PROJETO DE GRADUAO 2

Identificao de sistemas dinmicos

lineares mtodos paramtricos e
no paramtricos
Aluno
Marcelo Castro Bittencourt

Banca Examinadora
Profa. Flavia Maria Guerra de Sousa Aranha _______________________________
Oliveira, UnB/ENE (Orientadora)
Prof. Joo Yoshiyuki Ishihara, UnB/ENE

_______________________________

Prof. Llio Ribeiro Soares Jnior, UnB/ENE

______________________________

2 de 76

Dedicatria
Dedico esse meu trabalho s minhas duas meninas, primeiro para minha
esposa Sabrina e depois para minha filha Gabriela, que so presentes que Deus me
deu para alegrar todos os meus dias.
Marcelo Castro Bittencourt

3 de 76

Agradecimentos

Gostaria de agradecer a minha famlia e meus amigos que sempre estiveram

do meu lado esse ltimo ano, me aconselhando e me ajudando a superar todas as
dificuldades que apareceram. Em especial gostaria de agradecer a minha me que
me deu tudo que precisei para chegar at aqui, e aos meus padrinhos de casamento
Anderson e Carol pelos conselhos, pelos puxes de orelha e pelas oraes.
Tambm gostaria de agradecer a minha professora orientadora Flvia Sousa
por toda compreenso e pacincia que teve ao longo desse projeto, e por todo apoio
que me deu para concluir esse trabalho.
Mas acima de tudo quero agradecer a Deus, que a minha rocha, a minha
fora e o meu sustento, agradecer porque Ele at aqui tem me ajudado e tenho
certeza que sempre me ajudar.

4 de 76

NDICE ANALTICO
1.

2.

Introduo ..........................................................................................................10
1.1.

O que Identificao de Sistemas?............................................................10

1.2.

Motivao....................................................................................................11

1.3.

Objetivos. ....................................................................................................12

1.4.

Toolbox de identificao de sistemas para uso com MATLAB....................12

1.5.

Estrutura......................................................................................................13

Reviso dos conceitos tericos da descrio do comportamento de sistemas

dinmicos. .................................................................................................................15

3.

2.1.

Funo de transferncia..............................................................................15

2.2.

Dominncia modal.......................................................................................16

2.3.

Funo de transferncia de 1 ordem .........................................................16

2.4.

Funo de transferncia de 2 ordem .........................................................17

2.5.

Funes de transferncia com atraso puro de tempo .................................18

2.6.

Resposta em freqncia .............................................................................18

2.7.

Representao no espao de estados ........................................................19

Mtodos no paramtricos. ................................................................................21

3.1.

Anlise transitria........................................................................................21

3.1.1.

Reposta ao degrau...............................................................................22

3.1.2.

Resposta ao impulso............................................................................30

3.1.3.

Vantagens e desvantagens [2].............................................................31

3.2.

Anlise de correlao..................................................................................32

3.2.1.
3.3.

Anlise de freqncia..................................................................................40

3.3.1.
3.4.

4.

Propriedades bsicas da anlise de correlao [2]..............................40

Propriedades bsicas da anlise de freqncia [2]..............................41

Anlise espectral.........................................................................................41

3.4.1.

Estimao da funo de transferncia usando a anlise espectral......43

3.4.2.

Propriedades bsicas da anlise espectral [2].....................................47

Mtodos paramtricos. .......................................................................................48

4.1.

Estruturas de modelos paramtricos...........................................................48

4.1.1.

Modelo ARX. ........................................................................................51

4.1.2.

Modelo ARMAX....................................................................................52
5 de 76

5.

4.1.3.

Modelo OE. ..........................................................................................52

4.1.4.

Modelo BJ. ...........................................................................................53

4.1.5.

Modelo espao de estado. ...................................................................54

4.2.

Erro de predio..........................................................................................55

4.3.

Procura interativa pelo mnimo....................................................................56

4.4.

Propriedades do modelo. ............................................................................57

4.4.1.

Qualidade do modelo. ..........................................................................57

4.4.2.

Modelos inadequados. .........................................................................57

Construindo modelos..........................................................................................58
5.1.

Projeto do experimento. ..............................................................................58

5.2.

Escolha da estrutura do modelo..................................................................60

5.2.1.

Comparao de modelos .....................................................................61

5.2.2.

Escolha da ordem do modelo...............................................................62

5.3.

Validao do modelo...................................................................................70

6.

Concluso. .........................................................................................................74

7.

Bibliografia..........................................................................................................76

6 de 76

INDICE DE EXEMPLOS
Exemplo 3-1 Circuito RC. ..........................................................................................23
Exemplo 3-2 Sistema de 2 ordem. ...........................................................................28
Exemplo 3-3 Anlise de correlao usando o MATLAB ............................................35
Exemplo 3-4 Anlise espectral usando o MATLAB. ..................................................44
Exemplo 4-1 Nmero de plos e zeros de modelos discretos...................................50
Exemplo 5-1 teste de cancelamento de plos e zeros [3]. ........................................62
Exemplo 5-2 Escolha da ordem e atraso do modelo .................................................65
Exemplo 5-3 testando os resduos [3] .......................................................................71

7 de 76

Universidade de Braslia
Faculdade de tecnologia
Departamento de Engenharia Eltrica
Engenharia Eltrica

PROJETO DE GRADUAO 2

Identificao de sistemas dinmicos

lineares mtodos paramtricos e
no paramtricos
Aluno
Marcelo Castro Bittencourt
Orientadora
Flvia Maria Guerra de Sousa Aranha Oliveira

Relatrio do Projeto de Graduao

apresentado ao fim do curso de
graduao, como requisito parcial
para

obteno

Engenheiro,

em

do
julho

Universidade de Braslia.

Braslia, julho de 2007.

grau

de

2007

na

RESUMO
A identificao de sistemas uma ferramenta para se obter modelos de
sistemas a partir de dados de entrada e sada. Ela se torna muito til em casos que
o sistema muito complexo e fica muito difcil de se determinar um modelo a partir
leis fsicas conhecidas.
O modelo obtido no necessariamente um modelo analtico, como por
exemplo, nos mtodos no paramtricos, onde o resultado normalmente obtido em
forma de grficos que do uma boa noo do comportamento dinmico do sistema.
J nos mtodos paramtricos, o resultado obtido um vetor de parmetros de
estruturas de modelos previamente definidas. Geralmente, vrios modelos so
estimados e uma comparao entre eles deve ser feita para se escolher qual deles
ser usado.
O presente estudo tem como objetivo auxiliar a implementao de um
curso prtico sobre identificao de sistemas na graduao de Engenharia Eltrica
da UnB e para isso so apresentados os mtodos da anlise transitria, anlise de
correlao, anlise de freqncia e anlise espectral, que so classificados como
mtodos de identificao no paramtricos, e implementados exemplos que
demonstram suas caractersticas como, por exemplo, a sensibilidade ao rudo. So
apresentadas tambm as estruturas de modelos paramtricos mais citadas na
literatura e alguns mtodos de estimao de seus parmetros. Por ultimo, so
discutidas questes prticas encontradas no processo de identificao de sistemas
como, por exemplo, a escolha do sinal de entrada, a escolha da ordem do modelo e
a validao do modelo estimado.

Palavras-chave: mtodos paramtricos; mtodos no paramtricos; anlise

transitria; anlise de correlao; anlise de freqncia; anlise espectral; modelos
ARX, ARMAX, OE, BJ e espao de estados; e anlise residual..

8 de 76

ABSTRACT
System identification can be defined as the application of a set of
techniques with the objective to build models of a dynamic system based on
measured data. It is very useful in cases in which the system function is difficult to
describe by known physical laws.
The model obtained is not necessarily a mathematical model. In some
methods, like the nonparametric ones, the result is a graph that cannot be used for
simulation directly, but gives an insight into the behavior of the system. Other
methods such as parametric identification are techniques to estimate parameters in
given model structures. Basically, it is matter of finding (by numerical search) the
numerical values of the parameters that give the best agreement between the
models (simulated or predicted) output and the measured one. This study presents
nonparametric methods like transient analysis, correlation analysis, frequency
analysis and spectral analysis. Those methods are considered in some examples to
show their characteristics. Many commom parametric model structures are also
presented as well as techniques to estimate their parameters. Finally, some practical
aspects are considered such as the choice of input signal, choice of the model
structure and model validation.
Key-words: parametric methods; nonparametric methods; transitory analysis;
correlation analysis; frequency analysis; spectral analysis; models ARX, ARMAX,
OE, BJ and state- space; and residual analysis.

9 de 76

1. Introduo
1.1.

O que Identificao de Sistemas?

O processo de identificao de sistemas consiste na construo de

modelos de sistemas dinmicos baseado em dados medidos [5]. Esse modelo pode
ser usado para: obter uma noo do comportamento do sistema, predio, controle,
estimao do estado, simulao, etc. [3]. Modelos matemticos constituem um
eficiente mecanismo para resumir o conhecimento acerca de um processo ou
sistema [8].
Em termos gerais, pode-se realizar a identificao de um sistema
excitando-o com um determinado sinal de entrada e observando suas sadas. O
primeiro passo escolher um modelo apropriado e ento usar algum mtodo para
estimar os parmetros desconhecidos do sistema. Na prtica, a estimao da
estrutura e dos parmetros do modelo feita de forma interativa. O modelo obtido
testado e se no for aceito uma estrutura mais complexa escolhida [4]. Os modelos
assim gerados podem ser utilizados para inferir propriedades dinmicas e
estatsticas do sistema original [9].
Os mtodos no paramtricos so assim classificados por seus
resultados no serem um vetor de parmetros. Geralmente eles so tabelas ou
grficos que representam o comportamento do sistema. Por exemplo, se o mtodo
da anlise freqncia for aplicado em um sistema com funo de transferncia

G( s)

s 2
s2 1 1

, o resultado ser o grfico mostrado na figura 1-1.

10 de 76

figura 1-1diagrama de bode do sistema G ( s )

s 2
s

1 1

Esse resultado mostra o comportamento do sistema para diversas

freqncias, porm no pode ser usado diretamente para simulao. J os mtodos
paramtricos estimam parmetros de modelos discretos predefinidos. Por exemplo,
um modelo ARX de segunda ordem obtido a partir de dados de entrada e sada de
um sistema com funo de transferncia G ( s)

y (t ) 1,625 y (t 1) 0,7962 y (t 2)

8
s

s 4

0,01497u (t 1) 0,3079u (t 2) e(t ) ,

(1-1)

onde y (t ) a sada , u (t ) a entrada e e(t ) representa o sinal de rudo.

1.2.

Motivao

Nem sempre possvel modelar um sistema a partir de princpios bsicos.

s vezes, algumas variveis no so conhecidas ou observveis ou ento, o sistema
11 de 76

 to complexo que fica muito difcil determinar suas caractersticas atravs de leis
fsicas conhecidas.
Assim, em muitos casos torna-se necessrio usar dados experimentais
para construir o modelo do sistema. Esses dados so variveis do sistema como
entrada, sada e possveis perturbaes. Com esses dados pode-se entender como
o sistema funciona, como as entradas alteram as sadas ou ento determinar alguns
parmetros desconhecidos de um modelo [2].

1.3.

Objetivos.
O objetivo desse trabalho realizar um estudo de mtodos no-

paramtricos e paramtricos de identificao de sistemas dinmicos lineares. A

abordagem adotada procura ressaltar vantagens e desvantagens de cada mtodo
estudado, e inclui a implementao de diversos exemplos ilustrativos das tcnicas
descritas. A escolha desta abordagem deve-se proposta deste trabalho servir
como um esforo inicial na implementao de um curso prtico sobre identificao
de sistemas dinmicos no curso de graduao de Engenharia Eltrica da
Universidade de Braslia. Neste trabalho ser utilizado o toolbox de Identificao de
Sistemas do programa Matlab.

1.4.

Toolbox de identificao de sistemas para uso com

MATLAB.
O toolbox de identificao de sistemas do MATLAB desenvolvido por
Ljung tem uma interface grfica (GUI) que cobre a maioria das funes do toolbox. O
GUI pode ser inicializado com o comando ident na linha de comando do MATLAB e
apresenta o aspecto mostrado na figura 1-2.
importado pelo popup-menu

O conjunto de dados pode ser

Data e processados com popup-menu Preprocess.

Cada conjunto de dados importado e cada processamento dos dados so

representados por um cone, pode-se escolher qual conjunto de dados ser usado
para trabalho e qual ser usado para validao arrastando o seu cone para os
campos Working Data e Validation Data respectivamente. Pode-se visualizar o
conjunto de dados ou seu espectro marcando os itens time plot e data espectra.

12 de 76

figura 1-2 interface grfica do usurio (GUI) do toolbox de indetificao do MATLAB

Os modelos podem ser importados pelo popup-menu Models ou

estimados pelo popup-menu Estimate. Cada modelo estimado ou importado
representado por um cone e pode ser detalhado com um clique do boto direito do
mouse. Pelo item Model output uma comparao entre os modelos feita pelo
mtodo de erro de predio, no item Model resids feita a anlise residual de cada
modelo selecionado e ainda pode-se obter a resposta transitria, a resposta em
freqncia, o diagrama de plos e zeros e o espectro do rudo marcando seu
respectivo item sobre o menu Model Views.

1.5.

Estrutura.
Esse trabalho est divido nos seguintes captulos:

1.

Introduo: Neste captulo introduzido o tema do trabalho, junto com a

motivao e objetivos do mesmo.

2.

Reviso dos conceitos tericos da descrio do comportamento de

sistemas dinmicos lineares: Aqui so apresentados de forma resumida
conceitos importantes para o entendimento do trabalho.
13 de 76

3.

Mtodos no paramtricos: Neste captulo so apresentados os mtodos no

paramtricos mais importantes: anlise transitria, anlise de correlao,
anlise de freqncia e anlise espectral.

4.

Mtodos paramtricos: Neste captulo so apresentadas estruturas de

modelos paramtricos comumente utilizadas na literatura e os mtodos de
estimao desses parmetros.

5.

Construindo modelos: Aqui so discutidos aspectos prticos para a

modelagem de sistemas como a escolha da entrada, a escolha o tempo de
amostragem, a escolha da ordem e atraso do modelo e a validao de
modelos.

14 de 76

2. Reviso dos conceitos tericos da descrio

do comportamento de sistemas dinmicos.

2.1.

Funo de transferncia

Para modelar o comportamento dinmico de um sistema pode-se utilizar

uma funo de transferncia, que descreve como uma entrada altera a sada de um
sistema para condies iniciais nulas.
A funo de transferncia por definio a transformada de Laplace da
sada divida pela transformada de Laplace da entrada, para condies iniciais nulas.
Assim, elas normalmente so representadas como a razo de dois polinmios em s.

N ( s)
D( s)

H ( s)

b0

b1 s ... bq s q

a0

a1 s ... a n s

(2-1)

A equao (2-1) H(s) uma representao comum de uma funo de

transferncia sendo que os zeros de H(s) so os zeros de N(s) e os plos de H(s)
so os zeros de D(s).
Para cada plo pi de H(s) tem-se que seu resduo definido como:
Ji

H ( s )(s

pi ) | s

pi .

(2-2)

Com os resduos pode-se decompor a funo de transferncia em fraes

parciais:
15 de 76

J1
s p1

H ( s)

J2
s p2

...

Jn
.
s pn

(2-3)

No entanto, deve ser ressaltado que a equao (2-3) s vlida se todos

os plos forem de multiplicidade igual 1. Pode-se obter uma equao similar para
plos de multiplicidade maior do que 1 [1].

2.2.

Dominncia modal
Num sistema de ordem elevada bem provvel que alguns modos sejam

mais importantes para descrever o comportamento do sistema que outros. Tais

modos so chamados modos dominantes.
Um procedimento comumente utilizado para se verificar a dominncia
modal observar a relao entre as constantes de tempo do sistema. Se, por
exemplo, uma constante de tempo
tempo

2.3.

ento o modo

J2

( 2 s 1)

for 10 vezes maior que uma constante de

pode, em princpio, ser desprezado [1].

Funo de transferncia de 1 ordem

Considere a funo de transferncia de primeira ordem:

H ( s)

k
s 1

(2-4)

Nesta equao, k o ganho em regime e

a constante de tempo. A

resposta ao impulso da funo (2-4) pode ser obtida aplicando a transformada

inversa da transformada de Laplace, assim:

h( t )

L 1{H ( s )}

, t

0.

(2-5)

16 de 76

Para modelar esse sistema usando apenas dados de entrada e dados de

sada, uma alternativa aplicar um sinal degrau na entrada e analisar sua sada. O
valor de regime ser o valor do parmetro k e o tempo em que a sada atinge 63%
do valor regime ser o valor de

2.4.

1.

Funo de transferncia de 2 ordem

Considere a funo de transferncia de 2 ordem padro:

H ( s)

s2

wn 2

2 wn s wn 2

(2-6)

Nessa funo a freqncia natural no amortecida wn e o quociente de

amortecimento

so os parmetros que determinam as caractersticas dinmicas

do sistema.
Dependendo do valor do coeficiente de amortecimento, a resposta
temporal do sistema pode ser classificada como subamortecido ( 0< <1),
criticamente amortecido ( =1) ou sobreamortecido ( >1).
As caractersticas de um sistema de segunda ordem normalmente so
definidas em termos das caractersticas de sua resposta ao degrau. Essas
caractersticas so: tempo de subida tr (normalmente o tempo em que resposta
passa de 10% a 90%), tempo de estabilizao t s (tempo em que a resposta
permanece dentro de uma certa porcentagem de seu valor final, normalmente de
5% ou 2%), tempo de pico t p (tempo em que resposta atinge o sobre-sinal mximo)
e o sobre-sinal mximo.

17 de 76

2.5.

Funes de transferncia com atraso puro de tempo

importante estudar a modelagem matemtica de um sistema com atraso

puro de tempo porque atrasos tm o efeito de desestabilizar malhas de controle.

Atrasar uma funo temporal de

unidades de tempo representado, no

domnio de Laplace, multiplicando a transformada da funo por e

Fa ( s )

ds

.F ( s ) ,

onde Fa a transformada da funo f(t-

ds

[1].

(2-7)

). Porm e

ds

no pode ser expresso

com uma razo de polinmios em s. Para representar a funo exponencial no

domnio-s, pode-se utilizar a aproximao de Pad.

ds

Rn( s )

Qn(
Qn(

d s)
d s)

(2-8)

sendo:

Qn(s )

n
j 0

2.6.

(n j )!
(
j!(n j )!

d s)

n j

(2-9)

Resposta em freqncia
Estudar a reposta em freqncia de um sistema verificar como tal

sistema responde a sinais de diferentes freqncias.

A resposta em regime permanente senoidal no domnio da freqncia
pode ser obtida a partir da funo de transferncia H(s), trocando-se a varivel s
por j . Neste domnio, a reposta em freqncia H(j ) um nmero complexo e
pode-se express-lo em termos de seu mdulo e fase [1].

18 de 76

Para cada freqncia de excitao, o sistema amplificar (ou atenuar) o

sinal e o defasar com relao entrada de forma diferente. Essa informao
representada de forma concisa nos diagramas de Bode [1].
O diagrama de Bode em mdulo analisa como o mdulo em dB, dado por

20 log | H ( j ) | , varia com a freqncia

determinado a partir de

tan

. O diagrama de Bode de fase pode ser

Im[ H ( j )]
Re[ H ( j )]

para cada valor de freqncia de

interesse.

2.7.

Representao no espao de estados

A representao no espao de estados normalmente utilizada para

modelar relaes entre variveis internas ao sistema, e um modelo matemtico

que permite a anlise mais direta da influncia de mltiplas entradas e modos
internos em uma ou mais sadas do sistema [1]. Esse tipo de representao mais
conveniente para representar sistemas no lineares e multivariveis do que a funo
de transferncia.

x
y

Ax Bu
.
Cx Du

(2-10)

Na equao de espao de estados (2-10), x representa a varivel de

estado, u representa a entrada e y representa a sada. Para uma representao
com p entradas, q sadas e n estados, a matriz A( n
atuais afetam na variao dos mesmos, B( n
variao dos estados, C ( q
diretamente a sada e D( q

n)

p)

p)

n)

representa como os estados

indica a influncia das entradas na

a matriz que representa como os estados afetam

coma as entradas afetam diretamente a sada.

Existe uma relao direta entre o modelo em espao de estados e a

funo de transferncia de um sistema. importante observar, no entanto, que,
enquanto um sistema possui uma nica representao em termos de sua funo de
transferncia, este mesmo sistema possui inmeras representaes em variveis de
19 de 76

estado, dependendo de que variveis de estado so escolhidas. Para um caso

comum onde D=0 obtm-se:

H ( s)

C (sI

A) 1 B .

(2-11)

20 de 76

3. Mtodos no paramtricos.
Os mtodos no paramtricos so caracterizados por seus resultados
serem curvas ou tabelas que no so necessariamente parametrizados por um vetor
de parmetros [4]. Por exemplo, o resultado da anlise espectral o diagrama de
Bode do sistema.
Geralmente eles so fceis de serem aplicados, mas no geram modelos
muito precisos. Para modelos mais precisos costuma-se usar os mtodos
paramtricos de identificao. Mesmo assim, mtodos no paramtricos podem ser
usados para se obter um primeiro modelo bsico do sistema, o qual dar
importantes informaes para aplicao dos mtodos paramtricos [4].

3.1.

Anlise transitria.
Segundo Ljung [2] a anlise transitria serve como uma fase de

estruturao do processo de identificao, obtendo uma noo de como o sistema

funciona. J segundo Sderstrm [4] com a anlise transitria pode-se obter tambm
modelos de baixa ordem o que j suficiente para alguns casos.
Uma maneira de fazer a anlise transitria analisando a resposta ao
degrau do sistema. Com ela pode-se descobrir:
As variveis que so afetadas pela entrada em questo. Com isso fica
mais fcil desenhar o diagrama de blocos do sistema e decidir quais influncias
podem ser desconsideradas.
As constantes de tempo do sistema.
As caractersticas da resposta ao degrau (oscilatria, rampa,...) e o
ganho em regime.
Essas caractersticas iro ajudar tanto na escolha do modelo paramtrico
como na validao do modelo achado.
21 de 76

Outra maneira utilizando a reposta ao impulso. Em sistemas lineares

invariantes no tempo (LIT) a resposta ao impulso uma caracterstica
importantssima. Ela permite calcular a sada do sistema para qualquer sinal de
entrada, atravs da convoluo deste com a resposta ao impulso do sistema. Alm
disso, analisando-se a resposta ao impulso deste tipo de sistema, pode-se
caracteriz-lo completamente [6].

3.1.1. Reposta ao degrau.

Aplicando em um sistema um sinal degrau como entrada e analisando sua
sada pode-se obter modelos de baixa ordem como 1 e 2 ordem.
1 ordem:
Considere um sistema com a seguinte funo de transferncia:

G( s)

K
e
1 sT

(3-1)

Essa funo de transferncia uma tpica funo de transferncia de um

sistema de 1 ordem, onde K o ganho DC, T a constante de tempo e

atraso.
A resposta ao degrau desse sistema dada pela figura 3-1:

22 de 76

figura 3-1 Reposta ao degrau de um sistema de 1 ordem

Analisando a resposta ao degrau o valor de regime ser o ganho DC K e

o valor de T e

podem ser definidos traando a tangente mais inclinada da curva

como mostrado na figura 3-1[4].

Exemplo 3-1 Circuito RC.

Considere o circuito RC da figura 3-2. Se a sada desse circuito for a

tenso sobre o capacitor, a funo de transferncia desse sistema ser:

G( s)

1
.
1 sRC

(3-2)

23 de 76

figura 3-2 circuito RC

Se os valores de R e C forem 100 k

e 1 F, respectivamente, e

aplicando na entrada um sinal degrau unitrio, sua sada ser como representado na
figura 3-3 :

figura 3-3 reposta ao degrau do circuito RC.

Para estimar os parmetros K , T e

da equao (3-1), traa-se a

tangente mais inclinada da resposta ao degrau como na figura 3-4.

24 de 76

figura 3-4 tangente da reposta ao degrau do circuito RC

A partir dessa figura o valor de K igual 1, o valor de T igual 0,1 e o

valor de

igual zero, como era esperado. Repetindo o mesmo experimento,

porm simulando um rudo na sada com varincia 0,001 obtm-se:

figura 3-5 Linha slida: verdadeira resposta ao degrau. Trasejada: reposta ao degrau com rudo.

Na figura 3-5 pode-se observar que mesmo com um pequeno rudo j fica
difcil estimar os parmetros com uma boa preciso.
2 ordem
25 de 76

Considere agora um sistema de segunda ordem com a seguinte funo

de transferncia:

G( s)

Kw0 2
s2

2 w0 s

w0 2

(3-3)

onde K o ganho, w0 a freqncia natural de oscilao no amortecida e

coeficiente de amortecimento. No domnio do tempo o sistema da equao (3-3)

descrito como:

dy
dt

2 w0

dy
dt

w0 y

Kw0 u .

(3-4)

A reposta ao degrau unitrio desse sistema dada por [4]:

y (t )

K [1

1
1

w0t

sen( w0 1

t arccos )] , t

0 ,

(3-5)

que pode ser ilustrado pela figura 3-6.

26 de 76

figura 3-6 Resposta ao degrau de um sistema de 2 ordem para diferentes valores de

Analisando a figura 3-6, fica clara a influncia do coeficiente de

amortecimento. Dependendo de seu valor, o sistema pode ser classificado como
subamortecido ( 0< <1), criticamente amortecido ( =1) ou sobreamortecido ( >1).
J os fatores K e w0 so apenas fatores de escala, o ganho K escalona o eixo da
amplitude enquanto w0 escalona o eixo do tempo [4].
A determinao dos parmetros K , w0 e

pode ser feita analisando os

pontos de mximo e mnimo locais da resposta ao degrau do sistema. A partir da

equao (3-5, pode-se mostrar que os pontos de mximo ocorrem em [4]:

tk

w0 1

1,2,3...

(3-6)

Esses valores de pico podem ser definidos como [4]:

K [1 ( 1) k M k ] ,

y (t k )

(3-7)

onde M o valor de sobre-sinal e definido como [4]:

M

exp[

] .

Com essas relaes os trs parmetros K ,

(3-8)

e w0 podem ser

determinados. O valor de K ser o valor de regime. O valor do sobre-sinal M pode

ser achado com o valor do primeiro pico y (t1 ) da seguinte forma:

y (t1 )
1.
K

Uma vez determinado o valor de sobre-sinal, o valor de

(3-9)

obtido a partir

da equao (3-8 como:

27 de 76

ln M
[ (ln M )]1 / 2

(3-10)

Para determinar o valor de w0 usa-se o perodo de oscilao, que de

acordo com equao (3-5) dado por [4]:

2
w0 1

(3-11)

Ento w0 ser:

w0

2
T 1

2
[ (ln M )]1 / 2 .
T

(3-12)

Exemplo 3-2 Sistema de 2 ordem.

Considere um sistema de 2 de ordem com a seguinte funo de
transferncia:

H ( s)

8
.
s 0,4 s 4

(3-13)

De acordo com a equao (3-3) esse sistema tem o valor de K igual a

2, o valor de w0 igual a 2 rad/s e o valor de

igual 0,1.

Simulando este sistema no MATLAB obtm-se a seguinte resposta ao

degrau unitrio:

28 de 76

figura 3-7 resposta ao degrau do sistema de 2 ordem.

Da figura 3-7, o valor de K 2 o valor do primeiro pico y (t k1 ) 3,46 e

o perodo T de 3,1 segundos. Assim, a partir da equao (3-9) o valor de sobresinal M igual a 0,73 ou 73%, com a equao (3-10) obtm-se o valor do coeficiente
de amortecimento

igual a 0,1018 e o valor da freqncia natural de oscilao w0 a

partir da equao (3-12) 1,9943 rad/s ou aproximadamente 2 rad/s.

Repetindo o mesmo exemplo, porm acrescentando um rudo com
varincia 0,001 na sada obtm-se:

figura 3-8 Linha slida: resposta ao degrau verdadeira. Tracejada: reposta ao degrau com rudo.

29 de 76

Pode-se ver que mesmo com um pequeno rudo fica difcil de obter os
parmetros do sistema com uma boa preciso.

3.1.2. Resposta ao impulso

A resposta ao impulso tem um resultado muito interessante. Se for
colocado um impulso ( (t ) ) como entrada de um sistema, obter-se- na sua sada a
funo de ponderao cuja transformada de Laplace equivale funo de
transferncia do sistema. Isso porque a transformada de um impulso igual a 1.
Considere um sistema com funo de transferncia G(s):

G( s)

Y (s )
.
U ( s)

(3-14)

Se a entrada u(t) desse sistema for um impulso, ento U ( s) ser igual a 1

e assim:
G( s)

Y (s)
.
1

(3-15)

Como dito anteriormente, a resposta de um sistema y (t ) a uma certa

entrada x(t ) pode ser obtida pela convoluo da reposta ao impulso h(t ) por x(t ) .
Matematicamente pode-se escrever essa convoluo por [7]:

y (t )

x (t ) * h (t ) .

(3-16)

Considere que um sistema tem a resposta ao impulso mostrado na figura

3-9.

30 de 76

Sistema
Linear

figura 3-9 resposta ao impulso de um sistema linear (figura retirada de The Scientist and Engineer's
Guide to Digital Signal Processing [7].)

A figura 3-10 mostra como a convoluo vista pelo lado da entrada. O

sinal de entrada dividido em colunas estreitas, pequenas o suficiente para atuarem
como impulsos no sistema. Cada uma dessas colunas produz uma escalada e
defasada verso da resposta ao impulso do sistema [7].

Sistema
Linear

figura 3-10 convoluo vista do lado da entrada (figura retirada de The Scientist and Engineer's Guide
to Digital Signal Processing [7]).

O problema que um impulso no pode ser realizado na prtica. Uma

aceitvel aproximao seria um pulso de pequena durao, se a durao desse
pulso for pequena, comparada com as constantes de tempo desse sistema, a
distoro introduzida pode ser desconsiderada [4].

3.1.3. Vantagens e desvantagens [2].

A anlise transitria um excelente mtodo para se obter uma noo da
relao de efeito e causa entre as entradas e sadas, atrasos, constantes
de tempo, e o ganho esttico.
provavelmente o mtodo de identificao mais utilizado na indstria.
31 de 76

Devido a limites prticos da amplitude da entrada, junto com rudos e erros

de medida, muito difcil se obter bons modelos com uma boa preciso.

3.2.

Anlise de correlao.
Com a anlise de correlao pode-se determinar a resposta ao impulso

sem necessariamente utilizar um impulso como entrada. Considere um sistema com

reposta ao impulso { g k } [2]:

y (t )
k 0

g k u (t

k ) v (t ) ,

(3-17)

onde v(t ) o rudo. Se a entrada for um sinal realizado por um processo estocstico
com mdia zero e funo de covarincia Ru ( ) [2]:

Ru ( )

),

Eu(t )u (t

(3-18)

e assumindo que u (t ) e v(t ) so independentes, a funo de covarincia cruzada

entre u (t ) e y (t ) ser [2]:

R yu ( )

Ey(t )u (t

Ev(t )u (t

)
k 0

)
k 0

g k Ru (

g k Eu (t

k )u (t

)
(3-19)

k)

Se a entrada for um rudo branco [2]:

32 de 76

Ru ( )

0,

(3-20)

e ento:

R yu ( )

g .

(3-21)

A funo de covarincia cruzada R yu ( ) ser proporcional resposta ao

impulso e pode-se estim-la a partir de dados medidos de entrada e sada [2]:

N
R yu
( )

1
N

y (t )u (t

),

(3-22)

t 1

assim a reposta ao impulso estimada ser:

g N

1 N
R yu ( ) .

(3-23)

Segundo Sderstrm [4] a anlise de correlao baseada em se ter um

rudo branco como entrada, porm como um rudo branco no exatamente
realizvel (por ter uma largura de banda infinita) Moscinski [3] prope que se use
uma seqncia binrio pseudo-randmica (PRBS) por ter uma funo de autocorrelao similar com o rudo branco. J Ljung [2] diz que se a entrada no for um
rudo branco, possvel estimar a funo R uN ( ) como na equao (3-22) e depois
obter g k da equao (3-19). Entretanto, Ljung [2] recomenda passar a entrada e a
sada por um filtro L(q) .
33 de 76

y F (t )

L ( q ) y (t )

u F (t )

L(q )u (t )

(3-24)

Os sinais filtrados continuaro se relacionando pela mesma reposta ao

impulso da equao (3-17) [2]:

y F (t )

k 1

g k u F (t

k ) v F (t ) .

(3-25)

Se L(q) for um filtro que torne o sinal u F o mais branco possvel, pode-se
estimar a reposta ao impulso a partir da equao (3-23 [2].
Resumindo, a anlise de correlao pode ser feita pelo seguinte algoritmo
[2]:
1.

Colete os dados y (k ), u (k ) , k

2.

Subtraia a mdia de cada sinal:

y (k )

3.

y (k )

y (t )

x (k )

t 1

x( k )

1
N

x (t ) .

(3-26)

t 1

Filtre os sinais:

y F (t )

4.

1
N

1,..., N .

L ( q ) y (t )

Estime as funes:

u F (t )

L(q)u (t )

(3-27)

34 de 76

1
N

R yN u ( )
F F

5.

N
t 1

1
N

y F (t )u F (t

)
(3-28)

N
t 1

u F2 (t )

A reposta ao impulso ser dada pela equao 3-29:

R yN u ( )
F F

(3-29)

Exemplo 3-3 Anlise de correlao usando o MATLAB

Considere um sistema com a seguinte funo de transferncia:

G( s)

s 2
.
s s 1

(3-30)

Simulando esse sistema usando o simulink do MATLAB de acordo com a

figura 3-11, alterando os parmetros da simulao para passo fixo com intervalo de
0,3 e colocando um rudo branco limitado em banda com amplitude 1 e intervalo de
amostragem de 0,3 segundos, obtm-se os dados de entrada e sada mostrados na
figura 3-12.

figura 3-11 Sistema simulado com simulink.

35 de 76

figura 3-12 Dados de entrada e sada coletados.

Para realizar a anlise de correlao a partir desses dados, pode-se usar

o toolbox de identificao do MATLAB desenvolvido por Ljung. Colocando ident na
linha comando abre-se a interface grfica do usurio GUI como na.figura 3-13.

figura 3-13 interface grfica do usurio GUI.

36 de 76

Para importar os dados coletados selecione import no pop-up menu Data,

na janela que se abre escolha a entrada e sada que devem estar disponveis no
Workspace, e informe o nome dos dados, o tempo inicial e o intervalo de
amostragem para uma correta escala nos grficos que sero produzidos.
Para mostrar os dados importados seleciona-se o item time plot e um
grfico se abre como na figura 3-12. No pop-up menu Preprocess pode-se trabalhar
com os dados coletados como remover a mdia, filtrar, selecionar apenas uma parte,
entre outros. J no pop-up menu Estimate pode-se estimar a anlise de correlao,
a anlise espectral e tambm modelos paramtricos.
A anlise de correlao do GUI estima tanto a resposta ao impulso como
a resposta ao degrau do sistema, pode-se alternar entre uma e outra no menu
options da figura da resposta transitria. A reposta ao impulso estimada do sistema
(3-30) dada na figura 3-14 e a resposta ao degrau na figura 3-15.

figura 3-14 Resposta ao impulso estimada.

37 de 76

figura 3-15 Resposta ao degrau estimada.

Repetindo o mesmo experimento, porm simulando no sistema um rudo

na sada com varincia 0,01 como na figura 3-16, obtm-se as repostas ao impulso e
ao degrau mostradas nas figura 3-17 e figura 3-18 respectivamente.

figura 3-16 Sistema com rudo simulado com simulink

38 de 76

figura 3-17 Resposta ao impulso estimada com rudo.

figura 3-18 Resposta ao degrau estimada com rudo.

Com isso pode-se concluir que a anlise de correlao menos sensvel

ao rudo do que a anlise transitria.
39 de 76

3.2.1. Propriedades bsicas da anlise de correlao [2].

Como a anlise transitria, obtm-se uma boa noo das constantes de
tempo e dos atrasos do sistema.
Nenhuma entrada especial necessria e um sinal com baixa relao sinal
rudo pode ser compensada aumentando-se o nmero de amostras.
O resultado uma tabela ou grfico que no pode ser usada diretamente
para simulao.
A anlise correlao assume que a entrada no correlacionada com o rudo.
Assim ela no funcionar bem para dados medidos de sistema com
realimentao.

3.3.

Anlise de freqncia
Um sistema linear pode ser determinado por sua resposta ao impulso ou

por sua resposta em freqncia G ( jw) . Enquanto a anlise transitria e de

correlao estimam a resposta ao impulso, a anlise em freqncia estima a
resposta em freqncia do sistema [2].
Considere um sistema com funo de transferncia G ( jw) e com a
seguinte entrada u (t ) :

u (t )

u 0 cos wt ,

(3-31)

se o sistema for linear, sua sada aps efeito transitrio ser:

y (t )

y 0 cos( wt

).

O nmero complexo G ( jw) ter seu mdulo definido por

por

(3-32)

y0

u0

e seu ngulo

.
40 de 76

Aplicando no sistema uma entrada como na equao (3-31 com uma

freqncia w1 e medindo na sada y 0 e

possvel determinar G ( jw1 ) . Repetindo

o mesmo processo para diferentes valores de w pode-se obter uma boa estimativa
da funo G ( jw) . Esse mtodo chamado de anlise de freqncia [2].

3.3.1. Propriedades bsicas da anlise de freqncia [2].

fcil de usar e no necessita de complicados processamentos dos
dados.
fcil de concentrar em freqncias de interesse.
O resultado uma tabela ou grfico que no pode ser usado diretamente
para simulao.
necessrio um longo perodo de experimentao, que em muitos casos,
especialmente em processos industriais, no possvel.

3.4.

Anlise espectral.
Para se construir um modelo a partir da observao de sinais, essencial

estar apto para estimar o espectro de dados amostrados. O espectro de um sinal

contm informaes sobre as suas componentes de freqncia e pode ser definido
como o quadrado do valor absoluto da transformada de Fourier do sinal [2].
Baseado nessa definio natural estimar o espectro como [2]:

1
| U N ( w) | 2 ,
N

N ( w)

(3-33)

onde:

U N ( w)

N
k 1

u (kT )e

jwkT

(3-34)

41 de 76

Essa estimao chamada de periodograma, um problema que essa

estimao tem uma grande variabilidade para se ter uma boa resoluo em
freqncia veja, por exemplo, a figura 3-19. Um mtodo usado para suavizar a
estimao do espectro o mtodo de Blackmam-Tukey [2].

figura 3-19 Periodograma dos dados da figura 3-12.

Com esse mtodo a estimao do espectro pode ser escrita como [2]:

(w)
N

w (k ) R uN (k )e

jwk

(3-35)

onde w (k ) a janela de tempo, o tamanho da janela e

R uN (k )

1
N

u (t

k )u (t ) .

(3-36)

t 1

42 de 76

As janelas mais descritas na literatura so [4]:

w2 ( k )

w3 (k )

1
0

w1 (k )
1

k
1
(1 cos( )
2
0

(3-37)

k
k

A janela w1 (k ) chamada retangular, w2 (k ) atribuda a Bartlett, e

w3 (k ) a Hamming e Tukey [4]. Segundo Ljung [2] a janela normalmente usada na

anlise espectral a janela de Hamming, e em resumo, a conseqncia dessa

janela :
A resoluo

em freqncia

(w)
N

de

aproximadamente

radianos/tempo de amostragem.
A varincia de N (w)

u ( w))

Assim a escolha da janela no nada trivial e se torna uma troca entra a

resoluo de freqncia e a varincia (variabilidade). Para um espectro com grandes
picos necessrio utilizar um elevado valor de

e aceitar uma maior variabilidade.

J para um espectro mais suave, pode-se escolher valores menores de

Um valor

de tpico para um espectro sem grandes picos por volta de 20 a 30 [2].

3.4.1. Estimao da funo de transferncia usando a anlise

espectral.
Para obter a funo de transferncia usando a anlise espectral pode-se
seguir o seguinte algoritmo, chamado por Ljung [2] de SPA (spectral analysis):
1. Colete os dados y (k ) , u (k ) k

1...N e subtraia a mdia das amostras.

43 de 76

2. Escolha a janela w (k ) e a sua largura

N
(k ) para k
3. Estime R yN (k ) , R uN (k ) e R yu

de acordo com a equao (3-36.

N
4. Estime os espectros yN , uN e yu
de acordo com equao (3-35.

5. A funo de transferncia G N ( jw) ser:

G N ( jw)

N ( w)
yu
N (w)
u

(3-38)

Exemplo 3-4 Anlise espectral usando o MATLAB.

Considere agora o mesmo sistema do Exemplo 3-3 sem a adio do rudo
na sada. O seu diagrama de Bode est apresentado na figura 3-20. Ao selecionar
spectral model no pop-up menu Estimate abre-se uma janela para escolher o
tamanho

da janela de tempo w (k ) . As figuras figura 3-21, figura 3-22, figura 3-23

e figura 3-24 mostram o efeito da escolha de

figura 3-20 diagrama de Bode do sistema.

44 de 76

figura 3-21 Reposta em freqncia estimada para padro do GUI.

figura 3-22 Resposta em freqncia estimada para igual a 10.

45 de 76

figura 3-23 Resposta em freqncia estimada para igual a 50.

figura 3-24 Resposta em freqncia estimada para igual 200.

46 de 76

Como se pode observar a escolha

essencial para se ter uma boa

resposta em freqncia do sistema. Para esse exemplo o melhor valor de

foi por volta de 50. Como dito anteriormente um valor padro de

obtido

entre 20 e 30,

porm devido ao pico que o sistema contm na resposta em freqncia o valor de

para esse sistema deve ser superior.

3.4.2. Propriedades bsicas da anlise espectral [2].

A anlise espectral um mtodo muito comum para analisar sinais e
sistemas.
Em geral, assume-se apenas que o sistema linear, e no requer um sinal
entrada especfico.
A anlise espectral no funciona em um sistema operando com
realimentao. Isso porque para a aplicao desta tcnica considera-se que
a entrada e o rudo no so correlacionados.
O resultado um grfico, a funo de freqncia ou o espectro, e no pode
ser usado diretamente para simulao.

47 de 76

4. Mtodos paramtricos.
Os mtodos paramtricos so mtodos usados para estimar os
parmetros ou vetor de parmetros

de certo modelo. Considere um modelo dado

pela equao equaes de diferenas como na equao (4-1):

y (t ) ay (t 1)

bu (t 1) e(t ) .

(4-1)

Esse um tpico modelo discreto de primeira ordem, e seu vetor de

parmetros definido como [4]:
&a#
$$ !! .
%b"

(4-2)

Os dados de identificao utilizados para identificar modelos dinmicos

so gerados por medies da resposta y(t) do sistema alimentado por uma entrada
u(t) pr-especificada. Este sinal de entrada deve possuir espectro suficientemente
amplo em amplitude e freqncia para excursionar o sistema pelos regimes
dinmicos de interesse [9].
H algumas estruturas de modelos padres utilizadas na identificao
paramtrica. Normalmente elas so estruturas de modelos discretos. Dentre os
diferentes modelos utilizados, destacam-se: Box-Jenkins (BJ), output error (OE),
auto-regressivo com entrada externa (ARX), auto-regressivo com mdia mvel e
entradas exgenas (ARMAX) e estrutura de espao de estados. Alm dessas
estruturas o toolbox de identificao ainda tem como opo uma estrutura definida
pelo usurio.

4.1.

Estruturas de modelos paramtricos.

A estrutura geral de modelos paramtricos pode ser definida pela

equao de diferenas (4-3 [5]:

48 de 76

B(q )
u (t nk )
F (q )

A(q ) y (t )

Nessa estrutura q

C (q )
e(t ) .
D( q )

(4-3)

representa o operador de atraso, ou seja,

q 1u (t )

u (t T )

q 2 u (t )

u (t 2T )

(4-4)

nk nmero de atrasos da entrada para sada, ou seja, o atraso puro de tempo e

[5]:

A(q ) 1 a1q
B(q )

b1

1
1

b2 q

na

... a na q
... bnb q

nb 1

C (q) 1 c1q

... cnc q

D ( q ) 1 d1 q

... d nd q

nd

F (q ) 1

...

nf

f1 q

f nf q

nc

(4-5)

onde na , nb , nc , nd e nf so as ordens dos respectivos polinmios. Note que

A(q ) corresponde aos plos comuns entre a modelagem da dinmica do sistema e a

modelagem do rudo (til em casos que se assume que o rudo entra no sistema
junto com entrada). J F (q ) e B(q ) representam plos e zeros que afetam somente
a entrada e D (q) e C (q ) os plos e zeros que afetam somente o rudo [5], como
ilustra a figura 4-1.

figura 4-1 modelo gera para a identificao paramtrica

49 de 76

Na equao de diferenas (4-3) o nmero de intervalos de amostragem

entre a sada mais atrasada e a menos atrasada igual ao nmero de plos do
sistema. Da mesma forma o nmero de intervalos de amostragem entre a entrada
mais atrasada e menos atrasada igual ao nmero de zeros do sistema [5]. Por
exemplo, considere o sistema representado pela seguinte equao de diferenas:

y (t ) 1,5 y (t T ) 0,7 y (t

2T )

0,9u (t

2T ) 0,5u (t 3T ) e(t ) .

(4-6)

Esse sistema tem dois plos e um zero.

Exemplo 4-1 Nmero de plos e zeros de modelos discretos.

Considere o sistema representado pela equao (4-6), para determinar
esse sistema no MATLAB pode-se a usar a funo poly2th da seguinte forma:

Com esse comando o MATLAB cria um IDPOLY model com seguinte

descrio:

!" #$
% &
'* )
'*

'
'
,
1.

'*

% -. /
/2 / 3. &

'

'(

'* +
. %0

%. .

Para plotar os plos e zeros desse modelo pode-se usar:

50 de 76

Com esse comando o MATLAB ir gerar o diagrama de plos e zeros da

funo de transferncia do modelo, como ilustrado na figura 4-2:

figura 4-2 plos e zeros do sistema (4-6.

4.1.1. Modelo ARX.

O modelo ARX definido a partir do modelo geral (4-3 fazendo

C ( q)

D ( q)

F (q ) 1 , obtendo assim a equao de diferenas (4-7:

A(q ) y (t )

B(q )u (t

nk ) e(t ) .

(4-7)

figura 4-3 Modelo ARX

O modelo ARX costuma ser o modelo mais simples de ser estimado, mas
tem a desvantagem do polinmio A(q ) representar tanto a dinmica do sistema
quanto as propriedades do rudo. Assim, torna-se fcil de estimar incorretamente a
dinmica do sistema e talvez sejam necessrias ordens mais altas dos polinmios
51 de 76

A(q ) e B(q ) . Se a relao sinal-rudo for boa, essa desvantagem no tem muita
importncia [2].

4.1.2. Modelo ARMAX.

O modelo ARMAX tambm obtido da equao (4-3) definido como:

A(q ) y (t )

B ( q )u (t

nk ) C (q )e(t ) .

(4-8)

figura 4-4 modelo ARMAX

O modelo ARMAX fornece uma flexibilidade extra para a modelagem do

rudo em relao ao modelo ARX. Esse um modelo usado com muita freqncia
[2].

4.1.3. Modelo OE.

O modelo OE definido como:

y (t )

B(q )
u (t
F ( q)

nk ) e(t ) .

(4-9)

figura 4-5 modelo OE.

52 de 76

Este modelo tem a vantagem de a dinmica do sistema ser modelada de

forma separada e no tem nenhum parmetro para descrever o rudo. Porm,
minimizar a funo de erro durante a estimao dos parmetros pode ser mais difcil
do que no caso ARMAX [2].

4.1.4. Modelo BJ.

O modelo Box Jenkins, ou BJ, como todos acima os anteriores, um caso
especial da equao (4-3) e pode ser definido como:

y (t )

B(q )
u (t
F (q )

nk )

C (q )
e(t ) .
D( q )

(4-10)

figura 4-6 modelo BJ.

O modelo BJ o modelo completo em que as propriedades do rudo e a

dinmica do sistema so modelados de forma separada [2].

53 de 76

4.1.5. Modelo espao de estado.

Os modelos espao de estado so representaes comuns de
modelagem dinmicas de sistemas. Eles representam o mesmo tipo de relao
linear entre a entrada e a sada como num modelo ARX, mas so rearranjadas para
que apenas um atraso seja usado nas expresses. Para conseguir isso, algumas
variveis extras chamadas de variveis de estado, so introduzidas. Elas no
precisam necessariamente ser variveis medidas, mas podem ser reconstrudas a
partir de dados entrada e sada medidos. Esses modelos so muito teis quando h
vrias variveis ou sinais de sada. A representao em estado de espao pode ser
definida como [5]:

x(t 1) Ax(t ) Bu (t ) Ke(t )

.
y (t ) Cx (t ) Du (t ) e(t )

(4-11)

onde x(t ) o vetor da varivel de estado. A matriz K determina as propriedades do

rudo. Note que se K

0 , o rudo afeta apenas a sada e nenhum modelo especfico

do rudo construdo como no modelo OE. Note tambm que D

0 significa que

no h uma influncia direta da entrada na sada, ou seja, todo efeito da entrada na

sada passa por x(t ) e ser atrasado de pelo menos uma amostra. O primeiro valor
do vetor da varivel de estado x(0) reflete a condio inicial em que comeou a
medio dos dados [5].
Para obter as funes de transferncia G (q) , que modela a dinmica do
sistema, e H (q ) , que modela as propriedades do rudo, pode-se fazer [5]:

G (q )

C (qI nx

A) 1 B

H (q )

C (qI nx

A) 1 K

I ny

(4-12)

onde nx a dimenso do vetor x(t ) e ny a dimenso do vetor y (t ) .

54 de 76

4.2.

Erro de predio
Um mtodo de estimao de parmetros comum e geral o mtodo de

erro na predio, onde os parmetros do modelo so escolhidos de forma a

minimizar a diferena entre a sada do modelo (predio) e a sada medida [5].
Para cada valor do vetor de parmetros

, o modelo capaz de prever

qual ser a sada y (t ) , baseado nas medidas de entrada e sada u ( s ), y ( s ) para

s

t 1 . No caso geral, equao (4-13),

G (q )u (t ) H (q )e(t ) ,

y (t )

(4-13)

a predio pode ser deduzida da seguinte forma [2]: Dividindo (4-13) por H (q, ) :

( q, ) y ( t )

(q, )G (q, )u (t ) e(t ) ,

(4-14)

ou

y (t )

1 H

( q , ) y (t ) H

(q, )G (q, )u (t ) e(t ) .

(4-15)

A predio obtida a partir da equao (4-15) desprezando o sinal e(t )

[2]:

y (t | )

1 H

( q , ) y (t ) H

(q, )G (q, )u (t ) .

(4-16)

A equao (4-16) uma expresso geral de como os modelos realizam a

predio do prximo valor da sada, dados os valores antigos de entrada e sada.
Assim, pode-se verificar quo boa essa predio calculando o erro de predio

' (t , ) [2]:
' (t , )

y (t )

y (t | ) .

(4-17)

55 de 76

Tendo coletado dados sobre um perodo t

1,..., N possvel verificar se

pode descrever bem a dinmica do sistema pela

o modelo com os parmetros

funo [2]:

1
N

VN ( )

' 2 (t , ) .

(4-18)

t 1

Ento o valor do vetor de parmetros

escolhido de forma a minimizar

V N ( ) [2]:

arg min V N ( ) .

Com N determinado, pode-se determinar varincia

e(t ) . A estimao natural de

4.3.

do sinal de rudo

obtida por [2]:

1
N

(4-19)

N
t 1

' 2 (t , N ) .

(4-20)

Procura interativa pelo mnimo.

Para muitas estruturas de modelo a funo V N ( ) na equao (4-18)

uma funo complicada de

, e a sua minimizao deve ser computada por uma

procura numrica pelo mnimo. O mtodo mais comum para isso o mtodo de
Newton-Raphson. Esse mtodo pode ser resolvido como [2]:
d
VN ( )
d

A escolha de

0.

(4-21)

feita por:
56 de 76

 (i

1)

(i )

(i )

V N)) ( (i ) )

(4-22)

V N) ( (i ) ) ,

onde V N)) ( ) segunda derivada de V N ( ) e V N) ( ) o gradiente. O tamanho do

passo ( determinado para que V N ( (i

4.4.

1)

) * V N ( (i ) ) [2].

Propriedades do modelo.
4.4.1. Qualidade do modelo.
O que significa dizer que um modelo bom? Isso deveria significar que o

modelo est muito prximo da verdadeira descrio. Na prtica, nem sempre se tem
uma verdadeira descrio disponvel, e a qualidade do modelo deve ser julgada em
diferentes aspectos [2].
1. A qualidade do modelo relacionada com seu uso. Por exemplo, o
modelo pode ser excelente para controle porm inadequado para
simulao.
2. A qualidade do modelo relacionada com habilidade de reproduzir o
comportamento do sistema. Isso significa que a simulao do
modelo ou sua predio da sada bem prxima da sada
produzida pelo sistema.
3. A qualidade do modelo relacionada com a estabilidade do modelo.
Isso significa que para diferentes dados medidos sobre diversas
condies o modelo consegue reproduzir bem o sistema.

4.4.2. Modelos inadequados.

Modelos inadequados podem ser originados principalmente por duas
razes. Uma devido influencia do rudo na coleta de dados do sistema, o que
tipicamente pode ser reduzido usando uma seqncia maior de dados medidos. A
outra se origina por deficincias na estrutura do modelo, o modelo simplesmente no
capaz de descrever o sistema [2]
57 de 76

5. Construindo modelos.
Nos

captulos

anteriores,

foram

mostrados

tcnicas

mtodos

comumente utilizados para construo de modelos a partir de dados medidos. Nesse

captulo ser discutido como usar esses mtodos na prtica.
Para comear a identificao de sistemas pode ser seguida pelo
esquemtico da figura 5-1[4].

5.1.

Projeto do experimento.
Para realizar o processo de identificao necessrio projetar as

condies do experimento, pois elas iro influenciar no resultado final da

identificao do sistema. Isso envolve vrios aspectos, mas os principais so: a
escolha do intervalo de amostragem e a escolhe do sinal de entrada [3].
A escolha do intervalo de amostragem est associada s constantes de
tempo do sistema. Uma amostragem considerada rpida em relao s dinmicas
do sistema pode gerar dados redundantes, j uma amostragem lenta pode ocasionar
srias dificuldades na determinao dos parmetros. No caso geral prefervel uma
amostragem rpida a uma amostragem lenta. Segundo Ljung [2] a escolha da
freqncia de amostragem pode ser feita como aproximadamente 10 vezes a largura
de banda do sistema (ou a largura de banda de interesse); isso corresponde a
aproximadamente 5-8 amostras no tempo de subida da reposta ao degrau do
sistema.
Para evitar o efeito aliasing necessrio filtrar as amostras. Moscinski [3]
sugere utilizar um filtro passa-baixa com largura de banda um pouco menor que a
freqncia de Nyquist. J segundo Ljung [2], o filtro passa-baixa deve ter uma
largura de banda exatamente igual freqncia de Nyquist. Esse filtro chamado
de filtro anti-aliasing.

58 de 76

figura 5-1 esquemtico da identificao de sistemas.

59 de 76

Os aspectos mais importantes na escolha do intervalo de amostragem

pode ser resumido em [2]:
A escolha do intervalo de amostragem deve corresponder a 5-8
amostras sobre o tempo de subida da resposta ao degrau.
prefervel amostragem considerada rpida a uma amostragem
considerada lenta.
Inclua o filtro anti-aliasing.
A escolha do sinal de entrada deve ser feita de forma que as dinmicas
de interesse do sistema sejam mostradas. Para isso importante que a entrada
contenha uma vasta faixa de freqncias. Ljung [2] diz que uma boa escolha seria
um sinal que varie randomicamente entre dois nveis, pois esse tipo de sinal contm
todas as freqncias.
Segundo Moscinski [3] outro fator importante a escolha da amplitude da
entrada. Deve-se escolher uma amplitude alta para melhorar a relao sinal/rudo e
tambm melhorar a estimao do modelo. Porm, altas amplitudes na entrada
podem mostrar no-linearidades no sistema.
Assim segundo Moscinski [3] pode-se formular uma regra geral simples:
escolher as condies do experimento baseadas nas condies em que o modelo
ser usado.
Ljung [2] ressalta tambm a importncia de pr-filtrar os dados para evitar
os efeitos dos rudos de alta e baixa freqncia. Resumindo, Ljung [2] recomenda
filtrar os dados com um filtro passa-bandas que tenha uma banda passante que
cubra freqncias interessantes (pontos de quebras no diagrama de Bode).

5.2.

Escolha da estrutura do modelo.

De acordo com Ljung [2] a escolha da estrutura do modelo deve ser feita

seguindo o principio de primeiro tentar coisas simples. Assim, o primeiro modelo a

ser testado modelo ARX e depois deve ser testado outras estruturas modelo.

60 de 76

5.2.1. Comparao de modelos

Depois de calculadas algumas estruturas de modelo, deve-se comparlas para descobrir qual a melhor. Isso pode ser feito comparando o erro de
predio dos diferentes modelos quando confrontados com novas seqncias de
dados. Em termos estatsticos esse mtodo chamado de validao cruzada e um
mtodo natural de comparao, pois se um modelo capaz de predizer uma
seqncia de dados melhor que outro, ele deve ser tratado como um modelo melhor
[2].
O problema da validao cruzada que quanto maior for a ordem do
modelo menor ser a funo de custo V N (4-18). Se os valores dessa funo forem
plotados como uma funo da ordem do modelo, ser obtida uma funo
decrescente. Assim, mesmo depois que a ordem correta do modelo tiver passado,
a funo de custo continuar diminuindo. A razo que parmetros extras (e no
necessrios) so usados para ajustar o modelo s perturbaes especficas dos
dados usados. Isso chamado de sobre-ajuste e no tem nenhum benefcio se o
modelo for usado quando outras perturbaes afetarem o sistema. Pelo contrrio, o
modelo ser na verdade pior por causa do sobre-ajuste [2].
Para evitar esse problema podem-se usar os seguintes mtodos:
1. Critrio de informao de Akaike(AIC)
2d N 2
min (1
) ' (t , ) .
d,
N t 1

(5-1)

2. Erro de predio final (FPE)

min (
d,

1 d N 1 N 2
) ' (t , ) .
1 d N N t 1

(5-2)

Nas equaes (5-1) e (5-2) N o nmero de amostras e d a dimenso

de

(nmero de parmetros estimados). Nesses dois mtodos a funo de custo

61 de 76

multiplicada por uma funo que diminui com o aumento do nmero de parmetros
[2].

5.2.2. Escolha da ordem do modelo.

Para determinar a ordem e o atraso do modelo, os seguinte passos
podem ser teis [2]:
1. Determine o atraso usando a anlise de correlao e/ou testando
razoveis modelos ARX de quarta ordem.
2. Com esse atraso, teste modelos ARX com diferentes ordens.
Escolha o modelo que der o melhor resultado em relao a
validao cruzada.
3. Pode ser que no seja necessria uma ordem to grande para
descrever a dinmica do sistema. A seguir, plote o diagrama de
zeros e plos do modelo e procure por cancelamentos. O nmero
de plos e zeros restantes indica a ordem necessria para
descrever a dinmica do sistema. Tente depois utilizar modelos
ARMAX, OE ou BJ com essa ordem para o polinmio G e primeira
ou segunda ordem para o polinmio H conforme a equao (4-13.
Exemplo 5-1 teste de cancelamento de plos e zeros [3].
Em alguns casos, o teste de cancelamento de plos e zeros permite
decidir se a ordem de um modelo muito alta, assumindo que alguns pares de plos
e zeros podem ser cancelados.
Para esse exemplo, considere um sistema de 2 ordem determinado pela
seguinte equao de diferenas:

y (t ) 1,5 y (t T ) 0,7 y (t

2T )

0,1u (t

2T ) 0,1u (t 3T ) .

(5-3)

62 de 76

Esse sistema foi simulado no MATLAB acrescentando um rudo de

varincia 0,1, com os seguintes comandos:

5
.
(
3
4
%

6 /7
% .
.
8
6 % . .9: %
.8
2/ ./%/ 5
6 / .%.
< ./%/ 5
6 (=%
%
(3
6
( .9: %
. >?
(
4 6 2 @0
% %.%
( .%

/;

figura 5-2 dados do sistema simulado no MATLAB

A partir desses dados foram estimados os parmetros de um modelo ARX

de ordens na 1, nb 1 e nk

2 e plotado o diagrama de plos e zeros do modelo

obtido.

. A 4
4

63 de 76

figura 5-3 diagrama de plos e zeros do modelo estimado de 1 ordem.

O mesmo procedimento anterior foi realizado porm para modelos ARX

de 2 e 3 ordens.

. A 4
4

4
+ . A 4 ++
4
4
+
Com esse procedimento foram obtidos os diagramas de plos e zeros
mostrados nas figura 5-4 e figura 5-5.
Analisando o diagrama de plos e zeros do modelo de 3 ordem, pode-se
ver que h o cancelamento de um par de plos e zeros indicando que essa uma
ordem mais alta do que a necessria para modelar o sistema, como era esperado.

64 de 76

figura 5-4 diagrama de plos e zeros do modelo estimado de 2 ordem

figura 5-5 diagrama de plos e zeros do modelo estimado de 3 ordem

Exemplo 5-2 Escolha da ordem e atraso do modelo

Considere um sistema representado pela figura 5-6.

65 de 76

figura 5-6 sistema simulado no simulink.

Para realizar a identificao desse sistema foi escolhido colocar como

sinal de entrada um rudo branco e simular o sistema duas vezes, uma para
amostras de estimao e outra para amostras de validao, o perodo de
amostragem usado foi de 0,2 segundos.
Usando GUI do toolbox de identificao do MATLAB foram importadas as
duas amostras, uma colocada no campo Working data e a outra colocada no campo
Validation data. Ento foi estimada a anlise de correlao obtendo os resultados
mostrados nas figura 5-7 e figura 5-8.

figura 5-7 resposta ao degrau obtido pela anlise de correlao

66 de 76

figura 5-8 resposta ao impulso obtida pela anlise de correlao

Observando os resultados obtidos na anlise de correlao, foi concludo

que o atraso de aproximadamente 1 segundo ou de 5 amostras. Assim a sada s
vai ser influenciada pela sexta amostra e ento nk

6.

Em seguida foram estimados os parmetros de modelos ARX de quarta

ordem para valores de nk

1...8 , o nome de cada modelo estimado dado pelo GUI

conforme os valores na,nb e nk como por exemplo arx441. Para fazer a comparao
dos modelos estimados usando o mtodo de erro de predio marca-se o item
model output e a comparao mostrada na figura 5-9.

67 de 76

figura 5-9 comparao entre os modelos ARX com diferentes valores de nk

Como esperado o melhor resultado foi obtido com nk

6 . Ento os

demais modelos foram delatados e os plos e zeros do modelo arx446 foi plotado
marcando o item Zeros and poles e resultado mostrado na figura 5-10.

figura 5-10 zeros e plos do modelo arx446 dado pelo GUI

68 de 76

De acordo com a ordem do modelo deveriam ser obtidos 4 plos e 3

zeros. Note porm, que o resultado obtido no foi esse; h um plo a mais do que o
esperado. A seguir, o modelo foi exportado para o workspace, arrastando-o para o
campo To workspace, e o diagrama de plos e zeros foi plotado com o comando:
zpplot(th2zp(arx446))
O resultado obtido est mostrado na figura 5-11.

figura 5-11 diagrama de zeros e plos do modelo arx446 obtido pelo comando zpplot

Comparando-se as figura 5-10 e figura 5-11 foi concludo que o GUI

marca um plo na origem do diagrama que deve estar associado ao atraso puro de
tempo, j o comando zpplot no considera esse plo. Com esses digramas de plos
e zeros, e desconsiderando o plo na origem, pode-se notar o cancelamento de dois
plos com dois zeros, indicando que o sistema pode ser modelado apenas com dois
plos e um zero ou seja na

2 e nb

2.

Com essas ordens escolhidas para o polinmio G (q) e segunda ordem

para o polinmio H (q ) , foram estimados os parmetros para os modelos ARX,

69 de 76

ARMAX, OE, BJ e estado de espao. Comparados pelo mtodo de erro de predio

foi obtido:

figura 5-12 comparao entre os modelos estimados pelo mtodo de erro na predio

A figura 5-12 mostra que os melhores modelos foram o BJ e o OE,

modelos que representam a dinmica do sistema separada da propriedade do rudo.
Esse resultado faz bastante sentido uma vez que simulou-se o sistema com um
rudo diretamente na sada.

5.3.

Validao do modelo.
Validar um modelo verificar se ele pode ser aceito dada a sua inteno

de uso. Esse conceito est muito prximo do conceito da qualidade do modelo

discutido na seco 4.4.1. Alm do teste da qualidade do modelo, um mtodo muito
utilizado analise residual.
O resduo de um modelo definido como [2]:

' (t ) ' (t , N )

y (t )

y (t | N ) .

(5-4)

Idealmente o resduo deveria ser independente do sinal de entrada. Se

no for o caso, h componentes em ' (t ) que vieram do sinal de entrada, isso
70 de 76

significa que h dinmicas do sistema que o modelo no descreve [2].Tipicamente,

pode-se formar:
1
N

R'u ( )

' (t

)u (t ) .

(5-5)

t 1

Segundo Ljung [2], R'u ( ) normalmente traado em um diagrama junto

com as linhas limites + 3 Pr , onde Pr a varincia tpica de R'u ( ) se ' (t ) e u (t )
forem independentes e pode ser calculada por:

Pr

1
N

R' (k ) Ru (k ) ,

(5-6)

onde R' e Ru so as funes de covarincia de ' e u respectivamente. Se R'u ( )

ultrapassar esses limites, provvel que ' (t

) e u (t ) so dependentes para esse

valor de
Examinando R'u ( ) , alguns pontos devem ser considerados [2]
Se h correlao para valores negativos de
influncia de ' (t ) em valores de u (s ) para s

, ou seja, h

t , isso indica que os

dados foram coletados contendo realimentao no sistema.

Se um modelo ARX for usado e R'u ( ) for significantemente
diferente de zero para um certo valor
o termo u (t

0)

0,

isso uma indicao que

deveria ser includo no modelo e pode ser uma

boa dica para a escolha de nk e nb.

A anlise residual ser mais eficiente se os resduos forem computados
para dados diferentes dos dados usados na estimao.

Exemplo 5-3 testando os resduos [3]

71 de 76

Considere agora o mesmo sistema de 2 ordem do Exemplo 5-1 e seus

modelos estimados. A anlise residual do modelo estimado de 1 ordem pode ser
obtida por:

% 4

figura 5-13 anlise residual do modelo estimado de 1 ordem.

A equao de diferenas desse modelo de 1 ordem :

y (t ) 0,8984 y (t 1)

0.1111u (t

2) e(t ) .

Analisando a figura 5-13 observa-se que para

(5-7)

igual a 3, a correlao

cruzada R'u ( ) ultrapassa de forma significante a faixa limite, o que, Segundo Ljung
[2], representa que o termo u (t 3) est faltando nesse modelo. Ento aumentando
a ordem do modelo, mas agora usando GUI do toolbox de identificao, pode-se
obter a anlise residual marcando o item Model resids. O resultado obtido
mostrado na figura 5-14.
72 de 76

figura 5-14 anlise residual do modelo estimado de 2 ordem, obtida usando GUI.

Analisando a figura 5-4, pode-se concluir que o modelo de 2 ordem, que

tem a equao de diferenas mostrada na equao (5-8), valido de acordo com o
teste da anlise residual. Observe que esse modelo contm o termo u (t 3) que
estava faltando no modelo de 1 ordem (5-7).

y (t ) 1,505 y (t 1) 0,7024 y (t

2)

0,1015u (t

2) 0,1061u (t 3) e(t ) .

(5-8)

73 de 76

6. Concluso.
Neste trabalho, foi desenvolvido um estudo sobre tcnicas paramtricas e
no-paramtricas de identificao de sistemas dinmicos lineares a partir de dados
de entrada e sada. Este trabalho prope-se como um esforo inicial para a
implementao de um curso prtico sobre este assunto no curso de graduao de
Engenharia Eltrica da Universidade de Braslia. Assim, foi dada uma nfase nas
vantagens de cada mtodo e nas ferramentas computacionais para sua execuo.
A identificao de sistemas dinmicos uma poderosa ferramenta para
se modelar ou estudar o comportamento dinmico de um sistema. Neste sentido, a
incluso de uma disciplina sobre esse assunto na graduao da UnB daria aos
alunos uma viso mais ampla e prtica acerca do modelamento de sistemas
dinmicos, a partir do qual diversas anlises, previses e concluses a respeito do
sistema em estudo podem ser efetuadas.
O trabalho aborda inicialmente a utilizao de mtodos no paramtricos
(anlise transitria, anlise de correlao, anlise de freqncia e anlise espectral)
para a obteno de curvas que refletem caractersticas do comportamento dinmico
do sistema em estudo. So apresentados exemplos que ilustram a aplicao de
cada mtodo tratado e vantagens e desvantagens da utilizao de cada tcnica. A
seguir, parte-se para a utilizao de mtodos paramtricos para a descrio de
sistemas dinmicos a partir dos dados de entrada e sada, primeiro apresentando as
principais estruturas de modelos paramtricos (ARX, ARMAX, OE, BJ e estado de
espaos) e depois tcnicas de estimao de seus parmetros. Por ultimo so
tratadas questes prticas, como a escolha da entrada, escolha da ordem do
modelo, comparao entre os modelos obtidos e a validao do modelo estimado.
Importante notar que no h uma maneira exata de se realizar o processo
de identificao de sistemas. H escolhas como o sinal de entrada, o valor do
tamanho

da janela de tempo, a estrutura e a ordem do modelo, a validao do

modelo estimado, que s podem ser feitas tendo certa prtica das tcnicas de
identificao. Por isso, como proposta para trabalhos futuros, sugere-se utilizar a

74 de 76

seqncia aqui adotada para a implementao de um curso prtico a respeito da

identificao de sistemas dinmicos lineares.
Fica tambm como proposta, o estudo sobre tcnicas de identificao de
sistemas funcionando com realimentao, e identificao de sistemas no lineares,
uma vez que no foram vistas nesse projeto.

75 de 76

7. Bibliografia
1 - AGUIRRE, LUIS ANTONIO, Introduo a identificao de sistemas, Editora
UFMG, 2004.
2 LJUNG, L., GLAD, T. Modeling of dynamic systems, 1 ed., Prentice Hall
Internetional, United Kingdom, 1994.
3 MOSCINSKI , J., OGONOWSKI , Z.,Advanced control with Matlab &
Simulink, 1 ed., Ellis Horwood, United Kingdom, 1995.
4 SDERSTRM , T., STOICA , P.,System Identification, 1 ed., Prentice Hall
Internetional, United Kingdom, 1989
5 LJUNG, L.,System Identificaton Toolbox Users Guide, Disponvel em:
http://www.mathworks.com
6 WIKIPEDIA. Resposta ao impulso [online] Disponvel na Internet via WWW.
URL: http://pt.wikipedia.org/wiki/Resposta_ao_impulso. Arquivo capturado em 02 de
julho de 2007.
7 SMITH, S.. The Scientist and Engineer's Guide to Digital Signal Processing
[online] Disponvel na Internet via WWW. URL: http://www.dspguide.com. Arquivo
capturado em 20 de dezembro de 2006.
8 - FURTADO, Edgar Campos, MENDES, Eduardo M. A. M., NEPOMUCENO,
Erivelton G. e SILVA, Valceres V. R. "Identificao de sistemas dinmicos nolineares contnuos utilizando modelos NARMAX: estudo de caso de um forno a
arco eltrico" XIV Congresso Brasileiro de Automtica, Natal, RN, 2 a 5 de
Setembro de 2002, pg. 2150 - 2155.
9 - RODRIGUES, G. G., "Identificao de Sistemas Dinmicos No Lineares
Utilizando Modelos NARMAX Polinomiais - Aplicao a Sistemas Reais"
Dissertao de Mestrado do PPGEE, Universidade Federal de Minas Gerais, Belo
Horizonte, Brasil, junho de 1996.

76 de 76