilidade
dos pontos fixos. Esta estabilidade determinada, no sentido de Lyapunov, a partir dos
autovalores da matriz Jacobiana avaliada nos pontos fixos.
O polinmio NAR de ordem ny pode ser representado por um mapeamento f : R

ny

ny

como a seguir (Aguirre e Mendes, 1996):

y (t ) = f ( y (t 1)),
(2.21)
onde y R

ny

o vetor de estado, gerado a partir dos dados de identificao e t o intervalo

de predio.
y (t n y + 1)
y ( t n + 2)
y

=
M

y (t 1)

y (t )

y (t n y )

1
0
M
0
f
y (t n y + 1)

0
1
M

L
L
M
L

0
f
L
y ( t n y + 2)

y (t n )
y

y (t n y + 1)

1 y ( t 2)

y (t 1) y (t 1)
0
0
M

(2.22 )
onde f y ( t i ) = 0 se f() no inclui y(t - i). Ento a matriz Jacobiana definida como:

Identificao de Sistemas Usando a Representao Polinomial

M
Df =
0

y ( t n y )

1
0
M
0
f
y ( t n y + 1)

22

0
1
M
0
f
y ( t n y

LM
M

L
1
f
L
+ 2)
y ( t 1)
L
L

0
0

( 2.23 )
Autovalores estveis sero aqueles que estiverem situados dentro de um crculo de raio
unitrio, centrado na origem do plano z = esT (z = z + jz , onde z e z so as partes real e
imaginria do autovalor, respectivamente).
Simetria dos Pontos Fixos
A simetria de vrios sistemas fsicos deve ser considerada na obteno de modelos
matemticos (Holmes, 1977). Neste contexto importante considerar a simetria de pontos
fixos de modelos NARMAX.
Pontos fixos simtricos so aqueles eqidistantes do sistema de coordenadas considerado.
Quando um modelo estimado a partir de dados que so obtidos atravs de uma funo de
medio, os pontos fixos sero geralmente reais (Aguirre e Mendes, 1996).
A partir da equao (2.20) pode-se determinar quais agrupamentos de termos devem estar
presentes para que um modelo possua pontos fixos no triviais simtricos. A Tabela 2.1,
reproduzida de (Aguirre e Mendes, 1996), apresenta uma relao entre os agrupamentos de
termos de um modelo NARMAX polinomial e o nmero de pontos fixos triviais em funo
do grau l do polinmio, para que o modelo possua pontos fixos no-triviais simtricos.
A partir dos conceitos acima temos uma indicao de quais agrupamentos de termos devem
estar presentes em um modelo para garantir que seus pontos fixos sejam simtricos.

Identificao de Sistemas Usando a Representao Polinomial

23

Tabela 2.1 Agrupamento de termos dos quais devem ser escolhidos os termos de um
modelo para que este apresente pontos fixos no-triviais simtricos e pontos triviais na
quantidade indicada na segunda coluna (Aguirre e Mendes, 1996)

No de pontos fixos triviais

Agrupamentos
y

y 2 , 0

y3 , y

y 4 , y 2 , 0

y4 , y2

y5 , y 3 , y

y5 , y 3

y 6 , y 4 , y 2 , 0

y6 , y4 , y2

y6 , y4

2.6. Validao
A validao de modelos um passo importante em um processo de identificao. Os testes
de validao aplicados a um modelo indicam a sua capacidade de representar o sistema
original. A validao de modelos pode ser dividida em duas vertentes: (i) validao estatstica
e (ii) validao dinmica.
Inmeros mtodos tm sido desenvolvidos para validao de modelos lineares. Alguns
destes mtodos baseiam-se nas funes de correlao que verificam se os resduos de
identificao (t) so brancos e no correlacionados com a entrada (Bohlin, 1971; Box e
Jenkins, 1976; Ljung,1987). Outro mtodo a validao baseada na comparao de
modelos, que envolve a aplicao de testes estatsticos para comparar modelos e selecionar o
melhor (Wadswortth e Bryan, 1974; Akaike, 1974). Para sistemas no-lineares estes testes
no so suficientes por no verificarem no-linearidades nos resduos (Billings e Voon, 1983;
Billings e Voon, 1986).
Na validao de modelos no-lineares, devem ser verificadas as seguintes identidades
(Billings e Voon, 1983; Billings e Voon, 1986; Billings e Zhu, 1994):

Identificao de Sistemas Usando a Representao Polinomial

24

(1 ) = E { (t ) (t 1 )} = (1 ) ,
(2.24)
(1 ) = E { (t )u(t 1 )} = 0 , 1
(2.25)
u 2 (1 ) = E {(u 2 (t ) E {u 2 (t )}) (t 1 )} = 0 , 1
(2.26)
u2 2 (1 ) = E {( u (t ) E {u (t )}) (t 1 )} = 0 , 1
2

(2.27)
' ' (1 ) = E {( (t ) E { (t )})( (t 1 ) E { (t )})} = 0 , 1
(2.28)
' 2 ' (1 ) = E {( (t ) E { (t )})( 2 (t 1 ) E { 2 (t )})} = 0 , 1
(2.29)
2 ' 2 ' (1 ) = E {( 2 (t ) E { 2 (t )})( 2 (t 1 ) E { 2 (t )})} = (1 ) , 1
(2.30)
( y )' 2 ' (1 ) = E {( y (t ) (t ) E { y (t ) (t )})( 2 (t 1 ) E { 2 (t )})} = 0 , 1
(2.31)
( y )' u 2 ' (1 ) = E {( y (t ) (t ) E {y (t ) (t )})( u (t 1 ) E {u (t )})} = 0 , 1
2

(2.32)

onde (1) a funo delta de Dirac e o apstrofe indica que a mdia foi subtrada dos
sinais.
Baseado no comprimento do registro de dados disponveis, N, definido um intervalo
probabilstico de 95% de confiana, dentro do qual as funes de correlao devem se
manter para serem consideradas nulas. Os limites do intervalo de confiana de 95%, para
funes normalizadas pelo desvio padro, so: 1,96

N (Billings e Voon, 1983; Billings e

Voon, 1986).
A validao descrita acima garante que no existem correlaes no modeladas nos resduos
de identificao e denominada validao estatstica. No entanto, os modelos validados

Identificao de Sistemas Usando a Representao Polinomial

25

podem no apresentar o mesmo comportamento dinmico do sistema original (Aguirre e


Billings, 1994a)
Na validao dinmica de um modelo, verificado se esse apresenta caractersticas dinmicas
semelhantes quelas do sistema que est sendo identificado. Esta validao deve ser
implementada de acordo com o sistema em questo. Em sistemas SISO, a validao pode ser
feita em massas de dados diferentes daquela usada para a identificao. Outras propriedades
dinmicas que podem ser utilizadas para validar modelos em alguns casos so (Aguirre e
Billings, 1994a; Letellier e Gouesbet, 1995):

expoentes de Lyapunov
mapas e sees de Poincar
dimenso de correlao
diagramas de bifurcao
propriedades topolgicas.
Os invariantes dinmicos citados descrevem aspectos qualitativos ou quantitativos da
dinmica do sistema. Segundo (Aguirre e Billings, 1994 a), os diagramas de bifurcao so os
mais adequados na validao por serem mais sensveis s mudanas na estrutura do modelo.

2.7. Exemplos de Aplicaes


A representao NARMAX polinomial tem sido utilizada na identificao de vrios sistemas
dinmicos no lineares, para diversas aplicaes e em diversas reas. Nesta seo pretende-se
apresentar algumas aplicaes desta representao publicadas nos ltimos anos.
Em (Vallverdu e outros, 1992), temos a identificao do Controle Neural do Sistema
Cardiovascular Humano utilizando modelo NARMAX. Neste artigo, os autores destacam a
eficincia da representao NARMAX polinomial em comparao com modelos MA e
ARMAX.
Em (Jang e Kim, 1994) descreve-se o modelo NARMAX polinomial aplicado na
identificao das no-linearidades presentes em um autofalante. Nesta aplicao, os autores
destacam a eficincia da representao NARMAX na reproduo das no-linearidades
presente em altofalantes e a preciso obtida com um nmero relativamente pequeno de
termos.

Identificao de Sistemas Usando a Representao Polinomial

26

Outra aplicao importante da representao NARMAX pode ser vista em (Jcome e


Aguirre, 1996) onde autores apresentam a capacidade da representao NARMAX
reproduzir as caractersticas estticas de ganho de uma vlvula para controle de processos.
Alm das aplicaes citadas acima, pode-se destacar a identificao de um forno eltrico em
(Rodrigues, 1996) que ser objeto de estudo no captulo 5, e a identificao do circuito de
Chua (Rodrigues, 1996) que ser visto no captulo 6.

2.8. Comentrios Finais


Este captulo apresentou pontos que devem ser considerados na obteno de modelos
NARMAX polinomiais. Procurou-se enfocar os passos que devem ser seguidos para obter
tais modelos.
Um dos principais problemas a ser considerado na obteno de modelos NARMAX a
escolha adequada do tempo de amostragem. O tempo de amostragem deve ser tal que, os
dados de identificao possibilitem obter modelos que reproduzam o sistema na faixa de
freqncia de interesse e no provoquem instabilidade numrica.
Outro ponto abordado refere-se escolha do sinal de excitao, de forma a garantir a
excitao do sistema na faixa de freqncia de interesse, e que os dados contenham
informao de toda no linearidade presente no sistema que se deseje modelar.
Outra etapa abordada a seleo de estrutura. Neste caso foram apresentados os conceitos
de agrupamento de termos, coeficientes de agrupamentos e pontos fixos que auxiliam nesta
escolha. O algoritmo ERR foi descrito como ferramenta importante para a escolha da
estrutura e estimao de parmetros.
A validao do modelo a etapa final na obteno dos modelos, atravs dela pode-se avaliar
a capacidade do modelo de reproduzir o comportamento observado no sistema que se deseja
identificar.
Ao final do captulo foram citadas algumas aplicaes da representao NARMAX. Pode ser
visto que a representao NARMAX vem sendo usada na identificao de sistemas fsicos de
naturezas diferentes como: sistemas trmicos, humanos, de udio, ressaltando sua valiosa
contribuio na identificao de sistemas.

Identificao de Sistemas Usando a Representao Racional _______

____ 27

Captulo 3
Identificao de Sistemas Usando a
Representao NARMAX Racional
3.1. Introduo
O modelo racional pode ser considerado como o avano natural depois do modelo linear e
do modelo polinomial no linear. Alguns autores tm argumentado que uma das vantagens
do modelo racional a eficincia com que vrias no linearidades podem ser descritas
(Billings e Zhu, 1991).
Funes racionais so muito mais gerais e capazes de representar com exatido certos tipos
de singularidades, ou caractersticas prximas de singular, e operam em faixas infinitas.
Funes racionais possuem boa propriedade de extrapolao, so fceis para avaliar e
incluem funes polinomiais como caso especial (Zhu e Billings, 1993). Funes racionais
estticas tm tido sucesso quando usadas para aproximar funes no lineares tpicas como
ex , e-x, x e x (Braess, 1986). As representaes racionais dinmicas foram utilizadas na
identificao de sistemas dinmicos discretos em (Billings e Chen 1989; Billings e Zhu 1991,
Zhu e Billings 1991) e em (Gouesbet e Letellier, 1994) na identificao de sistemas
contnuos.
Uma desvantagem do modelo racional sua no linearidade nos parmetros, o que torna a
estimao de parmetros mais complexa. O algoritmo dos mnimos quadrados pode ser
aplicado em situaes em que os dados esto livres de rudo, o que na prtica no
suposio realista (Billings e Zhu, 1991).
Para a estimao dos parmetros do modelo racional vrias alternativas foram buscadas
dentre elas destaca-se: predio do erro (PE - prediction error ) (Billings e Chen, 1989),
Estimador de Modelo Racional (RME - Rational Model Estimator) (Billings e Zhu, 1991)
e Estimador de Modelo Racional Regularizado (RRME - Regularized Rational Model
Estimator)(Mao e Billings, 1996).

Identificao de Sistemas Usando a Representao Racional _______

____ 28

Esta seo tem o objetivo de fazer uma introduo preliminar sobre modelos racionais.
Inicia-se com uma breve descrio do modelo racional e a seguir descreve-se o algoritmo
usado para estimao de parmetros e deteco de estrutura.

3.2. O Modelo Racional

3.2.1. Descrio de Entrada-Sada


Um modelo racional estocstico de entrada e sada definido com a razo de dois
polinmios envolvendo o passado das entradas, sadas e rudo, como (Billings e Chen, 1989):

y (t ) =

a ( y (t 1),K , y (t r ), u(t 1),K , u(t r ), e(t 1), K , e(t r ))


+ e( t )
b( y (t 1), K , y (t r ), u(t 1), K , u(t r ), e(t 1), K , e(t r ))
(3.1)

onde u(t) e y(t) representam, respectivamente, a entrada e a sada nos instantes discretos t (t
=1,2,...), r a ordem do modelo (onde se sups que todos os termos possuem o mesmo
nmero de atraso) e e(t) um rudo independente no observvel igualmente distribudo com
mdia zero e varincia finita e2 .
Para simplificar a utilizao da equao (3.1) definem-se os polinmios do numerador e
denominador, respectivamente como:
num

a ( t ) = pnj ( t )nj ,
j =1

(3.2)
den

b( t ) = pdj ( t )dj ,
j =1

(3.3)

Identificao de Sistemas Usando a Representao Racional _______

____ 29

onde pnj(t), pdj(t) so os coeficientes de y(t-1),...,y(t-r),u(t-1),...,u(t-r),e(t-1),...,e(t-r) e o nmero total


de parmetros a ser estimado num + den.

3.3. Expresso Linear nos Parmetros


Identificao baseada no modelo da equao (3.1) complicada, pois esta no linear nos
parmetros. Uma alternativa a multiplicao da equao (3.1) pr b(t) em ambos os seus
lados e a movimentao de todos os termos para o lado direito com exceo de y(t)pd1(t)d1
obtendo, como em (Zhu e Billings, 1991):
den

Y ( t ) = a ( t ) y ( t ) pdj ( t )dj + b( t )e( t )


j =2

num

den

j =1

j =2

= pnj (t )nj y (t ) p dj (t )dj + (t ) ,


(3.4)
onde
Y ( t ) = y ( t ) pd 1
= pd 1 ( t )

d 1 =1

a( t )
+ pd 1 ( t )e( t )
b( t )
(3.5)

( t ) = b( t ) e ( t )
den

= pdj ( t )dj e( t )
j =1

(3.6)
onde e(t) um rudo branco como definido em (3.1), e pelo fato de e(t) ser independente de
b(t) e ter mdia nula, tem-se:
E [ ( t )] = E [b( t )]E[e( t )] = 0 .
(3.7)

Identificao de Sistemas Usando a Representao Racional _______

____ 30

A Eq. (3.4) mostra que todos os termos y(t)pdj(t) incluem implicitamente o termo de rudo
e(t), atravs de y(t), que altamente correlacionado com (t) o que resultar em polarizao
dos parmetros mesmo se e(t) for um rudo branco com mdia zero. Este problema aparece
quando se multiplica a Eq. (3.1) por b(t) a fim de tornar o modelo linear nos parmetros.
A Eq. (3.4) pode se expressa como:
num

den

j =1

j =2

Y ( t ) = pnj ( t )nj y ( t ) pdj dj + b( t )e( t )


num

den

a (t )
p dj (t )dj + p d 1 (t )e(t ) .
j = 2 b( t )

= pnj (t )nj
j =1

(3.8)
Em notao vetorial tem-se:
Y (t ) = (t ) + (t )
= $( t ) + pd 1 ( t )e( t ) .
(3.9)
onde

(t ) = [n (t ) d (t )]

= pn1 ( t ) L pnnum ( t ) p d 2 ( t ) y ( t ) L pdden ( t ) y ( t )

a(t )

a( t )

= p n1 ( t ) L pnnum ( t ) pd 2 ( t )
+ e( t ) L pdden ( t )
+ e( t )
b( t )

b( t )

(3.10)

T = [ n d ]

= [ n1 L nnum d 2

L dden ]
(3.11)

$( t ) = n ( t ) $d ( t )

a( t )
a(t )
= p n1 ( t ) L pnnum ( t ) pd 2 ( t )
L pdden ( t )
b( t )
b( t )

(3.12)

Identificao de Sistemas Usando a Representao Racional _______

____ 31

Nota-se que a matriz $( t ) no pode ser obtida diretamente porque a ( t ) b( t ) no pode ser
medido, ao passo que a matriz (t) pode ser montada exclusivamente a partir dos valores
medidos de y(t) e u(t).

3.4. Estimao de Parmetros


A razo principal para a expanso do modelo racional em uma expresso linear nos
parmetros o de desenvolver uma rotina de estimao de parmetros utilizando mnimos
quadrados (Billings e Zhu, 1991).
A rotina que ser descrita a seguir foi proposta em (Billings e Zhu, 1991), tendo sido
desenvolvida considerando que a estrutura do modelo conhecida a priori. Na seo 3.7
uma rotina para escolha de estrutura descrita.

3.4.1. Estimador Usando Mtodo dos Mnimos Quadrados


Aplicando diretamente a equao dos mnimos quadrados tem-se:
$ = [ T ] 1 T ,

(3.13)
onde:

T = P (1) T

L P( N ) T =

p n1 (1)

p nnum (1)

a (1)

pd 2 (1)
+ e(1)
b (1)

a (1)

p dden (1)
+ e(1)
b (1)

p n1 ( N )

L
pnnum ( N )
a(N )

L pd 2 ( N )
+ e( N ) ,
b( N )

M
a(N )

L p dden ( N )
+ e( N )
b( N )

L

(3.14)

Identificao de Sistemas Usando a Representao Racional _______

____ 32

e
Y = [Y(1) ... Y(N) ]T .
(3.15)
Onde N indica o nmero de amostras, e conforme (3.1) pode incluir termos de rudo.

3.4.2. Polarizao de

A estimao dos parmetros de um modelo linear nos parmetros do tipo y(t) = pT + e(t)
pode ser obtida pelas equaes:
y=P+e,
$ =Ay ,

(3.16)
onde P a matriz dos regressores e A uma matriz cujos elementos dependem de alguma
maneira dos regressores. Os parmetros estimados no estaro polarizados se:
E[Ay] - =0 ,
= E[A(P + e)] - ,
= E[AP - I] + E[Ae] ,
= (E[AP] - I) + E[Ae] ,
(3.17)
onde foi considerado determinstico. Da equao (3.17) verifica-se que a polarizao ser
nula se:
E[AP] = I,
os elementos de A no forem correlacionados com o rudo,
o rudo possuir mdia nula.

Analisando o estimador de mnimos quadrados (3.13) e a propriedade do limite da


probabilidade (Wilks, 1962) para duas matrizes A e B, ambas funes das mesmas variveis
aleatrias, tem-se

Identificao de Sistemas Usando a Representao Racional _______

____ 33

P lim (A B) = P lim A P lim B .


(3.18)
Considerando que:
1

A P lim T e
N

B P lim T ,
N

(3.19)

existem, e aplicando a propriedade citada acima encontra-se:

[ ]

$ = P lim [ T ]1 T
P lim

= P lim[ T ] P lim[ T ] .
1

(3.20)

Assumindo que as seqncias de entrada e sada so estacionrias e que o comprimento dos


dados N suficientemente grande, tem-se:

P lim T
N

P lim T
N

1 T

N
1 T
,
N
(3.21)

onde:

Identificao de Sistemas Usando a Representao Racional _______

____ 34

T =
N

pn21 ( t )

k =1

pnnum ( t ) pn1 (t )
Nk =1
a (t )

pd 2 (t ) pn1 ( t ) b( t )
k =1

N
a(t )
pdden (t ) pn1 ( t )
b( t )
k =1

0
M

+ 0

n1

( t ) pnnum (t )

k =1

k =1

M
N

(t )

k =1

pd 2 (t ) pnnum ( t )
k =1

a(t )
b( t )

M
N

L pdden ( t ) pnnum ( t )
k =1

a (t )
b( t )
2
N
a (t )
2
pd 2 (t )

b(t )
k =1
M

pnnum ( t ) pd 2 ( t )

N
a (t )
a (t )
L pdden (t ) pd 2 ( t )

b( t )
b(t )
k =1

pn1 (t ) pdden (t )
k =1

k =1

a (t )
b(t )
M

N
a (t )
L pnnum ( t ) pdden ( t )
b( t )
k =1
2
N
a (t )
L pd 2 ( t ) pdden ( t )

b( t )
k =1

2
N

a (t )
2
L
pdden ( t )

b( t )
k =1

a (t )
b(t )

2
nnum

pn1 (t ) pd 2 (t )

M
M
M

L 0 L
L
0
0
N
N

2
2
2
e pd 2 (t )
L 0 L
L e pd 2 ( t ) pden (t )
t =1
t =1

M
M
M

N
N

2
2
2
e pdden (t )
L 0 L e pden ( t ) pd 2 ( t ) L
t =1
t =1

L 0 L

(3.22)
e
N
a(t )
a( t )
N
+ e(t ) pn1 ( t ) pd 1 (t )

pn1 (t ) pd 1 (t )
0

b( t )
t =1
b(t )
t =1

M
M

M
N
N

(
)
(
)

a
t

a
t

.
0
(
)
(
)
(
)
(
)
(
)
+
p
t
p
t
p
t
p
t
e
t

d1
nnum
d1

N
b( t )
t =1 nnum
b(t )

t =1
T
2

= N
= N
+ e pd 2 (t ) pd 1 (t )
2
2
(
)
(
)

a
t
a
t


t =1

pd 2 (t ) pd 1 (t ) b( t ) + e( t ) pd 2 ( t ) pd 1 (t ) b( t )

t =1
t =1

M
M
2

p (t ) p ( t )

2
2

d1
a(t )
N
a(t ) e t =1 dden
N

pdden ( t ) pd 1 (t ) b( t ) + e( t ) pdden (t ) pd 1 ( t ) b(t )


t =1
t =1

(3.23)
$ converge em probabilidade para [ T ] 1 T .
Ento para N a estimativa de
Rescrevendo a equao (3.23), usando notao matricial, tem-se:
T = [ T ]t 1 + e2
T = [ T ]t 1 + e2

,
(3.24)

Identificao de Sistemas Usando a Representao Racional _______

____ 35

onde:

0
M

= 0

M
M
M

0
0
L 0 L
L
N
N

2
pd 2 (t )
L 0 L
L p d 2 ( t ) p den ( t )

t =1
t =1

M
M
M

N
N

2
p dden
(t )
L 0 L p den (t ) p d 2 ( t ) L

t =1
t =1

L 0 L

(3.25a)
0

0
N

= pd 2 ( t ) pd 1 (t )
t =1

pdden (t ) pd 1 ( t )
t =1

(3.25b)
Todos os termos envolvendo e(t) aparecem em e2 e e2 , que so os termos de rudo. O
subscrito (t -1) indica que apenas termos de rudo at (t - 1) esto presentes (desde que e(t j), j 1) (Billings e Zhu, 1991).
O estimador de parmetros dado em (3.13) pode ser reescrito como:
$ = [ T ] 1 T

= [ T ] t 11 + e2

] [[ ]
1

t 1

+ e2 .
(3.26)

Fazendo analogia entre a equao (3.26) e a (3.17) verifica-se que [ T ] 1 T no poderia


estar correlacionada com o rudo para se evitar a polarizao do estimador.
A equao (3.26) mostra que a linearizao nos parmetros do modelo racional induz a dois
termos adicionais e2 e e2 , provando a correlao entre [ T ] 1 T e o rudo. Isto,

Identificao de Sistemas Usando a Representao Racional _______

____ 36

conforme demonstrado no incio desta seo, causa polarizao na estimao dos


parmetros, mesmo se a seqncia e(t) for branca. Este problema surge porque os termos
y(t)pdj(t) em (3.4) contm implicitamente e(t) (Billings e Zhu, 1991).

3.4.3. Estimador de Mnimos Quadrados para o Modelo


Racional - RME
O algoritmo de mnimos quadrados estendido para modelos com equaes lineares
diferenciais tem sido exaustivamente usado ao longo dos anos (Goodwin e Payne 1977,
Norton 1986, Ljung 1987). Ponto comum em todos os algoritmos que a correlao do
vetor de resduos reduzida pela incorporao do modelo de rudo na matriz dos
regressores.
Este procedimento um mtodo iterativo onde os parmetros dos termos de processo e dos
termos de rudo so estimados at a polarizao ser reduzida a nveis aceitveis. Na Figura
3.1 tem-se o algoritmo sugerido em (Billings e Zhu, 1991), para implementao do mtodo
acima.
O algoritmo proposto na Figura 3.1 foi implementado durante a realizao deste trabalho.
Detalhes da sua implementao esto descritos no captulo 4 e os resultados obtidos esto
apresentados nos captulos 4, 5 e 6.

3.5. Estudo dos Agrupamentos de Termos para o Modelo


Racional
O modelo racional um caso mais geral da representao NARMAX polinomial, podendo o
modelo polinomial ser citado como um caso particular da representao racional. Desta
forma a descrio feita no captulo 2 a respeito dos agrupamentos de termos e pontos fixos
para o modelo polinomial so vlidas para o modelo racional, diferenciando os
agrupamentos de termos do numerador e denominador conforme definies em (Mendes,
1995).

Identificao de Sistemas Usando a Representao Racional _______

____ 37

1o passo. Usar um algoritmo de mnimos quadrados ordinrios (OLS) para computar:


$ = [ T ] 1 T

Esta estimao fornece os valores iniciais dos parmetros para os clculos seguintes.

2o passo. Calcular a seqncia de resduos

(t ) = y (t )

$ (i 1))
a (...,
$ (i 1)) .
b(...,

Estimar a varincia dos resduos $2 como

1
$ (i ) =
N md
2

$ (i 1)) 2

a (...,
y (t ) b(..., $ (i 1)) ,
t = md +1
N

onde i o nmero da interao, N o nmero de amostras e md o mximo atraso


presente nos termos.
3o passo. Utilizando as equaes (3.22), (3.23), (3.25a) e (3.25b), atualize as matrizes
T e , vetores T e usando a seqncia de resduos calculada no
2o passo. Note que em tais matrizes os resduos podem aparecer dentro dos
polinmios a(t) e b(t).
4o passo. Calcule os novos parmetros como

$ (i ) = T 2 (i )

] [
1

2 (i ) .

5o passo. Retorne ao passo (2) e repita at os parmetros estimados e $2 convergir em


um valor constante.
Figura 3.1 Algoritmo de Mnimos Quadrados Estendido proposto em (Billings e Zhu, 1991)

Identificao de Sistemas Usando a Representao Racional _______

____ 38

A equao (3.1) pode ser reescrita como:


l

ny ,nu


y (t ) =

m= 0
l

p=0

nn ,nm
ny

m= 0

p=0

(n ,..., n ) y (t n ) u(t ni )

p ,m p

(n ,..., n ) y (t n ) u(t ni )

,nu

p ,m p

n n ,n m

11

11

i =1
p

i =1

i = p +1
m

i = p +1

(3.27)
Esta equao similar equao (2.16) definida para o modelo polinomial. Da equao
(3.27) os conceitos de agrupamentos de termos so definidos como (Mendes, 1995a):

Definio 3.5.1. Agrupamentos de Termos do Numerador


ny ,nu

As constantes

n1 ,nm

p ,m p

(n11 ,..., nm ) na equao (3.27) so os coeficientes dos

agrupamentos de termos do numerador


y(t - i)pu(t - j)m-p para m = 0, ..., l

y pu m p , que contm termos na forma

e p = 0, ... , m. Os coeficientes so chamados de coeficientes

de agrupamentos do numerador e representados por

y pu m p

Definio 3.5.2. Agrupamentos de Termos do Denominador


n y ,nu

As constantes

p ,m p

(n11 ,..., nm ) na equao (3.27) so os coeficientes dos

n1 ,n m

agrupamentos

de

termos

do denominador

forma y(t - i)pu(t - j)m-p para m = 0, ..., l

y pum p , que contm termos na

e p = 0, ... , m. Os coeficientes so chamados de

coeficientes de agrupamentos do denominador e representados por

y pu m p

Identificao de Sistemas Usando a Representao Racional _______

____ 39

3.6. Nmero, Localizao e Estabilidade dos pontos fixos


Conforme descrito para o modelo polinomial, os pontos fixos do modelo racional so
definidos como os pontos para os quais y(t) = y(t + i), i so dados pelas razes do
seguinte polinmio racional agrupado (Mendes, 1995a)
ny
n y ,n y
n y ,n y

0 ,0 + y (t ) 1, 0 (n1 ) + y (t ) 2 2 ,0 (n1 , n 2 ) +...+ y (t ) l l ,0 (n1 , ..., n l ) y (t ) =

n1 =1
n1 ,n21
n1 , nl 1

n y

0 ,0 + y (t ) 1,0 (n ) + y (t )
n1

=1

n y , n y
2

n1

, n21

2 ,0

(n , n ) +...+ y (t )

n y , n y

n1

, nl1

l ,0

(n1 , ..., n l ).

(3.28)
Nota-se que o polinmio acima possui apenas termos de sada, que a condio para se
determinar os pontos fixos, conforme relatado no captulo 2.
Usando a definio de coeficientes de agrupamentos para o numerador e denominador e
retirando o argumento t, a equao (3.28) pode ser escrita como a seguir

y l 1

yl

)y +...+(
l

y1

y2

) y + (
2

)y

+ 0 = 0 ,

(3.29)

onde o grau de no-linearidade l definido com o mximo valor entre l e (l + 1). Portanto
o nmero de pontos fixos do modelo racional l.
Observe que na equao (3.29) os agrupamentos de ordem (l - 1) do denominador so
agrupados com os de ordem (l) do numerador, isto se d porque os termos do denominador
so sempre multiplicados por y(t).
A Tabela 3.1, reproduzida de Mendes (1995a), apresenta o nmero de pontos fixos triviais
em funo dos agrupamentos de termos do modelo racional.
A estabilidade dos pontos fixos determinada, no sentido de Lyapunov, a partir dos
autovalores da matriz Jacobiana, avaliada nos pontos fixos, da mesma forma que
apresentado nas equaes (2.20) e (2.21) para o modelo polinomial.

Identificao de Sistemas Usando a Representao Racional _______

____ 40

Tabela 3.1 Agrupamento de termos dos quais devem ser escolhidos os termos de um
modelo para que este apresente pontos fixos no-triviais simtricos e pontos triviais na
quantidade indicada na segunda coluna (Mendes, 1995a)

No de pontos fixos triviais

Agrupamentos

y , 0

2 , 0 , y
y

3 , y , 2 , 0

4 , 2 , 0 , 3 , y

4 , 2 , 3 , y

2
4

y2

6 , 4 , 2 , 0 , 5 , 3 , y
y

5 , 3 , 4 ,

3
0

5 , 3 , y , 4 , 2 , 0
y

6 , 4 , 2 , 5 , 3 , y
y

6 , 4 , 5 , 3
y

3.7. Determinao de Estrutura


Uma vez obtida uma expresso linear nos parmetros possvel aplicar para os modelos
racionais, com algumas adequaes, o algoritmo de ERR descrito na seo 2.5. Desta forma
a escolha de estrutura feita de forma similar descrita para modelos polinomiais no
captulo 2.
Neste trabalho a escolha dos termos do modelo polinomial foi feita de maneira eficiente
utilizando a rotina ratsm4.m (ver Apndice A) desenvolvida em (Mendes, 1995b). Esta
rotina utiliza o mtodo ERR e retorna a partir de um par de entrada-sada e de um conjunto
de termos candidatos, uma seqncia em ordem decrescente dos termos mais significativos,
tanto para o numerador quanto para o denominador, na explicao da varincia da sada.

Identificao de Sistemas Usando a Representao Racional _______

____ 41

3.8. Comentrios Finais


Este captulo introduziu os conceitos referentes representao NARMAX racional. Fez-se
uma breve discusso a respeito desta representao, principalmente no que se refere
estimao dos parmetros.
Discutiu-se a polarizao dos parmetros estimados provocada pela expresso linear nos
parmetros, o que representa uma dificuldade adicional na estimao de parmetros do
modelo racional e na impossibilidade de se utilizar o mtodo dos mnimos quadrados
ordinrios. A seguir foi apresentado o algoritmo de mnimos quadrados estendido para
resolver o problema da polarizao, proposto por (Billings e Zhu, 1991).
Revisou-se a determinao dos pontos fixos do modelo racional, de maneira similar
representao polinomial, ou seja, a partir dos coeficientes de agrupamentos de termos.
Neste caso, os agrupamentos so divididos em agrupamentos do numerador e denominador,
conforme descrito em (Mendes, 1995a).
Finalmente, foi feita uma breve descrio a respeito da determinao da estrutura para os
modelos NARMAX racionais. Para escolha da estrutura de modelos NARMAX racionais
possvel aplicar a tcnica de ERR, similarmente aos modelos NARMAX polinomiais.

Ambiente Computacional Para Identificao de Modelos Racionais

42

Captulo 4
Ambiente Computacional Para
Identificao de Modelos Racionais
4.1. Introduo
A identificao de modelos NARMAX racionais passa pelos mesmos caminhos utilizados
para a obteno de modelos NARMAX polinomiais. A principal diferena entre estes que
a representao racional no linear nos parmetros, o que resulta numa dificuldade
adicional. Este fato impede a utilizao do algoritmo de mnimos quadrados ordinrios para
estimao dos parmetros.
O objetivo deste captulo descrever os procedimentos usados na identificao de sistemas
usando a representao NARMAX racional. Inicia-se com uma descrio do ambiente
computacional sobre o qual foi desenvolvido o trabalho e apresentam-se os passos que
devem ser seguidos para obteno de modelos. O captulo termina com um exemplo de
identificao a partir de dados simulados.

4.2. Descrio das Rotinas de Identificao


O MATLABTM (MathWorks, 1990) foi o ambiente usado para implementao das rotinas
computacionais usadas neste trabalho.
O MATLAB um ambiente de desenvolvimento projetado para simplificar a manipulao
computacional de matrizes. O MATLAB interpreta rotinas codificadas em uma linguagem
de programao prpria de alto-nvel. Esta linguagem de programao estruturada e foi
utilizada para implementar internamente ao ambiente uma srie de ferramentas teis no
processamento de sinais e na modelagem e controle de sistemas dinmicos.
O procedimento de identificao de modelos NARMAX racionais segue praticamente os
mesmos passos da identificao de modelos NARMAX polinomiais descritos em

Ambiente Computacional Para Identificao de Modelos Racionais

43

(Rodrigues, 1996). Este procedimento pode ser sintetizado pelo fluxograma apresentado na
Figura 4.1.
Parmetros da estrutura
do modelo NARMAX racional

Aquisio de dados

Determinao do conjunto de
termos candidatos.

Pr-Processamento dos dados para


a identificao (filtragem digital antifalseamento, dizimao e condicionamento dos sinais medidos)

Rotina: gentm41.m
Conjunto de todos os
termos candidatos

Dados de entrada e sada


para a identificao
Seleo de estrutura e estimao de
parmetros do modelo NARMAX
Racional monovarivel.
Rotina: ratelsr.m
Modelo identificado

Simulao do modelo identificado


(predio de k passos a frente)
Rotina: simodr.m
Dados de simulao

Validao do modelo identificado


Rotinas:
Validao estatstica: mvt_ts.m e
mvt_euy
Validao dinmica

Modelo
representa a dinmica
do sitema original?

no

sim
Visualizao do modelo identificado
Rotina: rat2tex.m

Figura 4.1 Fluxograma do procedimento de identificao de modelos NARMAX racionais.

Ambiente Computacional Para Identificao de Modelos Racionais

44

As rotinas utilizadas neste trabalho podem ser dividas em quatro grupos: (i) rotinas
desenvolvidas por (Mendes e Aguirre, 1995) e (Rodrigues, 1996) para identificao de
modelos polinomiais, (ii) rotinas desenvolvida por (Mendes, 1995) com aplicao especfica
para modelos racionais, (iii) rotinas desenvolvidas durante a realizao deste trabalho, que
visavam atender a algumas demandas especficas e (iv) rotinas internas do MATLAB. Os
procedimentos para identificao de modelos podem ser divididos nas seguintes etapas:
1 - Obteno dos dados de identificao
2 - Escolha dos termos candidatos
3 - Seleo de estrutura e estimao de parmetros
4 - Simulao do modelo
5 - Testes de validao
A seguir tem-se uma descrio sucinta de cada passo no processo de identificao de
modelos, com as rotinas utilizadas em cada um deles.

Passo 1 - Obteno dos dados de identificao


O processo de identificao usa dados obtidos a partir da resposta do sistema a uma entrada
conhecida. O sinal de entrada de vital importncia para um boa identificao. Ele deve
conseguir excitar o sistema em toda a faixa de freqncia de interesse, assim como visitar
todas as regies de interesse para identificao, tendo assim todas informaes de no
linearidades presentes no sistema.
Alm do tipo de sinal de excitao outro fator importante o tempo de amostragem,
conforme descrito na seo 2.3. Como na maioria das situaes impossvel saber a priori o
tempo de amostragem ideal para a identificao de um sistema, coleta-se dados
superamostrados para, atravs da dizimao dos dados, obter o tempo de amostragem a ser
usado. aplicada uma regra eurstica, conforme descrito na seo 2.3.1, para se determinar
aproximadamente a faixa do tempo de amostragem a ser usado.
Nesta etapa conta-se com a rotina mvt_euy.m, que retorna, dentre outros, o diagrama de
correlao cruzada entre a entrada y(t) , sada u(t), possibilitando aplicar regra descrita em
2.3.1.

Ambiente Computacional Para Identificao de Modelos Racionais

45

Passo 2 - Escolha dos termos candidatos


Este passo inicia-se com a escolha dos parmetros da estrutura: grau de no linearidade,
nmero de termos no modelo, nmero de atraso a se considerar, tanto para termos do
numerador quanto para o denominador.
A rotina gentm41.m gera um conjunto de termos candidatos a partir da definio de graus
de no linearidade requerida e atrasos na entrada, sada e dos resduos.

Passo 3 - Seleo de estrutura e estimao de parmetros


A seleo de estrutura do modelo feita usando o mtodo ERR, este gera para cada termo
candidato um fator correspondente a sua capacidade de explicar a varincia do sinal de sada,
como descrito na seo 3.7. A seguir os termos mais significativos vo sendo, um a um,
introduzidos no modelo, at se obter a reproduo satisfatria da dinmica contida nos
dados de identificao.
Nota-se que a reproduo satisfatria da dinmica dos dados originais um fator de
julgamento subjetivo, que depender da aplicao do modelo em questo.
A seleo de estrutura feita com a rotina ratsm4.m. A estimao de parmetros feita
atravs de ratels.m ou ratelsr.m.
A anlise dos coeficientes de agrupamentos de termos, para ajuda no processo de
determinao da estrutura, quando desejado, feito com a rotina coefc.m. Esta rotina
retorna a partir do modelo identificado os coeficientes de agrupamentos, devendo ser usada
tanto para o numerador quanto para o denominador.

Passo 4 - Simulao do modelo


Consiste em simular o modelo com k passos a frente, possibilitando comparar o modelo
identificado com dados de simulao do sistema. Este teste executado com a rotina
simodr.m.

Ambiente Computacional Para Identificao de Modelos Racionais

46

Passo 5 - Testes de validao


Os testes de validao tm o objetivo de estabelecer parmetros de comparao entre
diferentes modelos, assim como quantificar o quo eficiente o modelo na representao da
dinmica do sistema a ser identificado.
Os testes de validao so divididos em dois grupos: (i) validao estatstica e (ii) validao
dinmica.
A validao estatstica feita com testes de autocorrelao e correlao entre os resduos de
identificao e o sinal de sada, linear e no linear conforme descrito na seo 2.7. Um
modelo ser vlido estatisticamente se os resduos de identificao no contiverem
correlao com ele mesmo e nem com a sada, tanto na validao linear quanto no linear.
A validao estatstica feita atravs das rotinas mvt_ts.m e mvt_euy.m, que geram grficos
de correlao para as sries passadas como argumento.

4.3. Anlise das Rotinas de Identificao


A rotina central no processo de identificao do modelo racional ratsm4.m. Esta rotina
alm de aplicar o mtodo ERR para determinao da estrutura, tambm estima os
parmetros do modelo atravs do mtodo dos mnimos quadrados ordinrios. Esta rotina
porm, por no considerar a possibilidade de incluso de termos de rudo se mostrou
ineficiente para estimao de parmetros para sistemas reais.
A estimao de parmetros pode ser feita atravs de duas rotinas que utilizam mtodos
diferentes, e partem da seleo de estrutura feita em ratsm4.m.
A rotina ratels.m estima os parmetros do modelo utilizando um caso particular do RME Estimador para Modelos Racionais - descrito na seo 3.4.3. O algoritmo utilizado e os
principais cdigos em MATLAB, esto apresentados na Figura 4.2. Observa-se que a matriz
de regressores P foi obtida a partir de ratsm4.m, por isso no incorpora termos de rudo.
No 3o passo, apenas as matrizes , so atualizadas, diferente da proposta do algoritmo
proposto em (Billings e Zhu, 1991) veja Figura 3.1, onde deve-se atualizar tambm a matriz
de regressores em funo destas conterem os termos de rudo.

Ambiente Computacional Para Identificao de Modelos Racionais

47

A rotina ratelsr.m utiliza a estrutura do RME, de forma similar a ratles.m, porm introduz
termos de rudos. Estes termos entram aditivamente na matriz de regressores P obtida com
ratsm4.m, conforme pode ser visto na Figura 4.3. A principal alterao feita nesta rotina
esta localizada no 4o passo, onde uma matriz para termos de rudo acrescentada matriz de
regressores P.
Uma outra varivel introduzida no processo de identificao: a possibilidade de se escolher
a estrutura para os termos de rudo. Neste trabalho a escolha de termos de rudo foi feita de
forma no sistemtica, em geral optou-se apenas por acrescentar termos lineares de rudo.
Conforme ser visto na seo 4.3.1. a rotina ratlesr.m se mostrou bastante eficiente na
estimao de parmetros.

4.3.1. Estimao dos parmetros para o modelo racional


Nesta seo o procedimento de estimao de parmetros atravs das rotinas descritas na
seo anterior so discutidos atravs de um exemplo simulado. Gerou-se uma massa de teste
a partir de um modelo conhecido com 500 pares de entrada e sada, sendo os resultados
apresentados a seguir.
Exemplo 4.1
Neste exemplo no houve a preocupao de escolher a estrutura, aqui deseja-se apenas
verificar a eficincia das rotinas na estimao dos parmetros.
Modelo usado para gerar os dados
y (t ) =

0,2 y (t 1) + 0,1y (t 1)u(t 1) + u(t 1)


+ e(t )
1 + y 2 (t 1) + y 2 (t 2)
(4.1)

Onde e(t) um rudo branco com mdia zero, varincia 8,34 x 10-6, amplitude variando de
5,0 x 10-3 com uma relao sinal/rudo1 (SNR) de 73,38 dB. u(t) um rudo quantizado.

A definio empregada aqui : SNR (dB) = 20 log(var(y(t))/var(e(t))), onde var indica varincia, y(t) o sinal
medido e e(t) o rudo acrescentado ao sinal y(t). log indica logaritmo decimal.

Ambiente Computacional Para Identificao de Modelos Racionais

ALGORITMO - RME sem termos de rudo


1o Passo
Estimao dos coeficientes iniciais e obteno da matriz de regressores
[xn,xd,num,den,ve,va,Pn,Pd]=ratsm4m1(modeln,modeld,u,y,np,[0 0 0],'y');
P=[Pn -Pd];
x=inv(P'*P)*P'*yt;
2o Passo
Clculo dos resduos
e=yt-P*x;
Obteno da varincia
var=cov(e);
3o Passo
Construo das matrizes e
SIGMA=zeros(cP,cP);
aux1=Pd'*Pd;
SIGMA(cP+1-cPd:cP,cP+1-cPd:cP)=aux1;
sigma=zeros(cP,1);
for ii=1:cPd
aux2(ii,:)=sum(Pd(:,ii));
end
sigma(cP+1-cPd:cP,1)=-aux2;
4o Passo
Nova estimao dos coeficientes
x=inv(P'*P-var*SIGMA)*(P'*yt-var*sigma);
5o Passo
Retorno ao segundo passo at a convergncia.
Figura 4.2 Cdigos usados na rotina ratels.m

48

Ambiente Computacional Para Identificao de Modelos Racionais

ALGORITMO - RME Modificado


1o Passo
Estimao dos coeficientes iniciais e obteno da matriz de regressores
[xn,xd,num,den,ve,va,Pn,Pd]=ratsm4m1(modeln,modeld,u,y,np,[0 0 0],'y');
P=[Pn -Pd];
x=inv(P'*P)*P'*yt;
2o Passo
Clculo dos resduos
e=yt-P*x;
Obteno da varincia
var=cov(e);
3o Passo
Construo das matrizes e .
SIGMA=zeros(cP,cP);
aux1=Pd'*Pd;
SIGMA(cP+1-cPd:cP,cP+1-cPd:cP)=aux1;
sigma=zeros(cP,1);
for ii=1:cPd
aux2(ii,:)=sum(Pd(:,ii));
end
sigma(cP+1-cPd:cP,1)=-aux2;
Introduo de termos de rudo na matriz de regressores P
Pr=build_noise(ruido,e,e,e);
P=[Pn -Pd Pr];
4o Passo
Nova estimao dos coeficientes
x=inv(P'*P-var*SIGMA)*(P'*yt-var*sigma);
5o Passo
Retorno ao segundo passo at a convergncia.
Figura 4.3 Cdigos usados na rotina ratelsr.m

49

Ambiente Computacional Para Identificao de Modelos Racionais

50

Atravs deste exemplo so apresentados resultados de estimao de parmetros utilizando as


trs estratgias diferentes para estimao dos parmetros, ou seja, (i) estimao por mnimos
quadrados - rotina ratsm4.m, (ii) utilizando RME sem termos de ruido - rotina ratles.m e
(iii) RME Modificado - rotina ratelsr.m. Em todos os testes partiu-se de uma estrutura
conhecida. Os dados usados na identificao esto apresentados na Figura 4.4.

Figura 4.4(a) sinal u(t); (b) sinal y(t), simulado a partir do modelo; (c ) sinal e(t) adicionado a y(t)

(i) - Estimao por mnimos quadrados ordinrio - Rotina: ratsm4.m.


Neste caso utilizou-se a rotina original ratsm4.m, que no prev termos de rudo. O
resultado deste procedimento pode ser verificado na Tabela 4.1 onde se verifica que o
estimador no conseguiu estimar os parmetros do modelo inicial. Note tambm que os
resduos de identificao esto correlacionados (Figura 4.5), o que invalida estatisticamente o
modelo.

Ambiente Computacional Para Identificao de Modelos Racionais

51

Tabela 4.1 Resultado da estimao usando mnimos quadrados ordinrio rotina ratsm4.m

Termos do numerador
u(t-1)

y(t-1)

y(t-1)u(t-1)

Parmetro
Estimado

1,0127

0,1977

-0,0151

Valor Real

1,0000

0,2000

0,1000

Termos do denominador
y(t-2)y(t-2)

y(t-1)y(t-1)

1,0000

0,9375

0,8321

1,0000

1,0000

1,0000

Figura 4.5 Teste de correlao dos resduos de identificao usando OLS. (a) (t) (t); (b) (t) (t);
(t) (t)

(c)

Nos testes de correlao a apstrofe representa que o valor mdio do sinal foi extrado. As
linhas tracejadas delimitam os intervalos probabilsticos.

(ii) - Estimao usando RME - rotina ratels.m.


Neste caso utiliza-se a rotina ratels.m, desenvolvida com base no algoritmo descrito na
seo 3.4.3 para a estimao dos parmetros. Esta rotina utiliza ratsm4.m para seleo da
estrutura e retorna os coeficientes estimados a cada iterao, assim como os respectivos
resduos de identificao.

Ambiente Computacional Para Identificao de Modelos Racionais

52

O resultado da utilizao desta rotina, no exemplo em questo, pode ser verificado na Tabela
4.2. Observa-se que ocorre convergncia a partir da quarta interao, com sensvel melhora
dos valores estimados dos parmetros. No teste de correlao, Figura 4.6, observa-se que os
resduos se encontram ainda correlacionados. Este fato j era esperado devido a ausncia de
termos de rudo durante a fase de estimao de parmetros.

(iii) - Identificao com RME Modificado com termos lineares de rudo - rotina
ratelsr.m.
Neste caso utilizou-se a rotina ratelsr.m que adota uma estrutura linear para os termos de
rudo. A estrutura usada para estimao dos parmetros a seguinte:
Y (t ) = a 1 y (t 1) + a 2 y (t 1)u(t 1) + a 3 u(t 1) b2 y (t ) y 2 (t 1) b3 y (t ) y 2 (t 2) +
6

+ i (t i ) + (t )
i =1

(4.2)
onde ai e bi so os parmetros do modelo a serem estimados, Y(t) = y(t) pois o primeiro
termo do denominador b1 = 1, (t - i) so os termos de rudo.
Na Tabela 4.3 so apresentados os resultados obtidos com este mtodo. Observa-se uma
melhora nos parmetros estimados ficando mais prximos dos valores reais. No teste de
correlao dos resduos, Figura 4.7, verifica-se que a correlao linear se encontra dentro do
intervalo probabilstico. O fato de apresentarem uma pequena correlao no linear fora
deste intervalo pode indicar que existe dinmica no linear, no modelada. Este problema
talvez pudesse ser eliminado se fossem adicionados termos no lineares de rudo ao modelo.

Ambiente Computacional Para Identificao de Modelos Racionais

53

Tabela 4.2 Resultado da estimao usando RME sem termos de rudo.

Termos do numerador
u(t-1)

y(t-1)

y(t-1)u(t-1)

1
2
3
4
5
6
7
8
9

1,0051
1,0050
1,0050
1,0050
1,0050
1,0050
1,0050
1,0050
1,0050

0,1992
0,1992
0,1992
0,1992
0,1992
0,1992
0,1992
0,1992
0,1992

0,0471
0,0481
0,0481
0,0482
0,0482
0,0482
0,0482
0,0482
0,0482

Valor Real

1,0000

0,2000

0,1000

Termos do denominador
y(t-2)y(t-2)

y(t-1)y(t-1)

1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000

0,9706
0,9712
0,9712
0,9712
0,9712
0,9712
0,9712
0,9712
0,9712

0,9213
0,9227
0,9228
0,9228
0,9228
0,9228
0,9228
0,9228
0,9228

1,0000

1,0000

1,0000

Figura 4.6 Teste de correlao dos resduos de identificao usando RME sem termos de rudo. (a) (t) (t);
(b) (t) (t); (c) (t) (t)

Ambiente Computacional Para Identificao de Modelos Racionais

54

Tabela 4.3 Resultado da estimao usando RME Modificado com termos lineares de rudo

Termos do numerador

Termos do denominador

u(t-1)

y(t-1)

y(t-1)u(t-1)

1
2
3
4
5
6
7
8
9
10

1,0103
1,0030
1,0022
1,0021
1,0021
1,0021
1,0021
1,0021
1,0021
1,0021

0,1974
0,1988
0,1992
0,1992
0,1992
0,1992
0,1992
0,1992
0,1992
0,1992

0,0094
0,0685
0,0745
0,0759
0,0760
0,0762
0,0762
0,0762
0,0762
0,0762

1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000
1,0000

Valor Real

1,0000

0,2000

0,1000

1,0000

y(t-2)y(t-2)

y(t-1)y(t-1)

0,9495
0,9807
0,9844
0,9853
0,9854
0,9855
0,9855
0,9855
0,9855
0,9855

0,8677
0,9520
0,9609
0,9631
0,9632
0,9634
0,9634
0,9635
0,9635
0,9634

1,0000

1,0000

Para comparar quantitativamente os diversos resultados, criou-se um ndice de qualidade


baseado na soma dos erros percentuais absolutos de cada parmetro estimado definido
como:
num

iq =
i =1

$i i den $i i
+
,
i
i
i =2
(4.3)

onde i e i so os parmetros reais do numerador e denominador, respectivamente. O


chapu representa parmetros estimados e iq o ndice de qualidade, calculado em
percentual.
A Tabela 4.4 apresenta os resultados obtidos com o clculo do ndice de qualidade descrito
na equao (4.3). Verifica-se que o RME (Billings e Zhu, 1991), sem termos de ruido,
melhora significativamente a estimao dos parmetros, em relao ao mnimos quadrados
ordinrio - OLS. A colocao de termos lineares de rudo no algoritmo RME modificado,
reduz sensivelmente a polarizao dos parmetros estimados.

Ambiente Computacional Para Identificao de Modelos Racionais

55

Figura 4.7 Teste de correlao dos resduos de identificao usando RME Modificado e termos lineares de
rudo. (a) (t) (t); (b) (t) (t); (c) (t) (t)

Tabela 4.4 Comparao entre o somatrios do erros percentuais na estimao de


parmetros para cada procedimento adotado. (i) OLS; (ii) RME sem termos de rudo; (iii)
RME Modificado

Procedimento (i) Procedimento (iii) Procedimento (iii)


ndice iq

140,56 %

63,30 %

29,52 %

4.4. Comentrios Finais


Este captulo apresentou rotinas em MATLAB para identificao de modelo racionais.
Descreveu de forma sucinta os passos a serem seguidos para obteno de modelo
NARMAX racionais, citando as rotinas usadas em cada procedimento.

Ambiente Computacional Para Identificao de Modelos Racionais

56

A seguir foi feita uma anlise das principais rotinas usadas na identificao. Foram
apresentadas trs formas diferentes para estimao de parmetros: (i) algoritmo de mnimos
quadrados ordinrio - OLS (Mendes, 1995); (ii) estimador de modelos racionais RME,
proposto em (Billings e Zhu, 1991) sem termos de rudo; e (iii) RME modificado, sendo que
esta ltima, uma proposta deste trabalho. Os procedimentos citados acima foram testados
em dados obtidos via simulao de um sistema conhecido.
Os testes mostraram que, entre os trs procedimentos usados na estimao dos parmetros,
o algoritmo RME modificado, mostrou ser o procedimento mais eficiente de estimao dos
parmetros do modelo racional. O algoritmo apresentou um bom desempenho mesmo com
dados de identificao contaminados por rudo, apesar de usar estrutura linear para os
termos de rudo.

Modelagem de um Forno Eltrico

__

_____

____ 57

Captulo 5
Modelagem de um Forno Eltrico

5.1 Introduo
O forno eltrico, descrito neste captulo, foi escolhido para avaliar a eficincia do modelo
racional na representao de sistemas dinmicos. A razo desta escolha a possibilidade de
comparao com modelos polinomiais j obtidos para este sistema, descrito na Dissertao
de Mestrado de Rodrigues (1996).
O forno eltrico encontra-se no Laboratrio de Controle de Processos Industriais (LCPI) do
Centro de Pesquisa e Desenvolvimento em Engenharia Eltrica (CPDEE) da Universidade
Federal de Minas Gerais (UFMG). O sistema no linear e sua descrio foi feita em
(Rodrigues, 1996) sendo reproduzida na seo 5.2.
Este captulo inicia-se com um descrio do sistema a ser modelado e dos dados de
identificao. A seguir so apresentados os modelos racionais obtidos e a validao dos
mesmo. No decorrer do captulo so feitas comparaes entre os modelos racionais e
polinomial. Finalmente so feitos comentrios a respeito dos resultados obtidos.

5.2 Descrio do Sistema


O forno eltrico do LCPI - CPDEE (Abreu, 1993) uma caixa metlica com dimenses
15x10x31 cm, construdo a partir de uma chapa de alumnio com espessura igual a 2mm. O
elemento de aquecimento interno uma lmpada eltrica de 200 W. O forno no isolado
termicamente, de modo que variaes na temperatura ambiente afetam o seu
comportamento dinmico.

Modelagem de um Forno Eltrico

__

_____

____ 58

O sensor utilizado para medio de temperatura um resistor com coeficiente de


temperatura negativo (NTC) ligado em ponte de Wheatstone, a qual encontra-se equilibrada
temperatura ambiente. O sinal de tenso resultante do desbalanceamento da ponte
processado por conversor A/D de 12 bits e por um microcomputador, onde so
implementados os algoritmos de controle. O sinal de controle gerado aplicado planta
conforme Figura 5.1.

Conversor
AnalgicoDigital

Circuito
Segurador e
Amostrador

NTC
MicroComputador
(Controle)

Triac
(Atuador)

Forno
Eltrico

Figura 5.1 Diagrama de blocos do forno eltrico implementado do LCPI - CPDEE.

O sensor de temperatura apoiado sobre a superfcie externa do forno eltrico, sem ser
afixado a sua estrutura metlica. Essa configurao de medio torna o sistema sensvel a
distrbios externos tais como flutuaes da temperatura ambiente e a existncia de correntes
de ar.
O objetivo do controle ajustar a temperatura de um ponto na superfcie externa do forno a
um perfil de referncia previamente estabelecido. O controlador determina o tempo em que
a lmpada permanece acesa entre duas amostragens, gerando um sinal de controle
normalizado entre 0 e 100%. A lmpada permanece acesa por um tempo uTs/100, onde u o
sinal de controle e Ts o perodo de amostragem. O elemento atuador um triac operando
como chave.
Abreu (1993) desenvolveu um modelo do sistema baseado na fsica do processo. A troca de
calor entre a lmpada e a superfcie externa do forno se processa atravs de dois fenmenos:
conveco e radiao. A taxa de transferncia de calor por radiao depende da quarta
potncia da temperatura absoluta do meio emissor, o que torna o processo no-linear e
dependente da condio de operao (ganhos e parmetros variantes como o ponto de
operao). A transferncia de calor por conveco depende diretamente da diferena de
temperatura absoluta entre os meios envolvidos.

Modelagem de um Forno Eltrico

__

_____

____ 59

A transferncia de calor por radiao ir predominar em relao transferncia por


conveco durante o perodo de aquecimento do forno. Esse fato ocorre porque as
dimenses reduzidas do forno impedem a circulao das ondas de conveco. Por outro
lado, durante o resfriamento do forno predomina a transferncia de calor por conveco (do
forno para o meio ambiente). Este mecanismo de transferncia de calor faz com que o forno
apresente diferentes constantes de tempo de aquecimento e resfriamento (Abreu, 1993).
Estas constantes de tempo e o ganho do sistema em regime permanente dependem das
condies iniciais do sistema e da regio de operao considerada. Maiores detalhes sobre o
comportamento dinmico do forno so encontradas em (Abreu, 1993).

5.3 Modelagem da Dinmica No-Linear do Forno Eltrico


usando a Representao Racional
A modelagem do forno eltrico seguiu os passos descritos no captulo 4, sendo descrita nas
sees seguintes.

5.3.1 Descrio dos dados


A escolha do par de dados, entrada e sada, um passo de extrema importncia para a
obteno de modelos que reproduzam tanto as caractersticas estticas com o dinmicas de
um sistema. A entrada deve excitar o sistema na faixa de freqncia de interesse da
identificao assim como as no linearidades do mesmo, contendo tanto informao da
variao da constante de tempo como variao do ganho em funo da sada ou do sinal de
excitao na entrada.
Alm dos pontos ressaltados acima, importante que os dados tenham sido amostrados com
tempo suficientemente pequeno para conter a faixa de freqncia desejada para identificao
e tempo de amostragem suficientemente grande para evitar problemas de mau
condicionamento do dados que grandemente dificultam a identificao (Billings e Aguirre,
1995), conforme descrito na seo 2.3.
Os dados usados nessa identificao so os mesmos usados por (Rodrigues, 1996) para a
obteno de modelo polinomial e esto apresentados na Figura 5.2 - respostas ao rudo
quantizado e Figura 5.3 - respostas ao degrau. O sinal de sada a temperatura da superfcie

Modelagem de um Forno Eltrico

__

_____

____ 60

externa do forno, normalizada em relao a uma temperatura mxima possvel e a entrada


o sinal que define a tenso aplicada ao comando do triac que controla a potncia mdia
fornecida lmpada. O intervalo de amostragem utilizado foi de Ts = 70 s e t, na figura
indica o nmero de amostras.
O sinal de sada dos dados frq1 apresenta variaes bruscas em t 30 e t 130 sem
correspondente mudana do sinal de entrada. Acredita-se que estas variaes ocorram por
falhas de comunicao entre o microcomputador e o processo, constituindo condies
anormais de funcionamento (Jota, 1995). O sistema operou em malha fechada at t = 10.
A Figura 5.3 revela que o forno possui constante de tempo de aquecimento diferente da
constante de tempo de resfriamento. Isto ocorre porque o aquecimento causado pelo
fornecimento de calor atravs da lmpada e o esfriamento devido a perda de calor do
forno para o ambiente.
Outra caracterstica observada nas massas de dados fd1 e fd2 relatada em (Rodrigues, 1996)
o fato da sada do sistema continuar a aumentar lentamente enquanto o sinal de controle
mantido constante, intervalo 60 t 130. Este fato mostra que o sistema possui duas
constantes de tempo de aquecimento uma rpida e outra lenta, fenmeno explicado em
(Rodrigues, 1996).

Figura 5.2 Resposta do forno eltrico ao rudo quantizado. (a) Massa de dados frq1 (b) Massa de dados frq2.

Modelagem de um Forno Eltrico

__

_____

____ 61

Figura 5.3 Resposta do forno eltrico ao degrau. (a) Massa de dados fd1. (b) Massa de dados fd2.

No procedimento de aquisio de dados do forno, a planta operou em malha fechada com


um controlador automtico proporcional-integral-derivativo (PID) at que um dado perfil de
referncia fosse ajustado. Em seguida, a malha de realimentao foi aberta, o sinal de teste
aplicado ao comando do triac e o correspondente sinal de temperatura da chapa do forno foi
medido e processado (Rodrigues, 1996).
Respostas ao rudo quantizado so mais adequados para identificao de sistemas por
excitarem o sistema em uma faixa maior de freqncias. Devido a este fato a massa de dados
frq2 foi utilizada para a identificao tanto neste trabalho quanto em (Rodrigues, 1996).
As demais massas de dados sero usadas na validao dos modelos obtidos conforme
descrito na seo 5.3.5.
Os dados descritos acima foram amostrados com tempo de amostragem Ts = 70 s, porm os
dados de identificao foram obtidos escolhendo uma em cada trs amostras perfazendo um
perodo de amostragem final de Ts = 210s. Este perodo de amostragem foi escolhido em
(Rodrigues, 1996) atravs dos critrios descritos seo 2.3.1.

Modelagem de um Forno Eltrico

__

_____

____ 62

5.3.2 Deteco de No-Linearidades


A deteco de no linearidades foi suprimida neste trabalho, pois as mesmas j eram
conhecidas. A principal no linearidade presente no forno eltrico so as constantes de
tempo diferentes para aquecer e para esfriar. Assim como em outros sistemas, s temos
controle do fluxo de energia para aquecer, o processo de esfriamento ocorre apenas pela
perda de calor para o ambiente, ou seja, o aquecimento forado e o esfriamento natural,
por este motivo o forno aquece mais rpido do que esfria.

5.3.3 Modelo NARMAX Polinomial


Nesta seo apresentado um modelo NARMAX polinomial do forno eltrico descrito em
(Rodrigues, 1996). O objetivo desta seo possibilitar a comparao entre o modelo
polinomial e os modelos racionais descritos ao longo deste trabalho.

modelo no-linear NARMAX polinomial nl391


Especificaes: l = 3, ny = nu = 3, 9 termos de processo e 22 termos lineares de rudo.
y(t) = 0,44551y(t-1) + 0,57773y(t-2) - 0,63628u(t-2) + 0,48606u(t-1) - 1,14580x10-6y(t-1)2u(t-1)
- 9,97760x10-5u(t-3)u(t-1)2 - 2,92710x10-5y(t-3)3 + 7,88310x10-3y(t-2)u(t-2) +
22

+ 7,43860x10-8y(t-3)2u(t-3) +

(t i ) + (t ) .
i =1

O modelo nl391 de 3a ordem, e foi obtido atravs da massa de teste frq2, mesma que ser
usada para obter os modelos racionais descritos na seo 5.3.4. No ser discutido neste
trabalho aspectos da validao do modelo polinomial nl391, fato que pode ser visto em
(Rodrigues, 1996), apenas ser apresentado seu comportamento quando excitado pelas
entradas das massas de testes fd1, fd2, frq1 e frq2, afim de comparar com os modelos
racionais.
A Figura 5.4 apresenta o resultado da simulao do modelo nl391, com as entradas de fd1,
frq1, fd2 e frq2. O modelo foi simulado a partir da 3a amostra. Observa-se que nl391 no
reproduziu o comportamento do forno quando excitado pela entrada de fd1. Na massa de
teste fd2 verifica-se um pequeno erro no ganho do modelo. Na massa de teste frq1 verifica-

Modelagem de um Forno Eltrico

__

_____

____ 63

se uma pequena instabilidade em torno da amostra 40. Como era de se esperar, o modelo
nl391 reproduz bem o comportamento dos dados de identificao frq2.

Figura 5.4 Visualizao da resposta do modelo nl391, quando excitado pelas entradas de fd1, frq1, fd2 e frq2.
____ : Entrada; . . . . .. : Planta; _ . _ . _ : Modelo

Existe uma diferena nos resultados apresentados na Figura 5.4 com os apresentado em
(Rodrigues, 1996). Na Figura 5.4 o modelo simulado a partir da 3a amostra e em
(Rodrigues, 1996) os modelos so todos simulados a partir da 23a amostra. Esta diferena de
comportamento, em funo do ponto em que se inicia a simulao, demonstra que o modelo
polinomial reproduz melhor a dinmica de esfriamento do forno do que a de aquecimento.

5.3.4 Modelagem Utilizando ERR e Agrupamento de Termos


A obteno do modelo racional para o forno eltrico foi feita atravs dos passos descritos no
captulo 4. Obteveram-se modelos com nmero de termos de processo variveis. O
algoritmo interativo de mnimos quadrados estendido, descrito no captulo 3, foi usado na
estimao dos parmetros.

Modelagem de um Forno Eltrico

__

_____

____ 64

Ser mostrado a seguir que a estrutura racional eficiente na reproduo da dinmica nolinear do forno eltrico, inclusive com um nmero reduzido de termos de processo.
Para modelagem do forno optou-se por um universo de procura onde os termos candidatos
possuam grau de no linearidade 3, como em (Rodrigues, 1996), e atraso de 2 e 3 tempos
de amostragem. O nmero de termos de processo foi variado de 5 a 15, escolhendo dentre
os diversos modelos, aqueles que melhor representaram as caractersticas dinmicas do
forno.
Dentre os modelos obtidos podem-se destacar:
modelo racional mr02f
Especificaes: l = 2, ny = nu = 2, 11 termos de processo e 6 termos lineares de rudo.

y(t) =

1
{ 9,0923 x 10-1 y(t-1) + 5,7474 x 10-1u(t-1) - 5,6471 x 10-3 y(t-1)u(t-1) +
den
+ 8,3607 x 10-4 u(t-1)2 + 1,5590 x 10-5 y(t-1)u(t-1)2 - 7,8166 x 10-5 u(t-2)u(t-2) 6

-1,0777 x 10-3 u(t-1)u(t-2) } +

(t i ) + (t )
i =1

onde:
den = 1 - 1,2194 x 10-3u(t-1) + 2,6018 x 10-5u(t-1)u(t-1) - 1,5826 x 10-6u(t-1)u(t-2)

modelo racional mr03f


Especificaes: l = 3, ny = nu = 2, 7 termos de processo e 6 termos lineares de rudo.

y(t) =

1
{ 9,0478 x 10-1 y(t-1) + 5,4438 x 10-1u(t-1) - 4,3480 x 10-3y(t-1)u(t-1) +
den
6

+ 2,7631 x

10-3u(t-1)2

- 5,1448 x

10-5

y(t-1)u(t-1)2

} + i (t i ) + (t )
i =1

onde:
den = 1 - 4,9397 x 10-4 u(t-1)

Modelagem de um Forno Eltrico

__

_____

____ 65

modelo racional mr03f5


Especificaes: l = 3, ny = nu = 2, 5 termos de processo e 6 termos lineares de rudo.

y(t) =

1
{ 9,1215 x 10-1 y(t-1) + 6,1849 x 10-1 u(t-1) - 6,0287 x 10-3 y(t-1)u(t-1)} +
den
6

(t i ) + (t )
i =1

den = 1 - 4,9366 x 10-4 u(t-1)


Observa-se que os modelos mr03f e mr03f5, apesar de no conjunto de termos candidatos
existir atraso de at 2 Ts, o algoritmo de seleo de estrutura escolheu apenas termos com
um tempo de atraso.

5.3.5 Validao dos Modelos Identificados


Nesta seo discutida a validao estatstica e dinmica dos modelos obtidos. A validao
estatstica foi feita atravs das funes de correlao descritas na seo 2.7. A validao
dinmica foi feita observando a capacidade do modelo de reproduzir o comportamento do
sistema quando excitado pelas entradas presentes nas massas de teste frq1, fd1, fd2 alm da
massa frq2, usada para identificao.
A Figura 5.5 apresenta a validao estatstica do modelo mr02f, na Figura 5.6 temos a
validao estatstica do modelo mr03f e na Figura 5.7 o mesmo para o modelo mr03f5. Nestas
observa-se que todos os modelos obtidos so estatisticamente vlidos, pois os casos onde as
funes de correlao usadas para validao saem dentro do intervalo de confiana de 95%,
definido nas figuras pela linha tracejada, no parecem ser suficientemente fortes para rejeitar
a hiptese dos resduos serem brancos.

Modelagem de um Forno Eltrico

__

_____

____ 66

Figura 5.5 Validao estatstica do modelo mr02f. (a) (t)(t); (b) u(t) (t); (c) e(t)Xe(t) u(t) (d) u2(t) (t);
(e) u2(t) 2(t); (f) (t) (t); (g) (t) 2(t); (h) 2(t) 2(t); (i) (y(t) (t)) 2(t);
(j) (y(t) (t)) u2(t)

Modelagem de um Forno Eltrico

__

_____

____ 67

Figura 5.6 Validao estatstica do modelo mr03f. (a) (t) (t); (b) u(t) (t); (c) e(t) e(t) u(t) (d) u2(t) (t);
(e) u2(t) 2(t); (f) (t) (t); (g) (t) 2(t); (h) 2(t) 2(t); (i) (y(t) (t)) 2(t);
(j) (y(t) (t)) u2(t)

Modelagem de um Forno Eltrico

__

_____

____ 68

Figura 5.7 Validao estatstica do modelo mr03f5. (a) (t) (t); (b) u(t) (t); (c) e(t) e(t) u(t) (d) u2(t) (t);
(e) u2(t) 2(t); (f) (t) (t); (g) (t) 2(t); (h) 2(t) 2(t); (i) (y(t) (t)) 2(t);
(j) (y(t) (t)) u2(t)

Estatisticamente no se verifica nenhuma diferena significativa entre os trs modelos


analisados, apesar da diferena entre o nmero de termos de processo utilizados.
A validao dinmica dos modelos, foi feita a partir da comparao entre a resposta dos
modelos s entradas das massas de dados frq1, frq2, fd1 e fd2, e a resposta do forno eltrico a
estas mesmas entradas, sendo que a massa frq2 foi usada para identificao.

Modelagem de um Forno Eltrico

__

_____

____ 69

A Figura 5.8 apresenta o resultado da validao dinmica do modelo mr02f. Verifica-se que o
modelo reproduz bem o comportamento observado nas massas de dados frq1 e frq2, porm
apresenta um erro de ganho na resposta ao degrau, massa fd1 e fd2.
Com o objetivo de melhor visualizar o comportamento dinmico do modelo na resposta ao
degrau, o ganho do modelo foi corrigido atravs da multiplicao dos valores calculados por
1,04 para fd2 e 1,1 para fd1, sendo os resultados apresentados na Figura 5.9. A correo do
ganho foi feita pelo processo de tentativa e erro e, com essa correo, verifica-se que o
modelo mr02f reproduz satisfatoriamente as constantes diferentes de aquecimento e
resfriamento do forno, observadas em fd2, e tambm as duas constantes de tempo de
aquecimento so verificadas. Na Figura 5.10, onde ampliado um trecho dos dados fd2,
observa-se que o modelo reproduz o comportamento do forno de ir aumentando lentamente
a temperatura mesmo quando a entrada permanece constante (entre as amostras 30 a 40).
Este fato importante porque os modelos polinomiais obtidos em (Rodrigues, 1996) no
conseguiram reproduzir tal fenmeno, como pode ser verificado na Figura 5.4.

Figura 5.8 Validao dinmica do modelo mr02f . ____ : Entrada; . . . . .. : Planta; _ . _ . _ : Modelo

Modelagem de um Forno Eltrico

__

_____

____ 70

Figura 5.9 Correo do ganho do modelo mr02f para as massas fd1 e fd2 - ____ : Entrada; . . . . .. : Planta;
_ . _ : Modelo

_.

Na validao de mr02f na massa de teste fd1, observa-se que o modelo no conseguiu


reproduzir o comportamento do sistema. Este fato pode ser explicado tendo em vista as
regies visitadas pelos dados de identificao frq2 e os dados de validao fd1. Nos dados frq2
o sistema foi excitado com entrada de valores numricos entre 20 a 40, e na massa fd1 a
entrada ficou entre 5 a 15. Conclui-se que a massa de dados usada na identificao no
visitou a regio visitada por fd1, por isso o modelo no reproduz a dinmica verificada em
fd1. Ainda assim nota-se uma boa aproximao de seu comportamento, deixando claro a
existncia de constantes de tempo diferentes para aquecimento e esfriamento.

Figura 5.10 Zoom na resposta do sistema a massa fd2

A validao dinmica do modelo mr03f, Figura 5.11, mostrou que este modelo apresenta as
mesmas caractersticas observadas para o modelo mr02f. Verifica-se a mesma diferena do
ganho para as respostas ao degrau fd1 e fd2. Na Figura 5.12 foi feita correo de ganho para
o modelo utilizando os mesmos valores usados para correo do ganho do modelo mr02f.

Modelagem de um Forno Eltrico

__

_____

____ 71

Figura 5.11 Validao dinmica modelo mr03f - ____ : Entrada; . . . . .. : Planta; _ . _ . _ : Modelo

Figura 5.12 Correo do ganho do modelo mr03f para as massas fd1 e fd2 - ____ : Entrada; . . . . .. : Planta;
. _ . _ : Modelo

A validao dinmica do modelo mr03f5, Figura 5.13, mostra que apesar de possuir apenas
cinco termos de processo, este modelo se comporta da mesma forma que os anteriores,
inclusive para a resposta ao degrau. No caso da correo do ganho para a resposta ao degrau,
verifica-se na Figura 5.14, que os fatores 1,04 e 1,1 se mostraram um pouco elevados para
este modelo.

Modelagem de um Forno Eltrico

__

_____

____ 72

Figura 5.13 Validao dinmica modelo mr03f5 - - ____ : Entrada; . . . . .. : Planta; _ . _ . _ : Modelo

Figura 5.14 Correo do ganho do modelo mr03f5 para as massas fd1 e fd2 - ____ : Entrada; . . . . .. : Planta; _ .
_ . _ : Modelo

Todos os modelos analisados reproduziram satisfatoriamente o comportamento do forno na


regio visitada pelos dados de identificao. Os modelos no reproduziram adequadamente o
comportamento do forno para a regio visitada por fd1, porm reproduziram o fato do forno
possuir duas constantes de tempo de aquecimento alm de constantes de tempo diferentes
para aquecer e esfriar. Todos os modelos obtidos se apresentaram estveis independente da
massa de dados usada na validao e no houve preocupao com a amostra onde se
iniciavam os testes de validao.

Modelagem de um Forno Eltrico

__

_____

____ 73

A Tabela 5.1 compila o valor do desvio padro dos erros de predio dos modelos
analisados sem a correo do ganho. Com exceo da massa fd1, se observa que em todas as
situaes testadas para os modelos racionais, o desvio padro percentual mximo
apresentado foi de 3,4%, isto para o modelo mr03f5 que possui apenas cinco termos de
processo. Verifica-se, mais uma vez, que os modelos racionais apresentaram menor erro de
predio do que o modelo polinomial.

Tabela 5.1 Desvio padro dos erros de predio dos modelos do forno (em percentual)

Modelos
Racionais

Polinomial

Dados

mr02f

mr03f5

mr03f

nl391

fd1

11,95

11,37

13,08

18,26

fd2

1,97

2,04

1,87

1,72

frq2

1,31

2,52

1,34

1,83

frq1

2,73

3,40

2,89

3,67

Mais uma vez, os resultados obtidos no demonstram nenhuma diferena significativa entre
os diversos modelos racionais obtidos. Este resultado mostra que atravs da representao
racional possvel reproduzir a dinmica no linear do forno eltrico com reduzido nmero
de termos de processo.
Em (Jcome, 1996) tem-se que se uma das constantes de tempo de um sistema for varivel, a
representao NARX preditiva do tipo racional. Este fato, alm das observaes feitas no
decorrer deste, apontam para o modelo racional como sendo melhor para representar a
dinmica do forno eltrico, em comparao com o modelo polinomial.

5.4 Comentrios Finais


Este captulo descreveu a modelagem de um sistema no-linear real utilizando a
representao racional. O sistema modelado foi o forno eltrico o que possibilitou
comparaes entre a representao racional e a polinomial.
O forno eltrico um sistema dinmico que apresenta diversas no linearidades, como por
exemplo: (i) constantes de tempo diferente para aquecimento e esfriamento; (ii) ganho
esttico diferentes dependendo da faixa de operao. Estas no linearidades so devidas a

Modelagem de um Forno Eltrico

__

_____

____ 74

diversos fatores como: aquecimento devido ao fornecimento de potncia a uma lmpada


(transferncia de calor forado), esfriamento por perda de calor natural para o ambiente e a
forma com que o calor transferido para o ambiente. Alm da conveco, a transferncia de
calor para o ambiente ocorre devido a radiao e esta depende da quarta potncia da
temperatura absoluta do meio emissor, sendo portanto no linear.
Vrios modelos NARMAX racionais foram identificados e todos eles reproduziram as
caractersticas dinmicas apresentadas pelo forno nos dados de identificao. Observou-se
que os algoritmos de seleo de estrutura e estimao de parmetros se mostraram eficientes,
obtendo modelos com poucos dados de identificao, em torno de 80, com apenas 5 termos
de processo e de primeira ordem.
Os modelos obtidos reproduziram bem as no linearidades do forno, e se mostraram
estveis em regies de operao diferentes daquelas visitadas pelos dados de identificao,
apesar de em alguns casos haver um erro na estimao do ganho do processo.
Os resultados apresentados neste captulo sugerem que, pelo menos no caso em estudo, a
representao racional mais robusta para representar o dinmica do forno do que a
representao polinomial. Muitos dos modelos polinomiais obtidos em (Rodrigues, 1996) se
mostraram instveis quando excitados em regies diferentes daquelas visitadas pelos dados
de identificao. Alm disso os modelos racionais obtidos se apresentaram muito menos
sensveis s condies iniciais do que os modelos polinomiais obtidos em (Rodrigues, 1996).
A representao racional conseguiu reproduzir com significativa qualidade as duas
constantes de tempo de aquecimento do forno observadas na resposta ao degrau, apesar
desta informao aparentemente no estar clara nos dados de identificao.
Os estudo do forno eltrico foi de grande importncia neste trabalho, pois envolveu vrios
problemas de identificao e possibilitou uma comparao com modelos polinomiais obtidos
anteriormente.

Modelagem do Circuito de Chua___

_____ _

____ 75

Captulo 6
Modelagem do Circuito de Chua

6.1 Introduo
O circuito de Chua um circuito eletrnico com comportamento no-linear que tem sido
objeto de estudo por um grande nmero de pesquisadores, com vrios trabalhos publicados
em revistas especializadas (Glover e Mees, 1992; Chua e Hasler, 1993; Hartley e Mossayebi,
1993; Madan, 1993; Aguirre e Billings, 1994b; Aguirre, 1995).
O circuito de Chua foi utilizado neste trabalho para avaliar a capacidade do modelo
NARMAX racional de reproduzir sua dinmica como tambm pela facilidade de
comparao com resultados obtidos com a representao polinomial. O referido circuito
apresenta dinmica catica, o que representa uma dificuldade adicional para a identificao.
Este captulo descreve a modelagem deste circuito a partir de dados reais.

6.2 Descrio do Sistema


O circuito de Chua apresenta uma topologia bastante simples. constitudo por elementos
passivos lineares (dois capacitores, um indutor e um potencimetro) e um elemento no
linear denominado diodo de Chua (Chua et al., 1986; Chua, 1992). O diodo de Chua tem a
caracterstica de um resistor negativo, de dois terminais e comportamento linear por partes.
A Figura 6.1 mostra o diagrama esquemtico do circuito e a Figura 6.2 apresenta a curva
caracterstica do diodo de Chua.

Modelagem do Circuito de Chua___

_____ _

____ 76

Figura 6.1 - Circuito de Chua

Figura 6.2 Curva caracterstica do Diodo de Chua

As equaes dinmicas de Chua so:

C1

dvc1
dt

C2
L

dvc2
dt

vc2 vc1
R
=

id (vc1 ) ,

vc1 vc2
R

iL ,

di L
= vc2 rLi L ,
dt
(6.1)

onde vc1 e vc2 so as tenses sobre os capacitores C1 e C2, respectivamente e iL a corrente


no indutor.
A caracterstica corrente-tenso do diodo de Chua (Chua et al., 1986; Chua, 1992):

Modelagem do Circuito de Chua___

_____ _

____ 77

id (vc1 ) = m0vc1 + B p (m0 m1 ) , se vc1 < BP ,


id (vc1 ) = m1vc1 ,

se BP vc1 BP ,

id (vc1 ) = m0vc1 + B p (m1 m0 ) , se vc1 > BP ,


(6.2)
onde as constantes m0 e m1 so as inclinaes das regies lineares e Bp o valor da tenso
onde ocorre a mudana da caracterstica i v do dispositivo. Observa-se que esta curva
apresenta uma simetria mpar em relao ao eixo das correntes. Por esta razo Hartley (1989)
props a utilizao de um polinmio cbico para aproximar a caracterstica do diodo de
Chua.
O circuito de Chua possui trs elementos armazenadores de energia - os capacitores e o
indutor - e apresenta equao de estados de terceira ordem, cujas variveis so: vc1 , vc2 e i L .
O sistema autnomo, pois no existem funes forantes atuando sobre ele.
As equaes dinmicas do circuito de Chua possuem trs pontos fixos. Os pontos fixos
deste sistema so (Torres e Aguirre, 1995a):
p1 = (vc11 , vc21 , i L1 ) ,
(6.3)
p2 = (0,0,0) ,
(6.4)
p3 = ( vc11 , vc21 ,i L1 ) , onde
vc11 =
vc21 =
i L1 =

Bp (m0 m1 )
1 + ( R + rL )m0
B p (m0 m1 )
1 + ( R + rL )m0
Bp (m0 m1 )
1 + ( R + rL )m0

(rL + R) ,
(rL ) ,

(6.5)

Modelagem do Circuito de Chua___

_____ _

____ 78

Sendo que p1 e p3 so pontos fixos simtricos e p2 um ponto fixo trivial. A estabilidade


destes pontos fixos foi estudada em (Aguirre, e Torres 1997). Os trs pontos fixos da
dinmica do circuito de Chua apresentam comportamento local instvel, embora o sistema
seja globalmente estvel (caracterstica de sistemas caticos).

6.3 Modelagem da Dinmica No-Linear do Circuito de Chua


As sees seguintes apresentam os passos seguidos para a obteno de modelos NARMA
racional para o circuito de Chua a partir de medies da varivel vC1. Atravs dos resultados
apresentados a seguir verifica-se a capacidade do modelo NARMA racional de reproduzir
dinmicas no lineares complexas.

6.3.1 Descrio dos dados


Os dados usados na identificao possuem duas origens diferentes:
simulao da dinmica a partir de um modelo polinomial.
aquisio de dados de operao em um prottipo do circuito (Torres e Aguirre, 1995b).
A primeira massa de dados foi obtida pela simulao do modelo polinomial do circuito de
Chua identificado em (Rodrigues, 1996). O modelo polinomial NARMA usado
apresentado a seguir e foi denominado em (Rodrigues, 1996) como Modelo dsae1.
Modelo dsae1 - Polinomial
Varivel identificada: vc1 sobre o atrator de dupla volta
Especificaes: l = 3, ny = 4, 17 termos de processo (selecionado dentro do conjunto de
agrupamentos efetivos) e 20 termos lineares de rudo.
y(t) = 3,5230y(t -1) - 4,2897y(t -2) - 0,2588 y(t -4) + 2,0652 y(t -3) - 1,7784 y(t -1)3+
+ 6,1761y(t -2)y(t -1)2 + y(t -4)y(t -2)y(t -1) - 2,7381 y(t -3) y(t -1)2 - 5,5369y(t -2)2y(t -1) + 0,1031y(t -2)3 + 0,4623 y(t -4)3 - 0,5247 y(t -4) y(t -2)2 - 1,8965 y(t -3)2y(t -1) + 5,4255y(t -3)y(t -2)y(t -1) + 0,7258y(t -4)2 y(t -2) 20

- 1,7684y(t

-4)2

y(t -3) + 1,1800y(t -4)y(t

-3)2

(t i ) + (t ) .
i =1

(6.6)

Modelagem do Circuito de Chua___

_____ _

____ 79

A massa de dados utilizada na obteno do Modelo dsae1 foi dsvc1.dat, que ser descrita
frente, tendo sido tambm utilizada para obter modelos racionais.
Observa-se na equao (6.6) que o modelo possui 17 termos de processo, com grau de nolinearidade 3 e com atraso mximo igual a 4. Os agrupamentos presentes no modelo so:
y e y3 .
A massa de dados gerada a partir do modelo dsae1 foi utilizada a princpio para responder
questes envolvidas com a capacidade da representao racional de reproduzir a dinmica do
circuito de Chua. Os modelos racionais obtidos a partir dos dados gerados por dsae1 no
sero apresentados neste, e a discusso sobre o processo de identificao ser feita para
massa de dados reais.
A segunda massa de dados utilizada na identificao foi a massa de dados dsvc1.dat, que foi
obtida a partir da operao de um prottipo do circuito de Chua. Esta massa de dados a
mesma usada por Rodrigues para obteno do modelo dsae1 apresentado acima.

Figura 6.3 Dados experimentais da tenso vc1 sobre o atrator em espiral. (a) Dados dsvc1 (b) Zoom em dsvc1 - t
indica o nmero de amostras.

Modelagem do Circuito de Chua___

_____ _

____ 80

Figura 6.4 - Projeo bidimensional do atrator catico de dupla volta obtido a partir de dsvc1.

A massa de dados dsvc1.dat possui uma relao sinal/rudo SNR = 72,30 dB calculada
utilizando a varincia dos resduos de identificao (Rodrigues, 1996). Detalhes sobre a
obteno de dados dsvc1.dat podem ser vistos em (Rodrigues, 1996). A Figura 6.3 apresenta
os referidos dados e na Figura 6.4 temos a projeo bidimensional do atrator catico obtido
a partir de dsvc1.dat.
Outra massa de dados obtida a partir da operao do prottipo massa de dados vc1.dat.
Esta massa de dados foi obtida em condies diferentes da primeira e possui uma relao
sinal rudo de SNR = 99,43 dB (tambm calculada utilizando a varincia dos resduos de
identificao). Estes dados esto apresentados na Figura 6.5 e na Figura 6.6 temos a
projeo bidimensional do atrator catico de dupla volta obtido para vc1.dat.
A obteno dos dados de operao do prottipo, vc1.dat, foi realizada a partir de um
programa de interface para aquisio de dados (Freitas, 1996), utilizando um placa de
aquisio de dados. A resoluo utilizada foi de 12 bits, tendo sido coletados 5000 pontos
com um tempo de amostragem Ts = 3 ms. Os valores dos componentes eletrnicos usados

Modelagem do Circuito de Chua___

_____ _

____ 81

Figura 6.5 Dados experimentais da tenso vc1 sobre o atrator em espiral. (a) Dados vc1 (b) Zoom em vc1 indica o nmero de amostras.

Figura 6.6 - Projeo bidimensional do atrator catico de dupla volta obtido a partir de vc1.

Modelagem do Circuito de Chua___

_____ _

____ 82

e dos parmetros do diodo de Chua implementado (utilizando componentes discretos) so:


C1 = 11 F; C2 = 45 F ;
L = 20 H ; R = 1,6 k
m0 = -0,37 mS; m1 = -0,68 mS
BP = 1,10 V
A utilizao de placa de aquisio possibilitou o aumento da resoluo na amostragem sem
limitar o nmero mximo de amostras.

6.3.2 Deteco de estrutura e estimao de parmetros


O objetivo deste captulo obter modelos racionais para o circuito de Chua a partir da
varivel vc1. Os modelos obtidos so monovariveis e usam apenas a varivel tenso sobre o
capacitor 1.
Conforme descrito anteriormente, o circuito de Chua possui trs pontos fixos, sendo um
trivial e dois no triviais simtricos em relao origem. Partindo do conceito de pontos
fixos, e conhecendo a priori o nmero de pontos fixos do circuito de Chua se conclui, de
acordo com a Tabela 3.1, que os agrupamentos que devem estar presentes na identificao
so:
no numerador
3 , y ;
y

e no denominador
2 , 0 .
y

A utilizao dos agrupamentos acima, considerando um grau de no linearidade 3, criam um


universo de procura de 40 termos candidatos para o numerador e 16 termos para o
denominador, perfazendo um total de 56 termos candidatos.
A escolha dos termos do modelo foi feita atravs do algoritmo de ERR. Testou-se modelos
com nmero de termos de processo maior que doze, escolhendo aqueles que melhor
reproduziam a dinmica dos dados originais. Na seo 6.3.4 so apresentados os modelos
obtidos.

Modelagem do Circuito de Chua___

_____ _

____ 83

Mesmo quando se utilizou para o universo de procura todos os termos possveis,


independente do agrupamento, o algoritmo ERR selecionou apenas termos dos
agrupamentos referidos, o que demonstra a eficincia do algoritmo usado na deteco da
estrutura. Este resultado pode ser visto na Figura 6.7 onde temos a evoluo dos coeficientes
de agrupamentos do numerador e na Figura 6.8, onde se verifica a evoluo dos coeficientes
de agrupamentos do denominador em funo do nmero de termos de processo. Observase, que apenas quando o nmero de termos de processo era superior a 20, o ERR
selecionou termos pertencentes ao agrupamento esprio, , com coeficiente muito baixo
y

em relao aos demais agrupamentos. Termos pertencentes aos demais agrupamentos


esprios 2 , 0 do numerador e 3 do denominador no foram selecionados.
y

Figura 6.7 Evoluo dos coeficiente de agrupamentos do numerador

Figura 6.8 Evoluo dos coeficiente de agrupamentos do denominador

6.3.3 Validao dos modelos obtidos


Os modelos obtidos para representar o comportamento da varivel vc1 foram avaliados
quanto s suas caractersticas dinmicas e s caractersticas estatsticas dos respectivos
resduos. Esta avaliao teve como principal objetivo verificar sua eficincia na reproduo
da dinmica dos dados originais.

Modelagem do Circuito de Chua___

_____ _

____ 84

Alm da validao estatstica atravs de testes de correlao dos resduos de identificao, os


modelos obtidos foram validados verificando suas qualidades dinmicas. As propriedades
escolhidas para medir a qualidade dinmica dos modelos do circuito de Chua foram (Aguirre
e Billings, 1994a):
geometria do atrator (forma, tamanho, simetria de pontos fixos e autoestrutura);
expoentes de Lyapunov estimados;
dimenso de correlao do atrator estimado.
A geometria do atrator foi avaliada visualmente, e os pontos fixos dos modelos foram
calculados analiticamente a partir do modelo, utilizando as equaes descritas na seo 3.6.
(Mendes, 1995b).
A dimenso de Lyapunov e a dimenso de correlao foram obtidas atravs dos programas
MTRCHAOS & MTRLYAP1 . Estes programas possibilitam avaliar a partir de uma srie
temporal se um sistema possui comportamento catico. Esta avaliao pode ser feita a partir
do clculo de invariantes dinmicos tais como o mximo expoente de Lyapunov e a
dimenso de correlao.
O clculo da dimenso de correlao implementado atravs do algoritmo de GrassbergerProcaccia (1983), e o clculo do expoente de Lyapunov baseado no padro de divergncia
de trajetrias para pontos vizinhos (Wolf e outros, 1985).
Para a massa de dados vc1.dat foram obtidos dois modelos: ratvc1 e ratvc1r, sendo que a
diferena entre eles a presena de termos de rudo no segundo. Para a massa de testes dsvc1
obteve-se apenas o modelo ratdsvc1. A seguir temos os modelos identificados:
Modelo ratvc1
Obtido com massa de dados vc1 com 19 termos de processo. Sem a presena de termos de
rudo.
y (t) =

1
{ 3,1182 y(t -1) - 3,1171 y(t -2) + 9,5359 x 10 -1 y(t -3) + 5,6201 y(t -1)2y(t -3)
den
+ 2,6011 y(t -2)2y(t -3) - 1,8873 x 10 -1 y(t -5)3 + 5,2360 x 10 -1 y(t -3)3 +
+ 5,3063 x 10 -2 y(t -5) + 1,5 y(t -1)2y (t -5) - 4,3538 x 10 -1 y(t -2)2y(t -5) +
+ 3,8954 x 10 -1 y(t -2)y(t -5)2 -1,0065 x 10+1 y(t -1)y(t -2)y(t -3) +
+ 1,3607 x 10 -1 y(t -1)y(t -5)2 }

MTRCHAOS & MTRLYAP so um par de programas para anlise de sistemas (possivelmente) caticos. Tais
programas so baseados em (Rosenstein e outros, 1993).

Modelagem do Circuito de Chua___

_____ _

____ 85

onde:
den = 1 - 1,7872 y(t -1)2 + 7,9271 y(t -1)y(t -2) - 7,6119 y(t -2)2 + 1,5886 y(t -2)y(t -5) - 3,3075 x 10 -2 y(t -5)2
Modelo ratvc1r
Obtido com massa de dados vc1 com 19 termos de processo. Com a presena de 15 termos
de ruido, sendo 10 lineares e 5 quadrticos.

y (t) =

1
{ 3,2855 y(t -1) - 3,6385y(t -2) + 1,3950 y(t -3) + 4,9522 x 10 -1 y(t -1)2y(t -3) den
- 1,8171 x 10 -1 y(t -2)2y(t -3) - 1,7831 x 10 -1 y(t -5)3 + 3,7863 x 10 -1y(t -3)3 - 3,5944 x 10 -2 y(t -5) + 1,7736 y(t -1)2 y(t -5) - 3,2792 x 10 -1y(t -2)2 y(t -5) +
+ 9,7504 x 10 -1 y(t -2)y(t -5)2 - 1,7730 y(t -1)y(t -2)y(t -3) - 1,1263 y(t -1)y(t -5)2 }
10

(t i) + (t j ) (t j ) + (t )
i =1

j =1

Onde:
den = 1 - 2,4395 x 10 -1 y(t -1)2 + 2,2771 y(t -1)y(t -2) - 3,1926 y(t -2)2 + 1,8219 y(t -2)y(t -5) - 6,2553 x 10 -1 y(t -5)2
Modelo ratdsvc1
Obtido com 19 termos de processo, termos lineares e quadrticos de rudo, e com nmero
de iteraes do modelo de rudo igual a 8.

y (t) =

1
{2,5568 y(t -1) - 1,7594 y(t -2) + 0,2696 y(t -5) + 0,6192 y(t -1)3 - 1,0219 y(t -2)3 den
- 3,2455 y(t -1)2y(t -5) + 0,0735 y(t -3)3 + 0,3444 y(t -1)y(t -5)2
- 0,4401 y(t -2)y(t -5)2 + 3,4624 y(t -1)y(t -2)y(t -5) + 0,1986 y(t -1)2y(t -2)} +
+

10

i =1

j =1

i (t i) + j (t j ) (t j ) + (t )

Onde:
den = 1 + 1,5164 y(t -1)y(t -2) + 0,5657 y(t -3)y(t -5) - 1,.8527 y(t -2)2 + 0,1948 y(t -1)2 +
+ 1,7662 y(t -2)y(t -5) - 0,1409 y(t -5)2 - 2,0470 y(t -1)y(t -5)

Modelagem do Circuito de Chua___

_____ _

____ 86

6.3.3.1 Validao dos modelos a partir de vc1.dat


A primeira avaliao feita nos modelos em questo se referem a localizao dos pontos fixos.
A Tabela 6.1 apresenta os pontos fixos calculados a partir dos dados de operao do
prottipo e a partir dos modelos obtidos para a massa de dados vc1.dat.
Tabela 6.1 Pontos fixos calculados para modelos obtidos a partir de vc1.

Sistema
Original
0
Pontos fixos

1,80 0,04 V
- 1,80 0,04 V

ratvc1

ratvc1r

0
1,93
-1,93

0
1,89
-1,89

Os clculos dos pontos fixos mostram que os modelos racionais obtidos aproximam bem os
pontos fixos dos dados de operao do prottipo. No caso de vc1.dat, Tabela 6.1, observa-se
que o modelo obtido com termos de rudo, ratvc1r, aproxima melhor os pontos fixos do que
o modelo obtido para o modelo sem termos de rudo, ratvc1.
As Figuras 6.9 e 6.10 apresentam os resultados da predio de k passos a frente para os
modelos obtidos a partir da massa de dados vc1.dat. Atravs de uma inspeo visual nas
referidas figuras observa-se uma diferena significativa nos perodos mdios dos sinais.
Esta diferena tambm foi verificada quando calculado o perodo mdio de cada sinal. O
perodo mdio, mostrado na Tabela 6.2, foi obtido atravs do maior valor no espectro de
potncia do sinal, calculado atravs de MTRCHAOS.

Figura 6.9 Resultado obtido com predio de k passos a frente do modelo ratvc1.

Modelagem do Circuito de Chua___

_____ _

____ 87

Figura 6.10 Resultado obtido com predio de k passos a frente do modelo ratvc1r.

Tabela 6.2 Perodos mdios, calculados a partir dos dados de


identificao vc1.dat, e a partir da simulao dos modelo ratvc1r e
ratvc1.

Perodo mdio

vc1.dat

ratvc1r

ratvc1

152

120

134

As Figuras 6.11 e 6.12 apresentam a projeo bidimensional do atrator de dupla volta com os
modelos obtidos para a massa de dados vc1.dat. Nestas figuras observa-se que ambos
modelos obtidos reproduzem satisfatoriamente o comportamento dos dados de operao do
prottipo observados na Figura 6.6.
A Figura 6.13 apresenta a evoluo do clculo do maior expoente de Lyapunov, obtido
atravs de MTRLYAP, para a massa de dados vc1.dat e para os dados obtidos pela simulao
de k passos a frente dos modelo ratvc1 e ratvc1r. Observa-se que a evoluo do expoente
obtido a partir do modelo ratvc1r aproxima-se mais dos dados originais. No clculo do
expoente de Lyapunov, atravs do valor mdio de convergncia das curvas apresentadas na
Figura 6.13, e apresentado na Tabela 6.3, verifica-se que os valores estimados do expoente de
Lyapunov diferem um pouco do valor obtido com dados de operao do prottipo.
Na Figura 6.14 temos a curva que possibilita o clculo da dimenso de correlao para os
dados vc1.dat e modelos obtidos a partir deste. A dimenso de correlao deve ser calculada
pela inclinao da curva na regio linear. A Tabela 6.4 apresenta uma estimativa deste
invariante para cada curva da Figura 6.14. Verifica-se que a dimenso de correlao dos
modelos racionais se aproximam dimenso do atrator original. Mais uma vez, parece que o
modelo ratvc1r um pouco superior ao modelo ratvc1.

Modelagem do Circuito de Chua___

_____ _

____ 88

Figura 6.11 - Projeo bidimensional do atrator catico de dupla volta obtido a partir do modelo ratvc1.

Figura 6.12 - Projeo bidimensional do atrator catico de dupla volta obtido a partir do modelo ratvc1r.

Modelagem do Circuito de Chua___

_____ _

____ 89

Figura 6.13 Evoluo do clculo do expoente de Lyapunov. Dados vc1.dat

Tabela 6.3 Valor estimado para o expoente de Lyapunov

Expoente de Lyapunov

vc1.dat

ratvc1

ratvc1r

1,3454 0,0490

0,9201 0,0758

0,9750 0,0846

Figura 6.14 Resultado do clculo da dimenso de correlao. Dados vc1.dat.

Tabela 6.4 Dimenso de correlao, dados vc1.dat e modelos ratvc1 e ratvc1r.

Dimenso de correlao

Dados
vc1.dat

Modelo
ratvc1

Modelo
ratvc1r

2,11 0,09

1,85 0,04

1,96 0,04

O outro procedimento usado na validao dos modelos foi a validao estatstica atravs de
funes de auto-correlao, utilizando neste caso apenas os resduos de identificao. As
Figuras 6.15 e 6.16 apresentam os resultados obtidos. Verifica-se que curva de autocorrelao para ambos os modelos no permitem afirmar que os resduos sejam totalmente
brancos, o que no significa que os modelos no podem reproduzir a dinmica do sistema
original. Sabe-se que os testes de validao estatstica, usando funes de correlao no so

Modelagem do Circuito de Chua___

_____ _

____ 90

suficientes para a garantia de reproduo de caractersticas dinmicas do sistema (Aguirre e


Billings, 1994a; Aguirre e Billings, 1995a).

Figura 6.15 Teste de correlao nos resduos de identificao modelo ratvc1. (a) (t) x (t);
(b) (t) x [(t) - media (t)]2; (c) [(t)2 - media((t)2)] x [(t)2 - media((t)2)]

Figura 6.16 Teste de correlao nos resduos de identificao modelo ratvc1r. (a) (t) x (t);
(b) (t) x [(t) media (t)]2; (c) [(t)2 - media((t)2)] x [(t)2 - media((t)2)]

Modelagem do Circuito de Chua___

_____ _

____ 91

6.3.3.2 Validao dos modelos obtidos a partir de dsvc1.dat


Nesta seo so apresentados os resultados da validao do modelo ratdsvc1, obtido a partir
dos dados dsvc1. Os testes aplicados foram os mesmos descritos para vc1. Apresentaremos
aqui apenas as diferenas mais significativas e a comparao com o modelo polinomial
obtido em (Rodrigues, 1996).
Na Tabela 6.5 temos os pontos fixos calculados com os dados originais e com os modelos
racional e polinomial. Verifica-se que o modelo polinomial conseguiu reproduzir melhor os
pontos fixos do sistema original.
Tabela 6.5 Pontos fixos calculados a partir de dsvc1.

Sistema
Original
Pontos Fixos

0
2,24
-2,24

dsae1

ratdsvc1

0
2,24
-2,24

0
2,37
-2,37

A Figura 6.17 apresenta a projeo bidimensional obtida a partir da predio de 3000 passos
a frente do modelo ratdsvc1. A Figura 6.18 apresenta o mesmo resultado a partir do modelo
polinomial dase1 obtido em (Rodrigues, 1996). Os resultados apresentados mostram que
apesar de reproduzir a forma do atrator de dupla volta do circuito de Chua, o atrator obtido
a partir do modelo racional mais denso que o obtido pelo modelo polinomial, sendo que
este ltimo se aproxima mais do comportamento observado nos dados originais.
No clculo dos invariantes dinmicos, maior expoente de Lyapunov e dimenso de
correlao, resultados apresentados nas figuras 6.19 e 6.20, Tabelas 6.6 e 6.7, observa-se que
o modelo racional aproxima com razovel preciso as caractersticas dinmicas observadas
nos dados de identificao, porm fica claro que o modelo polinomial , neste caso melhor
que o racional.

Modelagem do Circuito de Chua___

_____ _

____ 92

Figura 6.17 - Projeo bidimensional do atrator catico de dupla volta obtido a partir do modelo ratdsvc1.

Figura 6.18 - Projeo bidimensional do atrator catico de dupla volta obtido a partir do modelo dsae1.

Modelagem do Circuito de Chua___

_____ _

____ 93

Em (Goubest e Letellier, 1994) temos que, dependendo da varivel observada no sistema de


Rssler a estrutura racional pode ser mais indicada do que a polinomial. Utilizando
procedimento equivalente ao descrito em (Goubest e Letellier, 1994), verifica-se que no caso
do circuito de Chua a estrutura polinomial mais adequada. Ao escrever as variveis vc2 e iL
em funo de vc1, temos funes polinomiais e no racionais.
possvel generalizar que a estrutura racional indicada em situaes onde, nas equaes
dinmicas do sistema, ocorrem produtos entre as variveis de estado, fato que no
observado nas equaes dinmicas do circuito de Chua, como pode ser visto em (6.1).
Portanto, o fato do modelo polinomial representar melhor a dinmica do circuito de Chua
perfeitamente justificado.

Figura 6.19 Evoluo do clculo do expoente de Lyapunov. Dados dsvc1.dat

Tabela 6.6 Valor estimado para o espoente de Lyapunov

Expoente de Lyapunov

Dados
dsvc1.dat

Modelo
polinomial dsae1

Modelo racional
ratdsvc1

1,3516 0,0343

1,3350 0,0563

1,4218 0,0596

Modelagem do Circuito de Chua___

_____ _

____ 94

Figura 6.20 Clculo da dimenso de correlao modelos obtidos a partir de dsvc1.dat

Tabela 6.7 Dimenso de correlao, dados dsvc1.dat e modelos dase1 e ratdsvc1

Dimenso de correlao

Dados
vc1.dat

Modelo
Polinomial
dase1

Modelo
Racional
ratdsvc1

1,96 0,11

2,04 0,07

2,12 0,04

A validao estatstica do modelo ratdsvc1 foi feita com os mesmos testes aplicados aos
modelos obtidos para a massa de dados vc1.dat, descritos na seo anterior, no apresentando
nenhuma diferena significativa, por isso estes resultados no so apresentados.

6.4 Comentrios Finais


Este captulo apresentou a identificao de atratores caticos do circuito no-linear de Chua,
utilizando a representao NARMAX racional. O regime dinmico analisado representado
pelo atrator de dupla volta presente na varivel vc1 do circuito no-linear de Chua.
A representao racional se mostrou eficiente na reproduo da dinmica no linear presente
na varivel vc1 do circuito de Chua. A estrutura do modelo racional foi obtida utilizando o
critrio ERR, pontos fixos e agrupamentos de termos. O ERR se mostrou bastante eficaz na
seleo de estrutura, pois em nenhum momento selecionou termos pertencentes a
agrupamentos esprios, apesar de no ter indicado que a representao polinomial era mais
adequada.

Modelagem do Circuito de Chua___

_____ _

____ 95

Observou-se tambm que os modelos racionais obtidos possuem qualidade inferior ao


modelo polinomial obtido para a mesma varivel e massa de dados de identificao. Este
resultado aponta para uma melhor adequao da representao polinomial na reproduo do
comportamento dinmico verificado na varivel vc1 do circuito no-linear de Chua. Este
resultado justificado pelas caractersticas das equaes que descrevem o comportamento
dinmico do circuito de Chua.

Concluso

96

Concluso
Obter modelos matemticos de sistemas fsicos de vital importncia para a cincia e a
engenharia e encontra aplicaes em diversas reas do conhecimento humano. Dentre vrios
mtodos usados para a obteno de modelos matemticos destaca-se a identificao de
sistemas. A identificao de sistemas permite obter modelos matemticos a partir de dados
medidos no sistema a ser modelado. Este trabalho investigou a aplicao de tcnicas para
identificao de sistemas dinmicos no lineares utilizando modelos NARMAX racionais
estabelecendo comparaes com os modelos NARMAX polinomiais.
A identificao de sistemas pode ser dividida em duas grandes etapas. A primeira consiste na
obteno em si do modelo e a segunda na sua validao. A obteno do modelo passa pela
seleo da estrutura, escolha dos termos candidatos e pela estimao dos parmetros. A
validao consiste em verificar se todas as dinmicas de interesse observadas no sistema
esto representadas no modelo em questo, ou se o modelo capaz de reproduzir o
comportamento do sistema fsico original.
Este trabalho procurou analisar a capacidade de modelos racionais NARMAX de descrever
comportamento dinmico de sistemas reais. A representao NARMAX racional foi
proposta recentemente com ainda poucas aplicaes efetivamente testadas em situaes
reais, ao contrrio da representao NARMAX polinomial que j se encontra bastante
difundida tendo sido usada para modelar diversos sistemas reais. Os modelos racionais
NARMAX foram propostos devido capacidade que funes racionais tm de descrever
eficientemente um grande nmero de no linearidades. O fato da representao racional ser
no linear nos parmetros introduz uma dificuldade adicional na estimao dos mesmos que
impede a utilizao de algoritmos de mnimos quadrados ordinrios.
Neste trabalho utilizaram-se modelos racionais NARMAX para representar a dinmica
observada em alguns sistemas reais. Os sistemas modelados foram o forno eltrico do
Laboratrio de Controle de Processos Industriais (LCPI) e o circuito eletrnico de Chua. O
processo de identificao deu origem a vrios modelos que reproduziram o comportamento
dos sistemas originais e possibilitaram compar-los com modelos polinomiais obtidos para
os mesmos sistemas, utilizando as mesmas massas de testes.

Concluso

97

Os modelos racionais se mostraram mais eficientes para predizer o comportamento do


forno eltrico que os modelos polinomiais. Observou-se que os modelos racionais
reproduziram melhor o fato do forno possuir duas constantes de tempo diferentes de
aquecimento, alm de ajustar constantes de tempo diferentes de aquecimento e de
esfriamento. Ressalta-se tambm o fato dos modelos racionais aproximarem melhor o
comportamento do forno em regies de funcionamento que no foram visitadas pelos dados
de identificao. Por ltimo observa-se que os modelos racionais do forno eltrico possuem
menos termos de processo que os modelos polinomiais e com menor ordem.
Outra dinmica real modelada foram os atratores caticos de dupla volta do circuito de
Chua. Os modelos racionais conseguiram aproximar o comportamento catico observado
nos dados originais. Neste caso porm, na validao dinmica verificou-se que os modelos
polinomiais se mostraram mais eficientes que os racionais.
Atravs do desenvolvimento deste trabalho foi possvel identificar dois tipos de sistemas,
onde teoricamente, os modelos racionais seriam mais indicados que os polinomiais. Estes
sistemas so: (i) caracterizados por dependncia das constantes de tempo em funo da
entrada e/ou sada; (ii) representados por equaes dinmicas em que aparece produtos entre
as variveis de estado. No entanto, na prtica, nem sempre possvel conhecer a priori todas
as caractersticas dos sistemas dinmicos, o que torna inevitvel a deteco de estrutura e o
processo de investigao/tentativa para sua modelagem.
Neste trabalho foram analisados aspectos da identificao de sistemas e da representao
NARMAX racional. A seguir algumas propostas de continuao deste so apresentadas:
anlise da influncia da escolha do regressor para estimao dos parmetros, na qualidade
do modelo racional obtido;
desenvolvimento de rotinas para identificao e estimao de parmetros on-line para
os modelos NARMAX racionais;
projeto de controladores para sistemas no-lineares utilizando modelos NARMAX
racionais;
estudo da utilizao de conhecimento prvio para escolha da estrutura, enfocando
situaes onde a representao NARMAX racional ou no mais indicada.

Apndice A

98

Apndice A
Rotinas em MATLAB Usadas

Introduo

Este apndice descreve brevemente rotinas utilizadas na identificao de modelos


racionais NARMAX. As rotinas descritas adiante foram desenvolvidas em (Mendes,
1995), exceo feita a ratelsr.m, que foi desenvolvida ao longo deste trabalho.

Rotinas

fix_poir.m
Calcula os pontos fixos de a partir de um modelo polinomial. Utiliza os conceitos de
agrupamentos e coeficiente de agrupamentos de termos, formando o polinmio
caracterstico Equao 3.26.
Sintaxe:
[f,d,jac,l,v,vv] = fix_poir(num,den,xn,xd,f).
Parmetros de entrada:
num - modelo do numerador;
den - modelo do denominador;
xn - coeficientes do numerador;
xd - coeficientes do denominador;
f
- pontos fixos (opcional);

Apndice A

99

Retorno:
f
- pontos fixos;
d - razes do polinmio ao qual esto os pontos fixos;
jac - evoluo da matriz jacobiana nos pontos fixos;
l
- polinmio caracterstico;
v
- zeros de l;
vv - auto vetores de l;

gentm41.m
Esta rotina gera um conjunto de termos candidatos para a escolha de estrutura.
Sintaxe:
model = gentm41(degree,lagy,lagu,lage).
Parmetros de entrada:
degree
lagy
lagu
lage

- grau de no linearidade do modelo;


- mximo atraso dos termos de sada;
- mximo atraso dos termos de entrada (opcional);
- mximo atraso dos termos de rudo (opcional).

Retorno:
model - matriz contendo o conjunto de termos candidatos.
Na matriz de retorno, os termos so representados por uma seqncia de quatro algarismos,
conforme apresentado na Figura A.1. A matriz modelo ter nmero de colunas igual ao grau
de no linearidade mximo do modelo. Uma linha do tipo [1101 2102 0], representa o termo
no linear y(t - 1)u(t - 2). Como existem trs colunas, o grau de no linearidade mximo do
modelo igual a 3.

Apndice A

100

Figura A.1 Simbologia usada em gentm41.m

rat2tex.m
Retorna comandos latex que podem ser diretamente convertidos em texto usando
arquivos do tipo latex.
Sintaxe:
[t,s] = rat2tex(num,den,xn,xd,prec).
Parmetros de entrada:
num
den
xn
xd
prec

- modelo do numerador;
- modelo do denominador;
- coeficientes do numerador;
- coeficientes do denominador;
- preciso.

Retorno:
t
s

- comando latex;
- modelo;

ratelsr.m
Rotina descrita no captulo 4 que utiliza o algoritmo estimador para modelos racionais
modificado - RME modificado com adio de termos de rudo.

Apndice A

101

Sintaxe:
[xn,xd,num,den,ve,va,xni,xdi,ei] = ratelsr(model1,model2,ruido,u,y,Np,term,N,inc,Prt).
Entradas:
model1
model2
ruido
u
y
Np
term
N

- termos candidatos para o numerador;


- termos candidatos para o denominador;
- modelo para os termos de rudo;
- dados da entrada;
- sada;
- nmero de termos de processo;
- termo do denominador para ser feita a regresso;
- Nmero de interaes para os termos de rudo.

Retorno:
xn
xd
num
den
ve
va
xni
xdi
ei

- coeficientes iniciais no numerador, calculados usando mnimos quadrados;


- coeficientes iniciais do denominador, calculados usando mnimos quadrados;
- modelo final do numerador;
- modelo final do denominador;
- matriz -> [e ydet edet yosa], retorno de ratsm4.m;
- varincia dos resduos;
- matriz com coeficientes do numerador a cada interao;
- matriz com coeficientes do numerador a cada interao;
- resduos a cada interao.

Esta rotina internamente utiliza ratsm4.m para deteco de estrutura e estimao dos
parmetros iniciais. Por isso, o retorno desta funo igual a ratsm4.m, com exceo a xni,
xdi e ei.
ratsm4.m
Retorna um modelo racional identificado a partir de um par de entrada e sada. A seleo de
a estrutura feita pelo algoritmo ERR. Esta rotina no pode ser usada com termos de rudo.

Apndice A

102

Sintaxe:
[xn,xd,num,den,ve,va] = ratsm4(model1,model2,u,y,N,term,inc,Prt).
Parmetros de entrada:
model1
model2
u
y
N
term
inc
Prt

- Conjunto de termos candidatos para o numerador;


- Conjunto de termos candidatos para o denominador;
- Vetor contendo o sinal de entrada;
- Vetor contendo o sinal de sada;
- Numero de termos de processo requerido;
- Termo (do denominador) com o qual a regresso feita;
- Incluso, ou no, de termo constante no modelo final. ('y','n');
- Impresso dos resultados ('c','n').

Retorno:
xn
xd
num
den
ve

va

- Coeficientes do numerador;
- Coeficientes do denominador;
- Modelo final para o numerador;
- Modelo final para o denominador;
- matriz -> [e ydet edet yosa];
e
- Erro na predico de 1 passo a frente;
ydet - predio de yr com k passos a frente usando o modelo identificado;
edet - diferena entre y e yr;
yosa - diferena de y-e;
- Varincia dos resduos.

simodr.m
Simula um modelo MIMO NARMAX a partir de um sinal de entrada e das condies
iniciais.
Sintaxe:
y = simodr(num,den,xn,xd,u,y0,e).

Apndice A

103

Parmetros de entrada
num
den
xn
xd
u
y0
e

- modelo do numerador;
- modelo do denominador;
- coeficientes do numerador;
- coeficientes do denominador;
- dados de entrada;
- condies iniciais;
- rudo.

Retorno:
y

- sada.

O vetor de sada y possui nmero de termos igual ao vetor de entrada u.

Exemplo de utilizao

Na Figura A.2 apresentado um exemplo de uma seqncia de comandos que permiti obter
modelos racionais, usando as rotinas do MATLAB descritas acima.
importante ressaltar que a obteno de modelos exige a escolha de vrios parmetros,
como: grau de no linearidade, nmero de termos de atraso, nmero de termos de processo,
etc, e as rotinas de identificao apenas auxiliam neste processo. A qualidade dos modelos
obtidos estar intimamente ligada com a experincia de quem utiliza estas rotinas e na sua
capacidade de analisar os resultados.

Apndice A

104

Exemplo: Sequncia de comandos em matlab usados para identificao


de modelos racionais.
load example.mat
d=3;
lag=2;
model1=gentm41(d,lag,lag);
model1=gentm41(d,lag,lag);
ruido=gentm41(1,0,0,5)
np=12;
N=4;
ter=[0 0 0];

%Carrega os dados de entrada e sada


%Define o grau de no linearidade
%Define a ordem do modelo
%Gera conjunto de termos candidatos
% para o numerador
%Conjunto de termos candidatos para o
%denominador
%Define termos lineares para o rudo.
%Nmero de termos de processo
%Nmero de interaes
%Define o termo do denominador
para %fazer a regresso.

[xn,xd,num,den,ve,va,xni,xdi,ei]=ratelsr(model1,model2,ruido,u,y,np,ter,N);
[anpr,anno,lag1,any,anu,ane,anewmodel] = get_info(num);
[bnpr,bnno,lag2,bny,bnu,bne,bnewmodel] = get_info(den);
aux=max([lag1 lag2])
ym=simodr(num,den,xni(:,N),xdi(:,N),u,y(1:aux));
k=[1:length(u)]';
figure(1)
plot(k,u,k,y,'-b',k,ym,'.w')

mvt_ts(ei(:Ni),10,4,1);

%Simula o modelo

%Plota a entrada, a sada e a


%predio de k passos a
%frente do modelo.
%Plota a correlao dos
%resduos

f = fix_poir(num,den,xni(:,N),xdi(:,N)) %Calcula os pontos fixos do


%modelo com os parmetros da
%ultima interao
Figura A.2 Seqncia de comandos em Matlab usados para identificao de modelos racionais.

Referncias Bibliogrficas

105

Referncias Bibliogrficas
Abreu, S. D. G. (1993). Avaliao de desempenho de controladores auto-ajustveis.
Dissertao de Mestrado. Programa de Ps-Graduao em Engenharia Eltrica,
Universidade Federal de Minas Gerais.
Aguirre, L.A. (1994) - Some Remarks on Structure Selection For Nonlinear Models Internacional Journal of Bifurcation and Chaos, Vol 4, No 6 1707-1714.
Aguirre, L. A. (1995) The use of identified models in the control of cahotic circuit. In IEEE
Symposiuim on Circuits na Systems, Seatle, U.S.A. 1528-1531.
Aguirre, L.A. e Billings, S.A. (1994a), Validating identification nonlinear models with chaotic
dynamics. International Journal of Bifurcation and Chaos, 4(1):1-9-125.
Aguirre, L.A. e Billings, S.A. (1994b). Discrete reconstruction of strange attractors of Chuas
circuit. International Journal of Bifurcation and Chaos, 4(4):853-864.
Aguirre, L.A. e Billings, S.A. (1995a), Dynamical Effects of Overparametrization in
Nonlinear Models - Physica D 80:26-40.
Aguirre, L.A. e Billings, S.A. (1995b). Improved Structure Selection for Nonlinear Model
Based on Term Clustering - International Journal of Control. Vol 62, no 3, 569-587.
Aguirre, L.A. e Billings, S.A. (1995c) - Dynamical Effects of Overparametrization in
Nonlinear Models - Physica D 80:26-40.
Aguirre, L.A. e Mendes, E.M.A.M. (1996) - Global Nonlinear Polynomila Models: Structure,
Term Clusters and Fixed Points - Internacional Journal of Bifurcation and Chaos, Vol 6, No 2,
279-294.
Aguirre, L.A. e Torres, L.A.B. (1997) "Fixed point stability analysis of Chua's circuit: a case
study with a real circuit" - Journal of Circuits, Systems and Computers,, Vol 7(2):111-115.
Akaike, H., (1974) A new look at statistical model identification. IEE Transations on Automatic
Control. 19,716-723.
Albano, A.M., Passamante, A. e Farrell, M. E. (1991) Using higher-order correlations to
define na embedding window. Physica D54, 85-87.

Referncias Bibliogrficas

106

Billings, S.A. (1980). Identification of Nonlinear Systems - A Survey - IEE Proceedings, Part D,
127(6): 272-285.
Billings, S.A. e Aguirre, L.A. - Effects of the sampling time on the dynamics and
identification of nonlinear models - Internacional Journal of Bifurcation and Chaos, Vol 5, No
6 (1995) 1541-1556.
Billings, S.A. e Chen,S. (1989). Identification of Nonlinear Rational Systems Using a
Prediction-error Estimation Algorithm - International Journal of Control. SCI, Vol 20, no 3,
467-494.
Billings, S.A. e Tao, Q.H. (1991) Model validation tests for nonlinear signal processing
applications, International Journal of Control 54, 157-194.
Billings, S.A. e Voon, W.S.F. (1983) Struture detection and model validity tests in the
identification of nonlinear systems. IEE Proceedings, Part D, 130(4): 193-199.
Billings, S.A. e Voon, W.S.F. (1984). Least squares parameter estimation algorithms for nonlinear systems. International Journal of Systems Science, 15(6):601-615.
Billings, S.A. e Voon, W.S.F. (1986) Correlation based model validity tests for nonlinear
models. International Journal of Control, 44(1):235-244.
Billings, S.A. e Voon, W.S.F. (1986). Correlation of non-linear systems: the NARMAX
model. International Journal of Control, 49(3):1013-1032.
Billings, S.A. e Zhu, Q.M. (1991). Rational Model Identification Using an Extented Leastsquares Algorithm - International Journal of Control. Vol 54, no 3, 529-546.
Billings, S.A. e Zhu, Q.M. (1994). Model validation tests for multivariable non-linear models
including neural networks. Research Report No. 484, Department of Automatic Control
and Systems Engineering, University of Sheffield, U.K.
Billings, S.A. e Zhu, Q.M. (1994). Nonlinear model validation using correlation tests.
International Journal of Control . 60(6):1107-1120.
Billings, S.A., Chen, S. e Korenberg, M.J. (1989) Identification of MIMO systems using a
forward-regression orthogonal estimator. International Journal of Control, 49, 2157-2189.
Billings, S.A., Chen, S. e Korengerg, M.J. (1989). Identification of MIMO nonlinear systems
using a forward-regression orthogonal estimador. International Journal of Control,
49(6):2157-2189.

Referncias Bibliogrficas

107

Blillings, S.A. e Chen (1989). Representation of non-linear systems: the NARMAX model.
International Journal of Systems Science, 15(6):601-615.
Bohlin, T. (1971). On the problem of ambiguities in maximum likelihood identification.
Automatica. &. 199-210.
Box, G.E.P. e Jenkins, G.M. (1976). Time Series Analysis Forescasting and Control (San Francisco;
Hoden-Day).
Braess, D. (1986). Nonlinear Approximation Theory (Berlin: Springer-Verlag).
Casdagli, M., Eubank, S., Farmer, J.D. e Gibson, J. (1991) State space reconstruction in the
presence of noise. Physica D51, 52-89.
Chua, L.O. e Hasler, M. (1993). The genesis of Chuas circuit. Archiv fr Elektronik und
bertragungstechnik, 46(4):250-257.
Chua, L.O., Komuro, M. e Matsumoto, T. (1986). The double scroll family. IEEE
Transactions on Circuits and Systems. Part I, 33(111):1072-1118.
Doebelin, E.O. (1980). System modeling and response - Theorical and experimental approaches. John
Wiley & Sons, Inc.
Fieldler-Ferrara, N., Prado, C.P.C. (1994). Caos, uma introduo. Editora Edgar Blcher Ltda,
So Paulo, Brasil.
Fraser, A.M. (1989) Reconstructing attractors from scalar time series: A comparison of
singular system and redundancy criteria. Physica D34, 391-404.
Freitas U.S. (1996) Desenvolvimento de um Programa de Interface para Aquisio de
Dados. Relatrio de Pesquisa CPDEE/LCPI/02-96, Centro de Pesquisa e
Desenvolvimento em Engenharia Eltrica, Universidade Federal de Minas Gerais.
Glover, J. e Mees, A. (1992). Reconstructing the dynamics of Chuas circuit. Journal of Circuits,
Systems and Computers, 3(1):201-214.
Golub, G.H. e Van Loan, C.F. (1989). Matrix Computations. 2nd Edition, Johns Hopkins,
Lodon.
Goodwin, G.C., e Payne, R.L. (1977) Dynamic System Identification: Experiment Design and Data
Analysis (New Uork: Academic Press).

Referncias Bibliogrficas

108

Gouesbet, G. e Letellier, C. (1993). Global vector-field reconstruction by using a multivariate


polynomial L2 approximation on nets. Phisical Review E. Vol. 49 N.6: 4955-4972.
Grassberger, P. e Procaccia, I. (1983). Measuring the strangeness of strange attractors. Physca
D, 9:189-208
Hartley, T.T. (1989). The Duffing double scroll. In proceedings of American Control
Conference, pages 419-423, Pittsburgh, U.S.A..
Hartley, T.T. e Mossayebi, F. (1993). Control of Chuas circuit. Journal of Circuits, Systems and
Computers, 3(1):173-194.
Holmes, P.J. (1977). Biffurcations to divergence and flutter in flow-induced oscilations: A
finite dimensional anlalysis. Phil. Trans. Roy. Soc. London A292,419-448.
Hougen, J.O. (1972). Measurements and control applications for practicing engineers. Cahners Books,
Massachussets, U.S.A.
Jcome, C.R.F. (1996). Uso de Conhecimento Prvio na Identificao de Modelos
Polinomiais NARMAX. Dissertao de Mestrado PPGEE, Universidade Federal de
Minas Gerais, Belo Horizonte, Brasil, Dezembro, 1996.
Jcome, C.R.F. e Aguirre, L.A (1996). Uso de Tcnicas de Identificao No-Linear na
Modelagem de Vlvulas para Controle de Processos. I Congresso Mineiro de Automao Set/96, 37-41.
Jang, H.K. e Kim, K.J. (1994) - Identification of Loudspeaker Nonlinearities Using the
NARMAX Modeling Technique - J.Audio Eng. Soc., Vol 42, No 1/2.
Jota, F.G. (1995). Comunicao pessoal.
Kadtke, J.B., Brush, J. e Holzfuss, J. (1993). Global dynamical equations and Lyapunov
expoents from noisy chaotic time series, International Journal of Bifurcation and Chaos 3(3),
607-616.
Klamkin, M. P. (1987). Mathematical modeling: Classroom notes in applied mathematics. SIAM,
Philadelphia, U.S.A.
Korenberg, M. J. (1985), Orthogonal identification of nonlinear difference equation models.
Mid. West Symposium onCircuits and Systems, Louisville.

Referncias Bibliogrficas

109

Korenberg, M. J., Billings, S.A., Liu, Y. P. , e McIloy, P. J. (1988). Orthogonal parameter


estimtion algorithm for non-linear stochastic systems. International Journal of Control, 48,
193-210.
Leontaritis, I.J. e Billings, S.A. (1985a). Input-output parametric models for non-linear
systems part I: deterministic non-linear systems. International Journal of Control, 41(2):303328.
Leontaritis, I.J. e Billings, S.A. (1985b). Input-output parametric models for non-linear
systems part II: deterministixc non-linear systems. International Journal of Control,
41(2):329-344.
Leontaritis, I.J. e Billings, S.A. (1987). Experimental design and identifiability for nonlinear
systems. International Journal of Control, 41(2): 329-344.
Letellier, C. e Gouesbest G. (1995). Topological Characterization of a System with HighOrder Symmetries. Phisical Review E., Vol. 52, N.5: 4754-4761.
Ljung, L. (1987). System identification - Theory for the user. Prentice-Hall International, New
Jersey.
Ljung, L. (1994). System identification in a MIC perpective. Modeling, Identification and Control,
Special 15th Anniversary Issue, 15(3): 153-159.
Ljung, L. (1995). System identification. Technical Report. Departament of Eletrical
Engineering, Linkping University, Sweden.
Madan, R.A . (1993). Special issue on Chuas circuit: a paradigm for chaos. Journal of Circuits,
Systems and Computers, 3(1).
Mao, K.Z. e Billings, S.A. (1996). A Regularized Least Squares Algorithm for Nonlinear
Rational Model Identification. Dept of Automatic Control and Systems Engineering,
University of Sheffield. Research Report No: 609.
MathWorks, Inc. (1990). PC-MATLABTM for MS-DOS Personal Computers. Software Users
Guide.
Mendes, E.M.A.M. (1995a). Identification of Nonlinear Discrete Systems with
Intelligent Structure Detection. University of Sheffield, PhD Thesis, September 1995.
Mendes, E.M.A.M. (1995b). Rotinas ratms4 - Rotinas para Identificacao de Modelos
Racionais, FUNREI, 1995.

Referncias Bibliogrficas

110

Norton, J.P., (1986) An Introduction to Identification (London: Academic Press).


Ogata, K (1993) Engenharia de Controle Moderno, Prentice Hall.
Pena, R.T. e Aguirre L.A. (1994). Modelagem Matemtica dos Sistemas Dinmicos. Apostila.
Universidade Federal de Minas Gerais.
Peyton-Jones, J.C. e Billings, S.A. (1989). Recursive algorithm for computing the frequency
response of a class of non-linear difference equation models. International Journal of
Control. 50(5):1925-1940.
Rodrigues, G.G. (1996). Identificao de Sistemas Dinmicos No-Lineares Utilizando
Modelos NARMAX Polinomiais - Aplicao a Sistemas Reais. Dissertao de Mestrado,
PPGEE, Universidade Federal de Minas Gerais, Belo Horizonte, junho 1996.
Rosenstein, M.T., Collins, J.J. and De Luca, C. J. (1993) A pratical method for calculating
largest Lyapunov expoents from small data sets. Physica D 65:117-134.
Torres, L.A.B. e Aguirre, LA. (1995a). Montagem e sintonia de um oscilador catico.
Relatrio de Pesquisa CPDEE/LCPI/02-95, Centro de Pesquisa e Desenvolvimento
em Engenharia Eltrica, Universidade Federal de Minas Gerais.
Torres, L.A.B. e Aguirre, LA. (1995b). PEDINAL - Prottipo para o estudo de dinmica
no-linear. Relatrio de Pesquisa CPDEE/LCPI/03-95, Centro de Pesquisa e
Desenvolvimento em Engenharia Eltrica, Universidade Federal de Minas Gerais.
Vallverdu, M., Korenberg M.J. e Caminal, P. (1992) Model Identification of the Neural
Control of the cardiovascular System Using NARMAX Models - IEEE Conference.
Wadswortth, G.P. e Bryan, J.G. (1974). Application of Probality and Random variables. New
York: Mc Graw-Hill.
Wilks, S., (1962). Mathematical Statistics (New York: Wiley).
Wolf, A., Swift, J.B., Swinney, H.L. e Vastano, J. (1985). Determining Lyapunov expoents
rom a time series. Physica 16D, 285.
Zhu, Q.M. e Billings S.A. (1991). Recursive Parameter Estimation for Nonlinear Rational
Models. J. Syst. Eng. 1:63-76.
Zhu, Q.M. e Billings S.A. (1993). Parameter estimation for stochastic nonlinear rational
models. International Journal of Control. Vol 57, no 2, 309-333.