Identificaçao Linear A Parametros Variantes No Tempo de Sistemas Nao-Lineares

INSTITUTO MILITAR DE ENGENHARIA
CAP WAGNER JOS MOREIRA
IDENTIFICAO LINEAR A PARMETROS VARIANTES

NO TEMPO DE SISTEMAS NO-LINEARES
Dissertao
de
Mestrado
apresentada
ao
Curso
de
Mestrado em Engenharia Eltrica do Instituto Militar

de Engenharia, como requisito parcial para obteno do
ttulo de Mestre em Cincias em Engenharia Eltrica.
Orientador: Prof. Paulo Csar Pellanda, Dr. ENSAE
Co-orientador: Prof. Waldemar de Castro Leite Filho,
DSc.
Rio de Janeiro
2008
c2008

Praa General Tibrcio, 80-Praia Vermelha
Rio de Janeiro-RJ CEP 22290-270
Este exemplar de propriedade do Instituto Militar de Engenharia, que poder inclu-lo

em base de dados, armazenar em computador, microlmar ou adotar qualquer forma de
arquivamento.
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.
Os conceitos expressos neste trabalho so de responsabilidade do(s) autor(es) e do(s)

orientador(es).
M838i
Moreira, Wagner Jos.

Identicao Linear a Parmetros Variantes no
Tempo de Sistemas No-Lineares /
Wagner Jos Mo-
reira. - Rio de Janeiro: Instituto Militar de Engenharia, 2008.

106 p.: il., graf., tab.
Dissertao (mestrado) - Instituto Militar de Engenharia - Rio de Janeiro, 2008.
1.
lineares.
Ttulo.
Identicao de Sistemas.
3.
Sistemas LPV. 4.
2.
Sistemas No-
Filtro de Kalman.
II. Instituto Militar de Engenharia.

CDD 003.75
I.

CAP WAGNER JOS MOREIRA
IDENTIFICAO LINEAR A PARMETROS VARIANTES NO TEMPO
DE SISTEMAS NO-LINEARES
Dissertao de Mestrado apresentada ao Curso de Mestrado em Engenharia Eltrica

do Instituto Militar de Engenharia, como requisito parcial para obteno do ttulo de
Mestre em Cincias em Engenharia Eltrica.
Orientador: Prof. Paulo Csar Pellanda, Dr. ENSAE
Co-orientador: Prof. Waldemar de Castro Leite Filho, DSc.
Aprovada em 29 de Janeiro de 2008 pela seguinte Banca Examinadora:
Prof. Paulo Csar Pellanda, Dr. ENSAE do IME - Presidente
Prof. Waldemar de Castro Leite Filho, DSc. do IAE
Prof. Roberto Ades, Dr. PUC-Rio do IME
Prof. Pedro Cunha Campos Roquette, Ph.D. do IPqM
Rio de Janeiro
2008
A Deus por mais uma oportunidade de progredir, e

a todos que me acompanharam nesta jornada.
RESUMO
Esta dissertao aborda a identicao Linear a Parmetros Variantes (LPV) no

tempo de sistemas no-lineares.
Inicialmente, so apresentadas a fundamentao terica e algumas tcnicas de identicao de sistemas utilizadas atualmente e que contriburam para o desenvolvimento
da metodologia apresentada.
Em seguida, desenvolvida uma metodologia analtica para identicao do modelo
LPV, tema central deste trabalho.
Considerando que um sistema no-linear pode ser
representado por uma equao diferena variante no tempo, a variao dos seus coecientes aproximada por um polinmio dependente de um parmetro
cujos valores,
aliados a um conjunto de dados de entrada e de sada, supem-se conhecidos.
Com o
objetivo de minimizar uma funo custo quadrtico mdio, constri-se um Sistema de

Equaes Lineares (SEL) que, ao ser resolvido, resulta nos coecientes do modelo LPV
identicado.
Alm disso, mostra-se que os resultados podem ser melhorados realizando-se uma
identicao por partes, dividindo-se os dados em intervalos menores de tempo. Assim,
chega-se a um conjunto de modelos que representam o sistema original, ao invs de
um modelo nico.
garantida.
Apesar disso, a continuidade na regio de transio entre modelos
Devem-se levar em conta os objetivos da identicao, de modo que os
resultados estejam dentro da margem de erro considerada, mas o nmero de modelos

identicados no seja elevado. O mtodo ento estendido a sistemas multivariveis do
tipo MISO (do ingls Multiple Inputs Single Output), sendo que o nmero de coecientes
a serem identicados aumenta de acordo com o nmero de entradas do sistema.
Por m, mostra-se que a identicao pode ser realizada utilizando um Filtro de
Kalman, procedimento recursivo de estimao dos estados de um sistema, sendo que
estes estados sero os coecientes do modelo LPV que se deseja identicar.
A metodologia foi testada em modelos acadmicos (massa-mola-amortecedor de 2
e 4
ordens), modelos no domnio aeroespacial (mssil no-linear e Veculo Lanador de
Satlites - VLS) e sistemas com rudos na sada.
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
whose values as well as those of a set
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.
The method is extended to Multiple-Inputs-Single-Output systems, where the
number of coecients to be identied increases according to the number of inputs.

Finally, it is shown that the identication can be performed in a recursive way by
using a Kalman Filter, where the estimated states are the coecients of the LPV model
to be identied.
The methodology was tested in academic models (mass-spring-damper of
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
LISTA DE SMBOLOS E ABREVIATURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
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
Identicao de Sistemas LPV e quasi-LPV . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
26
2.2.2
Identicao de Sistemas LPV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
29
2.3
Sistemas Discretos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
2.3.1
Representaes Discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
2.3.2
Modelo ARX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
2.3.3
Modelo ARX Multivarivel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
33
2.3.4
Representao em Espao de Estados de Equaes Diferenas Variantes no Tempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
2.4
Mnimos Quadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
2.4.1
Sistemas Sobredeterminados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
2.4.2
O Mtodo de Mnimos Quadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
2.4.3
Estimador de Mnimos Quadrados No-Recursivo . . . . . . . . . . . . . . . . . . . . . . . .
41
2.5
Soluo de Sistemas de Equaes Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
2.5.1
Mtodo de Gauss-Jordan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
METODOLOGIA DE IDENTIFICAO LPV DE SISTEMAS

NO-LINEARES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
3.1
Desenvolvimento da Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
3.2
Metodologia Aplicada a Sistemas Multivariveis . . . . . . . . . . . . . . . . . . . . . . . . .
48
3.3
Identicao Paramtrica por Filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . . . .
50
3.4
Consideraes Sobre o Mtodo de Identicao . . . . . . . . . . . . . . . . . . . . . . . . . .
51
3.5
Identicao por Partes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
APLICAO E RESULTADOS
..................................
56
4.1
Sistema Massa-Mola-Amortecedor de Segunda Ordem . . . . . . . . . . . . . . . . . . . .
57
4.2
Sistema Massa-Mola-Amortecedor de Quarta Ordem . . . . . . . . . . . . . . . . . . . . .
62
4.3
Modelo de um Mssil Ar-Ar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
4.3.1
Anlise do Modelo do Mssil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
71
4.3.2
Identicao por Partes do Modelo do Mssil . . . . . . . . . . . . . . . . . . . . . . . . . . . .
73
4.4
Veculo Lanador de Satlites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
74
4.4.1
Veculo Lanador de Satlites com os Modos de Flexo Amplicados . . . . . . .
78
4.5
Resultados de Sistemas com Rudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
79
4.5.1
Sistema Massa-Mola-Amortecedor de Segunda Ordem com Rudo . . . . . . . . . .
80
4.5.2
Mssil No-Linear com Rudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
81
4.6
Identicao por Partes do Mssil No-Linear com Rudo . . . . . . . . . . . . . . . . .
83
4.7
Resultados da Identicao pelo Filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . .
84
CONCLUSO
...................................................
87
5.1
Sugestes para Futuros Trabalhos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
88
REFERNCIAS BIBLIOGRFICAS
............................
90
APNDICES
....................................................
92
7.1
APNDICE 1: Programa do MatLab Utilizado . . . . . . . . . . . . . . . . . . . . . . . . .
93
7.2
APNDICE 2:
Coecientes dos Modelos Identicados do Sistema
Massa-Mola-Amortecedor de Segunda Ordem . . . . . . . . . . . . . . . . . . . . . . . . . . .
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
Coecientes dos Modelos Identicados do Sistema
Massa-Mola-Amortecedor de Quarta Ordem . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

7.3.1
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
APNDICE 4: Coecientes dos Modelos Identicados do Mssil No-Linear . 104
7.4.1
Sada
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
7.4.2
Sada
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
7.4.3
Sada
com Rudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
7.4.4
Sada
com Rudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
7.4.5
Identicao por Filtro de Kalman da Sada
7.4.6
Identicao por Filtro de Kalman da Sada
. . . . . . . . . . . . . . . . . . . . . . . . . . . 106
m2 (1010 )
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
. . . . . . . . . . . . . . . . . . . . . . . . . . 106
LISTA DE ILUSTRAES
FIG.2.1
Representao esquemtica do modelo ARX (AGUIRRE, 2004). . . . . . . .
33
FIG.3.1
Fluxograma do mtodo de identicao proposto.
45
FIG.3.2
Fluxograma
Kalman.
do
mtodo
de
identicao
...................
utilizando
Filtro
de
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
FIG.3.3
Identicao do VLS (dados divididos em intervalos de 5s).
FIG.3.4
Identicao por partes do VLS (dados divididos em intervalos de

5s).
Diagrama do sistema massa-mola-amortecedor de 2
FIG.4.2
Foras aplicadas na massa
k = cos(x).
Detalhe
trajetrias
amortecedor de 2
de
ordem:
FIG.4.7
Foras aplicadas na massa
....................
.................
trajetrias
amortecedor de 2
60
para identicao e para validao:
para identicao e para
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
de
ordem:
operao
k = sen(x).
do
sistema
massa-mola-
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
m: k = sen(x).
FIG.4.10
Identicao da posio da massa
FIG.4.11
Identicao da velocidade da massa
FIG.4.12
a
Diagrama do sistema massa-mola-amortecedor de 4 ordem.
FIG.4.13
Fora aplicada na massa
FIG.4.14
Fora aplicada na massa
FIG.4.15
Detalhe
das
60
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
k = sen(x).
das
massa-mola-
. . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
m: k = cos(x).
Detalhe das foras aplicadas na massa
Detalhe
sistema
m: k = cos(x).
FIG.4.9
57
para identicao e para
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
Detalhe das foras aplicadas na massa

validao:
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
Diagrama ilustrativo do mssil. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
67
FIG.4.21
Entradas utilizadas no modelo do mssil.
69
FIG.4.22
Detalhe das trajetrias de operao do modelo do mssil.
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
Aproximao polinomial dos coecientes do modelo do mssil.
FIG.4.28
Aproximao polinomial dos coecientes do modelo do mssil (sada
).
FIG.4.29
...........................
.............
69
.........................................
70
entre 35s e 40s.
............................
70
.........................................
70
entre 35s e 40s.
............................
.........
71
72
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Aproximao polinomial dos coecientes do modelo do mssil (sada
).
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
FIG.4.30
Identicao por partes da sada
FIG.4.31
..................
73
FIG.4.32
Diagrama ilustrativo do sistema de controle do VLS. . . . . . . . . . . . . . . . . .
75
FIG.4.33
Simulao do modelo LPV do VLS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
FIG.4.34
Sinal de sada do atuador (entrada do VLS):
FIG.4.35
Sada do VLS:
FIG.4.36
Identicao do Veculo Lanador de Satlites.
FIG.4.37
Aproximao polinomial (de ordem 15) dos coecientes do modelo
(t).
................................
entre 35s e 40s.
BZ (t).
73
..................
76
.............................................
76
......................
76
do VLS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
FIG.4.38
Identicao do Veculo Lanador de Satlites por partes.
FIG.4.39
Identicao por partes do VLS com os modos de exo amplicados.
............
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
entre 35s e 40s com rudo.
FIG.4.44
Identicao da sada
com rudo.
FIG.4.45
Identicao da sada
FIG.4.46
com rudo.
FIG.4.47
..................
81
................................
82
entre 35s e 40s com rudo. . . . . . . . . . . . . . . . . . . .
82
11
......................
.........
83
83
FIG.4.48
Identicao por Filtro de Kalman da sada
FIG.4.49
com rudo. . . . . . . . . . . . . .
84
com rudo entre 35s
e 40s. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
FIG.4.50
com rudo.
FIG.4.51
com rudo entre 35s
.............
85
e 40s. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
12
LISTA DE TABELAS
TAB.3.1
Ordens de alguns modelos identicados para o sistema massa-
a
mola-amortecedor de 4 ordem e os respectivos custos de identicao (JId ) e de validao (JV al ).
TAB.4.1
...............................
Custos de identicao (JId ) e de validao (JV al ) para o sistema
a
massa-mola-amortecedor de 2 ordem.
TAB.4.2
.............................
k = cos(x).
59

.............................
64

do mssil no-linear.
TAB.4.5
m:
....................................................
a
TAB.4.4
58
Variao do custo de identicao (JId ) e de validao (JV al ) e

as respectivas ordens dos modelos para a posio da massa
TAB.4.3
52
............................................
Custos de identicao (JId ) e de validao (JV al ) para a sada

do mssil no-linear identicado por partes.
69
........................
74
TAB.4.6
Ordens dos modelos identicados por partes para o VLS. . . . . . . . . . . . . .
78
TAB.4.7
Custos de identicao (JId ) para o VLS.
78
TAB.4.8
Ordens dos modelos identicados e custo de identicao (JId )
..........................
para o VLS com modo de exo amplicado.

TAB.4.9
.......................
79
a
massa-mola-amortecedor de 2 ordem com rudo.
...................
81
TAB.4.10 Custos de identicao (JId ) e de validao (JV al ) para o sistema

do mssil no-linear com rudo.
...................................
TAB.4.11 Custos de identicao (JId ) e de validao (JV al ) para a sada

do mssil no-linear com rudo identicado por partes.
82
...............
84
TAB.4.12 Custos de identicao (JId ) e de validao (JV al ) para o sistema

do mssil no-linear com rudo identicado por Filtro de Kalman.
TAB.7.1
86
........................................................
99
Coecientes do modelo identicado da posio da massa
sen(x).
TAB.7.2
.....
Coecientes do modelo identicado da velocidade da massa
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

rudo:
k = cos(x).
k = sen(x).
com
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

rudo:
com
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
m1 (x1 ).
TAB.7.7
TAB.7.8

(v1 ).
TAB.7.9
. . . . . 102
m1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
m2 (x2 ).
TAB.7.10 Coecientes do modelo identicado da velocidade da massa

(v2 ).
m:
. . . . . 103
m2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
TAB.7.11 Coecientes do modelo identicado do mssil (sada
).
. . . . . . . . . . . . . . 104
TAB.7.12 Coecientes do modelo identicado do mssil (sada
).
. . . . . . . . . . . . . . . 105
TAB.7.13 Coecientes do modelo identicado do mssil com rudo (sada
).
. . . . . 105
TAB.7.14 Coecientes do modelo identicado do mssil com rudo (sada
).
. . . . . 105
TAB.7.15 Coecientes do modelo identicado por Filtro de Kalman do mssil:

sada
com rudo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
TAB.7.16 Coecientes do modelo identicado por Filtro de Kalman do mssil:

sada
com rudo.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
14
LISTA DE SMBOLOS E ABREVIATURAS
ABREVIATURAS
ARX
Autoregressive with Exogenous Input (Autoregressivo com Entradas

Externas)
BLG
Bloco Giromtrico
CTA
Centro Tcnico Aeroespacial
FT
Funo de Transferncia
IAE
Instituto de Aeronutica e Espao
IME
Instituto Militar de Engenharia
IPqM
Instituto de Pesquisa da Marinha
LIT
Linear Invariante no Tempo
LMI
Linear Matrix Inequalities (Desigualdades Matriciais Lineares)
LMS
Least Mean Square (Mnimo Mdio Quadrtico)
LPV
Linear a Parmetros Variantes
LQ
Linear Quadrtico
LTI
Linear Time Invariant (Linear Invariante no Tempo)
LTV
Linear Time Variant (Linear Variante no Tempo) ou Linear a Tempo

Variante
MIMO
Multiple Inputs Multiple Outputs (Mltiplas Entradas Mltiplas Sadas)
MISO
Multiple Inputs Single Output (Mltiplas Entradas nica Sada)
MSE
Mean Square Error (Erro Quadrtico Mdio)
N2CACGO
Norma 2 - Convexo - Analtico - Conjuntos Geradores Otimizados

(metodologia de identicao no domnio da freqncia)
PID
Proporcional Integral Derivativo
SEL
Sistema de Equaes Lineares
SISO
Single Input Single Output (nica Entrada nica Sada)
VLS
Veculo Lanador de Satlites
15
SMBOLOS
y(t)
Sada do sistema
u(t)
Entrada do sistema
yk
Sada discreta do sistema no instante
uk
Entrada discreta do sistema no instante
Custo (medida do erro do mtodo de identicao)
JId
Custo de identicao do sistema
JV al
Custo de validao dos sistema
|| . ||
Norma do argumento
| . |
Mdulo do argumento
G(j)
Resposta em freqncia da funo de transferncia
Vetor de freqncias
N (, s)
Polinmio do numerador da FT
D(, s)
Polinmio do denominador da FT
Por denio igual a
L[.]
Operador de Transformada de Laplace
5JS ()
Gradiente da funo custo
< A, B >
Produto interno denido pela EQ. 2.42
a >> b
muito maior que
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.
Para se alcanar com xito esse objetivo, necessrio o conhecimento
do comportamento dos sistemas.
A partir de uma anlise de seu funcionamento e da
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.
Na maioria dos casos, quanto mais preciso for o modelo, os controladores
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.
Essa metodologia tem se mostrado muito prtica e ecaz,
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
Mtodos no Domnio da Freqncia.
Os mtodos paramtricos consideram conhecida a estrutura do modelo (a partir das

leis fsicas que regem o sistema), buscando determinar os valores dos seus parmetros.
Ao contrrio, os mtodos no-paramtricos so utilizados quando a estrutura do modelo
desconhecida, resultando em representaes grcas que caracterizam a dinmica do
sistema (AGUIRRE, 2004).
As tcnicas no domnio da freqncia geram modelos que
reproduzem a dinmica do sistema nesse domnio, utilizando a Transformada de Fourier

(HOUGEN, 1972).
Outra classicao dos mtodos de identicao se refere utilizao de dados conhecidos a priori do sistema (CORRA, 2001; TULLEKEN, 1993; SJBERG et al., 1995;
BOHLIN & GRAEBES, 1995):
modelagem caixa-branca;
modelagem caixa-cinza; e
modelagem caixa-preta.
A modelagem caixa-branca requer um conhecimento prvio do comportamento da

dinmica do sistema, equacionado a partir da estrutura da planta. Dessa forma, os dados de entrada e de sada so dispensveis, j que os parmetros envolvidos possuem
signicado fsico. J a modelagem caixa-preta considera o desconhecimento do funcionamento interno da planta, baseando-se apenas nos dados de entrada e de sada da mesma.
Entre esses dois extremos se situa a modelagem caixa-cinza, a qual relaciona tanto
informaes de sinais de entrada e de sada da planta, quanto o conhecimento prvio
(mesmo que incompleto) da sua estrutura. Entre as vantagens dessa modelagem pode-se
destacar o fato que, mesmo com uma relativa escassez de dados, o uso de informaes
a priori diminui o nmero de parmetros a serem estimados, facilitando a soluo do
problema.
Dessa forma, pode-se considerar a Identicao de Sistemas uma rea de modelagem
matemtica que estuda tcnicas alternativas modelagem caixa-branca (AGUIRRE,
2004), normalmente se valendo da observao de sinais de entrada e de sada do sistema
em estudo. Tem sido considervel o interesse em identicao de sistemas nos ltimos
anos para ns de previso, superviso, diagnstico e controle, com aplicao em diversos campos da engenharia, como processos qumicos, eltricos, aeronuticos, em sistemas
biomdicos, sistemas socioeconmicos, etc. (COELHO & COELHO, 2004).
18
Muitos sistemas de interesse so no-lineares. Mesmo nestes casos, a utilizao de

modelos lineares em detrimento de modelos no-lineares se justica pela sua simplicidade,
facilidade de obteno e disponibilidade de um amplo ferramental matemtico na engenharia de controle (BILLINGS, 1980). Entretanto, esses modelos conservam sua preciso
somente na vizinhana dos pontos de operao considerados no processo de identicao.
Uma modelagem que leve em conta as no-linearidades do modelo se faz necessria para
suprir a necessidade de obteno de modelos mais precisos, em faixas mais amplas de
operao.
Para superar as diculdades inerentes aos sistemas no-lineares em largas faixas de
condies operativas, alm de fornecer maior liberdade frente aos mtodos de projetos
Lineares Invariantes no Tempo (LIT, ou LTI, do ingls Linear Time Invariant), as tcnicas
de escalonamento de ganhos tm sido tradicionalmente utilizadas (LEITH & LEITHEAD,
2000; RUGH & SHAMMA, 2000).
Avanos recentes nas tcnicas de controle robusto
linear tm permitido tratar do controle de sistemas no-lineares de maneira sistemtica

e com alguma garantia de estabilidade e desempenho no contexto de escalonamento de
ganhos. Assim acontece com as tcnicas de controle Linear a Parmetros Variantes (LPV)
(LU & DOYLE, 1992; PACKARD, 1994; APKARIAN & GAHINET, 1995; WU et al.,
1996; APKARIAN et al., 2000).
Um sistema linear pode ser considerado variante no tempo ou no-estacionrio - Linear Variante no Tempo (LTV, do ingls Linear Time Variant) ou Linear a Parmetros
Variantes (LPV) - quando um ou mais parmetros do seu modelo variam amplamente
com o tempo e no podem ser tratados como parmetros incertos. Muitas vezes, os sistemas no-lineares podem ser tratados como sistemas lineares no-estacionrios. Assim,
boa parte dos sistemas no-lineares de interesse podem ser representados com preciso
adequada por modelos LPV.
1.2
OBJETIVOS DA DISSERTAO
Os objetivos deste trabalho so:
a) Estudar a aplicabilidade de tcnicas de identicao LPV em sistemas no-lineares;
b) Propor uma nova metodologia;
c) Identicar modelos LPV de sistemas no-lineares; e
d) Avaliar os modelos identicados.

19
1.3
ORGANIZAO DA DISSERTAO
Esta dissertao est organizada em 4 captulos,
alm desta introduo e do
Apndice.
O Captulo 2 apresenta a teoria que subsidiou este estudo, necessria para seu entendimento.
So apresentadas metodologias de identicao no domnio da freqncia
e no domnio do tempo, bem como a modelagem de sistemas discretos.
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
pode ser exgena ao sistema, ou endgena (caracterizando um modelo quasi-LPV).

O Captulo 4 mostra a aplicao da metodologia desenvolvida no captulo anterior
em diversos sistemas, vericando seus resultados. Primeiramente so apresentados dois
sistemas massa-mola-amortecedor com caractersticas no-lineares. Em seguida realizada a identicao de um modelo de mssil ar-ar, e por m de um Veculo Lanador de
Satlites.
O Captulo 5 apresenta as concluses deste trabalho baseadas nos resultados obtidos,
indicando sugestes para futuras pesquisas e aprimoramento das tcnicas apresentadas.
O Apndice contm o programa utilizado para encontrar o modelo com o menor
custo dos exemplos do Captulo 4, alm das tabelas contendo os coecientes dos modelos
identicados para cada sistema.
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
Conforme citado no Captulo 1, a identicao de sistemas visa encontrar modelos

que reproduzam o comportamento dinmico de um determinado sistema, seja no que
se refere resposta em freqncia ou resposta temporal do mesmo. Para isso, diversas metodologias foram desenvolvidas ao longo dos anos para encontrar esses modelos.
Muitas vezes o problema de identicao tratado como um problema de otimizao
(COELHO & COELHO, 2004), pois procura minimizar o erro de identicao representado por um ndice quantitativo.
A seleo de modelos matemticos e o ajuste dos parmetros so inuenciados por
diversos fatores, entre os quais:
a) conhecimento a priori do sistema (linearidade, graus de no-linearidade, atraso);
b) propriedades do modelo a ser identicado, como a sua complexidade;
c) seleo de medidas do erro a ser minimizado; e
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
Norma da diferena entre as sadas do sistema em estudo (yp ) e do modelo estimado

(ye ):
J = ||yp ye ||
Norma da diferena entre a resposta em freqncia do sistema real [Gp (j)] e do

modelo estimado [Ge (j)]:
J = ||Gp (j) Ge (j)||

sendo
um vetor que contm os valores das freqncias amostradas e selecionadas para
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.
Considerando um sistema monovarivel (uma entrada e uma sada),
toma-se um conjunto de dados complexos das respostas em freqncia

ou medidos em m valores de freqncia
Gs (j), calculados
= [w1 w2 wm ], convenientemente escolhidos
e distribudos na faixa de interesse.

Admite-se que a Funo de Transferncia (FT) racional estimada de ordem n seja da
seguinte forma:
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
O objetivo da metodologia encontrar um modelo
= [T T ]T ,
Gne (, s), parametrizado pelo vetor
que minimize a seguinte funo custo:
JS () = ||D(, j) G(j) N (, j)||22
sendo que a operao
(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
Gne (s) [parmetros
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
|D(, ji ) G(ji ) N (, ji )|2
(2.7)
i=1
ou simplicadamente:
JS () =
m
X
(ji ) (ji )
(2.8)
i=1
sendo
(ji ) = D(, ji )G(ji ) N (, ji )

(ji ) = (ji ),
com
(2.9)
ou seja, representa o operador conjugado.
Como mostrado em SILVEIRA (2006), a EQ. 2.7 convexa em relao ao vetor

paramtrico
= [T T ]T , e possui uma soluo tima global que calculada a partir do
gradiente de
JS ():

JS () =
JS JS
JS JS JS
JS
0 1
n 1 2
n
T
= 0(2n+1)x1
Derivando parcialmente a EQ. 2.8 em relao a um parmetro

ou
l , l = 1, , n)
de
Adotando-se a notao
t (k , k = 0, , n
dado pela EQ. 2.5:
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)
Substituindo a EQ. 2.12 na EQ. 2.11, obtm-se:
m
X
JS
=
(ji )]
[Rnk (ji ) (ji ) (ji )Rnk
k
i=1
=
=
m
X
i=1
m
X
2Re[Rnk (ji ) (ji )]

2Re{Rnk (ji )[D (, ji )G (ji ) N (, ji )]}
i=1
m
X
2Re[Rnk (ji )N (, ji ) Rnk (ji )G (ji )D (, ji )]
(2.14)
i=1
Analogamente para o parmetro
JS
l
m
X
l ,
substituindo a EQ. 2.13 na EQ. 2.11:
[Rnl (ji )G(ji ) (ji ) + (ji )Rnl

(ji )G (ji )]
i=1
=
=
m
X
i=1
m
X
2Re[Rnl (ji )G(ji ) (ji )]

2Re{Rnl (ji )G(ji )[D (, ji )G (ji ) N (, ji )]}
i=1
m
X
2Re[Rnl (ji )(ji )D (, ji ) Rnl (ji )G(ji )N (, ji )] (2.15)
i=1
na qual
(ji ) = G(ji )G (ji )
Re[?]
representa a parte real do argumento
De acordo com a EQ. 2.10, a condio tima atingida quando
0.
Fazendo isso, escolhendo-se a ordem
(referente ao vetor de parmetros
JS
k
?.
= 0
JS
l
do modelo estimado, variando-se o ndice
) e o ndice l (referente ao vetor de parmetros ) nas
EQ. 2.14 e EQ. 2.15, e manipulando-se algebricamente o conjunto de equaes, possvel

estabelecer a relao:
Q1
Q3
Q = Y
Q2
= 1
Q4
Y2
que nada mais que um SEL. Simplicando a notao
= (ji ) = G(ji )G (ji ),
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)
Esta metodologia utiliza dados no domnio da freqncia, que de difcil aplicao

em sistemas do tipo LPV e no-lineares. Entretanto, o princpio utilizado (modicao
da funo custo visando obter uma funo que possa ser resolvida analiticamente, ao
invs de se valer de mtodos de otimizao - iterativos ou recursivos) serviu como base
para o desenvolvimento no domnio do tempo da metodologia proposta no Captulo 3,
de forma que pudesse ser aplicada a sistemas no-lineares e LPV.
2.2
SISTEMAS LPV
Um sistema linear pode ser considerado variante no tempo ou no-estacionrio

quando um ou mais parmetros do seu modelo variam amplamente com o tempo e no
25
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:
sendo que as matrizes

no tempo
(t)
Quando
x(t)
= A((t)) x(t) + B((t)) u(t)
(2.23)
y(t) = C((t)) x(t) + D((t)) u(t)
(2.24)
A, B , C
D so dependentes do parmetro continuamente variante
(t) possui elementos cuja variao depende, alm do tempo, de um ou mais
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,
(t) evolui num domnio especco sem obedecer dinmica de x(t) .
(t) = [xT (x(t)) pT (t)]
xT (x(t))
Dessa
, sendo:
- conjunto de variveis endgenas (dependem da dinmica interna do sis-
tema);
pT (t) - conjunto de variveis exgenas (evoluem no tempo independente da dinmica

interna).
So apresentadas a seguir algumas metodologias de identicao aplicadas a sistemas

do tipo LPV.
2.2.1
IDENTIFICAO DE SISTEMAS LPV E QUASI-LPV
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
ou exgeno, de acordo com a planta). O modelo, recebendo a medio em tempo real do

parmetro
e do valor de entrada da planta, faz com que a sada identicada convirja
para a resposta da planta fsica.

Considera-se que a dinmica a pequenas perturbaes de uma planta no-estacionria
possa ser representada por um conjunto de modelos lineares, que podem ser parametrizados por um sinal contnuo
a ser medido. O problema consiste, numa primeira etapa,

26
em identicar os modelos lineares
Gi (s), i {0, 1, , v},
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
que dene uma trajetria de variao
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:
bi0 sn + bi1 sn1 + + bi(n1) s + bin

Gi (s) = n
s + ai1 sn1 + + ai(n1) s + ain
para
aij , bi` R, j {1, 2 , n}
O conjunto de modelos LTI
(2.25)
` {0, 1 , n}.
Gi (s)
foi obtido pela identicao do sistema. Assim,
para se comparar as entradas e as sadas do modelo com a da planta no ponto de operao
i,
deve-se adicionar valores constantes a essas variveis:
yi (t) = y i (t) + yN i
ui (t) = ui (t) + uN i
Os valores
yN i
uN i R
(2.26)
so as constantes que se referem ao ponto de operao
da planta em relao ao modelo
Gi (s).
planta, respectivamente. Os sinais
y(t)
Os sinais
e
u(t)
y(t)
u(t)
so a entrada e a sada da
so a entrada e a sada, respectivamente,
correspondentes aplicao no modelo LTI.

Os modelos LTI obtidos possuem os estados nulos, entretanto isso no condiz com
a realidade do modelo LPV original.
obtidos
Gi (s)
Assim, deve-se compatibilizar os modelos LTI
com as necessidades de equacionamento proposto
Gi (s),
fazendo com que
os estados dos primeiros representem as mesmas grandezas em toda a faixa de operao

do parmetro, sem deslocamento de entrada e de sada. Para isso, uma manipulao no
conjunto de modelos LTI se faz necessria:
Yi (s) = L[yi (t)]

Yi (s) = L[y i (t) + yN i ]
yN i
Yi (s) = Y i (s) +
s
Analogamente para
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)
Para convenincia de notao, dene-se
yN i = bi(n+1)
uN i = ai(n+1) .
A nova FT
dada por:
bi0 sn+1 + bi1 sn + + bin s + bi(n+1)

sn+1 + ai1 sn + + ain s + ai(n+1)
j {0, 1, , (n + 1)}, tem-se:
Gi (s) =
Com
(2.28)
aj = [a1j a2j avj ]T
(2.29)
bj = [b0j b1j bvj ]T
(2.30)
j = [1j 2j vj ]T
(2.31)
Com as denies acima pode-se determinar a variao dos parmetros

em funo do parmetro
ai
bi
da FT
de forma que:
G(s, ) =
b0 ()sn+1 + b1 ()sn + + bn ()s + bn+1 ()

sn+1 + a1 ()sn + + an ()s + an+1 ()
(2.32)
Uma FT dependente de um parmetro no tem signicado quando este varia no

tempo. A notao
G(s, )
utilizada para indicar que um sistema
do tipo quasi-LPV
tem como modelo freqencial:
A() B()
G(s, ) ,
C() D()
para valores estacionrios de
"
x(t)
(2.33)
"
=
A() B()
# "
C() D()
x(t)
#
(2.34)
u(t)
varia.
Para denir as funes

do tipo
, C()[sI A()]1 B() + D()
e modelos em espao de estados:
y(t)
quando
ai () e bi () na EQ. 2.32 utilizada uma base polinomial em
f () = 0 p + 1 p1 + + p , p N.
arbitrar uma ordem de grandeza
Para encontrar estas funes necessrio
para os polinmios, equacionando da seguinte forma:
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)
Este mtodo de identicao de sistemas do tipo LPV considera que um conjunto de

modelos lineares em torno de alguns pontos de operao foram previamente identicados.
Para o caso em que s esto disponveis os dados de entrada, de sada e do parmetro
no domnio do tempo, essa identicao preliminar pode no ser possvel. A aproximao

da variao dos coecientes
ai
bj
por uma base polinomial em
tambm utilizada na
metodologia proposta neste trabalho apresentada no Captulo 3.
2.2.2
IDENTIFICAO DE SISTEMAS LPV
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
o operador de atraso. Tem-se
n = na + nb + 1
funes paramtricas a serem
identicadas, correspondentes s funes que traam a variao dos parmetros
bj ()
e
bj
da FT discreta,
i [0, 1, , na]
j [0, 1, , nb].
(2.37)
ai ()
Assumindo que as funes
ai
sejam da forma polinomial:
N 1
ai () = a1i + a2i + + aN
i
(2.38)
N 1
bj () = b1j + b2j + + bN
j
(2.39)
Assim, qualquer modelo particular
k, l [1, 2, , N ].
M (q, )
Denindo agora a matriz
a11
a21
1
a2 a22
..
.
.
.
.
, a1 a2
na na
b1 b2
0
0
.
.
..
.
.
b1nb b2nb
29
caracterizado pelos coecientes
aki
blj ,
de coecientes a serem identicados:
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 ]
para simplicar a notao.
Dene-se o produto interno de duas matrizes
de dimenses iguais como:
< A, B >= trao(A B) = trao(B A )

onde
(2.41)
o transposto complexo conjugado da matriz
A.
(2.42)
Desse modo, pode-se reescrever
o modelo dado pelas EQ. 2.37 a 2.41 como:
k >
yk = < ,
(2.43)
T
1X
2}
J = J() =
E{(k, )
T k=0
(2.44)
Considera-se a funo custo:
em que o erro de predio
denido como:
= yk < ,
k >
(k, )
Seja
a matriz de parmetros estimados no instante
(2.45)
k.
A atualizao dos parme-
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)
o gradiente do erro quadrtico mdio (MSE, do ingls Mean Square
Error):
g() =
e o parmetro
dJ()
d
(2.47)
o tamanho do passo. Uma aproximao do algoritmo MSE o LMS
(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,
=
chega-se ao seguinte algoritmo LMS:
k = k k
(2.50)
k , k >= yk trao
k
k = y k <
k
(2.51)
k+1 =
k + k k
(2.52)
Deve-se ento escolher valores para o passo

calcular as EQ. 2.50 a 2.52 para os
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
inicial, que deve ser
feita por tentativa e erro.

Assim como a metodologia N2CACGO (Seo 2.1.1) altera a funo custo (EQ. 2.6),
a metodologia apresentada no Captulo 3 reescreve a matriz
denida na EQ. 2.40
como um vetor. Dessa forma a EQ. 2.45 pode ser resolvida analiticamente. A considerao de que as funes
ai ()
bj ()
so polinomiais, assim como ocorre na metodologia
apresentada na Seo 2.2.1, tambm utilizada no Captulo 3.
2.3
SISTEMAS DISCRETOS
Os controladores contnuos so construdos utilizando eletrnica analgica, cujos

componentes so circuitos contendo resistores, capacitores e amplicadores operacionais.
Entretanto, embora vrios processos sejam contnuos por natureza, os modernos sistemas de controle utilizados se baseiam em computadores digitais e aplicam algoritmos
de controle digital (COELHO & COELHO, 2004).
Diferente da eletrnica analgica,
os computadores digitais no podem integrar, tendo que resolver equaes diferenciais

atravs de aproximaes envolvendo somas e multiplicaes apenas, tcnica conhecida
como integrao numrica (FRANKLIN et al., 1988).
31
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
por segundo (rad/s).

O sinal amostrado da sada
(normalmente usa-se a notao
y(kT ),
em que
y(k) ou yk ).
pode assumir qualquer valor inteiro
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
A relao abaixo ser aproximadamente verdadeira se

no intervalo
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
Considera-se o seguinte modelo (AGUIRRE, 2004):
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
o operador de atraso, de forma que
A(q), B(q), C(q), D(q)
F (q)
y(k)q 1 = y(k 1), v(k)
(2.55)
(2.56)
(2.57)
um rudo branco
denidos pelos polinmios a seguir:
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
H(q) e G(q) normalmente so referidas como FT do processo e do rudo,
respectivamente, ou seja,
H(q)
o resultado de se substituir
32
q = z
na transformada
unilateral
da resposta ao impulso do processo
uma vez que, a rigor,
H(q)
H(z)
h(k).
uma representao no domnio da freqncia ao passo que
uma representao no domnio do tempo.
atraso, ao passo que
z 1 ,
Essa susbtituio se faz necessria
Alm disso,
q 1
um operador de
a rigor, no um operador, mas o inverso de uma varivel
complexa (AGUIRRE, 2004).
2.3.2
MODELO ARX
O modelo auto-regressivo com entradas externas (ARX do ingls Autoregressive with
Exogenous Inputs) pode ser obtido a partir do modelo geral dado pela EQ. 2.55, fazendo
C(q) = D(q) = F (q) = 1,
resultando em:
A(q) y(k) = B(q) u(k) + v(k)

1
B(q)
u(k) +
v(k)
y(k) =
A(q)
A(q)
Na equao acima pode-se perceber claramente as funes de transferncia do sistema
H(q) =
B(q)
e do rudo
A(q)
G(q) =
1
, coforme a FIG. 2.1.
A(q)
FIG.2.1: Representao esquemtica do modelo ARX (AGUIRRE, 2004).
2.3.3
MODELO ARX MULTIVARIVEL
Considerando um modelo com
entradas e
sadas, uma possvel realizao multi-
varivel de um modelo ARX :
y(k) = A1 y(k 1) + A2 y(k 2) + + Any y(k ny ) +

B1 u(k 1) + B2 u(k 2) + + Bnu u(k nu ) + e(k)
33
sendo
Ai Rpxp , Bi Rpxr
y(k) = [y1 (k) y2 (k) yp (k)]T
(2.58)
u(k) = [u1 (k) u2 (k) ur (k)]T
(2.59)
e(k) = [e1 (k) e2 (k) ep (k)]T
(2.60)
So denidas matrizes de polinmios, ou seja, matrizes em que cada elemento um

polinmio:
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)
Pode-se representar o mesmo sistema da seguinte maneira:
y(k) = T (k 1) + e(k)
(2.63)
= [A1 A2 Any B1 B2 Bnu ]T
(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)
REPRESENTAO EM ESPAO DE ESTADOS DE EQUAES DIFERENAS VARIANTES NO TEMPO
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)
Para a anlise que se segue ser considerado um sistema de 2
ordem, cuja equao
diferena est apresentada a seguir:
yk = a1k yk1 a2k yk2 + b0k uk + b1k uk1 + b2k uk2

34
(2.68)
O vetor de estados representado da seguinte forma:
"
xk =
x1k
#
(2.69)
x2k
Comparando as EQ. 2.67 e EQ. 2.68, e considerando que
Ck = [ 1 0 ],
tem-se:
Dk = bok
(2.70)
x1k = a1k yk1 a2k yk2 + b1k uk1 + b2k uk2
(2.71)
A EQ. 2.67 no instante
k 1:
yk1 = Ck1 xk1 + Dk1 uk1
yk1 = x1(k1) + b0(k1) uk1
(2.72)
Substituindo a EQ. 2.72 na EQ. 2.71:
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)
b1k a1k b0(k1)

{z
#
uk1
}
Bk1
(2.74)
na qual
representa os elementos desconhecidos nas matrizes
brir estes elementos, avana-se a EQ. 2.74 para o instante
"
#"

{z
a2(k+1) yk1 + b2(k+1) uk1

}|
{z
}
Substituindo
yk1
xk+1 =
|
a1(k+1)
x1k
xk
Ak
pela EQ. 2.72 no estado
x2k
k:
"
Ak1
Bk1 .
Para desco-
b1(k+1) a1(k+1) b0(k)

{z
Bk
#
uk
}
da equao acima:
x2k = a2(k+1) yk1 + b2(k+1) uk1

x2k = a2(k+1) [x1(k1) + b0(k1) uk1 ] + b2(k+1) uk1
x2k = a2(k+1) x1(k1) a2(k+1) b0(k1) uk1 + b2(k+1) uk1
x2k = a2(k+1) x1(k1) + [b2(k+1) a2(k+1) b0(k1) ] uk1
35
(2.75)
Assim, para que a EQ. 2.75 seja vlida, as matrizes
Ak1
Bk1
devem ser comple-
tadas da seguinte forma:
"
xk =
a1k
# "
a2(k+1) 0
a2k yk2 + b2k uk2
{z
} |
{z
}
|
xk1
Ak1
"
x1(k1)
b1k a1k b0(k1)
b2(k+1) a2(k+1) b0(k1)

{z
}
|
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 =
b1(k+1) a1(k+1) b0(k)
b2(k+2) a2(k+2) b0(k)
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
b1(k+1) a1(k+1) b0(k)
2(k+2) a2(k+2) b0(k)

=
.
.
bn(k+n) a2(k+n) b0(k)
(2.77)
(2.78)
Ck = [1 0 0 0]
(2.79)
Dk = b0k
(2.80)
Para comprovar a correspondncia da representao em espao de estados atravs
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
ordem variante no tempo mostrada a
seguir:
yk = a1k yk1 a2k yk2 + b0k uk + b1k uk1 + b2k uk2

36
(2.81)
k < 1,
Considerando nulas as entradas e sadas para
as sadas para
k = {1, 2, 3}
so
apresentadas a seguir:
Para
Para
Para
k = 1:
y1 = b01 u1
(2.82)
y2 = a12 y1 + b02 u2 + b12 u1
(2.83)
y3 = a13 y2 a23 y1 + b03 u3 + b13 u2 + b23 u1
(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 =
b23 a23 b01
b12 u1 a12 b01 u1
b12 a12 b01
u1
b23 u1 a23 b01 u1

"
y1 = [1 0]
+ b01 u1
y1 = b01 u1
Para
k = 2:
"
x3 =
a24 0
"
x3 =
a13 1
# "
(2.85)
b12 u1 a12 b01 u1
b23 u1 a23 b01 u1
"
+
b13 a13 b02

b24 a24 b02
#
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]
b12 u1 a12 b01 u1

b23 u1 a23 b01 u1
#
+ b02 u2
y2 = b12 u1 a12 b01 u1 +b02 u2

| {z }
y1
y2 = a12 y1 + b02 u2 + b12 u1
(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
a24 [b12 u1 a12 b01 u1 ] + b24 u2 a24 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
y3 = a13 y2 a23 y1 + b03 u3 + b13 u2 + b23 u1
(2.87)
Comparando os resultados obtidos, pode-se ver que as respostas da equao diferena

(EQ. 2.82 a EQ. 2.84) e da formulao em espao de estados (EQ. 2.85 a EQ. 2.87) so
iguais, podendo-se utilizar tanto uma quanto outra maneira para representar o mesmo
sistema.
A diculdade encontrada para a representao em espao de estados est no fato de
que as matrizes
(sendo
Ak , Bk , Ck e Dk dependem de coecientes nos tempos k+1, k+2, , k+n
a ordem do sistema), porque nem sempre possvel ter o conhecimento prvio
do valor destes coecientes.
Quando se faz uma aproximao polinomial da variao
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
O mtodo de mnimos quadrados um dos mais conhecidos e utilizados em diversas

reas de cincia e tecnologia.
Karl Friedrich Gauss formulou o Princpio dos Mnimos
Quadrados ao nal do sculo XVIII para prever a trajetria de planetas e cometas a

partir das observaes realizadas.
Considerando uma funo escalar
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
e pode ser representada como:
y = f (x, )
(2.89)
Assim, tem-se um conjunto de equaes a partir de vrias observaes do escalar
(varivel dependente) e do vetor de variveis independentes, da seguinte forma:
y1 = f (x1 , )
y2 = f (x2 , )
.
.
.
.
.
.
yN = f (xN , )
sendo que
yi
i-sima
observaes dos
observao de
elementos do vetor
famlia de equaes, sendo que
y,
x.
(2.90)
xi = [x1i , x2i , , xni ]T
so as
i-simas
A funo denida na EQ. 2.89 dene uma
membros dessa famlia esto representados na EQ.
2.90. A partir de agora, cada membro ser denominado restrio, ou seja, a EQ. 2.90
um conjunto de
restries da funo descrita na EQ. 2.89.
Caso sejam conhecidos
xi
yi , i {1, 2, , N },
deseja-se determinar
Para
isso, sero feitas as seguintes consideraes:

a) A funo
e o vetor
no variam de uma restrio para outra, ou seja, todas as
restries so, de fato, da mesma equao.

b) A EQ. 2.89 pode ser escrita como:
y = xT
c) So consideradas
elementos de
(2.91)
restries, a m de se ter
de forma que
equaes para determinar os
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
seja linear nos parmetros. A partir
das consideraes acima, pode-se escrever a EQ. 2.90 da seguinte forma:
y

2
2
. = [x1 x2 xn ] .
..
..
n
yn
y1
39
y=X
X Rnxn
(2.92)
xi a i-sima coluna de X (deve-se notar que xi

n linhas, ou seja, xi Rn que diferente de xi R).
sendo
Na EQ. 2.89,
xn ,
um vetor coluna de
a varivel dependente, pois depende dos regressores
que so tambm chamados de variveis independentes.
x1 , x2 , ,
o vetor de parmetros a
determinar. Pode-se determinar o vetor de parmetros invertendo
(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 ).
Na prtica, normalmente ocorre que
N >> n,
como pode
ser observado nos exemplos apresentados no Captulo 4. Nesse caso, a matriz
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
N > n restries da EQ. 2.89,
X RN xn , y RN x1
Rnx1 .
tem-se um sistema sobredeterminado, de
Como a matriz
no quadrada, ela no
pode ser invertida. Entretanto, pr-multiplicando a EQ. 2.92 por
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
for no singular, pode ser
invertida, chegando-se a:
= [X T X]1 X T y
sendo
[X T X]1 X T
(2.95)
chamada de matriz pseudo-inversa.
A EQ. 2.95 resolve o problema de determinao de
quando se tem maior nmero
de restries do que parmetros.
2.4.2
O MTODO DE MNIMOS QUADRADOS
Supondo que se conhece o valor estimado do vetor de parmetros

um erro
ao se tentar explicar o valor observado
e que cometido
a partir dos regressores de
x e de ,
ou seja:
+
y = xT
Escrevendo de forma matricial, quando se tem
+
y = X
40
(2.96)
N >n
medies da equao acima:

(2.97)
Deseja-se encontrar
que minimize o valor do vetor de erros
pelo somatrio do quadrado dos erros
J=
N
X
Este valor ser dado
ou seja:
(i)2 = T = || ||2
(2.98)
i=1
O custo
uma quantia que mostra o quanto o vetor
X. Quanto menor for
J,
melhor ser esse ajuste. Isolando
se ajusta s medidas de
na EQ. 2.97 e substituindo
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)
que minimiza o valor de
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)
Igualando a EQ. 2.100 a 0 tem-se:
= 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
positiva denida por construo. Percebe-se que as EQ.
corresponda ao mnimo de J , necessrio vericar que
o que verdadeiro, pois
2X T X
2.101 e EQ. 2.95 so idnticas.
2.4.3
ESTIMADOR DE MNIMOS QUADRADOS NO-RECURSIVO
Para aplicar o princpio dos mnimos quadrados teoria de identicao de sistemas,

ser considerado um processo fsico caracterizado por uma entrada
e uma perturbao
e(t)
u(t),
uma sada
y(t)
(esta ltima pode ser o erro de modelagem, o erro de medio
ou o rudo na sada).
Este sistema pode ser representado por uma equao diferena da forma:
yk = a1 yk1 a2 yk2 ana ykna + b0 uk + b1 uk 1 + + bnb uknb

41
(2.102)
Deseja-se determinar os parmetros
ai
bj , i {1, 2, , na}
supondo-se conhecidas as entradas e sadas [uk e
yk ].
j {0, 1, 2, , nb},
Para isso, denem-se os seguintes
vetores:
sendo
kT = [yk1 yk2 ykna uk uk1 uknb ]
(2.103)
T = [a1 a2 ana b0 b1 bnb ]
(2.104)
k R(na+nb+1)x1
o vetor de medidas e
R(na+nb+1)x1
o vetor de parmetros.
Assim, pode-se reescrever a EQ. 2.102 como:
yk = kT + ek
(2.105)
denominado modelo de regresso linear (LJUNG & SDERSTRM, 1983).

Admitindo que se tem disponveis
para determinar os parmetros
ai e bj ):

y0
y
1
yN 1
medies de entradas e de sadas (sucientes
0T
e0

e
T
1

1
+
=

T
eN 1
N
1
(2.106)
que pode ser representada matricialmente por:
Y = + e
(2.107)
Partindo da EQ. 2.107, pode-se utilizar o princpio dos mnimos quadrados para
encontrar o valor de
que
minimize a funo custo:
J=
N
X
2
(yk kT )
(2.108)
k=1
ou seja, que melhor represente o sistema fsico desejado.
2.5
SOLUO DE SISTEMAS DE EQUAES LINEARES
A soluo de um SEL atravs do mtodo da matriz pseudo-inversa foi demonstrado

nas Sees 2.4.1 e 2.4.2.
(X T X)
Entretanto, a utilizao da inversa de
na EQ. 2.93 ou de
nas EQ. 2.95 e EQ. 2.101 para resolver o SEL pode no trazer bons resultados,
em especial nos casos de sistemas sobredeterminados em que o nmero de linhas de

muito maior que o nmero de colunas.
42
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).
Pode-se ainda utilizar as LMI (Linear Matrix Inequalities, ou De-
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
O objetivo deste mtodo a transformao da matriz principal (X

dado por
Rn x n )
do SEL
X = B ( e B Rn x 1 ) em uma matriz identidade (I Rn x n ), atravs de opeB
raes com linhas. Submetendo-se o vetor

no vetor soluo
s mesmas operaes, este se transformar
(DIEGUEZ, 1992). As operaes efetuadas so as seguintes:
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).
Para evitar a ocorrncia de um elemento muito pequeno na diagonal, produzindo

erros numricos, deve-se colocar na diagonal os termos de maior valor absoluto. A esse
procedimento d-se o nome de pivoteamento, que pode ser feito previamente ou durante
o processo, sendo este ltimo mais eciente (DIEGUEZ, 1992).
Inicialmente, deve-se construir a matriz estendida
para
variando de 1 at
a) Permutar a linha
n,
i
A = X|B Rn x (n+1) .
Em seguida,
segue-se os seguintes passos:
com a linha
que possuir o elemento
aki
com maior valor
absoluto (pivoteamento);
b) Dividir todos os elementos da linha
c) Para as linhas
akj
pelo elemento da diagonal
k = 1 a n, k 6= i, subtrair de cada elemento akj
pelo elemento
aii ;
o produto do elemento
aij .
Ao nal das iteraes obtm-se

matriz identidade, e o vetor
A = I|,
ou seja, a matriz
foi transformada na
foi transformado no vetor soluo do SEL ( ).

43
3 METODOLOGIA DE IDENTIFICAO LPV DE SISTEMAS

NO-LINEARES
Este captulo apresenta um mtodo para a identicao de um modelo LPV a partir

do conhecimento, no domnio do tempo, dos dados de entrada, de sada e da varivel que
parametriza o comportamento de um sistema.
Seja um sistema
de sada (u e
uk
G do tipo ARX, linear invariante no tempo, cujos dados de entrada e
y , respectivamente) no domnio do tempo sejam conhecidos.
Estas variveis
yk , k {1, 2, , m}, so consideradas discretas, com m sendo o nmero de amostras
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:
yk = a1 yk1 a2 yk2 an ykn + b0 uk + b1 uk1 + + bn ukn

Os coecientes
ai
modelo do sistema
G.
Agora, seja
bj , i {1, , n}
j {0, 1, , n},
(3.1)
so constantes e denem o
G seja um sistema variante no tempo, os coecientes ai e bj
constantes, possuindo um valor diferente para cada instante de tempo
k.
deixam de ser
Assim, pode-se
reescrever a equao diferena da seguinte forma:
yk = a1k yk1 a2k yk2 ank ykn + b0k uk + b1k uk1 + + bnk ukn
em que o ndice
(3.2)
acrescentado aos coecientes indica o instante de tempo considerado.
Assumindo que os coecientes no sofrem grandes variaes entre dois instantes

e
k + 1,
pode-se aproxim-los por funes polinomiais dependentes de um parmetro
Admite-se que
k
.
parametriza o sistema G, e sua variao limitada por um valor mximo
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 )
e uma varivel fsica
sistema). Caso isso no ocorra, pode-se considerar
(seja ela endgena ou exgena ao
como sendo o prprio tempo, entre-
tanto, isso pode resultar numa aproximao no muito satisfatria, gerando imperfeies
no resultado da identicao.
44
FIG.3.1: Fluxograma do mtodo de identicao proposto.
bjk
Cada coeciente
Os coecientes
cidos, denem um
coecientes
i`
aik
na EQ. 3.2 pode ser aproximado por uma funo polinomial
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` ,
de modo que, com a seqncia de entradas

45
uk
e dos parmetros
k ,
a sada
y de G
se aproxime da sada real
de
G.
Essa aproximao pode ser mensurada
atravs de uma funo custo quadrtico mdio da diferena entre as sadas

por:
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 +
das EQ. 3.3 e EQ. 3.4 na EQ. 3.2:
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`
varia a cada instante
k1 ,
que denem o modelo
o vetor
k,
(3.14)
conforme os valores de
yk1 , yk2 ,
constante. Este contm todos os coecientes
.
G
A partir da EQ. 3.14 pode-se encontrar o melhor valor de

custo quadrtico mdio:
que minimize a funo
1 X
2
J=
(yk Tk )
m k=1
Conhecendo-se
e a matriz
(3.15)
m amostras da sada, da entrada e do parmetro , constri-se o vetor
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 .
Multiplicando ambos os lados por
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 .
Esta equao representa
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
METODOLOGIA APLICADA A SISTEMAS MULTIVARIVEIS
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 = a1k yk1 a2k yk2 ank ykn

+b10k u1k + b11k u1k1 + + b1nk u1kn
+b21k u2k1 + b21k u2k1 + + b2nk u2kn
+ +
+bp0k upk + bp1k upk1 + + bpnk upkn
p
n
n
X
X
X
=
yki aik +
urkj brjk
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 as sadas anteriores, e
que relacionam a sada
com a entrada
brjk , j [0, , n], r [1, , p],

u
Novamente, a variao de cada coeciente

os coecientes
ai
brj
ser aproximada por um polinmio
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
das EQ. 3.21 e EQ. 3.22 na equao diferena
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
Separando a parte dependente de
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]:
Denindo os seguintes vetores para
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:
Tk , [T1k T2k T(p+1)k ]
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 .
O caso monovarivel apresentado na
seo anterior uma particularidade do caso MISO, quando

49
p = 1.
3.3
IDENTIFICAO PARAMTRICA POR FILTRO DE KALMAN
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,
possvel estimar os valores dos coecientes
r
j`
das EQ. 3.21 e EQ. 3.22. Contudo, possvel que se obtenha
j`
que
das EQ.
uma identicao pobre, caso no se escolham adequadamente os sinais (ANDERSON

& MOORE, 1979).
Esta seo apresenta a implementao do Filtro de Kalman para
identicao LPV e os resultados obtidos encontram-se na Seo 4.7.

Seja um modelo LPV descrito como na EQ. 3.2. Supondo o sistema sujeito a um
rudo do sensor de medidas
perturbaes aleatrias
(i)
(i)
vk
e que a transio do vetor de parmetros
est sujeita a
wk :
(i)
k+1 = k + wk
(3.26)
yk + a1k yk1 + + ank ykn = b1k uk1 + + bmk ukm + vk

em que
(i)
{wk } e vk
so considerados processos estocsticos gaussianos, brancos, de mdia
nula e independentes.
suposta tambm a independncia entre
(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
a matriz de transio de estados e
HkT
a matriz de sada.
A seguir so relacionadas as equaes do ltro de Kalman:
xk = Fk1 xk1
(3.28)
T
Pp(k) = Fk1 Pe(k1) Fk1
+ Qk1
Kf (k) = Pp(k) HkT [Hk Pp(k) HkT + Rk ]1

xk = xk + Kf (k) [yk Hk xk ]
Pe(k) = [I Kf (k) Hk ] Pp(k)
sendo
Pe
(3.29)
(3.30)
(3.31)
(3.32)
x o estado predito, x o estado estimado, Pp a matriz covarincia de erro de predio,
a matriz covarincia de erro de estimao,
50
Q a matriz expectncia de rudo da planta,
FIG.3.2: Fluxograma do mtodo de identicao utilizando Filtro de Kalman.
a expectncia de rudo do sensor, e
Kf
o ganho de Kalman. O algoritmo da FIG. 3.2
mostra como utilizar o Filtro de Kalman para realizar a identicao.

A identicao pelo Filtro de Kalman tem a vantagem de, por ser um mtodo recursivo, poder ser realizada em tempo real. Com isso, no h necessidade de uma grande
quantidade de memria para armazenar os dados, pois os mesmos podem ser descartados
medida em que forem utilizados.
3.4
CONSIDERAES SOBRE O MTODO DE IDENTIFICAO
Esta seo trata de alguns aspectos relevantes quanto metodologia para identicao de sistemas proposta neste captulo.
51
Inicialmente, para o desenvolvimento da metodologia foi considerado que a sada

depende de
ocorrer.
sadas anteriores e de
entradas anteriores.
Na prtica, isso pode no
Assim, na busca do melhor modelo, testa-se relaes da sada atual com
sadas anteriores e
nb
yk
na
entradas anteriores, permitindo uma maior variedade de modelos
testados. Atravs dos resultados obtidos no Captulo 4, v-se que a maioria dos modelos
identicados possuem valores diferentes de
na
nb ,
conrmando o exposto aqui.
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
no necessariamente est relacionada
o que equivale a uma matriz de transmisso direta nula (D
= 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
(com relao primeira
(com relao segunda entrada), alm de custos diferentes para o caso em
levado em considerao ou no.
TAB.3.1: Ordens de alguns modelos identicados para o sistema

a
massa-mola-amortecedor de 4 ordem e os respectivos custos de identicao (JId ) e de
validao (JV al ).
Massa
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
da EQ. 3.19 precisa ser inversvel. A matriz
uma combinao dos dados de sada, de entrada, e da varivel paramtrica

EQ. 3.10), sendo assim, uma maneira de garantir a no singularidade de
(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
ter colunas repetidas, bem como
consequentemente ser singular.

52
T ,
que
Assim, quando possvel, deve-se utilizar sinais de entrada

estimular o sinal de sada
y.
ativos o suciente para
Quando isso no possvel, no caso de identicao utili-
zando dados de um experimento real por exemplo, a variao de
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
IDENTIFICAO POR PARTES
Em alguns casos, quando se realiza a identicao de um modelo LPV que reproduza

a sada do sistema real, o resultado no satisfatrio (caso do Veculo Lanador de
Satlites na Seo 4.4 e do mssil no-linear nas Sees 4.3 - sada
- 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.
Nesse ponto, interessante observar que, mesmo encontrando os melhores modelos

para cada faixa de tempo (utilizando os dados reais), quando se simula o sistema com
todos os modelos em conjunto, o resultado ainda no satisfatrio. A FIG. 3.3 mostra a
identicao por partes do VLS, com os dados divididos em intervalos de 5s. Percebe-se
que a resposta do modelo identicado diverge dos dados ideais.
Para resolver este problema, deve-se levar em considerao na identicao de um
intevalo, os resultados obtidos na identicao do intervalo anterior. Os passos a seguir
detalham esse procedimento:
Divide-se os dados em intervalos de tempo
, yn ;
entrada
em
u1 , u2 , , un ;
t1 , t2 , t3 , , tn
e varivel
53
em
(sada
1 , 2 , , n );
em
y1 , y2 ,
Para o primeiro intervalo

o modelo estimado
1
G
t1 , utilizam-se os dados reais (y1 , u1
O modelo
Para identicar o modelo
gera a sada identicada
y1 ;
2 referente ao intervalo t2 , ao invs de utilizar o conjunto

G
y 2 T ]T ,
utiliza-se uma combinao dos dados identicados do
primeiro intervalo com os dados reais do segundo intervalo [y

1
1 ) para encontrar
1;
G
de dados reais [y1
y2 ];
O procedimento segue assim sucessivamente: para encontrar o modelo

o conjunto de dados [y
1
n utiliza-se
G
y2 yn1 yn ].
Dessa forma, garante-se que no haja descontinuidades na transio entre os modelos,

fazendo com que a simulao completa obtenha resultados melhores que a identicao
de um nico modelo para o sistema.
A transio entre um modelo e outro feita de forma direta, bastando atualizar
os coecientes do vetor
mesmos (valores de
adequada ao vetor
na, nb
Deve-se apenas tomar cuidado com a mudana do grau dos

e
N ),
para construir a matriz
(EQ. 3.12) com a dimenso
(EQ. 3.13).
Essa tcnica traz um aumento do nmero de modelos identicados ao nal.
Por-
tanto, deve-se ter em mente o quanto se quer melhorar os resultados, em contrapartida

ao aumento signicativo dos modelos identicados, obtendo o melhor resultado para o
objetivo desejado. A FIG. 3.4 mostra o resultado da identicao por partes do VLS, com
os dados divididos em intervalos de 5s, utilizando o procedimento exposto nesta seo.
Pode-se perceber que a resposta do modelo identicado prxima da resposta ideal.
FIG.3.3: Identicao do VLS (dados divididos em intervalos de 5s).
54
FIG.3.4: Identicao por partes do VLS (dados divididos em intervalos de 5s).
55
4 APLICAO E RESULTADOS
Para demonstrar a aplicabilidade e os resultados do mtodo proposto no Captulo

3, o mesmo ser empregado em alguns modelos. Para isso, sero utilizados um sistema
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
variando de 2 at 15, conforme exposto na Seo 3.4. O programa
utilizado se encontra no Apndice 7.1.
Os coecientes dos modelos identicados do
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
Sendo assim, a validao deve ser feita
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
Alm disso, as entradas foram
= 0, 015625s).
4.1
SISTEMA MASSA-MOLA-AMORTECEDOR DE SEGUNDA ORDEM
Considere um sistema massa-mola-amortecedor com uma massa, conforme a FIG.

4.1. A constante elstica da mola e o coeciente de amortecimento so representados por
b,
respectivamente, e uma fora
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:
Substituindo as EQ. 4.2 e EQ. 4.3 na EQ. 4.1, tem-se:
m x = F k x b x
F
k
b
x =
x
x
m m
m
(4.4)
Considerando as seguintes variveis de estado:
x1 = x
x2 = x
tem-se:
x1 = x = x2
F
k
b
x2 = x =
x1
x2
m m
m
(4.5)
(4.6)
Pode-se colocar as EQ. 4.5 e EQ. 4.6 em espao de estado:
"
x1
x2
"
=
# "
k
mb
m
57
x1
x2
"
+
0
1
m
#
F
(4.7)
As sadas identicadas foram a posio da massa e a sua velocidade:
"
y=
# "
1 0
0 1
x1
"
+
x2
#
F
(4.8)
Este um sistema linear. Para inserir uma no-linearidade no modelo, a constante

elstica da mola ser considerada dependente da posio da massa:
k = cos(x)
(4.9)
Assim, a varivel que parametriza o sistema ser a posio da massa [
= x(t)].
As
entradas utilizadas para identicao e para validao dos modelos esto representadas
nas FIG. 4.2 e FIG. 4.3.
Aa trajetrias de operao nominal e de validao, obtidas
utilizando-se a entrada de identicao e de validao, respectivamente, esto na FIG.

4.4.
O sistema foi simulado considerando-se
m = 1Kg
b = 1N s/m.
Aplicando a
metodologia apresentada no Captulo 3, obteve-se os resultados mostrados nas FIG. 4.5

e FIG. 4.6.
Tambm considerado o caso em que a constante elstica da mola varia conforme o
seno da posio da massa [k
= sen(x)].
As foras empregadas esto representadas nas
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
. Os coecientes dos modelos identicados
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).
Na TAB. 4.1, o custo de identicao
JId
se refere comparao da sada do mo-
delo com a sada do sistema original, utilizando a entrada de identicao. O custo de

validao
JV al ,
analogamente, se refere diferena entre a sada do modelo e a sada do
sistema original, utilizando a entrada de validao.
TAB.4.1: Custos de identicao (JId ) e de validao (JV al ) para o sistema

a
No-Linearidade
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
TAB.4.2: Variao do custo de identicao (JId ) e de validao (JV al ) e as respectivas

ordens dos modelos para a posio da massa
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
FIG.4.2: Foras aplicadas na massa
0,94832
0,93141
0,50132
0,49362
0,54745
FIG.4.3: Detalhe das foras aplicadas na massa
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).
FIG.4.5: Identicao da posio da massa
m: k = cos(x).
FIG.4.6: Identicao da velocidade da massa

60
m: k = cos(x).
FIG.4.7: Foras aplicadas na massa
FIG.4.8: Detalhe das foras aplicadas na massa
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).
SISTEMA MASSA-MOLA-AMORTECEDOR DE QUARTA ORDEM
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.
Fk2 = k2 (xm2 xm1 )
(4.12)
Fb1 = b1 x m1
(4.13)
Fb2 = b2 (x m2 x 1 )
(4.14)
Substituindo as EQ. 4.11 a EQ. 4.14 na EQ. 4.10:
m1 xm1 = F1 + k2 (xm2 xm1 ) + b2 (x m2 x m1 ) k1 xm1 b1 x m1

1
[F1 + k2 (xm2 xm1 ) + b2 (x m2 x m1 ) k1 xm1 b1 x m1 ]
xm1 =
m1
Analogamente para o bloco com massa
(4.15)
m2 :
m2 xm2 = F2 Fk2 Fb2

m2 xm2 = F2 k2 (xm2 xm1 ) b2 (x m2 x m1 )
1
[F2 k2 (xm2 xm1 ) b2 (x m2 x m1 )]
xm2 =
m2
(4.16)
Sero consideradas as seguintes variveis de estado:
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)
Representando em espao de estados:
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
As sadas identicadas sero as posies e velocidades das massas
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
= cos(xm1 ) = cos(x1 )].
k1
varie conforme a posio da massa
m1
As entradas utilizadas para identicao e para validao
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
m2 = 3Kg , k1 = 1000 cos(x1 )N/m, k2 = 1000N/m, b1 = b2 = 1N s/m.

melhor modelo foram testados valores de
entrada
F2 )
de 1 at 5, e
na , nb1
(referente entrada
m1 =
Para encontrar o
F1 ), nb2
(referente
de 1 at 10.
Pode-se ver que a identicao das posies
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
na FIG. 4.18. J para a velocidade
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
, mostrando que os modelos, quando se mantm prximos da trajetria de opera-
o nominal, reproduzem bem a sada do sistema original. Os coecientes dos modelos

identicados esto nos Apndices 7.3.1 a 7.3.4.

a
Massa
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
FIG.4.13: Fora aplicada na massa
m1 (F1 ).
FIG.4.14: Fora aplicada na massa
m2 (F2 ).
FIG.4.15: Detalhe das trajetrias de operao do sistema massa-mola-amortecedor de

a
4 ordem.
65
m1 (x1 ).
m2 (x2 ).

66
m1 (v1 ).
4.3
m2 (v2 ).
MODELO DE UM MSSIL AR-AR
O modelo no-linear a seguir representa o canal vertical de um mssil ar-ar

(REICHERT, 1992; PELLANDA et al., 2002; ARAJO et al., 2006). A FIG. 4.20 ilustra
o eixo de elevao do mesmo. A entrada do sistema o ngulo comandado do profundor
c (t)
(em graus), e as sadas so a acelerao vertical
lar em arfagem
q(t)
(em graus/s).
consideradas a primeira sada
(t)
(t)
(em g) e a velocidade angu-
Para anlise de desempenho da metodologia sero
e o ngulo de ataque ().
FIG.4.20: Diagrama ilustrativo do mssil.
Uma descrio da dinmica no-linear do mssil apresentada como:

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:
Z = K M cos() [an 2 + bn || + cn (2 M/3)]

Z = K M dn cos()
M = Kq M 2 [am 2 + bm || + cm (7 + 8M/3)]
M = Kq M 2 dm
N = Kz M 2 [an 2 + bn || + cn (2 M/3)]
Nz = Kz M 2 dn
Este modelo representa um mssil voando a 20.000 ps de altitude.
dade ser considerada constante em Mach 3 (M = 3).
denido completamente pela varivel endgena
Esse modelo simtrico em relao a
= 0,
(t),
A sua veloci-
Assim, o sistema passa a ser
responsvel pela no-linearidade.
de forma que ser utilizado
= ||
na sua
parametrizao. Os valores e unidades das constantes so dados a seguir:
0, 7 P0
13, 98 slugs (massa)
Kz
0, 7
vs
1036, 4 ps/s (velocidade
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
do som a 20.000 ps)

0, 000103 grau3
an
0, 75 ps (dimetro)
bn
= 0, 00945 grau2
182, 5 slug.ps2 (momento de inrcia em arfagem)
cn
= 0, 1696 grau1
dn
= 0, 034 grau1
0, 7 (fator de amortecimento do atuador)
am
150 rad/s (freqncia natural no-amortecida
bm
= 0, 0195 grau2
do atuador)
cm
dm
= 0, 206 grau1
32, 2 ps/s2 (constante de gravidade)
P0
973, 3 lbs/ps2 (presso esttica a 20.000 ps)
0, 44 ps2 (superfcie de referncia)
0, 000215 grau3
0, 051 grau1
O comportamento do mssil foi simulado utilizando como entrada uma seqncia de
degraus variando de -12 a 15 entre 0 e 70s.
Os sinais utilizados para identicao e
para validao esto na FIG. 4.21, e as trajetrias de operao nominal e de validao

esto na FIG. 4.22.
68
FIG.4.21: Entradas utilizadas no modelo do mssil.
FIG.4.22: Detalhe das trajetrias de operao do modelo do mssil.
A TAB. 4.4 mostra os resultados obtidos.

nas FIG. 4.23 e FIG. 4.24, e da sada
A identicao da sada
mostrada
nas FIG. 4.25 e FIG. 4.26. Os coecientes dos
modelos esto nos Apndices 7.4.1 e 7.4.2.

A identicao de ambas as sadas foram satisfatrias.
obtido um custo muito menor que a sada
Embora a sada
tenha
as duas mantm a sua preciso ao longo de
todo o intervalo de 0 a 70s.
TAB.4.4: Custos de identicao (JId ) e de validao (JV al ) para o sistema do mssil

no-linear.
Sada
na
nb
b0
No
No
JId
3,13727
10
4,21029
69
JV al
5,53335
10
4,14531
FIG.4.23: Identicao da sada
entre 35s e 40s.

70
4.3.1
entre 35s e 40s.
ANLISE DO MODELO DO MSSIL
Lembrando que
Z , Z , M , M , N
dependem de
pode-se reescrever as FT que relacionam as sadas
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
Percebe-se que todas podem ser aproximadas por
um polinmio de ordem 2, justicando os resultados obtidos para este exemplo.

71
FIG.4.27: Aproximao polinomial dos coecientes do modelo do mssil.
FIG.4.28: Aproximao polinomial dos coecientes do modelo do mssil (sada
).
FIG.4.29: Aproximao polinomial dos coecientes do modelo do mssil (sada
).
72
4.3.2
IDENTIFICAO POR PARTES DO MODELO DO MSSIL
Embora o resultado da identicao da sada

do ideal, o mesmo no ocorreu com a sada
na Seo 4.3 tenha sido prximo
Para melhorar os resultados, fez-se a
identicao por partes, como mostrado na Seo 3.5.

Os dados foram divididos nos instantes de 35s, 45s e 55s, encontrando-se 4 modelos
que representam a sada ideal com um custo menor. As FIG. 4.30 e FIG. 4.31 mostram
a comparao das sadas real e identicada, e a TAB. 4.5 mostra o custos obtidos, que
reduziram cerca de 40% os custos originais.
FIG.4.30: Identicao por partes da sada
73
entre 35s e 40s.
TAB.4.5: Custos de identicao (JId ) e de validao (JV al ) para a sada
do mssil
no-linear identicado por partes.

Sada
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
VECULO LANADOR DE SATLITES
Os veculos lanadores de satlites devem atender a misses tpicas de introduo de

satlites em determinadas rbitas e alturas especcas, alm de requisitos operacionais
como nvel de conabilidade condizente com a classe de veculos considerada e acesso ao
espao com grau de segurana adequado e compatvel com as normas existentes.
Um veculo lanador de satlites um sistema de complexidade elevada, pois envolve
diversos parmetros, no-linearidades, acoplamentos aerodinmicos, alm de dinmicas
de exo cujas propriedades no so muito conhecidas, mas que tm um efeito importante,
podendo desestabilizar o lanador caso sejam excitadas.
O Instituto de Aeronutica e Espao (IAE) do Centro Tcnico Aeroespacial (CTA)
desenvolveu o projeto do sistema de controle do VLS. So utilizados controladores com estrutura do tipo Proporcional-Integral-Derivativo (PID) e os ganhos so ajustados atravs
de tcnicas de controle timo Linear Quadrtico (LQ), de forma a atender requisitos de
desempenho estacionrio.
A FIG. 4.32 mostra o diagrama de blocos do sistema de controle atualmente empregado. O objetivo identicar um modelo LPV do veculo lanador de satlites, composto
pelos blocos Planta e Flex, correspondentes dinmica de corpo rgido e aos modos de
exo, respectivamente, conforme MEDEIROS (2005).
A EQ. 4.22 representa o modelo de corpo rgido do lanador de satlites para o plano
de arfagem:
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
A velocidade de arfagem representada por

o mdulo do vetor de velocidade do lanador,
Mq
os momentos angulares,
(s), BZ (s)
(4.22)
a sada do atuador,
a acelerao da gravidade,
M , M
U
e
so foras que atuam no veculo. Os valores dessas
variveis foram obtidos atravs de simulaes e ensaios e tabelados para cada segundo
74
FIG.4.32: Diagrama ilustrativo do sistema de controle do VLS.
de vo.
Os coecientes so interpolados linearmente para efeito de escalonamento de
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.
Eles foram obtidos a partir da simulao do sistema utili-
zando como entrada de referncia o sinal apresentado na FIG. 4.33, que semelhante ao
empregado em um vo real.
FIG.4.33: Simulao do modelo LPV do VLS.
75
FIG.4.34: Sinal de sada do atuador (entrada do VLS):
FIG.4.35: Sada do VLS:
BZ (t).
(t).
FIG.4.36: Identicao do Veculo Lanador de Satlites.

76
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
TAB.4.6: Ordens dos modelos identicados por partes para o VLS.

Sada
(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
TAB.4.7: Custos de identicao (JId ) para o VLS.

Identicao
na
nb
b0
Incio
Fim
JId
nica
10
Sim
0s
60s
0,463050
Partes
No
2,27505
106
FIG.4.38: Identicao do Veculo Lanador de Satlites por partes.
4.4.1
VECULO LANADOR DE SATLITES COM OS MODOS DE FLEXO AMPLIFICADOS
Nesta seo apresentada a identicao do VLS no caso em que o modo de exo,

representado pelo bloco Flex na FIG. 4.32, 2,5 vezes maior que na Seo 4.4. Neste caso
realizada apenas a identicao por partes, com a diviso dos dados nos instantes de
78
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
FIG.4.39: Identicao por partes do VLS com os modos de exo amplicados.
4.5
RESULTADOS DE SISTEMAS COM RUDO
Esta seo mostra os resultados do mtodo proposto quando aplicado a sistemas

com rudo. Para isso, utilizou-se os modelos Massa-Mola-Amortecedor da Seo 4.1 e do
Mssil no-linear da Seo 4.3.
79
4.5.1
SISTEMA MASSA-MOLA-AMORTECEDOR DE SEGUNDA ORDEM COM

RUDO
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

a
massa-mola-amortecedor de 2 ordem com rudo.
No-Linearidade
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
MSSIL NO-LINEAR COM RUDO
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.

no-linear com rudo.
Sada
na
nb
b0
JId
JV al
Sim
0,76865
0,65391
Sim
6,37249
6,24803
82
4.6
IDENTIFICAO POR PARTES DO MSSIL NO-LINEAR COM RUDO
Assim como na Seo 4.3.2, os custos de identicao da sada
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.
TAB.4.11: Custos de identicao (JId ) e de validao (JV al ) para a sada
do mssil
no-linear com rudo identicado por partes.

Sada
4.7
na
nb
b0
No
Incio
Fim
35s
35s
50s
50s
70s
JId
JV al
3,91764
3,85016
RESULTADOS DA IDENTIFICAO PELO FILTRO DE KALMAN
Nesta seo so apresentados os resultados obtidos atravs da identicao pelo Filtro

de Kalman no modelo do mssil no-linear com rudo (Seo 4.5.2), e comparados com
os resultados obtidos anteriormente. Para efeito de comparao, o vetor
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
e as FIG. 4.50 e FIG. 4.51 os resultados para a
Os coecientes dos modelos identicados esto nos Apndices 7.4.5 e 7.4.6.
FIG.4.48: Identicao por Filtro de Kalman da sada
84
com rudo.
com rudo entre 35s e 40s.

85
com rudo.
com rudo entre 35s e 40s.

no-linear com rudo identicado por Filtro de Kalman.
Sada
na
nb
b0
JId
JV al
Sim
1,99827
0,65960
Sim
10,51229
6,22350
86
5 CONCLUSO
Este trabalho apresentou uma metodologia de identicao LPV de sistemas no

lineares. O mtodo se baseia na suposio de que a variao dos coecientes possa ser
aproximada por um polinmio em funo de uma varivel de parametrizao
conhecimento de um conjunto de
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
Aqui foi considerado
nb
na
entradas anteriores, alm de diferentes ordens

e
nb
variando entre 1 e 10, e
a
o sistema massa-mola-amortecedor de 4 ordem.
relao ou no de
yk
yk
com a entrada atual
uk ,
se relaciona com
de polinmios.
variando de 1 a 15, exceto para
levada em considerao tambm a
adotando-se o que produz o menor erro.
Como em alguns casos, em virtude de fatores como a variao grande ou descontnua

dos coecientes, o resultado no foi prximo do ideal, props-se uma alternativa para contornar esse problema: realizar a identicao por partes (dividindo os dados disponveis
em intervalos menores) obtendo-se ento um conjunto de modelos que reproduzem o
sistema original com um custo menor. Para encontrar o modelo
n-simo intervalo, deve-se levar em conta o resultado dos
n1
n
G
correspondente ao
modelos identicados
anteriormente, de forma que os dados no apresentem descontinuidades no tempo.

A identicao por partes demanda mais de um modelo para representar um sistema
real nico.
Deve-se ento analisar a situao visando os objetivos pretendidos, para
obter-se um bom resultado da identicao, sem aumentar de forma excessiva o nmero

de modelos.
A identicao atravs do Filtro de Kalman chegou a resultados semelhantes aos
originais, mostrando ser vivel a sua utilizao. Alm disso, tem a vantagem de poder
ser realizada em tempo real e de necessitar de menor quantidade de memria, entretanto,
apresenta valores de custo maiores do que a metodologia original.
O mtodo traz bons resultados na identicao de sistemas que apresentam rudo na
sada (com uma relao sinal/rudo alta). Esses resultados tambm so melhorados com
87
a tcnica de identicao por partes.

Uma das vantagens desta metodologia o fato de no ser necessrio um conhecimento
profundo da dinmica do sistema para execut-la.
saber qual a varivel
Como informao a priori, deve-se
que parametriza o sistema, e dispor de um conjunto de valores
da mesma, caracterizando uma identicao do tipo caixa cinza.
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
SUGESTES PARA FUTUROS TRABALHOS
Destaca-se a seguir algumas sugestes para pesquisas futuras, visando aprofundar

os temas abordados neste trabalho, bem como a melhoria dos resultados obtidos at o
momento.
a) Analisar o comportamento dos resultados da metodologia proposta, com relao

variao do perodo de amostragem dos dados.
Quanto menor o perodo de
amostragem, maior a riqueza dos dados, mas em contrapartida, aumenta-se a

ordem da matriz
e do vetor
Y,
nas EQ. 3.16 e 3.17, o que contribui para um
pior condicionamento dos resultados;
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;
c) Melhoria do condicionamento dos resultados atravs da normalizao dos vetores

de entrada, de sada e de
quando houver uma discrepncia grande entre a ordem
de seus valores;
d) Aplicar o mtodo de identicao em sistemas reais (no-lineares, LPV ou quasiLPV) mais complexos comparando os resultados;
e) Na identicao por partes, vericar a possibilidade de melhoria dos resultados

realizando uma transio suave entre os modelos, atravs de uma interpolao
linear dos seus coecientes; e
88
f ) Analisar o caso em que os coeciente possuem ordens de polinmios diferentes,

comparando os resultados com o caso em que a ordem de todos os polinmios seja
a mesma.
89
6 REFERNCIAS BIBLIOGRFICAS
Introduo Identicao de Sistemas - Tcnicas Lineares e

No Lineares Aplicadas a Sistemas Reais. Editora UFMG, 2nd. edition, 2004.
AGUIRRE, L. A.
ANDERSON, B. D. O. e MOORE, J. B.
Optimal Filtering. Prentice Hall, New Jersey,
1 edition, 1979.
APKARIAN, P. e GAHINET, P.
Controllers.
A Convex Characterization of Gain-Scheduled H
IEEE Trans. Automat. Contr., 40(5):853864, 1995.
APKARIAN, P., PELLANDA, P. C. e TUAN, H. D. Mixed H2 /H Multi-Channel Linear

Parameter-Varying Control in Discrete Time.
Syst. & Contr. Letters, 41:333346,
2000.
Identicao e Controle de Algumas Classes de Sistemas NoEstacionrios. Tese Mestrado, IME - Instituto Militar de Engenharia, 2006.
ARAJO, L. O.
ARAJO, L. O., PELLANDA, P. C. e ADES, R. Identicao de Modelos quasi-LPV

via Parametrizao Polinomial - Aplicao em um Modelo No-Linear de Mssil.
Congresso Brasileiro de Automtica, 1(1):22802285, 2006.
BAMIEH, B. e GIARR, L. Identication of Linear Parameter Varying Models.
ceedings of 38th Conference on Decisions and Control,
XVI
Pro-
WeA06(09:50):1505
1510, December 1999.

BILLINGS, S. A.
Identication of Nonlinear Systems - A Survey.
Proc. IEE,
pgs.
272285, 1980.
BOHLIN, T. e GRAEBES, S. T. Issues in Nonlinear Stochastic Gray Box Identication.
Int. J. of Adaptative Control and Signal Processing, 3(2):123142, 1995.
COELHO, A. A. R. e COELHO, L. S.
ares.
Identicao de Sistemas Dinmicos Line-
Editora da UFSC, 1a. edition, 2004.
Identicao Caixa-Cinza de Sistemas No-Lineares Utilizando

Representaes NARMAX Racionais e Polinomiais. Tese, Universidade Federal
CORRA, M. V.
de Minas Gerais, Belo Horizonte - MG, Brasil, 2001.

DIEGUEZ, J. P. D. P.
Mtodos numricos computacionais para a engenharia,
volume 1. Editora Intercincia, Rio de Janeiro - RJ, 1 edition, 1992.

FRANKLIN, G. F., POWELL, J. D. e MICHAEL WORKMAN.
Dynamic Systems.
HOUGEN, J. O.
neers.
Digital Control of
Addison Wesley Longman, 3a. edition, 1988.
Measurement and Control Applications for Practicing Engi-
Cahmers Books, Massachusets, U. S. A., 1972.
90
LEITH, D. J. e LEITHEAD, W. E. Survey of Gain-Scheduling Analysis and Design.
J. Contr., 11(73):10011025, 2000.
LJUNG, L.
System Identication, Theory for the Use.
LJUNG, L. e SDERSTRM, T.
Int.
Prentice Hall, 1987.
Theory and practice of recursive identication.
MIT Press, Cambridge-MA, 1983.

LU, W. M. e DOYLE, J. C. H Control of LFT Systems: An LMI Approach.
IEEE Conf. Decision Contr., pgs. 19972001, 1992.
Proc.
Tcnicas H com Escalonamento de Ganhos aplicadas

no Sistema de Controle de Atitude Veculos Lanadores de Satlites. Tese
MEDEIROS, F. E. L.
Mestrado, IME - Instituto Militar de Engenharia, 2005.

PACKARD, A.
Gain-Scheduling via Linear Fractional Transformations.
Contr. Letters, 22:7992, 1994.
System &
PELLANDA, P. C., APKARIAN, P. e TUAN, H. D. Missile Autopilot Design via a Multichannel LFT/LPV Control Method.
Control, 12(1):120, 2002.
International journal Robust and Nonlinear
REICHERT, R. T. Dynamic Scheduling of Modern-Robust-Control Autopilot Designs for

Missiles.
IEEE Conttrol Systems Magazine, 12(5):3542, 1992.
RUGH, W. J. e SHAMMA, J. S.
Research on Gain Scheduling.
ISSN 0272-1708.
Automatica,
1(36):
14011425, 2000.
Identicao de Sistemas no Domnio da Freqncia Para

Aplicao em Veculos Areos No-Tripulados. Tese Mestrado, IME - Instituto
SILVEIRA, B. P.
Militar de Engenharia, 2006.

SJBERG, J., ZHANG, Q., LJUNG, L., BENVENISTE, A., DELYON, B., GLORENNEC, P.-Y., HJALMARSSON, H. e JUDITSKY, A. Nonlinear black-box modeling in
system identication: a unied overview.
Automatica, 31(12):16911724, 1995. ISSN
0005-1098.
TULLEKEN, H. J. A. F. Grey-box modelling and identication using physical knowledge
and Bayesian techniques.
Automatica, 29(2):285308, 1993.
ISSN 0005-1098.
WU, F., YANG, X., PACKARD, A. e BECKER, G. Induced L2-Norm Control for LPV
System with Bounded Parameter Variations Rates.
Control, 6:983998, 1996.
91
Int J. Robust and Nonlinear
7 APNDICES
92
7.1 APNDICE 1:
PROGRAMA DO MATLAB UTILIZADO
Mtodo de Identicao LPV de Sistemas Nao-Lineares no Domnio do Tempo
Aplicao no Modelo do Mssil No-Linear
Encontra o melhor modelo testando:
na = 1 -> 10
nb = 1 -> 10
N = 1 -> 15
clear
clc
load Missil
Carrega dados do Missil No-Linear real
u - entrada
y - sada (eta)
teta - parmetro (sada alfa)
t - tempo
Para identicar a sada alfa
y = teta;
np = max(size(t));
T = max(t) / (np-1);
Jmin = 1e100;
Numero de pontos da simulacao
Perodo de Amostragem
Custo inicial
for na = 1:10 % Testa na = 1 -> 10

na
beep
Exibe na atual
Avisa que mudou para o prximo na
for nb = 1:10 % Testa na = 1 -> 10

93
for N = 1:15 % Testa N = 1 -> 15

%
Testa com b0
n = na + nb +1;
Coecientes a identicar
Cria a varivel psi
psi = zeros(np, n*N);
Constri os vetores psi do sistema [psi * Teta = y]
for k = 1:np
%
Sadas anteriores (do sistema real)
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
%
Entradas atual e anteriores
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
Parmetro teta (elevado a 0, 1, ..., N)
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
%
Resolve o SEL gerado pelo metodo de Gauss-Jordan com pivoteamento
H = psi(1:np,:);
TETA = GJ(H'*H, H'*y(1:np));
Simula a resposta se existe soluo para o SEL (Teta <> 0)
if TETA
= 0
95
for k = 1:np
%
Sadas anteriores (do sistema identicado)
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
%
Entradas atual e anteriores
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
%
Parametro teta (elevado a 0, 1, ..., N)
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
ye(k,1) = psi(k,:) * TETA(:,1);
end
end
%
Custo quadrtico
J = sum( (y(1:np) - ye(1:np)).^2 );
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
%
Plota a sada real e identicada
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)')
Exibe os graus do modelo e o custo obtido
98
7.2 APNDICE 2:
COEFICIENTES DOS MODELOS IDENTIFICADOS DO
SISTEMA MASSA-MOLA-AMORTECEDOR DE SEGUNDA ORDEM
7.2.1
POSIO DA MASSA
M : K = SEN (X)
TAB.7.1: Coecientes do modelo identicado da posio da massa

10
11
12
13
14
15
16
20
21
22
23
24
25
26
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)
TAB.7.2: Coecientes do modelo identicado da velocidade da massa

10
11
12
13
14
15
20
21
22
23
24
25
30
31
32
33
34
35
-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)

10
11
12
13
14
15
16
20
21
22
23
24
25
26
30
31
32
33
34
35
36
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)

10
11
12
13
14
15
16
17
18
19
110
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
-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:

10
11
12
13
14
15
16
20
21
22
23
24
25
26
30
31
32
33
34
35
36
40
41
42
43
44
45
46
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

10
11
12
13
14
15
-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:
SISTEMA MASSA-MOLA-AMORTECEDOR DE QUARTA ORDEM
7.3.1
POSIO DA MASSA
M1 (106 )

10
11
12
13
14
15
20
21
22
23
24
25
30
31
32
33
34
35
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 )

10
11
12
13
20
21
22
23
30
31
32
33
40
41
42
43
50
51
52
53
-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

10
11
12
20
21
22
30
31
32
40
41
42
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 )

10
11
12
13
14
15
16
17
18
20
21
22
23
24
25
26
27
28
30
31
32
33
34
35
36
37
38
-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
TAB.7.11: Coecientes do modelo identicado do mssil (sada

10
11
12
13
14
15
16
17
18
20
21
22
23
24
25
26
27
28
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
-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
TAB.7.12: Coecientes do modelo identicado do mssil (sada

10
11
12
20
21
22
30
31
32
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
TAB.7.13: Coecientes do modelo identicado do mssil com rudo (sada

10
11
20
21
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
TAB.7.14: Coecientes do modelo identicado do mssil com rudo (sada

10
11
12
13
14
20
21
22
23
24
30
31
32
33
34
-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
IDENTIFICAO POR FILTRO DE KALMAN DA SADA
TAB.7.15: Coecientes do modelo identicado por Filtro de Kalman do mssil: sada

10
11
20
21
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
IDENTIFICAO POR FILTRO DE KALMAN DA SADA
TAB.7.16: Coecientes do modelo identicado por Filtro de Kalman do mssil: sada

10
11
12
13
14
20
21
22
23
24
30
31
32
33
34
-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

Identificaçao Linear A Parametros Variantes No Tempo de Sistemas Nao-Lineares

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Identificaçao Linear A Parametros Variantes No Tempo de Sistemas Nao-Lineares

Caricato da

Copyright:

Formati disponibili

INSTITUTO MILITAR DE ENGENHARIA

CAP WAGNER JOS MOREIRA

IDENTIFICAO LINEAR A PARMETROS VARIANTES

Mestrado em Engenharia Eltrica do Instituto Militar

INSTITUTO MILITAR DE ENGENHARIA

Este exemplar de propriedade do Instituto Militar de Engenharia, que poder inclu-lo

Os conceitos expressos neste trabalho so de responsabilidade do(s) autor(es) e do(s)

Moreira, Wagner Jos.

Wagner Jos Mo-

reira. - Rio de Janeiro: Instituto Militar de Engenharia, 2008.

II. Instituto Militar de Engenharia.

INSTITUTO MILITAR DE ENGENHARIA

Dissertao de Mestrado apresentada ao Curso de Mestrado em Engenharia Eltrica

Prof. Paulo Csar Pellanda, Dr. ENSAE do IME - Presidente

Prof. Waldemar de Castro Leite Filho, DSc. do IAE

Prof. Roberto Ades, Dr. PUC-Rio do IME

Prof. Pedro Cunha Campos Roquette, Ph.D. do IPqM

A Deus por mais uma oportunidade de progredir, e

Esta dissertao aborda a identicao Linear a Parmetros Variantes (LPV) no

Considerando que um sistema no-linear pode ser

aliados a um conjunto de dados de entrada e de sada, supem-se conhecidos.

objetivo de minimizar uma funo custo quadrtico mdio, constri-se um Sistema de

Apesar disso, a continuidade na regio de transio entre modelos

Devem-se levar em conta os objetivos da identicao, de modo que os

resultados estejam dentro da margem de erro considerada, mas o nmero de modelos

ordens), modelos no domnio aeroespacial (mssil no-linear e Veculo Lanador de

Satlites - VLS) e sistemas com rudos na sada.

whose values as well as those of a set

The method is extended to Multiple-Inputs-Single-Output systems, where the

number of coecients to be identied increases according to the number of inputs.

LISTA DE SMBOLOS E ABREVIATURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Identicao de Sistemas LPV e quasi-LPV . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Identicao de Sistemas LPV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Modelo ARX Multivarivel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Representao em Espao de Estados de Equaes Diferenas Variantes no Tempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

O Mtodo de Mnimos Quadrados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Estimador de Mnimos Quadrados No-Recursivo . . . . . . . . . . . . . . . . . . . . . . . .

Soluo de Sistemas de Equaes Lineares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

METODOLOGIA DE IDENTIFICAO LPV DE SISTEMAS

Metodologia Aplicada a Sistemas Multivariveis . . . . . . . . . . . . . . . . . . . . . . . . .

Identicao Paramtrica por Filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . . . .

Consideraes Sobre o Mtodo de Identicao . . . . . . . . . . . . . . . . . . . . . . . . . .

Identicao por Partes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Sistema Massa-Mola-Amortecedor de Segunda Ordem . . . . . . . . . . . . . . . . . . . .

Sistema Massa-Mola-Amortecedor de Quarta Ordem . . . . . . . . . . . . . . . . . . . . .

Modelo de um Mssil Ar-Ar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Anlise do Modelo do Mssil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Identicao por Partes do Modelo do Mssil . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Veculo Lanador de Satlites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Veculo Lanador de Satlites com os Modos de Flexo Amplicados . . . . . . .

Resultados de Sistemas com Rudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Sistema Massa-Mola-Amortecedor de Segunda Ordem com Rudo . . . . . . . . . .

Mssil No-Linear com Rudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Identicao por Partes do Mssil No-Linear com Rudo . . . . . . . . . . . . . . . . .

Resultados da Identicao pelo Filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . .

Sugestes para Futuros Trabalhos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

APNDICE 1: Programa do MatLab Utilizado . . . . . . . . . . . . . . . . . . . . . . . . .

Coecientes dos Modelos Identicados do Sistema

Massa-Mola-Amortecedor de Segunda Ordem . . . . . . . . . . . . . . . . . . . . . . . . . . .

Coecientes dos Modelos Identicados do Sistema

Massa-Mola-Amortecedor de Quarta Ordem . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

APNDICE 4: Coecientes dos Modelos Identicados do Mssil No-Linear . 104

com Rudo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

Esta dissertao aborda a identicao Linear a Parmetros Variantes (LPV) no

Devem-se levar em conta os objetivos da identicao, de modo que os

number of coecients to be identied increases according to the number of inputs.

Identicao de Sistemas LPV e quasi-LPV . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Identicao de Sistemas LPV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Identicao Paramtrica por Filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . . . .

Consideraes Sobre o Mtodo de Identicao . . . . . . . . . . . . . . . . . . . . . . . . . .

Identicao por Partes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Identicao por Partes do Modelo do Mssil . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Veculo Lanador de Satlites com os Modos de Flexo Amplicados . . . . . . .

Identicao por Partes do Mssil No-Linear com Rudo . . . . . . . . . . . . . . . . .

Resultados da Identicao pelo Filtro de Kalman . . . . . . . . . . . . . . . . . . . . . . .

Coecientes dos Modelos Identicados do Sistema

Coecientes dos Modelos Identicados do Sistema

APNDICE 4: Coecientes dos Modelos Identicados do Mssil No-Linear . 104

Identicao por Filtro de Kalman da Sada

Identicao por Filtro de Kalman da Sada

Fluxograma do mtodo de identicao proposto.

Identicao do VLS (dados divididos em intervalos de 5s).

Identicao por partes do VLS (dados divididos em intervalos de

para identicao e para validao:

para identicao e para

Identicao da posio da massa

Identicao da velocidade da massa

Identicao da velocidade da massa

para identicao e para

Identicao da posio da massa

para identicao e para validao:

Identicao da posio da massa

Identicao da posio da massa

Identicao da velocidade da massa

Identicao da velocidade da massa

Aproximao polinomial dos coecientes do modelo do mssil.

Aproximao polinomial dos coecientes do modelo do mssil (sada

Aproximao polinomial dos coecientes do modelo do mssil (sada

Identicao por partes da sada

Identicao por partes da sada

Identicao do Veculo Lanador de Satlites.

Aproximao polinomial (de ordem 15) dos coecientes do modelo

Identicao do Veculo Lanador de Satlites por partes.

Identicao por partes do VLS com os modos de exo amplicados.

Identicao da posio da massa

Identicao da posio da massa

Identicao por partes da sada

Identicao por partes da sada

Identicao por Filtro de Kalman da sada

Identicao por Filtro de Kalman da sada

Identicao por Filtro de Kalman da sada

Identicao por Filtro de Kalman da sada

Ordens de alguns modelos identicados para o sistema massa-

Custos de identicao (JId ) e de validao (JV al ) para o sistema

Custos de identicao (JId ) e de validao (JV al ) para o sistema

Custos de identicao (JId ) e de validao (JV al ) para o sistema

Variao do custo de identicao (JId ) e de validao (JV al ) e

Custos de identicao (JId ) e de validao (JV al ) para a sada

Ordens dos modelos identicados por partes para o VLS. . . . . . . . . . . . . .

Custos de identicao (JId ) para o VLS.

Ordens dos modelos identicados e custo de identicao (JId )

para o VLS com modo de exo amplicado.

Custos de identicao (JId ) e de validao (JV al ) para o sistema

TAB.4.10 Custos de identicao (JId ) e de validao (JV al ) para o sistema

TAB.4.11 Custos de identicao (JId ) e de validao (JV al ) para a sada

TAB.4.12 Custos de identicao (JId ) e de validao (JV al ) para o sistema