Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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
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
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
Variveis
A
a(.)
b(.)
C()
cij
Dc
DL
di
de
e(t)
F(.)
Nomenclatura
f(.)
g$
Estimativa do parmetro g.
JN(.)
Intervalo de predio.
ne
ny
p(t)
Ts
Perodo de amostragem.
Nomenclatura
xi
u(t)
v(t)
Varivel instrumental.
w(t)
Regressor ortogonal.
x(t)
Vetor de sadas.
y(t)
y$ (t )
y(t)
y1, y2
(.)
{i } in=1
Nomenclatura
xii
(t)
Resduo de modelagem.
(t )
y2
y1 y1 ()
y1 y2 ()
Nomenclatura
xiii
Operadores
E{.}
Esperana matemtica.
Var{y(t)}
Varincia de y(t).
Norma genrica.
Norma euclidiana.
[]T
Siglas
ARMAX
Modelo (linear) auto-regresivo, de mdia mvel e entrada externa (Autoregressive, moving-average with exogenous input model).
ERR
FFT
FPE
NAR
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
PID
Proporcional-Integral-Derivativo.
PRBS
RAM
Nomenclatura
xiv
RBF
SNR
TM
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.
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.
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.
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)
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
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:
1
(nmero de pares (yi , yj) com Sy < ).
N
(1.1)
DC = lim
log e C( )
log e
(1.2)
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.
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.
10
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.
12
13
____
____
'
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
'
m = min{ y ,
14
y2
'
},
(2.4)
onde y e
y2
'
respectivamente. O tempo de amostragem pode ento ser escolhido de acordo com (Billings
e Aguirre, 1995):
m
m
Ts
.
20
10
(2.5)
5 e
25 ,
respectivamente.
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.
16
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)
wiT Y
g= T
,
wi wi
^
18
1 i M.
(2.12)
A = g .
(2.13)
Esta ltima equao pode ser usada para obter os parmetros do modelo original a partir dos
^
g
i =1
2
i
wiT wi +
1 T
E E.
N
( 2.14)
Nota-se que
g
i
2
i
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.
19
y (t ) =
m= 0
n y ,nu
p=0
nn ,nm
i =1
i = p +1
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
20
n y ,nu
p ,m p
nl ,nm
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)
sendo
21
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
y (t ) = f ( y (t 1)),
(2.21)
onde y R
ny
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:
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.
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)
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):
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
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
25
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.
26
____ 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).
____ 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.
y (t ) =
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)
____ 29
num
den
j =1
j =2
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)
____ 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
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 )]
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)
____ 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).
(3.13)
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)
____ 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.
____ 33
A P lim T e
N
B P lim T ,
N
(3.19)
[ ]
$ = P lim [ T ]1 T
P lim
= P lim[ T ] P lim[ T ] .
1
(3.20)
P lim T
N
P lim T
N
1 T
N
1 T
,
N
(3.21)
onde:
____ 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
(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)
____ 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)
____ 36
____ 37
Esta estimao fornece os valores iniciais dos parmetros para os clculos seguintes.
(t ) = y (t )
$ (i 1))
a (...,
$ (i 1)) .
b(...,
1
$ (i ) =
N md
2
$ (i 1)) 2
a (...,
y (t ) b(..., $ (i 1)) ,
t = md +1
N
$ (i ) = T 2 (i )
] [
1
2 (i ) .
____ 38
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):
As constantes
n1 ,nm
p ,m p
y pu m p
As constantes
p ,m p
n1 ,n m
agrupamentos
de
termos
do denominador
y pu m p
____ 39
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.
____ 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)
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
____ 41
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.
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.
Rotina: gentm41.m
Conjunto de todos os
termos candidatos
Modelo
representa a dinmica
do sitema original?
no
sim
Visualizao do modelo identificado
Rotina: rat2tex.m
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.
45
46
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.
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.
48
49
50
Figura 4.4(a) sinal u(t); (b) sinal y(t), simulado a partir do modelo; (c ) sinal e(t) adicionado a y(t)
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.
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.
53
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)
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
iq =
i =1
$i i den $i i
+
,
i
i
i =2
(4.3)
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)
140,56 %
63,30 %
29,52 %
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.
__
_____
____ 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.
__
_____
____ 58
Conversor
AnalgicoDigital
Circuito
Segurador e
Amostrador
NTC
MicroComputador
(Controle)
Triac
(Atuador)
Forno
Eltrico
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.
__
_____
____ 59
__
_____
____ 60
Figura 5.2 Resposta do forno eltrico ao rudo quantizado. (a) Massa de dados frq1 (b) Massa de dados frq2.
__
_____
____ 61
Figura 5.3 Resposta do forno eltrico ao degrau. (a) Massa de dados fd1. (b) Massa de dados fd2.
__
_____
____ 62
+ 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-
__
_____
____ 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.
__
_____
____ 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
(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)
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)
__
_____
____ 65
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
__
_____
____ 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)
__
_____
____ 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)
__
_____
____ 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)
__
_____
____ 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
__
_____
____ 70
Figura 5.9 Correo do ganho do modelo mr02f para as massas fd1 e fd2 - ____ : Entrada; . . . . .. : Planta;
_ . _ : Modelo
_.
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.
__
_____
____ 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.
__
_____
____ 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
__
_____
____ 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.
__
_____
____ 74
_____ _
____ 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.
_____ _
____ 76
C1
dvc1
dt
C2
L
dvc2
dt
vc2 vc1
R
=
id (vc1 ) ,
vc1 vc2
R
iL ,
di L
= vc2 rLi L ,
dt
(6.1)
_____ _
____ 77
se BP vc1 BP ,
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)
_____ _
____ 78
- 1,7684y(t
-4)2
-3)2
(t i ) + (t ) .
i =1
(6.6)
_____ _
____ 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.
_____ _
____ 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
_____ _
____ 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.
_____ _
____ 82
e no denominador
2 , 0 .
y
_____ _
____ 83
_____ _
____ 84
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).
_____ _
____ 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)
_____ _
____ 86
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.
_____ _
____ 87
Figura 6.10 Resultado obtido com predio de k passos a frente do modelo ratvc1r.
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.
_____ _
____ 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.
_____ _
____ 89
Expoente de Lyapunov
vc1.dat
ratvc1
ratvc1r
1,3454 0,0490
0,9201 0,0758
0,9750 0,0846
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
_____ _
____ 90
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)]
_____ _
____ 91
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.
_____ _
____ 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.
_____ _
____ 93
Expoente de Lyapunov
Dados
dsvc1.dat
Modelo
polinomial dsae1
Modelo racional
ratdsvc1
1,3516 0,0343
1,3350 0,0563
1,4218 0,0596
_____ _
____ 94
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.
_____ _
____ 95
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
Apndice A
98
Apndice A
Rotinas em MATLAB Usadas
Introduo
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
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
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
Retorno:
xn
xd
num
den
ve
va
xni
xdi
ei
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
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.
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
[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
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
Referncias Bibliogrficas
109
Referncias Bibliogrficas
110