Introduo Identificao de Sistemas

Gabriel Sales Lins Rodrigues

12 de Agosto de 2016

Resumo
Este artigo faz referncia ao contedo do captulo introdutrio do Livro System Identifi-
cation: Theory for the User do autor Ljung (1999). O captulo apresenta conceitos bsicos
de sistemas dinmicos e da construo e resoluo de um problema de identificao.

Palavras-chave: Identificao de sistemas. Sistemas dinmicos. Introduo.

Introduo
Os sistemas dinmicos esto presen-
tes em demasia na natureza e a cincia busca
formas de compreend-los e utiliz-los em
prol do benefcio humano. Estas observaes,
e as inferncias feitas a partir delas, do
origem aos modelos que buscam descrever,
com maior ou menor rigor, a depender da
Figura 1 Sistema Dinmico com sada y,
aplicao, esses sistemas. A Identificao de
entrada u, distrbio mensurvel
Sistemas lida com a construo de modelos
w e distrbio no-mensurvel v.
matemticos de sistemas dinmicos baseados
(LJUNG, 1999)
em dados observados.
Este documento abordar alguns
conceitos bsicos sobre os modelos dinmicos
em si, e da construo de um problema de servveis. Eles podem, ainda, sofrer ao de
identificao de sistemas. estmulos externos. Os sinais observados pro-
duzidos so chamados de sadas, enquanto os
estmulos externos so chamados de entradas,
1 Sistemas Dinmicos se so manipulveis, ou distrbios. possvel
ainda dividir os distrbios entre aqueles que
A definio de Sistema bastante so possveis de se medir e os que no so.
ampla e generalista. Isso importante para A Figura 1 ilustra o conceito de sistema.
que os sistemas desempenhem um papel im-
Um sistema dito dinmico se as
portante nas mais diversas reas da cincia
suas sadas dependem no somente dos est-
na resoluo de problemas, como faz atual-
mulos externos naquele instante de tempo,
mente.
mas tambm de valores passados. Sistemas
Sistemas podem ser descritos como podem ser definidos pelas mais diversas com-
entes onde ocorrem interaes de variveis de binaes de entradas, distrbios e sadas e,
diferentes tipos a fim de produzir sinais ob- inclusive, combinaes das suas ausncias.

1

Figura 2 Casa com aquecimento solar. 2.1
(LJUNG, 1999)
Figura 3 Sistema de uma casa com aque-
cimento solar. (LJUNG, 1999)
Por exemplo, existem aqueles cujos nicos
estmulos externos apresentados so distr-
bios no-observveis. Estes so conhecidos
como Sries Temporais, termo amplamente
utilizado em aplicaes econmicas.
A seguir, ser apresentado um exem-
plo de um sistema dinmico e como ele se
relaciona aos conceitos previamente introdu- grficos e/ou tabelas numricas. Esses so
zidos.
1.1 Exemplo 1: Casa com aquecimento lineares. Alguns exemplos destes modelos so
solar
Este sistema, mostrado na Figura 2,
opera da seguinte maneira: o Sol aquece o
ar nos painis solares; este ar bombeado
para um sistema de armazenamento trmico,
uma caixa preenchida com seixos; esta ener-
gia trmica armazenada pode ser bombeada
para o interior da casa quando se desejar. O es mais avanadas, no entanto, podem ne-
interesse nesse sistema em como a veloci- cessitar de uma descrio matemtica for-
dade das bomba e a radiao solar afetam a
temperatura do reservatrio de energia tr-
mica. Para tal, foi definido um esquemtico
de sistema de acordo com a Figura 3, e um
experimento conduzido por um perodo de 50
horas, com registro de variveis a cada 10 mi-
nutos. As variveis observveis amostradas
esto visveis na Figura 4.
2 Modelos
Tipos de modelos
Os modelos descrevem a forma como
as variveis de um sistema interagem entre
si. Esses modelos podem ter as mais diver-
sas formas e graus de formalismo. possvel
que sejam meramente intuitivos ou funes
matemticas formais bem definidas e extre-
mamente complexas, tudo a depender da
necessidade e da aplicao.
Modelos intuitivos e baseados em as-
pectos como memria muscular, sem nem
ao menos alguma definio matemtica, so
chamados de modelos mentais. Um exemplo
de modelo mental como se dirigir um carro.
A noo de que necessrio rodar a direo
para o lado para o qual se deseja virar o
carro, quanto se deve rodar, quanto aper-
tar os pedais, e tudo mais que necessrio
para realizar essa tarefa, no se baseia em ne-
nhum modelo matemtico. O que no torna,
necessariamente, a tarefa mais simples.
Alguns sistemas so descritos por
conhecidos como modelos grficos. Tais mo-
delos so teis tanto para descrio de siste-
mas lineares quanto, e principalmente, no-
sistemas descritos por grficos de resposta
ao impulso e resposta em frequncia. im-
portante perceber que os tipos de modelos
no so necessariamente exclusivos, visto que
estes exemplos podem ser tambm represen-
tados com funes matemticas.
Sistemas mais complexos e aplica-
2
 mal. Estes so chamados modelos matem-
ticos ou analticos. Estes tipos de modelos
so inerentes a certos campos da cincia,
como engenharias e fsica, e tem grande uti-
lidade mesmo em reas no-tcnicas, como
economia e biologia. Alm disso, os modelos
matemticos so a base para a realizao de
simulaes, especialmente as computacionais.
Em sistemas muito complexos, onde acaba
sendo muito difcil reunir todas as informa-
es num modelo matemtico sucinto, as si-
mulaes computacionais fazem uso de vrias
sub-rotinas interconectadas, cada uma com
um modelo de uma parte do sistema. Este
(a)
tipo de modelo conhecido como modelo de
software e desempenha papel fundamental
na tomada de decises relativas a sistemas
complicados.

2.2 Construo de modelos

(b)
(c)
Figura 4 Variveis observveis do sistema
de aquecimento solar de uma
casa. (a) Temperatura armaze-
nada. (b) Velocidade da bomba.
(c) Intensidade solar. (LJUNG,
1999)
Independente do tipo do modelo, to-
dos eles so sempre construdos a partir de
dados observados. Modelos mentais so cons-
trudos em cima de intuio somada ob-
servao e experincia prvia (como a expe-
rincia em dirigir carros). Modelos grficos
so criados a partir de dados medidos. Os
modelos matemticos no fogem a essa condi-
o mas podem ser construdos por meio de
dois caminhos: modelagem ou identificao.
A modelagem requer que um sistema seja
separado, figurativamente, em subsistemas
que so compreendidos, graas experincia
prvia, e ento reunidos matematicamente
para obteno de um modelo do sistema com-
pleto. Pela necessidade de conhecimento dos
subsistemas, a modelagem um caminho to-
mado, geralmente, apenas por aqueles que
tem experincia na rea do sistema em ques-
to. O caminho da modelagem no envolve,
portanto, experimentao naquele sistema
especfico.
Enquanto a modelagem no envolve
experimentao, o caminho da identificao
se baseia completamente nisso e na anlise
dos dados coletados para se fazer a inferncia
do modelo.

3
2.3 A fico dos sistemas verdadeiros y(t) = T (t)
O mundo real demasiado complexo Ainda, para enfatizar que o clculo de y(t)
mesmo para os modelos matemticos mais depende dos valores de , chama-se esse valor
complicados. importante compreender que calculado de y(t|). Logo:
no h como criar um sistema verdadeiro, y(t|) = T (t) (5)
que represente perfeitamente o mundo. Por-
tanto, compreende-se que um sistema deve 3.2 O mtodo dos mnimos quadrados
ser baseado na sua utilidade e na sua proxi-
midade de descrever o mundo real de acordo Num problema de identificao de
com a necessidade de cada caso, ao invs de sistemas os valores dos parmetros so des-
uma busca interminvel pela representao conhecidos e devem ser determinados a partir
exata. das nicas informaes disponveis que so
medies das entradas e sadas num intervalo
de tempo 1 t N . Estas medies esto
3 Problema arqutipo declaradas na Equao (6).
O problema a seguir contempla mui- Z N = {u(1), y(1), . . . , u(N ), y(N )} (6)
tos dos temas centrais no que diz respeito
A inteno escolher de maneira que os
identificao de sistemas e, portanto, cabe
valores calculados de y(t|) sejam os mais
bem neste artigo de propsito introdutrio.
prximos possveis dos valores medidos. Uma
maneira de se fazer isso por meio do Mtodo
3.1 O modelo dos Mnimos Quadrados. Este mtodo visa
Denotando-se as entradas por u(t) e minimizar a funo VN descrita na Equao
as sadas por y(t), uma das relaes mais (7).
bsicas entre entradas e sadas a equao N
N 1 X
de linear de diferena (1). Ela discreta para VN (, Z ) = (y(t) y(t|))2
N t=1
se assemelhar ao aspecto de coleta dos dados (7)
N
que feito por amostragem. O perodo de 1 X
amostragem, neste caso, considerado igual = (y(t) T (t))2
N t=1
a uma unidade de tempo para simplificar a
notao. O valor de que minimiza VN denotado
por N e pode ser obtido calculando sua
y(t) + a1 y(t 1) + . . . + an y(t n) derivada em relao a e igualando a zero.
= b1 u(t 1) + . . . + bm u(t m) (1) Isso resulta na Equao (8).
N
 1 N
Uma forma simples de interpretar (1) con-
N =
X
(t)T (t)
P
(t)y(t) (8)
siderar que uma forma de determinar a t=1 t=1
prxima sada baseada em observaes an-
teriores. compreensvel ento reescrever a 3.3 Regresso linear
equao como em (2).
Modelos como o da Equao (5) que
y(t) = a1 y(t 1) . . . an y(t n) so lineares em so chamados regresses
+ b1 u(t 1) + . . . + bm u(t m) (2) lineares. O vetor (t) chamado de vetor
de regresso e seus componentes so os re-
Ou, ainda, numa notao mais compacta: gressores. Modelos onde o vetor de regresso
= [a1 . . . an b1 . . . bm ] T
(3) contm, alm de outras variveis, valores pas-
sados da varivel de interesse - y(t) - so par-
(t) = [y(t 1) . . . y(t n) cialmente auto-regressivos. Da vem o nome
do modelo que chamado de ARX (do ingls,
u(t 1) . . . u(t m)]T (4) Auto-Regression with eXtra inputs).

4
4 Procedimento de identificao
de sistemas

Um problema desta natureza envolve

trs entidades bsicas que foram citadas na
seo passada. So elas: um conjunto de da-
dos medidos, como Z N ; um conjunto com
candidatos a modelo; e uma regra para ser
utilizada como mtrica dos modelos, como o
mtodo dos mnimos quadrados. Cada uma
dessas entidades de suma importncia e
merecem destaques especficos.
Quanto ao conjunto de dados, im-
portante planejar o experimento que vai
encontr-lo. O planejamento deste experi-
mento vai definir quantas e quais so as va-
riveis de interesse e, portanto, quais devem
ser medidas. tambm importante se certi-
ficar que o conjunto de dados seja o mais in-
formativo possvel, pois a partir dele que os
parmetros do modelo sero definidos. Caso
o conjunto no tenha informao sobre deter-
minadas situaes, elas no sero abarcadas
pelo modelo.
A escolha mais importante e mais
difcil , sem dvidas, o conjunto de candi- Figura 5 Lao de identificao de sistemas.
datos a modelo. com respeito a essa en- (LJUNG, 1999)
tidade que entram em cena a experincia
na rea e o conhecimento fsico para que se-
jam escolhidos modelos que se aproximem ao
mximo do real. Apesar de aconselhvel, a ores, chega-se ao melhor modelo dentre aque-
incluso destes conceitos na escolha dos can- les que eram candidatos. Mas ser o melhor
didatos no mandatria. Os modelos que entre os candidatos no faz dele, necessaria-
consideram alguns aspectos fsicos, mesmo mente, um modelo bom o suficiente para ser
que superficiais, so chamados caixas cinzas, utilizado na prtica para aquele determinado
enquanto os modelos que utilizam apenas propsito. para determinar isso que existe
relaes lineares com a inteno de sintonia a etapa de Validao de Modelo.
de parmetros, sem nenhuma considerao
Consideradas todas as decises en-
fsica, so chamados de caixas pretas.
volvidas no processo para identificao de
A ltima escolha o mtodo que um sistema, a Figura 5 mostra um esquem-
ser utilizado para determinar qual dos mo- tico do que seria o lao para a resoluo do
delos o melhor. Em outras palavras, a problema.
mtrica que dir qual dos modelos utilizados
O processo iterativo e pode incluir
desempenhou melhor a tarefa de reprodu-
falhas em qualquer uma, ou todas, as etapas.
zir os dados medidos. Este o Mtodo de
O experimento pode no ter sido apropriado,
Identificao.
os dados podem no ser informativos o su-
Uma vez superadas as etapas anteri- ficiente, os candidatos a modelo podem ter

5
sido mal escolhidos, o critrio de seleo dos
modelos pode no ser bom o suficiente, o
modelo escolhido pode no ser bom o sufici-
ente. importante ter em mente que muitos
ajustes nessas etapas so feitos durante o
processo at que se chegue ao resultado final
satisfatrio.

Consideraes finais
Num problema de Identificao de
Sistemas existem muitas questes que preci-
sam de ateno. A negligncia em qualquer
uma delas pode, e provavelmente vai, levar
todo processo a ser perdido.
Apesar de no ser um processo de
modelagem, onde conhecimento e experin-
cia na rea so mandatrios, estes so um
diferencial crucial, principalmente pelo papel
que desempenham na escolha dos candidatos
a modelo, passo mais importante e difcil de
todo o processo.
Mesmo sendo apenas introdutrios
e superficiais, os conceitos aqui apresenta-
dos do uma boa noo do procedimento
necessrio identificao de um sistema.

Referncias

LJUNG, L. System Identification: Theory

for the User. 2. ed. New Jersey: Prentice
Hall PTR, 1999. Citado 4 vezes nas pginas
1, 2, 3 e 5.