CONTROLE AVANÇADO Prof. André Laurindo Maitelli DCA-UFRN IDENTIFICAÇÃO DE SISTEMAS DINÂMICOS Introdução • “É a determinação de um modelo matemático que represente os aspectos essenciais do sistema, caracterizado pela manipulação dos sinais de entrada e saída que estão relacionados através de uma função de transferência contínua ou discreta” • “É a determinação, com base em entradas e saídas, de um sistema em uma classe de sistemas especificados, ao qual o sistema em teste é equivalente”. • Para processos industriais, o modelo pode ser obtido a partir do tratamento das medidas coletadas através de uma realização experimental Introdução incertezas entrada Processo saída Técnicas de Identificação Modelo matemático do processo Etapas • Planejamento Experimental – o sinal de entrada deve excitar todos os modos do sistema – um bom método de identificação deve ser insensível às características do sinal de entrada • Seleção da Estrutura do Modelo – pode ser feita a modelagem usando leis físicas – a modelagem pode ser do tipo caixa preta, quando não se tem nenhum conhecimento sobre o processo – pode ser caixa cinza, quando se tem algum conhecimento • Estimação de Parâmetros – baseada em: dados de entrada e saída do processo, uma classe de modelos e um critério • Validação – verificação da adequação do modelo escolhido Laço de Identificação conhecimento a priori Planejamento Experimental Dados Conjunto de modelos Critério Avaliação do modelo Não OK Validação usar OK revisar * O modelo pode ser deficiente devido a: - falha do procedimento numérico - critério mal escolhido - conjunto de modelos inapropriado - dados não informativos Procedimentos • Diferentes procedimentos para a geração do sinal de entrada, medição da saída e armazenamento dos dados: – – – – Teste de resposta ao degrau Teste de resposta em freqüência Off-line On-line Procedimentos • Identificação de um processo pelo teste de resposta ao degrau: entrada Processo saída Armazenamento de dados • O teste só tem validade para processos lineares ou não-lineares linearizados em pontos de operação • Não permite a identificação de modelos de ordem superior, pois o degrau tem pobre composição em freqüência Procedimentos • Identificação de um processo pelo teste de resposta em freqüência: Analisador de Espectro módulo entrada Processo saída fase • Aplica-se um sinal senoidal de freqüência variável na entrada do processo • Analisa-se as curvas de resposta em freqüência, identificando-se pólos e zeros Procedimentos • Identificação off-line: – Excita-se o processo e armazenam-se as medidas de entrada e saída para aplicação e avaliação a posteriori dos algoritmos não recursivos – É necessário o conhecimento da estrutura do modelo, envolvendo ordem e atraso de transporte Procedimentos • Identificação on-line: – Excita-se o processo e trata-se em tempo real as medidas de entrada e saída obtidas – A aplicação em tempo real dos algoritmos de identificação é interessante para o rastreamento dos parâmetros variantes no tempo – Supera uma desvantagem da aplicação off-line que é a necessidade de armazenamento de uma grande quantidade de dados. Estimação de Parâmetros u(k) y(k 1) f (, y(k), u(k)) y(k) ESTIMADOR ˆ Serão considerados modelos ARMAX: y(k) a 1 y(k 1) a 2 y(k 2) ... a n y(k n) b1u(k 1) b 2 u(k 2) ... b m u(k m) e(k) Método dos Mínimos Quadrados Supondo que foram feitas N medidas de entrada e saída: u(0), u(1),....,u(N) a1 a 2 a n b1 b 2 b m y(0), y(1),....,y(N) Definindo: y(1) e(1) y ( 2) e ( 2) e Y y ( N ) e ( N ) Tem-se: y(1 n ) y(0) y(1) y( 2 n ) X y( N 1) y( N n ) Y X e u (0) u (1 m) u (1) u (2 m) u ( N 1 u ( N m) Exemplo y(k) ay(k 1) bu (k 1) e(k) u (0) y(1) y(0) e(1) y(2) y(1) a e(2) u ( 1 ) b y ( N ) y ( N 1 ) u ( N 1 ) e ( N ) Y X e Método dos Mínimos Quadrados • Problema a ser resolvido: – Dados Y e X, obter θ • Solução: utilizar método dos mínimos quadrados. Escolher θ que minimize a função erro J: N J e 2 (k ) e T e k 1 J Y X Y X T Mínimo quando: J 0 ˆ Y T Y Y T X T X T Y T X T X 0 ˆ X T X 1 XT Y 2X T Y 2X T Xˆ 0 Método dos Mínimos Quadrados ˆ X X T 1 T X Y Min Σ yr yp x • Observações: – A solução existe se (XTX)-1, a chamada pseudoinversa, for não-singular – A seqüência escolhida de entradas {u(k)} deve garantir a existência da não-singularidade – Se não houver a presença de incertezas (ruídos) podemos achar ˆ em N=n+m passos – A matriz X cresce a medida que N cresce Exemplo y(k) 0.8y(k 1) u(k 1) Suponha y(0)=0 e que foi aplicada a seguinte entrada: u(0)=1 e u(1)=-1 Logo: y(1)= -0.8y(0)+u(0)= 1 y(2)= -0.8y(1)+u(1)= -1.8 1 Y 1 . 8 X X T 1 1 0 X 1 1 1 1 1 0 1 0 XT X 1 1 1 1 1 2 2 1 1 1 ˆ a 2 1 0 1 1 0.8 b 1 1 1 1 1.8 1.0 Propriedades Estatísticas do Estimador • Assumindo que e(k) é uma variável aleatória independente, gaussiana com média zero e variância σ2, ou seja, Ee(i)e( j) 2 ij Ee(k) 0 1) Média ˆ X T X 1 X X X X X e Eˆ E EX X X E{e} X T X e X T X ˆ X T X 1 1 T 1 T T T X e Mas E{e} 0 Logo: E ˆ 1 T T Propriedades Estatísticas do Estimador 2) Covariância E ˆ ˆ T T 1 1 T T T T E X X X e X X X e X X T Assim, 1 T T T X E ee X X X X X T 1 1 2 I Os elementos da diagonal de Ψ representam as variâncias de cada parâmetro que compõe o vetor de parâmetros θ Propriedades Estatísticas do Estimador Para N observações: N 2 X X N T XTX lim lim N N N N 2 Calculando: Se o estimador for consistente: 1 XTX lim N N em que Γ é uma matriz constante não-singular Então, lim 0 N 1 1 Propriedades Estatísticas do Estimador Conclusão: Se Eˆ e Então lim 0 N ˆ quando N O estimador é consistente Método dos Mínimos Quadrados Recursivo • Ideal para aplicações on-line em sistemas com parâmetros constantes e desconhecidos y(1) y(0) y(2) y(1) y ( N ) y( N 1) y(N 1) y(N) y(1 n ) u (0) y( 2 n ) u (1) y( N n ) u ( N 1) y(N 1 n ) u (N) Generalizando, temos: Y( N) X( N) E( N) T y( N 1) x ( N 1) e( N 1) u (1 m) e(1) e(2) u (2 m) u ( N m) e ( N ) u (N 1 m ) e (N 1) Método dos Mínimos Quadrados Recursivo Considerando: Z(I) ZI Já sabemos que: ˆ N X TN X N Logo, com (N+1) amostras: ˆ N 1 X TN 1 X N 1 ˆ N 1 1 X TN YN PN X TN YN ˆ N 1 X TN 1 X N 1 1 X TN 1 YN 1 YN 1 X TN 1 y N 1 T X N x N 1 XN x TN 1 1 X T N x N 1 ˆ N 1 X TN X N x N 1 x TN 1 X 1 YN y N 1 T N YN x N 1 y N 1 Método dos Mínimos Quadrados Recursivo Lema de Inversão de Matrizes: Sejam Anxn bnx1, cnx1 A, (A+bcT) matrizes não-singulares Então: A bc T 1 1 1 A 1 c A b T 1 A 1bcA 1 Método dos Mínimos Quadrados Recursivo PN 1 X X N x N 1 x Definindo: T N 1 T N 1 E usando o lema de inversão de matrizes, com: A XTN X N , b x N1 , c T x TN1 Temos que: PN 1 X X N T N 1 1 x T N 1 X PN 1 I 1 x T N T N 1 XN 1 X X 1 x N1 PN x N 1 1 T N 1 N x N 1 x PN x N 1 x TN 1 PN T N 1 X T N XN 1 Método dos Mínimos Quadrados Recursivo ˆ N1 PN1 XTN YN x N1 y N1 Assim: ˆ N 1 I 1 x TN 1 PN x N 1 1 1 x 1 ˆ N 1 ˆ N 1 x TN 1 PN x N 1 1 T N 1 PN x N 1 x TN 1 PN X TN YN x N 1 y N 1 ˆ N 1 PN X TN YN PN x N 1 y N 1 1 x TN 1 PN x N 1 ˆ N 1 ˆ N 1 x TN 1 PN x N 1 1 PN x N 1 x TN 1 PN X TN YN x N 1 y N 1 PN x N 1 PN x N 1 y N 1 PN x N 1 x TN 1 PN X TN YN PN x N 1 x TN 1 PN x N 1 y N 1 PN x N 1 1 x TN 1 PN x N 1 y N 1 x TN 1 PN X TN YN x TN 1 PN x N 1 y N 1 Finalmente, temos que: ˆ N 1 ˆ N 1 x TN 1 PN x N 1 1 PN x N 1 y N 1 x TN 1 ˆ N Método dos Mínimos Quadrados Recursivo Assim: 1 K 1 x T P x PN x N 1 N N 1 N N 1 T ˆ ˆ ˆ K y x N 1 N N N 1 N 1 N T P I K x N N 1 PN N 1 Em que: x TN1 y(N) y(N n 1) u(N) u(N m 1) É chamado de regressor e contém as informações de entrada e saída Seleção de P0 e ˆ 0 1) Calculando os primeiros k pontos: ˆ k X Tk X k 1 T k X Yk Pk X X k T k 1 2) ˆ 0 arbitrário P0 I Na k-ésima iteração os valores de ˆ k e Pk se aproximam daqueles calculados em 1) se α→infinito Seleção de P0 e ˆ 0 1 k 1 Pk P xkx 1 k 2 Pk P T 1 k x k 1 x Pk1 Pk12 x k1x Tk1 T k 1 xkx T 1 k Pk P 1 0 x 1 x .... x k 1 x T 1 T k 1 Pk Po1 X Tk X k xkx 1 T 1 k 1 Seleção de P0 e ˆ 0 ˆ k Pk x Tk Yk ˆ k Pk X Tk 1 ˆ k Pk X Tk 1Yk 1 x k y k ˆ k Pk X Tk 2 x k 1 Yk 2 x y k k y k 1 ˆ k Pk X T0 Y0 x1 y1 .... x k y k ˆ k Pk P01ˆ 0 XTk Yk Yk 1 x k y k Seleção de P0 e ˆ 0 Conclusão: Para P0 I (α grande) e ˆ 0 arbitrário: P01 0 ˆ k Pk X Tk Yk Pk X Tk X k 1 Isto significa que, nestas condições, o método recursivo aproxima-se do exato. Excitação Persistente • O sinal de controle deve ser escolhido de forma a excitar todos os modos do sistema; • Para tanto deve ser rico em freqüências • Um sinal muito utilizado na prática é o PRBS (Pseudo Random Binary Signal), por possuir estas características +1 -1 Método dos Mínimos Quadrados Recursivo com Fator de Esquecimento • Utilizado para sistemas variantes no tempo; • A idéia é dar um maior “peso” aos dados mais atuais; • Deve-se ter um cuidado na escolha do fator de esquecimento; • Alternativamente, pode-se utilizar outros métodos como o “reset” da matriz de covariância. Método dos Mínimos Quadrados Recursivo com Fator de Esquecimento Definindo: N J N N k e 2 (k) N 1e 2 (1) N 2 e 2 (2) .... e 2 ( N 1) e 2 ( N) k 1 N N 1 e(1) N2 e(2) e( N) T J N E TN E N ˆ N X TN X N 1 X TN YN Método dos Mínimos Quadrados Recursivo com Fator de Esquecimento N 1 J N 1 N 1k e 2 (k ) k 1 N 1 Assim, N 1 N2 e(1) E N 1 E N e( N 1) e(2) e( N) e( N 1) T Método dos Mínimos Quadrados Recursivo com Fator de Esquecimento YN X N E N y xT e N 1 N 1 N 1 ˆ N 1 X TN 1 X N 1 ˆ N 1 X TN 1 X TN 1 YN 1 x N 1 X N x T N 1 ˆ N 1 X TN X N x N 1 x TN 1 X 1 T N 1 X TN x N 1 YN x N 1 y N 1 YN y N 1 Método dos Mínimos Quadrados Recursivo com Fator de Esquecimento PN 1 X X N x N 1 x Definindo: T N 1 T N 1 E usando procedimento semelhante ao caso sem esquecimento, obtém-se: 1 T K N x N 1 PN x N 1 PN x N 1 ˆ T ˆ ˆ K y x N 1 N N N 1 N 1 N 1 PN 1 I K N x TN 1 PN Usualmente λ entre 0.995 e 1 0 1 Seleção da Estrutura do Modelo • A seleção da estrutura de um modelo, no caso de sistemas monovariáveis limita-se à determinação da ordem do modelo e a determinação do atraso de transporte; • A partir desta afirmação surge um compromisso entre a capacidade de representação da dinâmica essencial do sistema e um número adequado de parâmetros que possibilite menor esforço para o processamento dos algoritmos de identificação e controle; Seleção da Estrutura do Modelo • Definindo: 1 N J N y(k 1) x Tk 1ˆ k N k 1 2 • Podemos utilizar o critério de Akaike para determinar a melhor estrutura: AIC N lnJ N 2p • em que N é o numero de medidas realizadas durante o experimento e p é o número de parâmetros utilizados no modelo estimado; Seleção da Estrutura do Modelo • O critério é utilizado da seguinte maneira: – inicia-se com a utilização de um modelo de baixa ordem, n=m=1, por exemplo; – aumenta-se a ordem do modelo estimado e o critério é avaliado para cada incremento na ordem, utilizando um determinado conjunto de medidas; – A escolha da estrutura adequada é baseada na menor taxa de variação do critério.