12 set 2007 EE-240/2007 – Métodos Baseados em Modelos Métodos baseados em Modelos set 2007 EE-240/2007 – Métodos Baseados em Modelos Modelo: “Representação das características essenciais do sistema em estudo” Falha Interna Entrada ou Excitação Ruído de Estado Falha de Atuador x k 1 (A A)x k Buk (Gw k ) (Hak ) yk Cx k Duk (vk ) (Msk ) Medidas Ou Saída Estado Ruído de Medida Falha de Sensor set 2007 EE-240/2007 – Métodos Baseados em Modelos yk 1 1yk ... n yk n 1 uk x 1k yk n 1 x k2 yk n 2 x nk yk x 1k 1 x k2 x k2 1 x k3 x nk 1 1x nk 2 x nk 1 n x 1k uk set 2007 EE-240/2007 – Métodos Baseados em Modelos x 1k 1 x k2 x k2 1 x k3 x nk 1 1x nk 2 x nk 1 n x 1k uk x 1k 1 0 2 x k 1 0 n1 x k 1 0 x n n k 1 1 0 0 1 0 0 n 1 n 2 A 0 x 1k 0 0 x k2 0 uk 1 x nk 1 0 1 x nk B set 2007 EE-240/2007 – Métodos Baseados em Modelos yk 1 1yk ... n yk n 1 uk ou x k 1 Ax k Buk yk Cx k 0 0 A 0 n 1 0 0 1 0 0 n 1 n 2 0 0 1 1 0 0 B 0 C 0 0 0 1 Obs: • Transformada Z Função de Transferência • u = Delta de Kronecker Resposta Pulso set 2007 EE-240/2007 – Métodos Baseados em Modelos Como utilizar Modelos no Prognóstico de Falhas? Identificação Paramétrica Observadores de Estado Equações de Paridade set 2007 EE-240/2007 – Métodos Baseados em Modelos Observadores de Estado (ou Estimadores de Estado) Planta: Observador: x k 1 Ax k Buk yk Cx k xˆ k 1 Axˆ k Buk L(yk yˆ k ) yˆ k Cxˆ k (–) xk 1 xˆ k 1 A(xˆ k xk ) Buk Buk L(Cx k Cxˆ k ) xk 1 xˆ k 1 (A LC)(xˆ k xk ) ek 1 ek 0 se ek A LC é possui e valoresno disco unitário set 2007 EE-240/2007 – Métodos Baseados em Modelos Exemplo: 0 xk 1 1 0 yk 0 0 0.12 1 1 0 0.74 x k 0 uk 1 w k 1 1.5 0 1 1 x k v k 0 0.112 L 0.62 0.9 E-valores do observador em 0.1 e 0.2 (mult 2) set 2007 EE-240/2007 – Métodos Baseados em Modelos set 2007 EE-240/2007 – Métodos Baseados em Modelos ~ yk yk yˆ k set 2007 EE-240/2007 – Métodos Baseados em Modelos set 2007 EE-240/2007 – Métodos Baseados em Modelos ~ yk yk yˆ k set 2007 EE-240/2007 – Métodos Baseados em Modelos Exemplo: 0 0 0.12 1 1 x k 1 1 0 0.74 x k 0 uk 1 w k 0 1 1.5 0 1 0 0 1 yk x k vk 5 2 1 Observador utilizando apenas y1k 0.112 L 0.62 0.9 E-valores do observador em 0.1 e 0.2 (mult 2) set 2007 EE-240/2007 – Métodos Baseados em Modelos set 2007 EE-240/2007 – Métodos Baseados em Modelos ~ y1k magenta ~ yk2 amarelo set 2007 EE-240/2007 – Métodos Baseados em Modelos Falha A Falha B set 2007 EE-240/2007 – Métodos Baseados em Modelos set 2007 EE-240/2007 – Métodos Baseados em Modelos Equações de Paridade Sem falhas: x k 1 Ax k Buk yk Cx k yk Cx k yk 1 Cx k 1 CAx k CBuk yk 2 Cx k 2 CAx k 1 CBuk 1 CA 2 x k CABu k CBuk 1 yk i CA i x k CA i 1Buk CBuk i 1 set 2007 EE-240/2007 – Métodos Baseados em Modelos 0 yk C 0 y CA CB 0 k 1 y k 2 CA 2 x k CAB CB y k i CA i1 CA i1B CA i2B Y T 0 uk 0 uk 1 0 uk 2 CB 0 uk i 0 0 0 Q U Y Tx k QU W t.q. WT 0 r : WY WQU 0 set 2007 EE-240/2007 – Métodos Baseados em Modelos Exemplo: 0 xk 1 1 0 yk 0 0 0.12 1 1 0 0.74 x k 0 uk 1 w k 1 1.5 0 1 1 x k v k 0 0 1 0 0 1 1. 5 T 1 1.5 1.51 1.5 1.51 1.275 W = [-0.12 0.74 -1.5 1.0] set 2007 EE-240/2007 – Métodos Baseados em Modelos set 2007 EE-240/2007 – Métodos Baseados em Modelos Resíduo set 2007 EE-240/2007 – Métodos Baseados em Modelos set 2007 EE-240/2007 – Métodos Baseados em Modelos Resíduo set 2007 EE-240/2007 – Métodos Baseados em Modelos Identificação Paramétrica uk wk Sistema Parcialmente Conhecido yk xk 1 f xk , C w k yk H xk G vk Identificador ˆ E Yk ,Uk set 2007 EE-240/2007 – Métodos Baseados em Modelos Identificação Paramétrica 1. Estimador: p y , , Rq Dados: y correspondente a T um estimador g, tal que g( y ) se aproxime de T Obter: Exemplo: p y ,2 p y ,1 se y a g( y) 1 2 se y a a y set 2007 EE-240/2007 – Métodos Baseados em Modelos 2. Estimador Não - Polarizado: E g( y) R g p y , d Exemplo: Seja y A e e ~ N(0, I) Obter ˆ g( y) tal que y Aˆ 2 seja mínimo d 2 y A 0 d d y A T y A 0 d d T y y 2 y T A T A T A 0 d 2A T A 2A T y ˆ 0 1 ˆ A T A A T y LSE set 2007 EE-240/2007 – Métodos Baseados em Modelos 1 A T y é não polarizado, pois Eg( y) E( A T A ) 1 A T y E( A T A ) 1 A T ( A e ) E( A T A ) 1 A T A ( A T A ) 1 A T e E( A T A ) 1 A T A E( A T A ) 1 A T e ˆ A T A 3. Teorema de Gauss-Markov: LSE é ótimo na classe de estimadores lineares não-polarizados ˆ By tal que E , cov cov set 2007 EE-240/2007 – Métodos Baseados em Modelos By tal que E , cov ˆ cov E E By E B( A e ) E BA E Be BAE BA I cov E ( E )( E ) T E (By E )(By E ) T E (B( A e ) E )(B( A e ) E ) T EBee B T T BBT set 2007 EE-240/2007 – Métodos Baseados em Modelos ˆ By tal que E , cov cov ˆ E[ˆ ] ˆ ( A T A) 1 A T y ( A T A ) 1 A T ( A e ) ( A T A) 1 A T e cov ˆ E (ˆ E[ˆ ])( ˆ E[ˆ ]) T E ( A T A ) 1 A T ee T A( A T A ) 1 ( A T A ) 1 A TE ee T A( A T A ) 1 ( A T A ) 1 A T A( A T A ) 1 ( A T A) 1 set 2007 EE-240/2007 – Métodos Baseados em Modelos By tal que E , cov ˆ cov ~ Seja B B A T A cov ˆ A T A 1 A T 1 cov BBT Como BA I, 1 ~ BA BA A T A A T A 0 cov BBT T ~ ~ B ( A T A) 1 A T B ( A T A) 1 A T ~~ ~ ~ BB T BA( A T A ) 1 ( A T A ) 1 A TB T ( A T A ) 1 A T A( A T A ) 1 ~~ BB T ( A T A ) 1 ~~ BB T cov ˆ 0 set 2007 EE-240/2007 – Métodos Baseados em Modelos 4. Limitante Inferior de Cramér-Rao: onde cov g( y) M1 mij E log p y ( y, ) log p y ( y, ) j i Matriz de Informação de Fisher Como g(.) é não polarizado, E g( y) ou R m g( )p y ( , )d i R m g( ) p y ( , )d i 0 1 se j i se j i set 2007 EE-240/2007 – Métodos Baseados em Modelos p y ( , ) d I R g ( ) log p y ( , ) p y ( , )d I m R E g( ) log p y ( , ) I m g( ) Por outro lado, R m p y ( , ) d 1 R m p y ( , ) d 0 R m log p y ( , ) p y ( , )d 0 E log p y ( , ) 0 set 2007 EE-240/2007 – Métodos Baseados em Modelos g Se log p y ( , ) então, g g T cov E log p y ( , ) log p y ( , ) T cov g I cov 0 I M I I 1 cov g I M M1 0 I M cov g M1 0 cov g M1 set 2007 EE-240/2007 – Métodos Baseados em Modelos 5. Eficiência: g(y) é dito ser eficiente se cov g( y) M1 6. Teorema: ˆ gy AT A cov ˆ AT A p y ( , ) 1 AT y é eficiente 1 1 T exp y A y A m/ 2 2 2 1 m 1 log py (, ) log2 y A T y A 2 2 cov ˆ M1 log p y ( , ) A T A A T y A T e M E A T eeT A A T A set 2007 EE-240/2007 – Métodos Baseados em Modelos 7. Propriedades do LSE: ˆ gy AT A 1 AT y é eficiente e não polarizado 8. Identificação de Modelos ARMAX: yk 1yk 1 nyk n 1uk 1 muk m ek yn yn1 y y n n1 yn 2 yn1 yN yN1 y = y0 y1 un y2 un1 1 unm en unm1 en1 n unm 2 en 2 1 uNm eN m un1 yNn uN1 A + e set 2007 EE-240/2007 – Métodos Baseados em Modelos Identificação Paramétrica Recursiva 1. Lema de Inversão de Matrizes: A bc T 1 A 1 T 1 1c A b 1 A 1bcT A 1 2. Estimação Recursiva: T T N medidas YN , AN , ˆ N onde ˆ N ( AN AN )1 AN YN Y A E N 1 medidas N TN N yN1 aN1 eN1 1 A T A A T Y ˆ N1 TN TN TN N aN1 aN1 aN1 yN1 1 A YN N T T ˆ AN aN1 N1 AN aN1 T a N1 yN1 T T ˆ N1 AN AN aN1aN 1 A Y 1 T N N aN1yN1 set 2007 EE-240/2007 – Métodos Baseados em Modelos PN 1 T ANAN T PN1 AN 1 AN 1 A AN1 TN aN1 1 T 1 1 A A T T T N T N AN AN aN1aN 1 aN1 aN1 A bc T 1 T T PN1 AN AN aN1aN 1 PN A 1 P a Pa a 1 T 1 1c A b T N1aN1 N 1 A 1bcT A 1 1 1 T T 1 aN1PNaN1 N N1 N1PN KN1 1 PNaN1 T 1 aN1PNaN1 T PN1 I KN1aN 1 PN set 2007 EE-240/2007 – Métodos Baseados em Modelos A Y y T T ˆ N1 AN AN aN1aN 1 T ˆ N1 PN1 AN YN aN1 1 T N N aN1yN1 N1 T PN1 PN 1 aN 1PNaN1 1PNaN1aNT1PN 1PNaN1aNT1PNANT YN 1 T T PNaN1yN1 1 aN P a PNaN1aN 1 N N 1 1PNaN1yN1 T T ˆ N1 PNAN YN 1 aN 1PNaN1 T ˆ N PNAN YN T ˆ ˆ N1 ˆ N KN1 yN1 aN 1N KN1 1 PNaN1 T 1 aN1PNaN1 set 2007 EE-240/2007 – Métodos Baseados em Modelos 3. Identificação de Modelos ARX: yN 1yN1 nyNn 1uN1 muNm eN T aN 1 yN1 yNn uN1 uNm ek uk Sistema Parcialmente Conhecido yk T ˆ ˆ N1 ˆ N KN1 yN1 aN 1N 1 n 1 m T Identificador KN1 1 PNaN1 T 1 aN1PNaN1 T PN1 I KN1aN 1 PN ˆ E Yk ,Uk set 2007 EE-240/2007 – Métodos Baseados em Modelos Exemplo: 0 xk 1 1 0 yk 0 0 0.12 1 1 0 0.74 x k 0 uk 1 w k 1 1.5 0 1 1 x k v k 0 yk 1 1.50yk 0.74yk 0.12yk n 1 1.00uk set 2007 EE-240/2007 – Métodos Baseados em Modelos set 2007 EE-240/2007 – Métodos Baseados em Modelos yk 1 1.50yk 0.74yk 0.12yk n 1 1.00uk set 2007 EE-240/2007 – Métodos Baseados em Modelos set 2007 EE-240/2007 – Métodos Baseados em Modelos Muito Obrigado! set 2007