Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Dissertao
de
Mestrado
apresentada
ao
Curso
de
Rio de Janeiro
2008
c2008
permitida a meno, reproduo parcial ou integral e a transmisso entre bibliotecas deste trabalho, sem modicao de seu texto, em qualquer meio que esteja ou venha
a ser xado, para pesquisa acadmica, comentrios e citaes, desde que sem nalidade
comercial e que seja feita a referncia bibliogrca completa.
M838i
Identicao de Sistemas.
3.
Sistemas LPV. 4.
2.
Sistemas No-
Filtro de Kalman.
I.
Rio de Janeiro
2008
RESUMO
representado por uma equao diferena variante no tempo, a variao dos seus coecientes aproximada por um polinmio dependente de um parmetro
cujos valores,
Com o
ABSTRACT
This dissertation deals with the Linear Parameter-Varying (LPV) identication techniques applied to non-linear systems.
Firstly, the theoretical basis and some recent system identication techniques, whose
principles are used in this dissertation, are presented.
Then, an analytical methodology for identifying LPV models is developed, which is
the main contribution of this work. Considering that a nonlinear system can be represented by a time-varying dierence equation, the variation of its coecients is approximated by a polynomial function on a parameter
of input and output data are supposed to be known. In order to minimize a mean square
cost function, a linear equations system is built, whose solution gives the identied LPV
model coecients.
Furthermore, it is shown that the results can be improved in terms of identication
error by performing a piecewise identication procedure, that is, by splitting the data into
smaller sets in time. Then, a set of models representing the original system is obtained
instead of a single model. The continuity in the switching zone is, however, guaranteed.
A good identication considers a tradeo between the number of models and the global
error.
2nd
and
4th
orders), models in aerospace domain (a non-linear missile and a vehicle satellite launcher),
and systems with output noises.
SUMRIO
LISTA DE ILUSTRAES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
LISTA DE TABELAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
15
INTRODUO
..................................................
17
1.1
Contexto e Motivao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
17
1.2
Objetivos da Dissertao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
1.3
Organizao da Dissertao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
20
FUNDAMENTOS TERICOS
...................................
21
2.1
Identicao de Sistemas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
2.1.1
Metodologia N2CACGO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
22
2.2
Sistemas LPV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
2.2.1
26
2.2.2
29
2.3
Sistemas Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
2.3.1
Representaes Discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
2.3.2
Modelo ARX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
2.3.3
33
2.3.4
34
2.4
Mnimos Quadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
2.4.1
Sistemas Sobredeterminados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
2.4.2
40
2.4.3
41
2.5
42
2.5.1
Mtodo de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
44
3.1
Desenvolvimento da Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
3.2
48
3.3
50
3.4
51
3.5
53
APLICAO E RESULTADOS
..................................
56
4.1
57
4.2
62
4.3
67
4.3.1
71
4.3.2
73
4.4
74
4.4.1
78
4.5
79
4.5.1
80
4.5.2
81
4.6
83
4.7
84
CONCLUSO
...................................................
87
5.1
88
REFERNCIAS BIBLIOGRFICAS
............................
90
APNDICES
....................................................
92
7.1
93
7.2
APNDICE 2:
m: k = sen(x)
......................................
99
7.2.1
Posio da Massa
7.2.2
Velocidade da Massa
7.2.3
Posio da Massa
7.2.4
Velocidade da Massa
7.2.5
Posio da Massa
com Rudo:
k = cos(x)
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.2.6
Posio da Massa
com Rudo:
k = sen(x)
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.3
APNDICE 3:
m: k = sen(x)
m: k = cos(x)
...................................
99
99
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
m: k = cos(x)
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
Posio da Massa
m1 (106 ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
8
7.3.2
Velocidade da Massa
m1 (104 ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
7.3.3
Posio da Massa
m2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
7.3.4
Velocidade da Massa
7.4
7.4.1
Sada
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
7.4.2
Sada
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
7.4.3
Sada
7.4.4
Sada
7.4.5
7.4.6
. . . . . . . . . . . . . . . . . . . . . . . . . . . 106
m2 (1010 )
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
. . . . . . . . . . . . . . . . . . . . . . . . . . 106
LISTA DE ILUSTRAES
FIG.2.1
33
FIG.3.1
45
FIG.3.2
Fluxograma
Kalman.
do
mtodo
de
identicao
...................
utilizando
Filtro
de
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
FIG.3.3
FIG.3.4
FIG.4.2
k = cos(x).
Detalhe
trajetrias
amortecedor de 2
de
ordem:
FIG.4.7
....................
.................
trajetrias
amortecedor de 2
60
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
de
ordem:
operao
k = sen(x).
do
sistema
massa-mola-
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
m: k = sen(x).
FIG.4.10
FIG.4.11
FIG.4.12
a
Diagrama do sistema massa-mola-amortecedor de 4 ordem.
FIG.4.13
FIG.4.14
FIG.4.15
Detalhe
das
60
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
k = sen(x).
das
massa-mola-
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
m: k = cos(x).
Detalhe
sistema
m: k = cos(x).
FIG.4.9
57
do
k = cos(x).
FIG.4.6
validao:
operao
FIG.4.8
..........
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
FIG.4.5
k = sen(x).
ordem.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
k = cos(x).
das
FIG.4.4
54
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
FIG.4.1
FIG.4.3
...........
trajetrias
amortecedor de 4
...................
m: k = sen(x).
.................
62
62
..........
63
m1 (F1 ).
.................................
65
m2 (F2 ).
.................................
65
de
ordem.
operao
do
sistema
massa-mola-
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
FIG.4.16
m1 (x1 ).
.........................
66
FIG.4.17
m2 (x2 ).
.........................
66
10
FIG.4.18
m1 (v1 ).
.......................
66
FIG.4.19
m2 (v2 ).
.......................
67
FIG.4.20
67
FIG.4.21
69
FIG.4.22
FIG.4.23
Identicao da sada
FIG.4.24
Identicao da sada
FIG.4.25
Identicao da sada
FIG.4.26
Identicao da sada
FIG.4.27
FIG.4.28
).
FIG.4.29
...........................
.............
69
.........................................
70
............................
70
.........................................
70
............................
.........
71
72
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
).
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
FIG.4.30
FIG.4.31
..................
73
FIG.4.32
75
FIG.4.33
75
FIG.4.34
FIG.4.35
Sada do VLS:
FIG.4.36
FIG.4.37
(t).
................................
entre 35s e 40s.
BZ (t).
73
..................
76
.............................................
76
......................
76
do VLS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
FIG.4.38
FIG.4.39
............
78
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
FIG.4.40
com rudo:
k = cos(x).
..........
80
FIG.4.41
com rudo:
k = sen(x).
..........
80
FIG.4.42
Identicao da sada
com rudo.
................................
81
FIG.4.43
Identicao da sada
FIG.4.44
Identicao da sada
com rudo.
FIG.4.45
Identicao da sada
FIG.4.46
com rudo.
FIG.4.47
..................
81
................................
82
82
11
......................
.........
83
83
FIG.4.48
FIG.4.49
com rudo. . . . . . . . . . . . . .
84
e 40s. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
FIG.4.50
com rudo.
FIG.4.51
.............
85
e 40s. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
12
LISTA DE TABELAS
TAB.3.1
a
mola-amortecedor de 4 ordem e os respectivos custos de identicao (JId ) e de validao (JV al ).
TAB.4.1
...............................
a
massa-mola-amortecedor de 2 ordem.
TAB.4.2
.............................
k = cos(x).
59
64
TAB.4.5
m:
....................................................
a
massa-mola-amortecedor de 4 ordem.
TAB.4.4
58
TAB.4.3
52
............................................
69
........................
74
TAB.4.6
78
TAB.4.7
78
TAB.4.8
..........................
.......................
79
a
massa-mola-amortecedor de 2 ordem com rudo.
...................
81
...................................
82
...............
84
TAB.7.1
86
........................................................
99
sen(x).
TAB.7.2
.....
k = sen(x).
TAB.7.3
m: k =
m:
....................................................
13
m: k =
99
cos(x).
TAB.7.4
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
k = cos(x).
TAB.7.5
TAB.7.6
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
k = cos(x).
k = sen(x).
com
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
com
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
m1 (x1 ).
TAB.7.7
TAB.7.8
TAB.7.9
. . . . . 102
m1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
m2 (x2 ).
m:
. . . . . 103
m2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
).
. . . . . . . . . . . . . . 104
).
. . . . . . . . . . . . . . . 105
).
. . . . . 105
).
. . . . . 105
com rudo.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
14
ABREVIATURAS
ARX
BLG
Bloco Giromtrico
CTA
FT
Funo de Transferncia
IAE
IME
IPqM
LIT
LMI
LMS
LPV
LQ
Linear Quadrtico
LTI
LTV
MIMO
MISO
MSE
N2CACGO
PID
SEL
SISO
VLS
15
SMBOLOS
y(t)
Sada do sistema
u(t)
Entrada do sistema
yk
uk
JId
JV al
|| . ||
Norma do argumento
| . |
Mdulo do argumento
G(j)
Vetor de freqncias
N (, s)
Polinmio do numerador da FT
D(, s)
Polinmio do denominador da FT
L[.]
5JS ()
< A, B >
a >> b
JS ()
16
G(s)
1 INTRODUO
1.1
CONTEXTO E MOTIVAO
A Engenharia de Controle tem por objetivo fazer com que os sistemas se comportem da maneira desejada, de forma a atender s especicaes de desempenho prdeterminadas.
dinmica de interesse, pode-se projetar e desenvolver controladores adequados para atingir os objetivos determinados.
A viabilidade do projeto de um controlador depende muitas vezes da obteno de
um modelo que descreva satisfatoriamente o comportamento dinmico do sistema a ser
controlado.
sero obtidos mais facilmente e tero desempenho melhor. Segundo AGUIRRE (2004),
a modelagem matemtica a rea do conhecimento que estuda maneiras de construir
e implementar modelos de sistemas reais. Uma das maneiras de se obter um modelo
analisar todas as leis fsicas que envolvem o sistema, encontrando as equaes que regem
a sua dinmica. Entretanto, para sistemas fsicos complexos, a anlise dessas leis pode
se tornar difcil, impedindo que se chegue a um modelo satisfatrio.
Nessas circunstncias, uma opo vivel extrair dados de experimentos em que,
atravs de entradas que excitem a planta, se possa medir a sua resposta. A construo
de modelos numricos a partir dos dados de entrada e de sada de uma planta chamada
Identicao de Sistemas.
j que, mesmo que os modelos obtidos sejam mais simples (o que uma vantagem, pois
facilita a anlise e o projeto de controladores), eles produzem respostas que se aproximam
muito da resposta real da planta.
Os mtodos de identicao se utilizam de dados no domnio do tempo (seqncias
temporais de medidas feitas na entrada e na sada), ou de dados no domnio da freqncia
(caractersticas da resposta em freqncia do sistema). So divididos, segundo LJUNG
(1987), em:
Mtodos Paramtricos;
Mtodos No-Paramtricos; e
17
modelagem caixa-branca;
modelagem caixa-cinza; e
modelagem caixa-preta.
1.2
OBJETIVOS DA DISSERTAO
1.3
ORGANIZAO DA DISSERTAO
Apndice.
O Captulo 2 apresenta a teoria que subsidiou este estudo, necessria para seu entendimento.
Alm disso
tratado o caso de sistemas LPV e quasi-LPV. Por m mostrado como se pode melhorar
o condicionamento numrico da soluo de sistemas de equaes lineares, que constitui
um ponto importante em diversos problemas tratados neste trabalho.
O Captulo 3 trata do desenvolvimento de uma metodologia analtica para a identicao de um modelo linear variante no tempo de um sistema no-linear, a partir dos
seus dados de entrada e de sada. Este modelo parametrizado por uma varivel
que
20
2 FUNDAMENTOS TERICOS
Este captulo tem por nalidade apresentar a teoria que fundamentou este trabalho.
So apresentados tpicos sobre identicao de sistemas, mostrando alguns mtodos empregados atualmente, tanto no domnio do tempo como no domnio da freqncia, bem
como metodologias desenvolvidas para tratar de sistemas LPV. Para o desenvolvimento
do trabalho no domnio do tempo, so apresentadas teorias de modelagem de sistemas
discretos. Muitos mtodos necessitam, em algum momento, solucionar um Sistema de
Equaes Lineares (SEL). Por isso, tratado tambm o problema de melhoria dos resultados na soluo de SEL, com a utilizao do mtodo de Gauss-Jordan com pivoteamento,
ao invs do mtodo da matriz pseudo-inversa.
2.1
IDENTIFICAO DE SISTEMAS
d) presena de rudos.
A identicao de sistemas um exerccio que envolve mltiplos e conitantes objetivos, sendo que a noo de um bom modelo subjetiva. Usualmente, considera-se como
parmetro para a qualidade do modelo o valor de uma funo custo dos tipos:
21
J = ||yp ye ||
a identicao do sistema.
Um dos objetivos seria ento encontrar um modelo que resulte num valor pequeno
para as funes custo acima. Dessa forma, adotando-se uma norma especca (norma 2,
por exemplo), e valendo-se de mtodos de otimizao numricos ou analticos, pode-se
encontrar os modelos matemticos que melhor representem uma dada planta.
A seguir so apresentados alguns mtodos de identicao para ilustrar a teoria
apresentada.
2.1.1
METODOLOGIA N2CACGO
Esta metodologia foi desenvolvida em SILVEIRA (2006), e ser brevemente apresentada a seguir.
Gs (j), calculados
Gne (, s)
n
X
k Pk (s) =
k=0
0 sn + 1 sn1 + + n1 s + n
N (, s)
=
D(, s)
sn + 1 sn1 + + n1 s + n
(2.1)
em que:
snk
0 sn + 1 sn1 + + n1 s + n
= [0 1 n ]T
Pk (s) =
(2.2)
(2.3)
= [1 2 n ]T
(2.4)
= [T T ]T
(2.5)
22
= [T T ]T ,
(2.6)
denida como:
D(, j1 )G(j1 )
D(, j )G(j )
2
2
D(, j) G(j) =
.
.
D(, jm )G(jm )
Deve-se ento calcular os plos e zeros de
de
D(s) e de N (s)]
de maneira que a funo custo na EQ. 2.6 seja minimizada. Pode-se reescrever a EQ. 2.6
como:
JS () =
m
X
(2.7)
i=1
ou simplicadamente:
JS () =
m
X
(ji ) (ji )
(2.8)
i=1
sendo
com
(2.9)
gradiente de
JS ():
JS () =
JS JS
JS JS JS
JS
0 1
n 1 2
n
T
= 0(2n+1)x1
l , l = 1, , n)
de
Adotando-se a notao
t (k , k = 0, , n
JS X
=
t
i=1
(2.10)
(ji )
(ji )
(ji ) + (ji )
t
t
Rn (ji ) , (ji )n ,
as derivadas parciais de
(2.11)
(ji ) em relao
resultam em:
(ji )
= [ji ]nk = Rnk (ji )
k
(ji )
= [ji ]nl G(ji ) = Rnl (ji )G(ji )
l
23
(2.12)
(2.13)
m
X
JS
=
(ji )]
[Rnk (ji ) (ji ) (ji )Rnk
k
i=1
=
=
m
X
i=1
m
X
i=1
m
X
(2.14)
i=1
Analogamente para o parmetro
JS
l
m
X
l ,
i=1
=
=
m
X
i=1
m
X
i=1
m
X
i=1
na qual
Re[?]
0.
JS
k
?.
= 0
JS
l
Q1
Q3
Q = Y
Q2
= 1
Q4
Y2
denem-se as matrizes
(2.16)
Rn = Rn (ji ), G = G(ji )
Q1 , Q2 , Q3 , Q4 ,
e os vetores
Y1
Y2
como:
Q1 =
m
X
i=1
Rn Rn
Rn Rn1
Rn R0
R R R R
n1 n1 Rn1 R0
n1 n
Re
.
.
.
.
.
.
.
.
.
R0 Rn
R0 Rn1
R0 R0
24
R(n+1) x (n+1)
(2.17)
Q2 =
m
X
i=1
m
X
i=1
Rn1 Rn G
G
Rn1 Rn1
Rn1 R0 G
R R G R R G R R G
n2 n1
n2 0
n2 n
Re
.
.
.
.
.
.
.
.
.
R0 Rn G
R0 Rn1
G R0 R0 G
Q4 =
Rn R0 G
R R G R R G R R G
n1 n2
n1 0
n1 n1
Re
.
.
.
.
.
.
.
.
.
R0 Rn1
G
R0 Rn2
G R0 R0 G
Q3 =
G
Rn Rn2
G
Rn Rn1
m
X
i=1
Rn x (n+1)
R R R R R R
n2 0
n2 n2
n2 n1
Re
.
.
.
.
.
.
.
.
.
R0 R0
R0 Rn2
R0 Rn1
Rn Rn G
R(n+1) x n
(2.18)
Rn1 R0
Rn1 Rn2
Rn1 Rn1
(2.19)
Rn x n
(2.20)
R R G
n1
n
Y1 =
Re
Rn+1
.
.
.
i=1
R0 Rn G
Rn1 Rn
m
R R
X
n2
n
Y2 =
Re
Rn
.
.
.
i=1
R0 Rn
m
X
(2.21)
(2.22)
2.2
SISTEMAS LPV
podem ser considerados como parmetros incertos. Muitas vezes, os sistemas no-lineares
podem ser tratados como sistemas lineares no-estacionrios (ARAJO, 2006).
Um sistema LPV pode ser descrito atravs das equaes a seguir:
(t)
Quando
x(t)
(2.23)
(2.24)
A, B , C
estados do sistema, congura-se uma no-linearidade no sistema, fazendo com que o termo
quasi-LPV seja mais adequado, ou seja, apesar do sistema ser no-linear, considera-se que
o parmetro
forma,
xT (x(t))
Dessa
, sendo:
tema);
2.2.1
A tcnica tratada nesta seo foi apresentada em ARAJO (2006). Para uma planta
com as caractersticas das EQ. 2.23 e EQ. 2.24 e que seja estvel, pode-se construir um modelo quasi-LPV que a represente de maneira adequada. Para isso necessrio identicar
preliminarmente um conjunto de modelos lineares em tantos pontos de operao quantos
necessrios, que correspondero a valores pr-determinados do parmetro
(endgeno
para os
pontos de operao
de interesse da planta.
Em uma segunda etapa, procura-se determinar, a partir dos modelos
modelo quasi-LPV
dependente do parmetro
Gi (s), um novo
lenta de pontos de operao. O modelo quasi-LPV identicado ser vlido para pequenos
desvios em torno da trajetria nominal.
Adota-se para cada modelo
Gi (s)
uma FT da forma:
(2.25)
` {0, 1 , n}.
Gi (s)
i,
yi (t) = y i (t) + yN i
ui (t) = ui (t) + uN i
Os valores
yN i
uN i R
(2.26)
Gi (s).
y(t)
Os sinais
e
u(t)
y(t)
u(t)
so a entrada e a sada da
Gi (s)
Gi (s),
Ui (s) = U i (s) +
Gi (s) =
uN i
, chega-se a:
s
Y i (s) + yNs i
s Y i (s) + yN i
Yi (s)
=
=
uN i
Ui (s)
U i (s) + s
s U i (s) + uN i
27
(2.27)
yN i = bi(n+1)
uN i = ai(n+1) .
A nova FT
dada por:
Com
(2.28)
(2.29)
(2.30)
j = [1j 2j vj ]T
(2.31)
ai
bi
da FT
de forma que:
G(s, ) =
(2.32)
G(s, )
do tipo quasi-LPV
A() B()
G(s, ) ,
C() D()
"
x(t)
(2.33)
"
=
A() B()
# "
C() D()
x(t)
#
(2.34)
u(t)
varia.
y(t)
quando
f () = 0 p + 1 p1 + + p , p N.
1p 1p1 1
p p1
1
2 2
1
aj = .
.
.
.
.
.
.
.
. 1 ..
.
p
p1
k k
1
p
= X j
(2.35)
A EQ. 2.35 um SEL, que pode ser resolvido por mtodos como da matriz pseudoinversa, Gauss-Jordan, etc. O mesmo se d, analogamente, para
p p1
1p 1p1
2 2
bj = .
.
..
.
..
.
.
kp kp1
28
bj :
1
. = X j
..
(2.36)
ai
bj
tambm utilizada na
2.2.2
Em BAMIEH & GIARR (1999) proposta uma metodologia iterativa de identicao de sistemas LPV que utiliza os dados temporais da planta. Seja o modelo LPV
discreto parametrizado como se segue:
M (q, ) =
sendo
q 1
b0 () + b1 () q 1 + + bnb () q nb
B(q, )
=
A(q, )
1 + a1 () q 1 + + ana () q na
n = na + nb + 1
bj ()
e
bj
da FT discreta,
i [0, 1, , na]
j [0, 1, , nb].
(2.37)
ai ()
ai
N 1
ai () = a1i + a2i + + aN
i
(2.38)
N 1
bj () = b1j + b2j + + bN
j
(2.39)
k, l [1, 2, , N ].
M (q, )
a11
a21
1
a2 a22
..
.
.
.
.
, a1 a2
na na
b1 b2
0
0
.
.
..
.
.
b1nb b2nb
29
aki
blj ,
aN
1
aN
2
.
.
.
.
.
.
N
ana
bN
0
.
.
.
.
.
.
bN
nb
(2.40)
yk1
.
.
y
kna
k , k k ,
uk
.
.
uknb
em que
k = (k)
[1 k k2 kN 1 ]
(2.41)
A.
(2.42)
k >
yk = < ,
(2.43)
T
1X
2}
J = J() =
E{(k, )
T k=0
(2.44)
denido como:
= yk < ,
k >
(k, )
Seja
(2.45)
k.
tros e minimizao da EQ. 2.45 utilizando o algoritmo steepest descent recai na seguinte
equao:
=
k
k1 = 1 g(
k1 )
2
sendo que
k1 )
g(
(2.46)
Error):
g() =
e o parmetro
dJ()
d
(2.47)
(do ingls Least Mean Square), em que na EQ. 2.47 a funo custo substituda por:
J() = (k, )2
30
(2.48)
A atualizao dos parmetros ento feita de acordo com a seguinte frmula recursiva:
k+1
Lembrando que
d
T
trao(X B)
dX
d
1
2
k+1
(k, )
=
2
d
k
=
(2.49)
= yk < ,
k >= yk trao(
T k ) e usando a propriedade
(k, )
= B,
tem-se:
1 d 2
d
T k )))
( ) = ( (yk trao(
2 d
d
= (k )
Assim, calculando para
k,
=
k = k k
(2.50)
k , k >= yk trao
k
k = y k <
k
(2.51)
k+1 =
k + k k
(2.52)
valores de
e para a matriz
k , uk
yk ,
convenientes,
at que os coecientes de
convirjam para os valores reais. Este mtodo, por ser iterativo, apresenta problemas de
preciso e diculdade na escolha do passo adequado e da matriz
como um vetor. Dessa forma a EQ. 2.45 pode ser resolvida analiticamente. A considerao de que as funes
ai ()
bj ()
2.3
SISTEMAS DISCRETOS
Um sistema digital opera com amostragens da sada sensoriada da planta e o controlador digital implementado por equaes algbricas recursivas chamadas equaes
diferenas. Tanto a amostragem quanto o sinal de controle so ativados em intervalos
de tempo denidos, chamados de perodo de amostragem (T ). A taxa de amostragem
dada por
1/T ,
que pode estar em ciclos por segundo (ou Hertz), ou ainda em radianos
y(kT ),
em que
y(k) ou yk ).
O perodo de amostragem
considerado um
valor xo, embora possa variar em certos algoritmos. Uma maneira simples de fazer um
computador digital aproximar a soluo de uma equao diferencial utilizar o mtodo
de Euler. Da denio de derivada:
x(t + t) x(t)
t0
t
x(t)
= lim
T 0
ou se
x(t)
varia pouco
T:
x(k)
2.3.1
(2.53)
x(k + 1) x(k)
T
(2.54)
REPRESENTAES DISCRETAS
B(q)
C(q)
u(k) +
v(k)
F (q)
D(q)
B(q)
C(q)
y(k) =
u(k) +
v(k)
F (q)A(q)
D(q)A(q)
y(k) = H(q) u(k) + G(q) v(k)
A(q) y(k) =
sendo
e
q 1
F (q)
(2.55)
(2.56)
(2.57)
um rudo branco
A(q) = 1 a1 q 1 any q ny
B(q) = 1 b1 q 1 bnu q nu
C(q) = 1 c1 q 1 cnv q nv
D(q) = 1 d1 q 1 dnd q nd
F (q) = 1 f1 q 1 fnf q nf
As funes
respectivamente, ou seja,
H(q)
o resultado de se substituir
32
q = z
na transformada
unilateral
H(q)
H(z)
h(k).
z 1 ,
Alm disso,
q 1
um operador de
2.3.2
MODELO ARX
Exogenous Inputs) pode ser obtido a partir do modelo geral dado pela EQ. 2.55, fazendo
resultando em:
H(q) =
B(q)
e do rudo
A(q)
G(q) =
1
, coforme a FIG. 2.1.
A(q)
2.3.3
entradas e
sendo
Ai Rpxp , Bi Rpxr
(2.58)
(2.59)
(2.60)
A(q) = I A1 q 1 Any q ny
(2.61)
B(q) = B1 q 1 + + Bnu q nu
(2.62)
Esta representao conhecida como VAR (do ingls vector autoregressive model with
exogenous inputs). Para ilustrar essa representao, ser utilizado o modelo apresentado
em AGUIRRE (2004):
"
y1 (k)
"
0, 4 1, 2
y2 (k)
+
#"
y1 (k 1)
0, 3 0, 7
y2 (k 1)
"
#"
#
1 0
u1 (k 1)
0 1
"
+
#"
0, 35 0, 3
0, 4 0, 5
y1 (k 2)
y2 (k 2)
u2 (k 1)
y(k) = T (k 1) + e(k)
(2.63)
(2.64)
(k 1) = [y T (k 1) y T (k 2) y T (k ny )
uT (k 1) uT (k 2) uT (k nu )]T
2.3.4
(2.65)
Um sistema discreto variante no tempo pode ser descrito pelas seguintes equaes de
estado com os parmetros conhecidos (no instante
k ):
xk+1 = Ak xk + Bk uk
(2.66)
yk = Ck xk + Dk uk
(2.67)
(2.68)
"
xk =
x1k
#
(2.69)
x2k
Ck = [ 1 0 ],
tem-se:
Dk = bok
(2.70)
(2.71)
k 1:
yk1 = Ck1 xk1 + Dk1 uk1
yk1 = x1(k1) + b0(k1) uk1
(2.72)
x1k = a1k [x1(k1) + b0(k1) uk1 ] a2k yk2 + b1k uk1 + b2k uk2
x1k = a1k x1(k1) a1k b0(k1) uk1 a2k yk2 + b1k uk1 + b2k uk2
x1k = a1k x1(k1) + [b1k a1k b0(k1) ] uk1 a2k yk2 + b2k uk2
Comparando a EQ. 2.73 com a EQ. 2.66 (no instante
k 1),
(2.73)
obtm-se a seguinte
forma matricial:
"
xk =
x1k
#
= Ak1 xk1 + Bk1 uk1
x2k
"
xk =
a1k
# "
a2k yk2 + b2k uk2
{z
} |
{z
}
xk1
Ak1
"
x1(k1)
{z
#
uk1
}
Bk1
(2.74)
na qual
"
#"
{z
Substituindo
yk1
xk+1 =
|
a1(k+1)
x1k
xk
Ak
x2k
k:
"
Ak1
Bk1 .
Para desco-
{z
Bk
#
uk
}
da equao acima:
(2.75)
Ak1
Bk1
"
xk =
a1k
# "
a2(k+1) 0
a2k yk2 + b2k uk2
{z
} |
{z
}
|
xk1
Ak1
"
x1(k1)
uk1
Bk1
(2.76)
Dessa forma, pode-se denir as equaes de estado para um sistema variante no
a
tempo de 2 ordem:
"
Ak =
a1(k+1) 1
a2(k+2) 0
"
Bk =
Ck = [1 0]
Dk = b0k
Generalizando para um sistema de ordem
n:
Ak
Bk
a1(k+1) 1 0 0
a
0 1 0
2(k+2)
.
.
=
.
an(k+n1) 0 0 1
an(k+n) 0 0 0
.
.
(2.77)
(2.78)
Ck = [1 0 0 0]
(2.79)
Dk = b0k
(2.80)
a
das EQ. 2.77 a EQ. 2.80 com a EQ. 2.68, ser considerado para anlise um sistema de 2
ordem.
A equao diferena para um sistema de 2
seguir:
(2.81)
k < 1,
as sadas para
k = {1, 2, 3}
so
apresentadas a seguir:
Para
Para
Para
k = 1:
y1 = b01 u1
(2.82)
(2.83)
(2.84)
k = 2:
k = 3:
A partir das equaes de estado (EQ. 2.77 a EQ. 2.80) e considerando o estado inicial
nulo (x1
= [0 0]T ),
Para
tem-se:
k = 1:
"
a12 1
x2 =
# "
a23 0
"
"
+
x2 =
u1
y1 = [1 0]
+ b01 u1
y1 = b01 u1
Para
k = 2:
"
x3 =
a24 0
"
x3 =
a13 1
# "
(2.85)
"
+
#
u2
a13 [b12 u1 a12 b01 u1 ] + b23 u1 a23 b01 u1 + b13 u2 a13 b02 u2
a24 [b12 u1 a12 b01 u1 ] + b24 u2 a24 b02 u2
"
y2 = [1 0]
#
+ b02 u2
(2.86)
37
Para
k = 3:
"
y3 = [1 0]
a13 [b12 u1 a12 b01 u1 ] + b23 u1 a23 b01 u1 + b13 u2 a13 b02 u2
+ b03 u3
y3 = a13 [b12 u1 a12 b01 u1 ] + b23 u1 a23 b01 u1 + b13 u2 a13 b02 u2 + b03 u3
y3 = a13 [a12 b01 u1 + b02 u2 + b12 u1 ] a23 b01 u1 +b03 u3 + b13 u2 + b23 u1
| {z }
|
{z
}
y1
y2
(2.87)
destes coecientes ao longo do tempo, e este polinmio parametrizado por uma varivel
cujos valores so conhecidos previamente, pode-se contornar este problema.
A representao em espao de estados em contrapartida representao atravs de
equao diferena importante na simulao dos modelos, especialmente quando se utiliza
a ferramenta Simulink do MatLab.
2.4
MNIMOS QUADRADOS
y = f (x)
aplicada a
valores de
x,
de forma que:
y1 = f (x1 )
y2 = f (x2 )
.
.
.
.
.
.
yN = f (xN )
38
(2.88)
No caso vetorial,
ento que a funo
f (x) : Rn R
f (x)
depende de um vetor
parametrizada por
Rn
de
parmetros. Diz-se
y = f (x, )
(2.89)
y1 = f (x1 , )
y2 = f (x2 , )
.
.
.
.
.
.
yN = f (xN , )
sendo que
yi
i-sima
observaes dos
observao de
elementos do vetor
y,
x.
(2.90)
so as
i-simas
2.90. A partir de agora, cada membro ser denominado restrio, ou seja, a EQ. 2.90
um conjunto de
xi
yi , i {1, 2, , N },
deseja-se determinar
Para
e o vetor
y = xT
c) So consideradas
elementos de
(2.91)
restries, a m de se ter
de forma que
N = n.
Da considerao a) ca claro que em problemas de identicao de sistemas dinmicos, normalmente supe-se que o sistema seja invariante no tempo e que os sinais medidos
sejam estacionrios. A considerao b) implica que
y
2
2
. = [x1 x2 xn ] .
..
..
n
yn
y1
39
y=X
X Rnxn
(2.92)
Na EQ. 2.89,
xn ,
um vetor coluna de
x1 , x2 , ,
o vetor de parmetros a
(desde que
seja
no singular), ou seja:
= X 1 y
(2.93)
Esta soluo vlida para os casos em que o nmero de restries igual ao nmero
de parmetros de
(n = N ).
N >> n,
como pode
X R N xn
no inversvel. A seo seguinte apresenta a soluo da EQ. 2.92 para este caso.
2.4.1
SISTEMAS SOBREDETERMINADOS
Caso houver
forma que
X RN xn , y RN x1
Rnx1 .
Como a matriz
no quadrada, ela no
XT
em ambos os lados,
tem-se:
XT y = XT X
Dessa forma,
X T y Rnx1
X T X Rnxn .
(2.94)
Se
XT X
invertida, chegando-se a:
= [X T X]1 X T y
sendo
[X T X]1 X T
(2.95)
2.4.2
e que cometido
x e de ,
ou seja:
+
y = xT
Escrevendo de forma matricial, quando se tem
+
y = X
40
(2.96)
N >n
Deseja-se encontrar
J=
N
X
ou seja:
(i)2 = T = || ||2
(2.98)
i=1
O custo
J,
se ajusta s medidas de
na EQ. 2.98:
T (y X )
J = (y X )
T X T y +
T X T X
= yT y yT X
Para encontrar o vetor de parmetros
(2.99)
J,
deve-se resolver
= 0:
J
= (y T X)T X T y + (X T X + X T X)
= (X T y) X T y + 2X T X
= 2(X T y) + 2X T X
(2.100)
= 0
2(X T y) + 2X T X
= [X T X]1 X T y
Para que
(2.101)
2J
= 2X T X > 0,
2
2X T X
2.4.3
e(t)
u(t),
uma sada
y(t)
ou o rudo na sada).
Este sistema pode ser representado por uma equao diferena da forma:
(2.102)
ai
bj , i {1, 2, , na}
yk ].
j {0, 1, 2, , nb},
vetores:
sendo
(2.103)
(2.104)
k R(na+nb+1)x1
o vetor de medidas e
R(na+nb+1)x1
o vetor de parmetros.
yk = kT + ek
(2.105)
ai e bj ):
y0
y
1
yN 1
0T
e0
e
T
1
1
+
=
T
eN 1
N
1
(2.106)
Y = + e
(2.107)
Partindo da EQ. 2.107, pode-se utilizar o princpio dos mnimos quadrados para
encontrar o valor de
que
J=
N
X
2
(yk kT )
(2.108)
k=1
ou seja, que melhor represente o sistema fsico desejado.
2.5
(X T X)
na EQ. 2.93 ou de
nas EQ. 2.95 e EQ. 2.101 para resolver o SEL pode no trazer bons resultados,
Existem outros mtodos com melhor condicionamento dos resultados, como a Eliminao Gaussiana com Pivoteamento Parcial, Gauss-Jordan, Gauss-Seidel, Gauss-Jacobi e
Choleski, sendo este ltimo desenvolvido especialmente para o caso de matrizes simtricas
(DIEGUEZ, 1992).
sigualdades Matriciais Lineares) para resolver um SEL, entretanto, para grandes sistemas
o mtodo torna-se invivel devido ao elevado custo computacional. No desenvolvimento
deste trabalho foi utilizado o mtodo de Gauss-Jordan, o qual ser explicado a seguir.
2.5.1
MTODO DE GAUSS-JORDAN
Rn x n )
do SEL
a) Multiplicao (ou diviso) de todos os elementos de uma linha por um valor real;
b) Permutao de linhas; e
c) Substituio de uma linha pela soma algbrica desta linha com uma outra.
Durante a execuo do algoritmo poder surgir um elemento nulo na diagonal da
matriz. Nesse caso, o sistema pode ser indeterminado (caso o respectivo elemento de
tambm seja nulo) ou impossvel (caso o respectivo elemento de
no seja nulo).
variando de 1 at
a) Permutar a linha
n,
i
A = X|B Rn x (n+1) .
Em seguida,
com a linha
aki
absoluto (pivoteamento);
b) Dividir todos os elementos da linha
c) Para as linhas
akj
pelo elemento
aii ;
o produto do elemento
aij .
A = I|,
ou seja, a matriz
foi transformada na
uk
Estas variveis
disponveis dos dados. A sada do instante atual desse sistema (yk ) se relaciona com as
sadas anteriores e entradas atual e anteriores atravs de uma equao diferena como se
segue:
ai
modelo do sistema
G.
Agora, seja
bj , i {1, , n}
j {0, 1, , n},
(3.1)
so constantes e denem o
k.
deixam de ser
Assim, pode-se
yk = a1k yk1 a2k yk2 ank ykn + b0k uk + b1k uk1 + + bnk ukn
em que o ndice
(3.2)
k + 1,
Admite-se que
k
.
e mnimo, ou seja,
[min , max ].
Cabe ressaltar que h sistemas que realmente guardam uma relao entre a variao
dos seus coecientes (ai e
bj )
tanto, isso pode resultar numa aproximao no muito satisfatria, gerando imperfeies
no resultado da identicao.
44
bjk
dependente do parmetro
Cada coeciente
Os coecientes
cidos, denem um
coecientes
i`
aik
N
aik = i0 + i1 k1 + + iN k1
(3.3)
N
bjk = j0 + j1 k1 + + jN k1
(3.4)
j` , ` [0, , N ] e a ordem N do polinmio, quando conhe . O objetivo deste mtodo de indenticao encontrar os
sistema G
i`
j` ,
uk
e dos parmetros
k ,
a sada
y de G
de
G.
y,
dada
1 X
J=
(yk yk )2
m k=1
(3.5)
Sendo assim, o objetivo minimizar a equao acima, obtendo o modelo que mais se
aproxima do sistema original. O mtodo ilustrado pelo algoritmo da FIG. 3.1.
3.1
DESENVOLVIMENTO DA METODOLOGIA
Substituindo os coecientes
yk =
yk =
n
X
i=1
n
X
aik
bjk
yki aik +
n
X
ukj bjk
j=0
N
yki (i0 + i1 k1 + + iN k1
)+
i=1
n
X
N
ukj (j0 + j1 k1 + + jN k1
)
(3.6)
j=0
Separando a parte dependente de
yk =
n
X
dos coecientes
i`
i` :
N
yki [ 1 k1 k1
] [i0 i1 iN ]T +
i=1
n
X
N
ukj [ 1 k1 k1
] [j0 j1 jN ]T
(3.7)
j=0
Denindo os seguintes vetores para
i [1, 2, , n]:
T
N
ik
, yki [ 1 k1 k1
]
i , [i0 i1 iN ]T
e para
(3.8)
(3.9)
j [0, 1, , n]:
T
N
(j+n+1)k
, ukj [ 1 k1 k1
]
(j+n+1) , [j0 j1 jN ]T
(3.10)
(3.11)
Denindo tambm:
T
T
T
]
Tk = [ 1k
2k
(2n+1)k
46
(3.12)
2n+1
(3.13)
Chega-se a:
yk = Tk
Enquanto o vetor
, ykn , uk , , ukn
i`
j`
k1 ,
o vetor
k,
(3.14)
conforme os valores de
yk1 , yk2 ,
.
G
1 X
2
J=
(yk Tk )
m k=1
Conhecendo-se
e a matriz
(3.15)
T1
= 2
T
m
y1
y
2
Y =
ym
(3.16)
(3.17)
de forma que:
Y =
com
Y <m x 1
<m x (2n+1)N .
T
T
| {zY} =
| {z}
P
Na EQ. 3.19,
Q <(2n+1)N x 1
(3.18)
T :
(3.19)
P <(2n+1)N x (2n+1)N .
um SEL que pode ser resolvido utilizando o mtodo da matriz pseudo-inversa, ou outros
mtodos com melhor condicionamento numrico, como Gauss-Jordan com pivoteamento,
como citado na Seo 2.5.
47
3.2
A metodologia desenvolvida na seo anterior pode ser estendida para sistemas multivariveis do tipo MISO (do ingls Multiple Input Single Output) e, por conseguinte,
para sistemas MIMO (do ingls Multiple Inputs Multiple Outputs). O desenvolvimento
anlogo, entretanto apresenta um considervel aumento das variveis a serem identicadas, de acordo com o nmero de entradas e de sadas do sistema. Seja um sistema
com
entradas e uma sada, denido por uma equao diferena como se segue:
yk
r=1 j=0
i=1
na qual
(3.20)
aik , i [1, , n], indica os coecientes que relacionam a sada y no instante atual
(instante
k)
com a entrada
os coecientes
ai
brj
Sendo assim:
N
aik = i0 + i1 k1 + + iN k1
(3.21)
r
r
r
N
brjk = j0
+ j1
k1 + + jN
k1
(3.22)
Substituindo os coecientes
aik
brjk
em EQ. 3.20:
yk =
n
X
N
yki (i0 + i1 k1 + + iN k1
)+
i=1
p
n
X
X
r=1
r
r
r
N
urkj (j0
+ j1
k1 + + jN
k1
)
j=0
yk =
n
X
dos coecientes
i`
i`r :
N
yki [ 1 k1 k1
] [i0 i1 iN ]T +
i=1
p
n
X X
r=1
N
r
r
r T
urkj [ 1 k1 k1
] [j0
j1
jN
]
j=0
48
i [1, 2, , n]:
T
N
ik
, yki [ 1 k1 k1
]
i , [i0 i1 iN ]T
e para
j [0, 1, , n]
r [1, 2, , p]:
rT
N
jk
, urkj [ 1 k1 k1
]
r T
r
r
]
jN
j1
rj , [j0
Denindo tambm:
T1k
T
T
T
[ 1k
2k
nk
]
T2k
1T
1T
1T
]
nk
1k
[ 0k
T3k
2T
2T
2T
[ 0k
1k
nk
]
T(p+1)k
pT
pT
pT
[ 0k
1k
nk
]
(3.23)
[ T1 T2 Tn ]T
1T
T
[ 1T
1T
0 1
n ]
2T
T
[ 2T
2T
0 1
n ]
p+1
pT
T
[ pT
pT
0 1
n ]
(3.24)
Ainda:
p+1
Chega-se a:
com
Tk <1 x N [n(p+1)+p]
yk = Tk
(3.25)
<N [n(p+1)+p] x 1 .
p = 1.
3.3
O Filtro de Kalman pode ser utilizado na identicao LPV proposta nas Sees 3.1
e 3.2. A partir do conhecimento dos sinais de entrada
parametriza o sistema
3.3 e EQ. 3.4 ou
i`
u,
de sada
y,
e da varivel
i`
G,
r
j`
j`
que
das EQ.
(i)
(i)
vk
est sujeita a
wk :
(i)
k+1 = k + wk
(3.26)
(i)
{wk } e vk
nula e independentes.
(i)
{wk }
(j)
{wk },
para
i 6= j .
Assim, o modelo na EQ. 3.26 pode ser reescrito sob a forma de espao de estado
discreto:
k+1 = IN (2n+1) x
{z
|
N (2n+1)
yk
onde
F =I
Tk
k + wk
}
(3.27)
k + vk
|{z}
HkT
HkT
a matriz de sada.
xk = Fk1 xk1
(3.28)
T
Pp(k) = Fk1 Pe(k1) Fk1
+ Qk1
Pe
(3.29)
(3.30)
(3.31)
(3.32)
50
Kf
3.4
Esta seo trata de alguns aspectos relevantes quanto metodologia para identicao de sistemas proposta neste captulo.
51
sadas anteriores e de
entradas anteriores.
sadas anteriores e
nb
yk
na
testados. Atravs dos resultados obtidos no Captulo 4, v-se que a maioria dos modelos
identicados possuem valores diferentes de
na
nb ,
Alm disso, possvel que se obtenha melhores resultados caso sejam considerados
que os coecientes possam ter ordens diferentes de polinmios. Devido ao aumento do
tempo de execuo do algoritmo que essa situao traria, nos exemplos do Captulo 4 foi
considerado que todos os coecientes possuem a mesma ordem de polinmio N.
Outro ponto a ser destacado que a sada
com a entrada atual
uk ,
yk
= 0)
em espao de estados. Isso tambm deve ser levado em conta na identicao, testando-se
as duas alternativas e vericando qual traz melhores resultados.
A TAB. 3.4 mostra os custos de identicao (JId ) e de validao (JV al ) de modelos
a
de diferentes ordens para o sistema massa-mola-amortecedor de 4 ordem da Seo 4.2.
Percebe-se que os modelos possuem valores diferentes de
entrada) e
que
b0
nb2
na , nb1
Sada
na
nb1
nb2
b0
m1
Posio
Sim
m2
Posio
No
Posio
Sim
Posio
No
JId
7,20895
7,03720
2,30827
2,32548
10
13
10
13
10
16
10
16
Ao se transformar o problema de identicao de modelos em um problema de resoluo de um Sistema de Equaes Lineares, deve-se ter o cuidado de garantir a viabilidade
deste ltimo. Para isso, a matriz
(EQ. 3.8 e
utilizar
sinais que sejam sucientemente ativos. Supondo que todos os sinais sejam constantes,
uk = c u , y k = c y
k = c , k ,
a matriz
T ,
que
y.
normalmente com-
pensar o fato da entrada no ser um sinal sucientemente ativo. Cabe ressaltar que a
disponibilidade dos dados da varivel paramtrica muito importante nessa metodologia
de identicao LPV, pois ela dene uma trajetria de operao do sistema. O conhecimento dessa informao adicional aos dados de entrada e de sada caracteriza uma
metodologia do tipo caixa-cinza.
Ao testar a metodologia nos exemplos do Captulo 4, vericou-se que nem sempre o
resultado era satisfatrio, ao tentar encontrar um modelo nico que se aproximasse do
sistema original durante todo o intervalo de tempo considerado. Com isso, desenvolveu-se
uma alternativa para melhorar os resultados da identicao, que resultou em custos de
identicao menores. Essa metodologia alternativa detalhada na seo seguinte.
3.5
- e 4.5.2 - com
rudo). Isso pode ser explicado pelo fato da variao dos coecientes ser muito grande,
ou ainda, apresentar descontinuidades, de forma que no possa ser aproximada por um
polinmio.
A m de contornar esse problema, divide-se os dados em
intervalos de tempo
menores, nos quais considera-se a variao dos coecientes aproximvel por um polinmio.
Em seguida, executa-se a identicao para cada intervalo, encontrando
modelos.
, yn ;
entrada
em
u1 , u2 , , un ;
t1 , t2 , t3 , , tn
e varivel
53
em
(sada
1 , 2 , , n );
em
y1 , y2 ,
1
G
O modelo
y1 ;
y 2 T ]T ,
1 ) para encontrar
1;
G
y2 ];
n utiliza-se
G
y2 yn1 yn ].
na, nb
N ),
(EQ. 3.13).
Por-
54
55
4 APLICAO E RESULTADOS
a
a
massa-mola-amortecedor de 2 e 4 ordens (com coeciente de elasticidade das molas
variando de forma no-linear conforme a posio das massas), o modelo no-linear de
um mssil ar-ar e, por m, um modelo LPV de um veculo lanador de satlites. visto
tambm o resultado quando o sistema a ser identicado apresenta rudo na sada. Por
m, apresentado o resultado da identicao por Filtro de Kalman no modelo do mssil
no-linear com rudo.
Para encontrar os melhores modelos, foram testados valores de
at 10, e valores de
na
nb
variando de 1
a
a
sistema Massa-Mola-Amortecedor de 2 e 4 ordens, do mssil no-linear, dos sistemas
com rudo e utilizando Filtro de Kalman encontram-se nos Apndices. Os dados foram
discretizados utilizando uma freqncia de amostragem de 64Hz, que o valor utilizado
na obteno das informaes de vos reais do VLS.
Tendo em vista que nenhum modelo poder representar o sistema real em todos os
aspectos (AGUIRRE, 2004), deve-se levar em conta na sua validao quais caractersticas deseja-se que ele reproduza. Outra informao importante a saber quo gerais os
modelos so, de modo que na validao deve-se utilizar uma entrada diferente da que foi
utilizada na identicao. Entretanto, no caso da identicao de modelos LPV que representem sistemas no-lineares, a identicao realizada ao longo de uma trajetria de
operao determinada pela varivel paramtrica
com o sistema em condies de operao semelhante, ou seja, prximo dessa mesma trajetria. Caso contrrio, o modelo revelar diferenas com relao s observaes quando
for validado (AGUIRRE, 2004).
Assim, com exceo do modelo do VLS (Seo 4.4), foram utilizadas para a validao
dos modelos identicados entradas com valores 1% menores que as entradas utilizadas
para identicao, de modo que a trajetria de operao no se alterasse muito, embora
produzisse uma diferena entre os conjuntos de dados.
defasadas no tempo de 1 perodo de amostragem (
56
1
s
64
= 0, 015625s).
4.1
b,
aplicada na massa.
a
FIG.4.1: Diagrama do sistema massa-mola-amortecedor de 2 ordem.
Considerando o sistema sem atrito, a equao da dinmica desse sistema dada por:
m x = F Fk Fb
(4.1)
Fk = k x
(4.2)
Fb = b x
(4.3)
sendo que:
m x = F k x b x
F
k
b
x =
x
x
m m
m
(4.4)
x1 = x
x2 = x
tem-se:
x1 = x = x2
F
k
b
x2 = x =
x1
x2
m m
m
(4.5)
(4.6)
"
x1
x2
"
=
# "
k
mb
m
57
x1
x2
"
+
0
1
m
#
F
(4.7)
"
y=
# "
1 0
0 1
x1
"
+
x2
#
F
(4.8)
k = cos(x)
(4.9)
= x(t)].
As
entradas utilizadas para identicao e para validao dos modelos esto representadas
nas FIG. 4.2 e FIG. 4.3.
m = 1Kg
b = 1N s/m.
Aplicando a
= sen(x)].
FIG. 4.7 e FIG. 4.8, e os resultados nas FIG. 4.10 e FIG. 4.11. Aa trajetrias de operao
nominal e de validao esto na FIG. 4.9.
Neste exemplo, todas as sadas obtiveram bons resultados, com custos de identicao
e de validao baixos, da ordem de 10
a 10
10
esto nos Apndices 7.2.1 a 7.2.4. A TAB. 4.1 rene os resultados obtidos, e a TAB. 4.2
mostra a variao do custo conforme a ordem dos modelos identicados para a posio
da massa
com
k = cos(x).
JId
JV al ,
Sada
na
nb
b0
k = cos(x)
Posio
No
Velocidade
10
10
Sim
Posio
No
Velocidade
No
k = sen(x)
58
JId
8
8,4642210
8
7,4614710
10
4,3391010
9
2,0589810
JV al
5
3,9823210
6
2,6366710
3
5,5908810
6
2,9910710
b0
JId
m: k = cos(x).
JV al
na
nb
1,33565
1,32820
0,95465
0,94361
0,95445
0,93886
15
1,3130810
3,9928610
6,2001510
8,4642210
3,9823210
No
0,94832
0,93141
0,50132
0,49362
0,54745
k = cos(x).
59
k = cos(x).
a
FIG.4.4: Detalhe das trajetrias de operao do sistema massa-mola-amortecedor de 2
ordem:
k = cos(x).
m: k = cos(x).
m: k = cos(x).
k = sen(x).
k = sen(x).
a
FIG.4.9: Detalhe das trajetrias de operao do sistema massa-mola-amortecedor de 2
ordem:
k = sen(x).
61
m: k = sen(x).
4.2
m: k = sen(x).
A metodologia proposta, como mostrado na Seo 3.2, pode ser estendida para um
sistema MISO. Para ilustrar, ser mostrado a seguir um sistema massa-mola-amortecedor
com duas massas. As foras aplicadas em cada massa sero as entradas
F1
F2
respec-
tivamente, conforme mostra a FIG. 4.12. Equacionando as foras atuantes no bloco com
massa
m1 :
m1 xm1 = F1 + Fk2 + Fb2 Fk1 Fb1
(4.10)
Como:
Fk1 = k1 xm1
62
(4.11)
a
FIG.4.12: Diagrama do sistema massa-mola-amortecedor de 4 ordem.
(4.12)
Fb1 = b1 x m1
(4.13)
Fb2 = b2 (x m2 x 1 )
(4.14)
(4.15)
m2 :
(4.16)
x1 = xm1
x 1 = x m1 = x2
x2 = x m1
x 2 = xm1
x3 = xm2
x 3 = x m2 = x4
x4 = x m2
x 4 = xm2
(4.17)
x 1
x k1 +k2 b1 +b2
k2
b2
2
m1
m1
m1
m1
=
x 3
0
0
0
1
k2
b2
x 4
mk22 mb22
m2
m2
63
x1
x 1
2 m1
+
x3 0
x4
0
"
#
0
F
1
0 F2
1
m2
(4.18)
m1
1 0 0 0
0 1 0 0
y=
0 0 1 0
0 0 0 1
x1
0 0
m2 .
"
#
x 0 0 F
2
1
x3 0 0 F2
x4
0 0
(4.19)
Da mesma forma que na Seo 4.1, ser inserida uma no-linearidade no modelo,
considerando que a constante elstica da mola
[k 1
k1
m1
do sistema esto representadas nas FIG. 4.13 e FIG. 4.14, e as trajetrias de operao
nominal e de validao esto na FIG. 4.15. O sistema foi simulado considerando
F2 )
de 1 at 5, e
na , nb1
(referente entrada
m1 =
Para encontrar o
F1 ), nb2
(referente
de 1 at 10.
xm1
xm2
das massa
m1
m2 ,
respecti-
vamente, mostradas nas FIG. 4.16 e FIG. 4.17, so satisfatrias apenas no intervalo de 0
a 30s. O mesmo corre para a velocidade
vm1
vm2
na
FIG. 4.19, a sada do modelo prxima da sada ideal em todo o intervalo de 0 a 50s.
Isto se deve ao fato da entrada de validao denir uma trajetria de operao
diferente da trajetria nominal, prejudicando os resultados. Percebe-se isso atravs da
9
TAB. 4.3, na qual os custos de identicao so muito baixos, da ordem de 10
a
10
16
Sada
na
nb1
nb2
b0
m1
Posio
No
Velocidade
Sim
Posio
Sim
Velocidade
No
m2
64
JId
13
7,0372110
9
1,3863710
16
2,3082710
12
1,8770410
JV al
5
5,3093110
2
1,1342210
6
7,6041110
5
1,6342110
m1 (F1 ).
m2 (F2 ).
m1 (x1 ).
m2 (x2 ).
m1 (v1 ).
4.3
m2 (v2 ).
c (t)
lar em arfagem
q(t)
(em graus/s).
(t)
(t)
q M 0 M
0
=
0 0 0
1
0 0 a2 2a
67
q 0
+
c
0
"
"
=
Os coecientes
#
q
N 0 N 0
0
Z , Z , M , M , N
so apresentados a seguir:
= 0,
(t),
A sua veloci-
= ||
na sua
0, 7 P0
Kz
0, 7
vs
Kq
0, 7
Ax
0, 7
Iy
Ca
= 0, 3 (coeciente de arrasto)
180S
mvs
S
P0 mg
P0 180Sd
Iy
a
P0 SC
m
an
0, 75 ps (dimetro)
bn
= 0, 00945 grau2
cn
= 0, 1696 grau1
dn
= 0, 034 grau1
am
bm
= 0, 0195 grau2
do atuador)
cm
dm
= 0, 206 grau1
P0
0, 000215 grau3
0, 051 grau1
68
A identicao da sada
mostrada
Embora a sada
tenha
na
nb
b0
No
No
JId
3,13727
10
4,21029
69
JV al
5,53335
10
4,14531
4.3.1
Lembrando que
Z , Z , M , M , N
dependem de
e que M constante,
com a entrada
de uma forma
geral:
G(s, )|=0
b2 (0 ) s2 + b3 (0 ) s + b4 (0 )
= 4
s + a1 (0 ) s3 + a2 (0 ) s2 + a3 (0 ) s + a4 (0 )
(4.20)
Sendo:
a1 () = 2 a Z
a2 () = a M 2 a Z
a3 () = Z a M 2 a
a4 () = M a
Para a sada
(4.21)
:
b2 () = 0
b3 () = Z a2
b4 () = M a2
Para a sada
:
b2 () = N a2
b3 () = N Z a2
b4 () = N M a2
As FIG. 4.27 a FIG. 4.29 mostram a variao dos coecientes da FT na EQ. 4.20
com relao varivel paramtrica
).
).
72
4.3.2
73
do mssil
4.4
na
nb
10
b0
No
Incio
Fim
0s
35s
35s
45s
45s
55s
10
55s
70s
JId
JV al
2,50720
2,58640
GP (s) =
(s)
M s2 + (M Z M Z ) s/U
= 2
BZ (s)
s + (Mq + Z /U )s + (Mq Z /U M ) + M g/U
Mq
os momentos angulares,
(s), BZ (s)
(4.22)
a sada do atuador,
a acelerao da gravidade,
M , M
U
e
variveis foram obtidos atravs de simulaes e ensaios e tabelados para cada segundo
74
de vo.
ganhos.
Ainda na FIG. 4.32 esto indicados os locais onde foram colhidos os sinais u e y,
utilizados como entrada e sada no processo de identicao, e que esto representados
nas FIG. 4.34 e FIG. 4.35.
zando como entrada de referncia o sinal apresentado na FIG. 4.33, que semelhante ao
empregado em um vo real.
75
BZ (t).
(t).
Inicialmente foi feita a tentativa de identicar um modelo nico para todo o intervalo
de tempo de interesse (0s a 60s). Entretanto, o resultado no foi satisfatrio, como se
pode observar atravs da FIG. 4.36.
Isso pode ser explicado ao se reescrever a FT da EQ. 4.22 como na EQ. 4.23, e se
observar como os coecientes da nova FT (EQ. 4.23) variam ao longo do tempo. A FIG.
4.37 mostra essa variao, juntamente com a tentativa de se aproximar a mesma atravs
de polinmios de ordem 15.
G(s, t)|t=t0 =
b1 (t0 ) s2 + b2 (t0 ) s
s3 + a1 (t0 ) s2 + a2 (t0 ) s + a3 (t0 )
(4.23)
FIG.4.37: Aproximao polinomial (de ordem 15) dos coecientes do modelo do VLS.
Percebe-se que a variao dos coecientes possui descontinuidades que impedem que
a aproximao das mesmas por polinmios, mesmo de ordem elevada, seja satisfatria.
Buscando melhorar os resultados, foi realizada a identicao por partes do VLS. Os
dados foram divididos nos instantes de 8s, 10s, 12s, 15s, 18s, 20s, 22s, 24s, 26s, 30s, 35s,
40s, 55s e 60s, obtendo-se ao nal 14 modelos que conjuntamente representam o VLS ao
longo do tempo. As ordens dos modelos estao na TAB. 4.6, os custos obtidos na TAB.
4.7, e os resultados nas FIG. 4.38.
77
(t)
na
nb
b0
Incio
Fim
0s
8s
10
11
8s
10s
10
11
10s
12s
12s
15s
15
15s
18s
18s
20s
20s
22s
13
No
22s
24s
10
24s
26s
13
26s
30s
10
30s
35s
11
35s
40s
11
40s
55s
12
55s
60s
na
nb
b0
Incio
Fim
JId
nica
10
Sim
0s
60s
0,463050
Partes
No
2,27505
106
4.4.1
10s, 12s, 14s, 16s, 18s, 24s, 26s, 27s, 30s, 35s, 40s, 55s, 59s e 60s, totalizando 14 modelos.
O custo de identicao obtido encontra-se na TAB. 4.8 e os resultados na 4.39.
TAB.4.8: Ordens dos modelos identicados e custo de identicao (JId ) para o VLS
com modo de exo amplicado.
Sada
(t)
na
nb
b0
Incio
Fim
0s
10s
10
10s
12s
14
12s
14s
14s
16s
16s
18s
18s
24s
24s
26s
14
26s
27s
27s
30s
30s
35s
12
35s
40s
13
40s
55s
55s
59s
59s
60s
No
JId
6,50711
106
4.5
79
4.5.1
a
Foi adicionado sada da posio dos sistemas massa-mola-amortecedor de 2 ordem
6
da Seo 4.1 um rudo branco de mdia nula e varincia de 10 . Atravs dos resultados
mostrados na TAB. 4.9, percebe-se que o rudo nesse caso pouco prejudica a identicao, obtendo-se ainda bons resultados. A comparao das sadas reais e identicadas
mostrada nas FIG. 4.40 e FIG. 4.41.
Os coecientes dos modelos identicados esto nos Apndices 7.2.5 e 7.2.6.
com rudo:
k = cos(x).
com rudo:
k = sen(x).
80
k = cos(x)
k = sen(x)
4.5.2
Sada
na
nb
b0
Posio
10
Sim
Posio
10
No
JId
6,49552
4,79767
10
10
JV al
6,83133
1,27817
10
10
Adicionando um rudo branco com mdia nula e varincia de 0,05 nas duas sadas do
mssil no-linear da Seo 4.3, pode-se ainda obter modelos que representam satisfatoriamente o sistema original. Os resultados so apresentados na TAB. 4.10 e nas FIG. 4.42
a FIG. 4.45.
81
com rudo.
com rudo.
na
nb
b0
JId
JV al
Sim
0,76865
0,65391
Sim
6,37249
6,24803
82
4.6
sero reduzidos
atravs da identicao por partes. Os dados foram divididos nos instantes de 35s e 50s,
obtendo-se 3 modelos que reproduzem a sada original com uma reduo de cerca de 40%
no erro quadrtico mdio.
Os resultados podem ser observados atravs da TAB. 4.11 e das FIG. 4.46 e FIG.
4.47.
83
com rudo.
do mssil
4.7
na
nb
b0
No
Incio
Fim
35s
35s
50s
50s
70s
JId
JV al
3,91764
3,85016
ter a mesma
dimenso do que obteve o melhor resultado apresentado, no sendo realizada aqui a busca
da ordem dos polinmios e do modelo.
A TAB. 4.12 mostra os custos de identicao e validao obtidos. Percebe-se que
os valores esto prximos dos encontrados na Seo 4.5.2, mostrando a viabilidade da
utilizao do ltro de Kalman para obter modelos adequados. As FIG. 4.48 e FIG. 4.49
mostram os resultados para a sada
sada
84
com rudo.
com rudo.
na
nb
b0
JId
JV al
Sim
1,99827
0,65960
Sim
10,51229
6,22350
86
5 CONCLUSO
valores de
da entrada
e da sada
Tendo
do sistema,
constri-se um SEL que pode ser resolvido analiticamente, e que tem como resultado
os coecientes dos polinmios de cada coeciente da equao diferena que representa o
sistema (EQ. 3.2 a 3.4), e que minimizam uma funo custo quadrtico (EQ. 3.5).
Para encontrar o melhor modelo que reproduza a sada do sistema original, foram
testadas vrias ordens de equaes diferena, em que a sada atual
na
sadas anteriores e
nb
na
nb
a
o sistema massa-mola-amortecedor de 4 ordem.
relao ou no de
yk
yk
uk ,
se relaciona com
de polinmios.
n1
n
G
correspondente ao
modelos identicados
87
Outra vantagem o
fato do mtodo ser analtico, diferente de outros mtodos de identicao LPV recursivos
ou que utilizam algoritmos de otimizao.
A metodologia mostrou-se ecaz tambm na identicao de sistemas do tipo MISO,
mesmo trazendo um aumento do nmero de variveis a serem identicadas, dependendo
do nmero de entradas adicionais levadas em conta.
5.1
e do vetor
Y,
b) Vericar a possibilidade de arredondamento ou truncamento dos valores dos coecientes identicados, reduzindo a memria necessria para armazenamento dos
mesmos e simplicando os resultados;
de seus valores;
d) Aplicar o mtodo de identicao em sistemas reais (no-lineares, LPV ou quasiLPV) mais complexos comparando os resultados;
88
89
6 REFERNCIAS BIBLIOGRFICAS
AGUIRRE, L. A.
ANDERSON, B. D. O. e MOORE, J. B.
1 edition, 1979.
APKARIAN, P. e GAHINET, P.
Controllers.
2000.
Identicao e Controle de Algumas Classes de Sistemas NoEstacionrios. Tese Mestrado, IME - Instituto Militar de Engenharia, 2006.
ARAJO, L. O.
XVI
Pro-
WeA06(09:50):1505
Proc. IEE,
pgs.
272285, 1980.
BOHLIN, T. e GRAEBES, S. T. Issues in Nonlinear Stochastic Gray Box Identication.
COELHO, A. A. R. e COELHO, L. S.
ares.
CORRA, M. V.
Dynamic Systems.
HOUGEN, J. O.
neers.
Digital Control of
90
LJUNG, L.
LJUNG, L. e SDERSTRM, T.
Int.
Proc.
MEDEIROS, F. E. L.
System &
PELLANDA, P. C., APKARIAN, P. e TUAN, H. D. Missile Autopilot Design via a Multichannel LFT/LPV Control Method.
RUGH, W. J. e SHAMMA, J. S.
ISSN 0272-1708.
Automatica,
1(36):
14011425, 2000.
SILVEIRA, B. P.
0005-1098.
TULLEKEN, H. J. A. F. Grey-box modelling and identication using physical knowledge
and Bayesian techniques.
ISSN 0005-1098.
WU, F., YANG, X., PACKARD, A. e BECKER, G. Induced L2-Norm Control for LPV
System with Bounded Parameter Variations Rates.
91
7 APNDICES
92
7.1 APNDICE 1:
na = 1 -> 10
nb = 1 -> 10
N = 1 -> 15
clear
clc
load Missil
u - entrada
y - sada (eta)
t - tempo
y = teta;
np = max(size(t));
T = max(t) / (np-1);
Jmin = 1e100;
Perodo de Amostragem
Custo inicial
beep
Exibe na atual
Testa com b0
n = na + nb +1;
Coecientes a identicar
for k = 1:np
%
o = 1;
for j = k-1:-1:k-na
if j > 0
p1(o,1) = - y(j);
o = o+1;
elseif j <= 0
p1(o,1) = 0;
o = o+1;
end
end
%
for j = k:-1:k-nb
if j > 0
p1(o,1) = u(j);
o = o+1;
elseif j <= 0
p1(o,1) = 0;
o = o+1;
end
end
94
o = 1;
for j = 1:n
for i = 1:N+1
if (k-1) <= 0
if i == 1
pk(o) = 1;
else
pk (o) = 0;
end
else
pk(o) = abs(teta(k-1))^(i-1);
end
o = o + 1;
end
end
%
Matriz psi
o = 1;
for i = 1:n
for j = 1:N+1
psi(k,o) = p1(i) * pk(o);
o = o + 1;
end
end
end
%
H = psi(1:np,:);
TETA = GJ(H'*H, H'*y(1:np));
if TETA
= 0
95
for k = 1:np
%
o = 1;
for j = k-1:-1:k-na
if j > 0
p1(o,1) = - ye(j);
o = o+1;
elseif j <= 0
p1(o,1) = 0;
o = o+1;
end
end
%
for j = k:-1:k-nb
if j > 0
p1(o,1) = u(j);
o = o+1;
elseif j <= 0
p1(o,1) = 0;
o = o+1;
end
end
%
o = 1;
for j = 1:n
for i = 1:N+1
if (k-1) <= 0
if i == 1
pk(o) = 1;
else
pk (o) = 0;
96
end
else
pk(o) = abs(teta(k-1))^(i-1);
end
o = o + 1;
end
end
%
Matriz psi
o = 1;
for i = 1:n
for j = 1:N+1
psi(k,o) = p1(i) * pk(o);
o = o + 1;
end
end
%
Sada identicada
end
end
%
Custo quadrtico
Se o custo atual for menor que o menor custo obtido armazena os valores
if J < Jmin
L = [na nb N J]
ye_min = ye;
TETA_min = TETA;
Jmin = J;
end
end
97
end
end
%
gure(1)
subplot(1,1,1)
hold o
plot(t(1:np), y(1:np), 'r', t(1:np), ye_min(1:np), 'b')
axis([1/50 np/50 min(ye_min) max(ye_min)])
grid
xlabel('Tempo (s)')
98
7.2 APNDICE 2:
7.2.1
POSIO DA MASSA
M : K = SEN (X)
7.2.2
-1,99844881465992
0,00035319986041
-0,00038640623240
0,00057788213029
-0,00049380779263
0,00019374841610
-0,00002890416964
0,99844865938792
-0,00010833619951
0,00038421311680
-0,00061562424465
0,00049142749979
-0,00019051914766
0,00002855589020
10
11
12
13
14
15
16
20
21
22
23
24
25
26
VELOCIDADE DA MASSA
0,00012200674808
-0,26640041112314
0,81877653354031
-0,91629697753076
0,44001697609770
-0,07443385675794
-0,00114189204154
0,00015247819878
0,01602560484847
-0,06650457345590
0,10644661548799
-0,08276743946899
0,03143141241505
-0,00467607511913
30
31
32
33
34
35
36
m: k = sen(x).
-0,00003055563653
0,25037486911295
-0,75227209073836
0,80985058569797
-0,35724977403187
0,04300256414769
0,00581794523759
M : K = SEN (X)
-1,99838617752157
-0,05372600957305
0,16677084667286
-0,18793824158460
0,09160303139770
-0,01632327474759
0,99836091934550
0,14625008745414
-0,44680015380652
0,49939743348957
-0,24193870883198
0,04287367636815
-0,00000336857387
-0,08681190656105
0,26475338415332
-0,29512509888004
0,14257012528543
-0,02519608059926
40
41
42
43
44
45
50
51
52
53
54
55
60
61
62
63
64
65
0,00001389746859
-0,01623109407833
0,04333528897845
-0,04152169454048
0,01697785167659
-0,00250967819604
0,00022792579899
-0,07131237167193
0,23139518119449
-0,27512191883108
0,14113949114404
-0,02630081508763
-0,00036422218877
0,13244573679280
-0,41817245756368
0,48467954656571
-0,24322261634245
0,04450269320086
99
70
71
72
73
74
75
10
11
12
13
14
15
20
21
22
23
24
25
0,00015138846372
-0,05013010130737
0,15873621747055
-0,18456736179060
0,09289883431933
-0,01704317518255
0,01561279927910
-0,02336261698482
0,07213059891190
-0,08137090916456
0,03973567691514
-0,00708863880378
-0,01561208335224
0,02336001117182
-0,07212686305994
0,08136827030906
-0,03973475959778
0,00708851339327
m: k = sen(x).
7.2.3
POSIO DA MASSA
M : K = COS(X)
7.2.4
-1,34238051864531
-0,09455832885564
-0,00064076166817
-0,00129612924029
0,00063547998273
0,00002263411858
-0,00001247974759
-0,31041030621229
0,18825638486400
0,00073391319593
0,00285250575520
-0,00131726782439
-0,00004019395326
0,00002467443607
0,65300615968298
-0,09343478824622
-0,00050360481718
-0,00146425814139
0,00068685006882
0,00001479212073
-0,00001201622041
VELOCIDADE DA MASSA
10
11
12
13
14
15
16
20
21
22
23
24
25
26
30
31
32
33
34
35
36
0,00012200435921
0,26781113722072
-0,21733278831957
0,05427335343933
-0,00142242039803
-0,00112382666304
0,00010936546384
0,00022091543258
-0,42326223565073
0,32897853723755
-0,07190210866639
-0,00266043918851
0,00253710288968
-0,00021645448882
-0,00013034656968
0,54833104270700
-0,46075442943185
0,12567303529909
-0,00790587537169
-0,00154489446396
0,00018127602242
40
41
42
43
44
45
46
50
51
52
53
54
55
56
60
61
62
63
64
65
66
m: k = cos(x).
-0,00036379219913
0,11426859166451
-0,08107926658419
0,01179312013812
0,00348076544114
-0,00112105199059
0,00008370537813
0,00027212747615
-0,36115446140489
0,27058511821511
-0,05124733287712
-0,00596323390035
0,00275069080717
-0,00021872860880
0,00028649887836
-0,14611334757602
0,15969484944463
-0,06862641956700
0,01447847376435
-0,00149872300232
0,00006086153686
M : K = COS(X)
-1,81564056425780
0,04201155407415
-0,01742170067127
0,00473227786672
-0,00028449367097
-0,00002688367608
0,00000374685918
0,00000163137960
-0,00000124021435
0,00000012541996
-0,00000000115734
0,31331446486896
0,05596439729794
-0,00331372004904
-0,00264424446528
-0,00041541118424
0,00001172971666
0,00000180682999
0,00000699477534
-0,00000001719240
0,00000000380343
-0,00000000898001
0,81978927883962
-0,22518572206516
0,03951511494049
-0,00019381389124
0,00058427871699
-0,00003258421813
-0,00002205243284
-0,00000350832288
0,00000043243712
-0,00000002447047
0,00000000235600
-0,31724927304065
0,12426005266605
-0,01686790605941
-0,00238855143953
-0,00003211187127
0,00021552296007
-0,00003945603270
0,00000463137592
-0,00000007039586
-0,00000008456145
0,00000000989339
50
51
52
53
54
55
56
57
58
59
510
60
61
62
63
64
65
66
67
68
69
610
70
71
72
73
74
75
76
77
78
79
710
80
81
82
83
84
85
86
87
88
89
810
0,00000512793376
-0,00599138836564
0,00641062700891
-0,00233485498108
0,00024909355762
0,00009258588413
-0,00004647494482
0,00000887285776
-0,00000071169266
0,00000001487498
-0,00000000011326
-0,00019432948807
0,05176721759188
-0,02650703078428
0,00099708169422
0,00051836696073
0,00018159325980
-0,00002497634429
-0,00000544311179
0,00000007350359
0,00000006162055
0,00000000523970
0,00045610769201
-0,10087943185095
0,06267909002352
-0,00853477914986
-0,00067614728035
0,00003017460305
0,00000398584827
0,00000488014151
0,00000021692184
-0,00000003109137
-0,00000001339655
0,00002176150022
0,02387963785520
-0,02513183670666
0,00843317784404
-0,00052101916592
-0,00021866898029
0,00002464727430
0,00000300295204
-0,00000040061103
0,00000000439678
-0,00000000079724
90
91
92
93
94
95
96
97
98
99
910
100
101
102
103
104
105
106
107
108
109
1010
00
01
02
03
04
05
06
07
08
09
010
10
11
12
13
14
15
16
17
18
19
110
100
-0,00061946726298
0,07703756258268
-0,04961319059467
0,00757670267499
0,00043925295684
-0,00005102055162
-0,00000933277588
-0,00000114933959
-0,00000021200505
0,00000001029077
0,00000000907905
0,00034191830309
-0,04271045568452
0,02943247863624
-0,00496232167374
-0,00038372754661
0,00007437712863
0,00002529237648
-0,00000550815883
0,00000043477492
0,00000000746172
-0,00000000438967
0,00000000005597
-0,00420189430730
0,00050063833307
0,00183199219773
-0,00074098529862
0,00002361374855
0,00003043433502
-0,00000475585955
0,00000016794602
-0,00000001160028
0,00000000224026
0,01561216396429
-0,10274370364287
0,07858172513766
-0,01812738902923
0,00064712136006
0,00016228833156
-0,00001529481438
0,00000452628866
0,00000038711946
-0,00000031105150
0,00000002520481
20
21
22
23
24
25
26
27
28
29
210
30
31
32
33
34
35
36
37
38
39
310
40
41
42
43
44
45
46
47
48
49
410
m: k = cos(x).
-0,01275336474253
0,03601695408375
-0,03952330542097
0,01440385853330
-0,00153865629658
-0,00010021425782
-0,00000252326986
0,00000514395967
-0,00000023777687
0,00000008149754
-0,00000001481699
-0,00786350553048
0,08012860582432
-0,04100538957542
0,00198577364877
0,00080308619501
0,00018698613539
-0,00002157873835
-0,00000671755384
-0,00000050323974
0,00000014476557
0,00000000664425
0,00496447946080
-0,00915543218866
0,00146089682393
-0,00017370171330
0,00090507998913
-0,00030889363960
0,00001917235002
0,00000003161358
0,00000037260894
0,00000008540258
-0,00000001899463
7.2.5
POSIO DA MASSA
K = COS(X)
COM RUDO:
7.2.6
-0,40196329901583
-0,01761965858042
0,02959513743696
-0,01467971656708
0,00253571893448
-0,00008321069146
-0,00000793426763
-0,17162019510193
-0,50858755787278
0,42636577592179
-0,14545526360985
0,02331511220512
-0,00172554137867
0,00004557186016
-0,21085987754522
0,29068832530581
-0,36547071495799
0,14785129663482
-0,02533391359584
0,00174441206595
-0,00002814584093
-0,45777850132182
0,58934852692942
-0,46732376797900
0,16865106200203
-0,03125492968128
0,00293931907359
-0,00011253544893
k = cos(x).
-0,09829005438158
-0,21739809328140
0,22961272432778
-0,08520077780117
0,01158045380050
-0,00021390670788
-0,00004105277963
0,07235712510590
0,15929322793632
-0,09687562931895
-0,01471771625877
0,01566611957507
-0,00292353851434
0,00017028183917
-0,37922597994483
0,10714884427148
0,06606783548676
-0,03781217232895
0,00778255638777
-0,00079821560975
0,00003593760826
0,20466888664574
-0,33988725912391
0,03545809320595
0,07849304793225
-0,02917452410009
0,00368313603600
-0,00015433823117
50
51
52
53
54
55
56
60
61
62
63
64
65
66
70
71
72
73
74
75
76
80
81
82
83
84
85
86
POSIO DA MASSA
90
91
92
93
94
95
96
100
101
102
103
104
105
106
00
01
02
03
04
05
06
10
11
12
13
14
15
16
0,19996942497396
-0,43460350966333
0,52970029386833
-0,25386171793637
0,05681481429332
-0,00591639611070
0,00022920968250
0,24682098443754
0,36876211002418
-0,38692542128153
0,15631725030775
-0,03170164244074
0,00325750143647
-0,00013520323577
0,00116493992544
3,36392371052196
-3,68947887210320
1,59155539067962
-0,33741941859992
0,03514595271076
-0,00143847082173
-0,00684719050855
1,76058040090632
-1,47783595963087
0,40168535892770
-0,02455999029150
-0,00511149449345
0,00059196527828
20
21
22
23
24
25
26
30
31
32
33
34
35
36
40
41
42
43
44
45
46
50
51
52
53
54
55
56
20
21
22
23
24
25
30
31
32
33
34
35
-0,62181940667594
2,36162021837947
-6,87410418824842
8,06390037363147
-4,08013781053861
0,74198031060383
-0,35406784386844
0,22343019100181
0,00494364551109
-0,67671012189162
0,62007888247226
-0,15522897220353
-0,23652467586364
0,31953448699808
-0,98886759489490
1,01813454664782
-0,45542458521276
0,07688469855381
K = SEN (X)
COM RUDO:
k = sen(x).
40
41
42
43
44
45
50
51
52
53
54
55
60
61
62
63
64
65
0,05885630606765
-2,81731938392933
6,98578473332096
-6,77259947423541
2,83198290859449
-0,42994084879809
-0,04367672077904
-1,21392263464055
3,11017912239086
-3,56825900489067
1,88744607032765
-0,36491713912733
0,09596816645685
-1,85538459037941
5,88592844173387
-6,98098957202963
3,43620311264571
-0,59730168485281
70
71
72
73
74
75
80
81
82
83
84
85
90
91
92
93
94
95
101
com rudo:
0,00499796486585
-4,12720362476964
3,18941911120987
-0,67909791816350
-0,03516971913725
0,02636374452968
-0,00221313488370
-0,00098093485878
3,46980628102420
-1,26001187588703
-0,79015419542503
0,51171740786949
-0,09703823048996
0,00616057186555
0,00287273088156
-5,38163764297125
3,16347999134239
0,06566134037367
-0,38195863309735
0,08642471184461
-0,00586564522185
0,00177278967072
0,91753882574046
0,06968483772019
-0,58711240965674
0,26676001697621
-0,04570982578705
0,00276126799265
-0,36393205958363
2,24681153853980
-4,44887287105631
3,69522350615513
-1,34434823799258
0,17759198180568
0,29765381734516
-1,25615045894951
2,02383558987815
-1,21252288298545
0,23297774754295
0,00274124254018
0,07092278747765
1,04875706296048
-3,45053747940681
4,04966636006756
-1,96745515339375
0,33827673612340
100
101
102
103
104
105
10
11
12
13
14
15
20
21
22
23
24
25
com rudo:
0,09629827771536
0,95350588676675
-2,27612223736715
2,41800435868103
-1,17896551992989
0,21315207792080
-0,00471182207281
4,08298399973969
-12,55393675682800
14,13555985841880
-6,90317862683837
1,23329842801686
0,00633263751850
-4,06951023523375
12,51404878232120
-14,08914329997870
6,87997236346768
-1,22912919135490
7.3 APNDICE 3:
7.3.1
POSIO DA MASSA
M1 (106 )
7.3.2
-0,00000363345982
0,00000224472910
-0,00023678768654
0,01114808113924
-0,24263676484577
1,98448637155941
0,00000513990022
-0,00000591517596
0,00063299376914
-0,03005514223372
0,65783012377875
-5,40317822612744
-0,00000335993362
0,00000518798895
-0,00056532621291
0,02713199265589
-0,59824360852071
4,94262951549558
VELOCIDADE DA MASSA
40
41
42
43
44
45
1
10
1
11
1
12
1
13
1
14
1
15
2
10
2
11
2
12
2
13
2
14
2
15
0,00000085941349
-0,00000149487105
0,00016692046155
-0,00812400887398
0,18083232422263
-1,50523236544104
0,00000000000575
0,00000000005628
-0,00000000483890
0,00000020305153
-0,00000416145868
0,00003329696664
0,00000000003399
-0,00000025916421
0,00003284644476
0,00028689633140
-0,11923413962655
2,75675767108174
2
20
2
21
2
22
2
23
2
24
2
25
2
30
2
31
2
32
2
33
2
34
2
35
1
40
1
41
1
42
1
43
1
44
1
45
-0,00000000014321
0,00000056609600
-0,00009456451519
0,00416713698484
-0,01662001499495
-1,26550174555372
-0,00000000030614
0,00000002685368
0,00000223718507
-0,00037306802347
0,01587055614924
-0,21692593615770
0,00000000042143
-0,00000033379205
0,00005948084241
-0,00408094078321
0,11998268789705
-1,27431993117193
m1 (x1 ).
M1 (104 )
-0,00038360789805
-0,00312336137523
0,00287131027967
0,72385298432131
0,00058822411899
0,01132631608247
-0,01039422190398
-2,62561974200765
-0,00044185922524
-0,01599804165453
0,01471161671207
3,70857617169259
0,00015564256878
0,01044863395477
-0,00966328747560
-2,42144392953107
-0,00001792444202
-0,00267238979408
0,00249614644700
0,61891612875606
1
00
1
01
1
02
1
03
1
10
1
11
1
12
1
13
1
20
1
21
1
22
1
23
1
30
1
31
1
32
1
33
1
40
1
41
1
42
1
43
0,00000046593279
-0,00004590907057
0,00180206493326
-0,02626957098877
0,00000053088885
-0,00001213609477
-0,00099536054287
0,04492362682754
-0,00000118351520
-0,00001593396672
-0,00086294921482
0,02629267284310
0,00000089049183
0,00011762068287
-0,00079528154398
-0,04012881058285
-0,00000170762308
-0,00003629357487
0,00656796525618
-0,20661665324084
1
50
1
51
1
52
1
53
2
00
2
01
2
02
2
03
2
10
2
11
2
12
2
13
2
20
2
21
2
22
2
23
2
30
2
31
2
32
2
33
102
0,00000100382610
-0,00000734825864
-0,00571642334100
0,20179848277035
-0,00000046593279
-0,00005050972279
0,00623302079173
-0,13435197244155
-0,00000002981951
0,00008865488383
-0,00539311465111
0,08313879170597
-0,00000024063745
-0,00012940349194
0,01109041620604
-0,21475569469337
0,00000085051338
-0,00005958608286
-0,00093654927847
0,06433810751502
2
40
2
41
2
42
2
43
2
50
2
51
2
52
2
53
m1 (v1 ).
0,00000092111615
0,00007294050159
-0,01054231285105
0,21848567380092
-0,00000103524009
0,00007790401561
-0,00045146577843
-0,01685482322887
7.3.3
POSIO DA MASSA
M2
7.3.4
-3,62645524231858
-0,00257429143116
0,04971844849445
5,12201329635174
0,00698064373903
-0,17581376337574
-3,34488035552536
-0,00635080914657
0,19899442409742
0,85532873805271
0,00192763909976
-0,07567643321331
1
00
1
01
1
02
1
10
1
11
1
12
1
20
1
21
1
22
1
30
1
31
1
32
-0,00000000000256
0,00000000023549
-0,00000000598020
-0,00013249235046
0,01775392367016
-0,44427404942867
0,00147420112562
-0,18624727384803
4,68921732732085
0,00173118275138
-0,18158233509234
4,61220152402152
VELOCIDADE DA MASSA
1
40
1
41
1
42
1
50
1
51
1
52
2
00
2
01
2
02
2
10
2
11
2
12
-0,00351002054563
0,39685348061353
-10,03749675596000
0,00044313543097
-0,04677781035081
1,18035214729510
0,00000000000253
-0,00000000016121
0,00000000201198
0,00017316730857
-0,01767945379236
0,44054565651580
2
20
2
21
2
22
2
30
2
31
2
32
2
40
2
41
2
42
2
50
2
51
2
52
m2 (x2 ).
-0,00149546584260
0,17460634623079
-4,11210763222486
-0,00168032509600
0,13187172792631
-2,23097996001386
0,00342448507155
-0,32366093100719
6,53176467981290
-0,00040984853972
0,03486227482346
-0,62922525421494
M2 (1010 )
-0,00000000036279
0,00000000008132
-0,00000001821966
0,00000200997502
-0,00012263288197
0,00433755513080
-0,08844421455849
0,96463932439023
-4,37437210972611
0,00000000051251
-0,00000000015634
0,00000003323937
-0,00000348643364
0,00019981986261
-0,00650398967832
0,11835154245135
-1,10056865163273
3,98016739365597
-0,00000000033468
0,00000000007335
-0,00000001278709
0,00000104028090
-0,00003698940220
0,00015002575491
0,02627348280951
-0,67788700973691
5,15269342764387
40
41
42
43
44
45
46
47
48
1
10
1
11
1
12
1
13
1
14
1
15
1
16
1
17
1
18
1
20
1
21
1
22
1
23
1
24
1
25
1
26
1
27
1
28
0,00000000008556
0,00000000000418
-0,00000000286546
0,00000051263971
-0,00004532494974
0,00221754633250
-0,06077576510170
0,87043422271195
-5,04923721890439
0,00000000000009
-0,00000000000674
-0,00000000042154
0,00000001066780
-0,00000073309043
0,00004540588184
-0,00113709855206
0,02574863898012
-0,02002891980497
-0,00000000000009
0,00000000000828
0,00000000021320
0,00000000532022
-0,00000002984692
-0,00002219015231
0,00069650289576
-0,02097322470582
-0,00263536691568
2
10
2
11
2
12
2
13
2
14
2
15
2
16
2
17
2
18
2
20
2
21
2
22
2
23
2
24
2
25
2
26
2
27
2
28
2
30
2
31
2
32
2
33
2
34
2
35
2
36
2
37
2
38
103
0,00000000000043
0,00000000001996
-0,00000000019819
0,00000000599575
-0,00000097696501
-0,00000860247514
0,00040840595900
0,02947039442138
-0,69455638960397
-0,00000000000128
-0,00000000001482
0,00000000018705
0,00000000024323
0,00000047162036
-0,00005747020141
0,00106712428654
0,02253922155246
-0,15308125605122
0,00000000000131
-0,00000000001236
0,00000000058579
-0,00000002232002
0,00000137103591
0,00001030836703
-0,00092030037482
-0,00256232354710
-0,22067874378840
2
40
2
41
2
42
2
43
2
44
2
45
2
46
2
47
2
48
m2 (v2 ).
-0,00000000000045
0,00000000000568
-0,00000000036459
-0,00000000020021
-0,00000007632502
0,00003117911036
-0,00007361357630
-0,05488325214533
1,09540838317170
7.4 APNDICE 4:
MSSIL NO-LINEAR
7.4.1
SADA
-2,39533662669774
-0,01749725396542
0,00140315815441
-0,00056818250386
0,00002715937672
-0,00000076742123
0,00000003955765
-0,00000000100394
0,00000000000789
2,03697154574713
0,00828222195301
0,00046559484720
0,00074508392291
-0,00000331831144
-0,00000073234300
-0,00000001724173
0,00000000045294
0,00000000000102
-1,09715292788218
0,06085247258793
-0,00112354401663
-0,00054258147908
-0,00001644040796
0,00000070215032
0,00000000606039
-0,00000000015595
0,00000000001659
0,77433037097401
-0,08544773926153
-0,00223811508669
0,00048048452762
-0,00000172649881
0,00000058500734
-0,00000001680279
0,00000000164136
-0,00000000006871
-0,44979356157103
0,03231957341826
0,00389053617096
0,00016229254195
-0,00005287523563
0,00000167622421
0,00000000871630
-0,00000000289565
0,00000000007096
60
61
62
63
64
65
66
67
68
70
71
72
73
74
75
76
77
78
80
81
82
83
84
85
86
87
88
10
11
12
13
14
15
16
17
18
20
21
22
23
24
25
26
27
28
0,10435921909123
0,04271873637672
-0,01028873151759
0,00010471842694
0,00005237776110
-0,00000198207863
-0,00000001978467
0,00000000181826
-0,00000000001341
0,04479455424168
-0,05793397341728
0,01154968086148
-0,00059686831080
-0,00001166760618
0,00000176157849
-0,00000006111185
0,00000000170965
-0,00000000003355
-0,02348382538588
0,01882010943023
-0,00369381153353
0,00021009160405
0,00000636955914
-0,00000127182275
0,00000006649872
-0,00000000183088
0,00000000002301
-0,00446703734962
0,01251744459683
-0,00604356815608
0,00115241626105
-0,00010568586823
0,00000404202855
0,00000004023439
-0,00000000775810
0,00000000016812
-0,01959948441999
0,00811838875204
-0,00388188207229
0,00075736768176
-0,00007199940577
0,00000304784361
-0,00000000021147
-0,00000000421393
0,00000000009871
30
31
32
33
34
35
36
37
38
40
41
42
43
44
45
46
47
48
50
51
52
53
54
55
56
57
58
60
61
62
63
64
65
66
67
68
70
71
72
73
74
75
76
77
78
104
-0,00020508873592
-0,01883883426745
0,00927645283077
-0,00175442936650
0,00016020763304
-0,00000603450824
-0,00000006907742
0,00000001197788
-0,00000000025583
-0,00641747361818
0,01290475249035
-0,00590778228571
0,00128199572601
-0,00014907610030
0,00000942463922
-0,00000028921200
0,00000000208111
0,00000000005594
-0,00303212392114
0,00143519790062
0,00008101008172
-0,00014802149623
0,00002865124014
-0,00000218488948
0,00000004588843
0,00000000220406
-0,00000000008955
0,00450515035091
-0,00794124114076
0,00316268371997
-0,00058005119445
0,00006294868792
-0,00000490780931
0,00000030119030
-0,00000001235462
0,00000000022718
0,00448940353709
-0,00645633686015
0,00326855173694
-0,00077096480667
0,00009271301767
-0,00000536336441
0,00000007712085
0,00000000545377
-0,00000000018437
80
81
82
83
84
85
86
87
88
90
91
92
93
94
95
96
97
98
).
0,00026092503772
0,00052580478211
-0,00054105163169
0,00019696686603
-0,00003509957120
0,00000335583846
-0,00000017223110
0,00000000428989
-0,00000000003659
0,00045781718796
-0,00063490350209
0,00031847386190
-0,00008608692080
0,00001338192756
-0,00000119885167
0,00000006003110
-0,00000000152130
0,00000000001445
7.4.2
SADA
7.4.3
SADA
-2,19965219260500
-0,01138071881891
0,00185061891671
1,75317825993478
-0,01687345696632
-0,00228082924962
-0,87797860317646
0,12127503775474
-0,00529236431727
40
41
42
50
51
52
60
61
62
0,61995944234620
-0,18413712400187
0,01206113055316
-0,67997452160551
0,16533545222181
-0,00880623151236
0,42359917405394
-0,09427428240466
0,00287903438748
-0,05889489472038
0,02683985075041
-0,00062245655510
0,06646363222796
0,00110740651641
-0,00011380361850
).
70
71
72
10
11
12
COM RUDO
7.4.4
SADA
-1,01826387613496
0,00394515552602
-0,47086419722868
-0,00021743304129
30
31
40
41
0,10877052079799
-0,00541121044634
0,37772916201994
0,00629517972579
00
01
10
11
0,02929540939173
-0,00151526493431
-0,10957784573884
0,00216801871712
).
COM RUDO
-1,35708001020589
0,01927417637760
0,01085865448505
-0,00113897089545
0,00002762252282
0,13426724206072
-0,00212860651587
-0,01358639820045
0,00121471286816
-0,00002814181370
0,32447452375584
-0,07657849084176
0,00650715424896
-0,00013472083304
-0,00000086605823
40
41
42
43
44
50
51
52
53
54
60
61
62
63
64
-0,02295351235345
-0,02102706414322
0,00405036024868
-0,00017407061444
0,00000349585272
-0,25777634450335
0,08532509238199
-0,01035661959129
0,00058202254799
-0,00001049817506
0,21393176834892
-0,02641220904641
0,00831870333172
-0,00073497263303
0,00001602348678
105
00
01
02
03
04
10
11
12
13
14
20
21
22
23
24
0,04048082831834
-0,20065958276123
0,05407543007952
-0,00478588790981
0,00013715805580
-0,24067276029889
0,20310299174036
-0,05197685943623
0,00455742681265
-0,00013136239814
0,27712937115024
0,01241599485602
-0,00043159123508
-0,00001553452052
0,00000041819170
).
7.4.5
7.4.6
-1,01777412669741
0,00391160669508
-0,47141639254429
-0,00018278188693
com rudo.
30
31
40
41
0,10859289421423
-0,00539404527522
0,37798674484588
0,00627494320103
00
01
10
11
0,02692447305750
-0,00137099873865
-0,10723317963367
0,00202634807747
-1,33492103401240
0,01202199454126
0,01177640410495
-0,00118482740518
0,00002836937678
0,12113269243942
0,00488569887582
-0,01459073710810
0,00125973205215
-0,00002872039702
0,32429966447153
-0,07770625184931
0,00649586569906
-0,00012153428068
-0,00000124989897
com rudo.
40
41
42
43
44
50
51
52
53
54
60
61
62
63
64
-0,00999860479709
-0,02874449342470
0,00514552683888
-0,00022114146120
0,00000401598011
-0,26169528131113
0,08697813713858
-0,01043304597490
0,00058035156614
-0,00001041767422
0,21241799644659
-0,02473490902622
0,00811432750896
-0,00073387462461
0,00001623096785
106
00
01
02
03
04
10
11
12
13
14
20
21
22
23
24
0,03943579928317
-0,20840247951793
0,05625212560520
-0,00497413333867
0,00014233967141
-0,23221933777255
0,19001091371872
-0,04913266394191
0,00433930097243
-0,00012577239422
0,26780114992675
0,03326864397335
-0,00537632903652
0,00038627589652
-0,00001028512670