Giovani Guimaraes Rodrigues

Giovani Guimares Rodrigues
Identificao de Sistemas Dinmicos No-Lineares Utilizando Modelos NARMAX Polinomiais Aplicao a Sistemas Reais
Dissertao submetida banca examinadora designada pelo Colegiado do Programa de PsGraduao em Engenharia Eltrica da Universidade Federal de Minas Gerais, como parte dos requisitos necessrios obteno do grau de Mestre em Engenharia Eltrica.
Programa de Ps-Graduao em Engenharia Eltrica Centro de Pesquisa e Desenvolvimento em Engenharia Eltrica Universidade Federal de Minas Gerais
" uma experincia como nenhuma outra que eu possa descrever, a melhor coisa que pode acontecer a um cientista, compreender que alguma coisa que ocorreu em sua mente corresponde exatamente a alguma coisa que acontece na natureza. surpreendente, todas as vezes que acontece. Ficamos espantados com o fato de que um construto de nossa prpria mente possa realmente materializar-se no mundo real que existe l fora. Um grande choque e uma alegria muito grande". Leo Kadanoff1
Extrado de Gleick (1989).
Resumo
Resumo
A motivao desse trabalho investigar a aplicao das tcnicas de identificao de sistemas dinmicos no-lineares utilizando modelos NARMAX polinomiais. Estes modelos so estruturas paramtricas do tipo entrada-sada capazes de representar uma ampla classe de sistemas no-lineares. O procedimento de identificao de modelos no-lineares paramtricos pode ser dividido em cinco etapas. Estas cinco etapas so apresentadas e analisadas no mbito da identificao de modelos no-lineares caixa-preta. A seleo de estrutura a etapa crucial da identificao de modelos no-lineares. Por esse motivo, ela analisada em maior profundidade. Os conceitos de agrupamentos de termos e de coeficientes de agrupamentos so utilizados para derivar um procedimento auxiliar de seleo de estrutura de modelos no-lineares polinomiais. Este procedimento pode ser bastante eficaz em situaes onde as tcnicas usuais de seleo de estrutura falham. Em seguida, so apresentados dois conjuntos de rotinas computacionais para a identificao de modelos NARMAX polinomiais. O primeiro conjunto de rotinas implementa as cinco etapas do procedimento de identificao. O segundo conjunto de rotinas implementa ferramentas teis para a anlise e a visualizao dos modelos identificados. Estas rotinas so utilizadas para identificar modelos NARMAX polinomiais nesse trabalho. Finalmente, o procedimento de identificao de modelos NARMAX utilizado para construir modelos matemticos para alguns sistemas no-lineares reais. Os sistemas a serem modelados so um forno eltrico sem estrutura de isolamento trmico e o circuito catico de Chua. Os regimes dinmicos destes sistemas no podem ser reproduzidos por modelos lineares convencionais. Portanto, a identificao dos mesmos constitui um bom teste para avaliar a qualidade dos modelos NARMAX polinomiais na representao de sistemas no-lineares reais.
Abstract
ii
Abstract
The main motivation of this work is to investigate the use of techniques to identify nonlinear dynamical systems using NARMAX polynomial models. Such models are parametric input-output structures able to represent dynamic behavior of a wide class of non-linear systems. The identification of non-linear parametric models can be divided in five stages. These five stages are introduced and analyzed in the scope of non-linear black-box model identification. Model structure selection is the crucial stage of non-linear model identification. So, it is analyzed more deeply. The concepts of term clusters and cluster coefficients are used to derive an auxiliar procedure to select terms of non-linear polynomial models. This procedure can work efficiently in situations where the other techniques of structure selection fail. Two sets of computational routines are described. The first set implements the five stages of the identification procedure of NARMAX polynomial models. The second set implements useful tools for analysis and visualization of identified models. These routines are used to identify NARMAX polynomial models in this work. Finally, the identification procedure of NARMAX polynomial models is used to build mathematical models for some real non-linear systems. The systems that will be modeled are an electrical furnace without thermal insulation and Chua's circuit. The dynamical behavior of these systems can not be described by conventional linear models. So, the identification of such systems constitutes a good test to evaluate the quality of NARMAX polynomial models in the representation of real non-linear systems.
Agradecimentos
iii
Agradecimentos
Eu gostaria de agradecer aos meus pais Roberto e Glaura e s minhas irms Adriana e Elinan pela pacincia e pelo apoio irrestrito durante a realizao desse trabalho. Eu gostaria de agradecer ao professor Luis Aguirre pela orientao acadmica atuante e pela amizade durante a convivncia diria. Um agradecimento especial dedicado a Eduardo Mendes pelas sugestes e pelo inestimvel auxlio com simulaes e rotinas computacionais. Outro agradecimento especial dedicado aos professores Ivan Lopes, Wallace Boaventura e Porfrio Cortizo pela atenciosa assessoria durante os procedimentos de aquisio de dados. Eu gostaria de agradecer a Ansio Braga e aos professores Ronaldo Pena e Fbio Jota pelas valiosas crticas e sugestes durante a elaborao desse trabalho. Eu tambm gostaria de agradecer aos alunos de iniciao cientfica lvaro Souza, Leonardo Torres e Ubiratan Freitas pelo auxlio em coletas de dados, em simulaes e na edio de algumas figuras para esse trabalho. Os amigos do Laboratrio de Controle de Processos Industriais (LCPI) e Centro de Pesquisa e Desenvolvimento em Engenharia Eltrica (CPDEE) garantiram a finalizao desse trabalho com atitudes e palavras de apoio. O apoio financeiro da Coordenao de Aperfeioamento de Pessoal de Nvel Superior (CAPES) e da Pr-Reitoria de Pesquisa (PRPq) dessa Universidade foram de vital importncia.
ndice Analtico
iv
ndice Analtico
Resumo .......................................................................................................................... i Abstract ........................................................................................................................ ii Agradecimentos............................................................................................................ iii Nomenclatura............................................................................................................... vi Captulo 1 1. Consideraes sobre a Modelagem de Sistemas ......................................................... 1 1.1 Introduo........................................................................................................... 1 1.2 Alguns Conceitos Bsicos da Teoria de Sistemas ................................................. 2 1.3 Modelagem Matemtica de Sistemas Dinmicos................................................... 4 1.4 Aspectos da Identificao de Sistemas ................................................................. 5 1.5 Apresentao do Trabalho ................................................................................... 6 Captulo 2 2. Identificao de Sistemas No-Lineares ..................................................................... 9 2.1 Introduo........................................................................................................... 9 2.2 Identificao de Sistemas ..................................................................................... 9 2.2.1 Experimentao do Sistema.......................................................................... 10 2.2.2 Deteco de No-Linearidades ..................................................................... 10 2.2.3 Escolha da Representao e de Estruturas .................................................... 12 2.2.4 Deteco de Estrutura .................................................................................. 14 2.2.5 Estimao de Parmetros.............................................................................. 15 Implementaes Ortogonais do Algoritmo de Mnimos Quadrados............... 18 2.2.6 Critrios de Informao................................................................................ 20 2.2.7 Deteco de Estrutura Utilizando o ERR...................................................... 21 2.2.8 Validao de Modelos .................................................................................. 22 2.3 Tcnicas de Reconstruo de Espao de Estados ............................................... 24 2.4 Comentrios Finais ............................................................................................ 26 Captulo 3 3. Seleo de Estrutura de Modelos No-Lineares: Agrupamentos de Termos e Coeficientes de Agrupamentos ................................................................................. 28 3.1 Introduo......................................................................................................... 28 3.2 Agrupamentos de Termos e Coeficientes dos Agrupamentos.............................. 28 3.2.1 Agrupamentos Esprios em Modelos Polinomiais No-Lineares ................... 31 3.3 Agrupamentos de Termos e Pontos Fixos .......................................................... 33
ndice Analtico
3.3.1 Pontos Fixos: Nmero e Localizao............................................................ 33 3.3.2 Estabilidade dos Pontos Fixos ...................................................................... 35 3.3.3 Simetria dos Pontos Fixos ............................................................................ 36 3.4 Escolha do Tempo de Atraso ou Perodo de Amostragem utilizando Funes de Correlao No-Lineares.................................................................................... 37 3.4.1 Escolha do Perodo de Amostragem Ts ........................................................ 38 3.5 Comentrios Finais ............................................................................................ 40 Captulo 4 4. Ambiente Computacional para Identificao de Sistemas No-Lineares.................... 41 4.1 Introduo......................................................................................................... 41 4.2 Descrio das Rotinas de Identificao............................................................... 41 4.3 Anlise das Rotinas de Identificao................................................................... 46 4.4 Comentrios Finais ............................................................................................ 48 Captulo 5 5. Modelagem No-Linear de um Forno Eltrico ......................................................... 50 5.1 Introduo......................................................................................................... 50 5.2 Descrio do Sistema......................................................................................... 50 5.3 Representao da Dinmica No-Linear do Forno Eltrico................................. 51 5.3.1 Aquisio de Dados...................................................................................... 51 5.3.2 Deteco de No-Linearidades ..................................................................... 56 5.3.3 Deteco de Estrutura e Estimao de Parmetros........................................ 56 5.3.4 Deteco de Estrutura Utilizando ERR e Agrupamentos de Termos ............. 59 5.3.5 Validao dos Modelos Identificados............................................................ 62 5.4 Anlise de Tendncia em Dados de Sistemas Dinmicos..................................... 68 5.5 Comentrios Finais ............................................................................................ 69 Captulo 6 6. Modelagem No-Linear do Circuito de Chua........................................................... 72 6.1 Introduo......................................................................................................... 72 6.2 Descrio do Sistema......................................................................................... 72 6.3 Representao da Dinmica No-Linear do Circuito de Chua............................. 75 6.3.1 Aquisio de Dados...................................................................................... 75 6.3.2 Deteco de Estrutura e Estimao de Parmetros........................................ 80 6.3.3 Deteco de Estrutura Utilizando ERR e Agrupamentos de Termos ............. 83 6.3.4 Validao dos Modelos Identificados............................................................ 85 6.4 Comentrios Finais ............................................................................................ 92 Concluso. .................................................................................................................. 94 Apndice A A. Glossrio sobre Sistemas Dinmicos No-Lineares.................................................. 96 A.1 Introduo ........................................................................................................ 96 A.2 Glossrio .......................................................................................................... 96 Referncias Bibliogrficas.......................................................................................... 106
Nomenclatura
vi
Nomenclatura
Conjuntos Numricos Z Z+ N R Variveis A C() ci,j DC Df DL d de e(t) Fl() f() f g() g

g
Conjunto dos nmeros inteiros. Conjunto dos nmeros inteiros positivos. Conjunto dos nmeros naturais. Conjunto dos nmeros reais.
Matriz auxiliar, no procedimento de Gram-Schmidt, para estimao ortogonal de parmetros. Funo de correlao utilizada no clculo da dimenso de correlao de um atrator. Coeficiente do termo x(t) de um modelo NARMAX polinomial (definio de agrupamento de termos). Dimenso de correlao do atrator de um sistema dinmico no-linear. Matriz Jacobiana de um sistema dinmico no-linear. Dimenso de Lyapunov de um sistema dinmico no-linear. Tempo de retardo de um sistema ou tempo morto. Dimenso do "embedding" de um sistema dinmico. Rudo ou perturbaes em um sistema dinmico. Funo no-linear genrica. Funo matemtica genrica (definida no contexto da citao). Frequncia de um dado sinal. Funo de observao utilizada na construo de "embeddings". Parmetro do modelo ortogonalizado, no procedimento de GramSchmidt. Estimativa do parmetro g. Funo de sada de um sistema dinmico.
h()
Nomenclatura
vii
JN() k l M m N n ne np ny n n P PTP p(t) p Q Q R r Ts t u(t) v(t) W w(t) c X x(t) x
ndice de desempenho ou funo de custo. Intervalo de predio. Grau de no-linearidade de um mapeamento no-linear polinomial. Mapa de Poincar de um sistema dinmico no-linear. Ordem dos termos x(t) de um modelo NARMAX polinomial. Comprimento do registro de dados disponveis. Ordem de um sistema dinmico. Atraso mximo nos termos em e(t), em modelos discretos. Nmero de termos de processo em um modelo NARMAX polinomial. Atraso mximo nos termos em y(t), em modelos discretos. Nmero de termos de rudo em um modelo NARMAX polinomial. Nmero de termos em um modelo NARMAX polinomial. Matriz dos regressores de um modelo NARMAX polinomial. Matriz de informao. Regressor de um modelo NARMAX polinomial representado na configurao preditor de "um-passo-a-frente". Ponto fixo de um sistema dinmico. Matriz ortogonal (decomposio QR). Matriz ortogonal aumentada (decomposio QR). Matriz triangular superior (decomposio QR). Dimenso do atrator de um sistema dinmico. Perodo de amostragem de um dado sinal. Tempo ou nmero de amostras no caso discreto. Sinal medido de entrada de um sistema. Varivel instrumental. Matriz de regressores ortogonais. Regressor ortogonal. Frequncia de corte (normalizada) de um filtro. Campo vetorial no-linear. Termo de um modelo NARMAX polinomial. Vetor de variveis de estado de um sistema dinmico.
Nomenclatura
viii
Y y(t)
(t ) y
Vetor de sadas. Sinal medido de sada de um sistema. Sada do preditor de "um-passo-a-frente". Vetor de coordenadas de atraso. Vetores auxiliares na estimao ortogonal de parmetros pelo mtodo da transformao de Householder. Ponto fixo de um modelo NARMAX polinomial. Autovalor de um sistema discreto ou discretizado. Autovalor da matriz Jacobiana de um modelo NARMAX polinomial. Seo de Poincar de um sistema dinmico no-linear. Passo de integrao numrica. Funo delta de Dirac. Maior expoente de Lyapunov de um sistema dinmico no-linear. Espectro de expoentes de Lyapunov de um sistema dinmico no-linear. Parmetro de bifurcao de um sistema dinmico. Vetor de parmetros de um modelo NARMAX polinomial. Parmetro nominal de um sistema dinmico representado por um modelo NARMAX. Parmetro de um modelo NARMAX, estimado pelo mtodo dos mnimos quadrados. Vetor de resduos de modelagem em um modelo NARMAX polinomial. Resduo de identificao. Coeficiente de um agrupamento de termos em um modelo NARMAX polinomial. Tempo de atraso na definio das coordenadas de atraso. Valor mnimo entre y e y2 , . Tempo em que ocorre o primeiro mnimo da auto-correlao linear de um sinal. Tempo em que ocorre o primeiro mnimo da auto-correlao no-linear de um sinal. Funo auto-correlao do sinal y1(t).
y(t) y1, y2 y z t () 1 { i }in=1 b

(t) i m y y2 , y1 y1 ()
Nomenclatura
ix
y1 y2 () ( x , t ) Operadores E{} Var{y(t)} . 2 . []T
Funo correlao cruzada dos sinais y1(t) e y2(t). Fluxo da dinmica de um dado sistema. Agrupamento de termos em um modelo NARMAX polinomial.
Esperana matemtica. Varincia de y(t). Norma genrica. Norma euclidiana. Valor absoluto de um nmero. Transposio de vetor ou matriz. Unio de conjuntos.
7
Siglas ARMAX ERR FFT FPE NAR NARMA NARMAX
Modelo (linear) auto-regressivo, de mdia mvel e entrada externa ("Auto-regressive, moving-average with exogenous input model"). Taxa de reduo do erro ("Error reduction ratio"). Transformada rpida de Fourier ("Fast Fourier transform"). Erro de predio final ("Final prediction error"). Modelo no-linear auto-regressivo ("Non-linear auto-regressive model"). Modelo no-linear auto-regressivo, de mdia mvel ("Non-linear autoregressive, moving average model"). Modelo no-linear auto-regressivo, de mdia mvel e entrada externa ("Non-linear auto-regressive, moving average with exogenous input model"). Modelo no-linear auto-regressivo com entrada externa ("Non-linear auto-regressive moving average with exogenous input"). Elemento sensor de temperatura ("Negative thermal coefficient"). Controle "Proporcional-Integral-Derivativo". Sinal binrio pseudo-aleatrio ("Pseudo random binary signal"). Memria de acesso aleatrio ("Random access memory"). Funo de base radial ("Radial basis function").
NARX NTC PID PRBS RAM RBF
Nomenclatura
SNR
Relao sinal/rudo ("Signal/noise ratio"). Marca registrada ("Trade mark").
Consideraes sobre a Modelagem de Sistemas
Captulo 1 1. Consideraes sobre a Modelagem de Sistemas

1.1 Introduo A modelagem de sistemas uma tarefa de vital importncia para o desenvolvimento da cincia e da tecnologia. A evoluo do conhecimento cientfico ao longo dos sculos baseou-se na construo e na anlise de modelos para os sistemas em estudo. Tais modelos procuravam reproduzir padres de comportamento observados na natureza. A modelagem permitiu estudar sistemas minsculos, como o tomo, e sistemas imensos, como o nosso sistema solar. Existem tipos distintos de modelos para representar o comportamento de sistemas. No cotidiano, natural utilizar modelos mentais para desempenhar determinadas tarefas. Estes modelos indicam a sequncia adequada de aes para atingir um dado objetivo. Os modelos mentais podem ser extremamente complexos e so construdos a partir da experincia diria das pessoas. A habilidade de dirigir um veculo, por exemplo, gerada pelo processamento de um modelo mental. Um outro tipo de representao para sistemas o modelo grfico. Nesse caso, o comportamento do sistema descrito por tabelas numricas ou curvas de desempenho. Um exemplo de modelo grfico a curva caracterstica tensocorrente de um dispositivo eletrnico. Por fim, a estrutura mais utilizada para representar o comportamento de sistemas o modelo matemtico. Um modelo matemtico constitudo por um conjunto de equaes diferenciais (tempo contnuo) ou equaes de diferenas (tempo discreto) que descrevem a variao temporal e/ou espacial das variveis de interesse no sistema. O grau de detalhamento utilizado na construo de um modelo matemtico depender da aplicao visada. Klamkin (1987) descreve a modelagem matemtica de uma ampla classe de sistemas reais. O levantamento e a formulao matemtica de todos os fenmenos que afetam o comportamento de um dado sistema uma tarefa extremamente complexa, para no dizer impossvel. Dessa maneira, um modelo nunca reproduz exatamente o comportamento do sistema original. Os bons modelos para a representao de sistemas em estudo sero aqueles que descrevem os fenmenos de interesse com uma considervel exatido. A modelagem de sistemas possui uma especial importncia na soluo de problemas fsicos e de engenharia. Atravs do modelo matemtico, pode-se analisar e predizer o comportamento de um sistema, sob diversas condies de operao, e ajustar o
Captulo 1
desempenho do mesmo, caso ele no se mostre satisfatrio. O modelo deve ser capaz de refletir o comportamento do sistema original da melhor maneira possvel, pois em caso contrrio todos os esforos posteriores para anlise do modelo e controle do sistema sero pouco eficientes. Esse captulo pretende descrever e analisar os principais mtodos utilizados para derivar modelos matemticos para sistemas em estudo. Estes mtodos so a modelagem pela fsica do processo e a identificao de sistemas (lineares ou no-lineares). O objetivo do captulo estabelecer a importncia da identificao no cenrio da modelagem de sistemas. 1.2 Alguns Conceitos Bsicos da Teoria de Sistemas Essa seo apresenta e discute alguns conceitos da teoria de sistemas que foram utilizados ao longo do captulo e da dissertao. As definies formais destes conceitos podem ser encontradas em (Kalman et al., 1969; Casti, 1977). Um sistema monovarivel se e somente se ele possui uma nica entrada e uma nica sada. Por outro lado, um sistema multivarivel se e somente se ele possui mais de uma entrada e/ou mais de uma sada. As variveis u(t) e y(t) representam os sinais de entrada e de sada de um sistema, respectivamente. Quando o sistema do tipo multivarivel, u(t) e y(t) so vetores cujas componentes representam as diversas entradas e sadas do sistema. Um sistema classificado como dinmico quando o valor atual de sua sada y(t) depende do valor atual da entrada u(t) aplicada e tambm da evoluo temporal da entrada e da sada. Um sistema classificado como esttico quando o valor atual de sua sada y(t) depende apenas do valor atual da entrada u(t) aplicada. A sada y(t) de um sistema dinmico depende da histria passada do sistema. Por esse motivo, os sistemas dinmicos tambm so conhecidos como sistemas com memria. O comportamento de um sistema dinmico pode ser descrito matematicamente por um conjunto de equaes diferenciais (tempo contnuo) ou equaes de diferenas (tempo discreto). Por sua vez, um sistema esttico pode ser representado por um conjunto de equaes algbricas. Nesse contexto, os sistemas estticos podem ser considerados sistemas dinmicos com memria nula. As medies do sinal de sada de um sistema dinmico cujas entradas externas no so medidas (ou observadas) constituem uma srie temporal. O conhecimento da entrada u(t) aplicada e das condies iniciais de um sistema dinmico determinstico determina unicamente a sua sada y(t). Entretanto, o conhecimento da entrada u(t) e das condies iniciais no suficiente para determinar unicamente a sada y(t) de um sistema estocstico. A descrio completa de um sistema estocstico exige a especificao das caractersticas estatsticas dos sinais aleatrios que afetam o seu comportamento. Estes sinais aleatrios podem ser modelados por estruturas conhecidas como processos estocsticos (Davis e Vinter, 1985; Papoulis, 1991).
Considere o sistema representado pelas equaes dinmicas: dx = f ( x, u, t ) + v ( t ) , dt y = h( x , u , t ) + e( t ) ,

( 1.1 ) ( 1.2 )
onde x o vetor de estados do sistema e f, h so funes vetoriais genricas. v(t) um processo estocstico que representa o rudo dinmico que atua sobre o sistema e e(t) um processo estocstico que modela o rudo de observao (medio). As variveis v(t) e e(t) devem ser omitidas na representao de um sistema dinmico completamente determinstico (no afetado por sinais estocsticos de qualquer natureza). A equao ( 1.1 ) denominada equao de estados do sistema, enquanto que ( 1.2 ) a sua equao de sada. A soluo simultnea do conjunto de equaes diferenciais ( 1.1 ) determina o fluxo da dinmica do sistema. O fluxo da dinmica do sistema descrito por ( 1.1 ) e ( 1.2 ) pode ser representado como = ( t , t 0 , x ( t 0 ), u( t ), v ( t )) , onde x ( t 0 ) o estado inicial do sistema (no tempo t 0 ) e u(t) a entrada aplicada. Obviamente, este fluxo depende tambm da dinmica do rudo v(t) que atua sobre o sistema. Um sistema dinmico determinstico dito invariante no tempo (ou estacionrio) se e somente se ele satisfaz as seguintes relaes: ( t , t 0 , x ( t 0 ), u( t )) = ( t + , t 0 + , x ( t 0 ), u ( t + )), t , R e x ( t 0 ) R n ; h ( x , u , t ) = h( x , u, t + ), R . Um sistema determinstico que no satisfaz estas relaes dito variante no tempo. A funo de sada h () de um sistema dinmico invariante no tempo independe do tempo absoluto t. De acordo com esse conceito, um sistema com parmetros variantes dever ser classificado como variante no tempo. Obviamente, os procedimentos de modelagem e anlise se tornam mais complexos quando o sistema em estudo do tipo variante no tempo (Ljung, 1987). Os sistemas estudados nesse trabalho apresentam comportamento dinmico invariante no tempo. Um sistema dinmico autnomo quando as suas equaes dinmicas no dependem explicitamente do tempo t. Nesse caso, as equaes ( 1.1 ) e ( 1.2 ) podem ser reescritas como: dx = f ( x , u) + v ( t ) , dt y = h( x , u ) + e( t ).
( 1.3 ) ( 1.4 )
As equaes dinmicas de um sistema no-autnomo dependem explicitamente do tempo t, como em ( 1.1 ) e ( 1.2 ).
Captulo 1
Os conceitos descritos nessa seo tambm podem ser apresentados a partir das equaes entrada-sada de um sistema dinmico. Entretanto, estas equaes entradasada podem ser reescritas na forma de equaes de estado utilizando substituies de variveis adequadas1. Por esse motivo, as verses entrada-sada dos conceitos analisados no sero apresentadas nesse texto. 1.3 Modelagem Matemtica de Sistemas Dinmicos Duas abordagens possveis para a modelagem matemtica de sistemas dinmicos so: modelagem pela fsica do processo (Doebelin, 1980; Klamkin, 1987); identificao de sistemas (Box e Jenkins, 1976; Ljung, 1987). A modelagem matemtica baseada na fsica do processo exige o conhecimento das leis tericas e empricas que regem o comportamento dinmico do sistema em estudo. A utilizao desta abordagem permite derivar modelos que descrevem a dinmica interna do sistema, alm da relao entrada-sada. A construo de modelos pela fsica do processo pode ser bastante complicada quando o sistema a ser modelado grande e complexo. Nesse caso, as interaes entre as variveis envolvidas ficam bastante complexas e torna-se difcil descrev-las matematicamente. Uma alternativa para minimizar esse problema utilizar a abordagem de identificao de sistemas para derivar modelos matemticos. A identificao de sistemas uma tcnica que permite construir modelos matemticos para sistemas dinmicos a partir de dados medidos. Os modelos gerados pela identificao de sistemas podem ser utilizados para inferir propriedades dinmicas e estatsticas do sistema original. Um sistema dinmico pode ser analisado no domnio do tempo e/ou no domnio da frequncia. Por esse motivo, a identificao deve ser capaz de derivar modelos (lineares ou no-lineares) que descrevam o comportamento do sistema original no domnio do tempo (equaes diferenciais) ou domnio da frequncia (resposta em frequncia), conforme o enfoque desejado. Os mtodos desenvolvidos para a identificao de sistemas podem ser divididos em trs grupos (Ljung, 1987): mtodos paramtricos; mtodos no-paramtricos; mtodos do domnio da frequncia.
Uma equao entrada-sada pode ser transformada em equao de estados escolhendo a sada do sistema e as suas derivadas como variveis de estado. Esta escolha de variveis de estado gera uma representao dinmica na forma companheira (Chen, 1984).
Os mtodos ditos paramtricos utilizam estruturas matemticas parametrizadas para descrever o comportamento dinmico original no domnio do tempo. Os parmetros destas estruturas matemticas so ajustados por algoritmos de estimao a partir dos dados medidos (Ljung, 1987). Os mtodos ditos no-paramtricos tambm geram modelos no domnio do tempo. Nesse caso, o comportamento dinmico do sistema determinado atravs de funes de correlao calculadas sobre os dados disponveis. Por fim, os mtodos do domnio da frequncia geram modelos representados neste domnio. Estes mtodos utilizam a transformada de Fourier (Hougen, 1972) para calcular a resposta em frequncia dos sistemas analisados. Os estatsticos G. Box e G. Jenkins foram pioneiros na identificao de modelos paramtricos (Box e Jenkins, 1976). Eles apresentaram uma estrutura genrica e concisa capaz de modelar uma ampla classe de sistemas dinmicos. Os modelos de Box e Jenkins foram utilizados para representar sistemas econmicos, biolgicos, fsicos, entre outros. Alguns pesquisadores da rea de sistemas de controle interessaram-se pela identificao de sistemas na dcada de 60 e procuraram utiliz-la na anlise, predio e controle de sistemas industriais reais (Astrm e Bohlin, 1965; Astrm e Eykhoff, 1971; Goodwin e Payne, 1977; Sderstrm et al., 1978; Zervos et al., 1988). A identificao de sistemas foi inicialmente utilizada para desenvolver modelos matemticos lineares para os sistemas em estudo (Box e Jenkins, 1976). Entretanto, os sistemas reais so no-lineares e a representao linear de um sistema no-linear limitada. Um modelo linear descreve a dinmica de um sistema no-linear apenas na vizinhana de um ponto de operao (linearizao do sistema original). Alm disso, os modelos lineares no so capazes de reproduzir uma gama de comportamentos dinmicos observados na natureza. Destacam-se entre esses comportamentos os regimes bilineares, os ciclos limite, as bifurcaes e o caos (Fiedler-Ferrara e Prado, 1994). Apesar destas limitaes, os modelos lineares identificados foram amplamente utilizados, pois os principais mtodos de projeto, anlise e controle da poca assumiam a linearidade dos sistemas (Hougen, 1972). Essa suposio decorria das restries tericas e computacionais vigentes, aliadas vantajosa facilidade de manipular modelos lineares. Mesmo utilizando representaes lineares para sistemas no-lineares, a teoria de sistemas progrediu bastante nas trs ltimas dcadas (Astrm, 1994). O interesse pela identificao de modelos no-lineares paramtricos surgiu no incio da dcada de 80. Em grande parte, este interesse foi motivado pelo desenvolvimento de ferramentas matemticas e computacionais que simplificavam a obteno e manipulao de tais modelos. Atualmente, o crescente interesse pelo assunto refletido pelo elevado nmero de trabalhos publicados em revistas especializadas (como ser visto no captulo 2). Obviamente, o desenvolvimento da teoria de identificao de modelos no-lineares dever motivar a elaborao de novos mtodos (algoritmos) para a anlise e controle dos sistemas modelados (Seborg, 1994). 1.4 Aspectos da Identificao de Sistemas Os dados utilizados para identificar modelos dinmicos so denominados dados de identificao. Os dados de identificao so gerados por medies da resposta y(t) do
Captulo 1
sistema alimentado por uma entrada u(t) pr-especificada. O sinal de entrada u(t) deve possuir espectro suficientemente amplo em amplitude e frequncia para excursionar o sistema pelos regimes dinmicos de interesse. Os dados de identificao de sistemas dinmicos autnomos constituem sries temporais. Os modelos matemticos gerados pela identificao de sistemas podem ser divididos em duas classes: modelos entrada-sada; modelos em espao de estados. Os modelos entrada-sada descrevem a resposta y(t) do sistema em funo da entrada u(t) aplicada. Entretanto, estes modelos no permitem analisar o comportamento de variveis internas do sistema. As tcnicas de identificao de sistemas tambm podem ser utilizadas para derivar modelos matemticos em espaos de estados. Estes modelos permitem analisar o comportamento de variveis internas do sistema, alm da sada y(t), em uma dada regio de operao. As variveis de estado destes modelos podem possuir ou no significado fsico real. A escolha da estrutura a ser utilizada para representar os regimes dinmicos descritos pelos dados um problema crucial na identificao de sistemas. Este problema pode ser suavizado pela utilizao de propriedades do sistema conhecidas "a priori" na seleo da estrutura do modelo que dever represent-lo. Os modelos matemticos gerados pela identificao de sistemas podem ser classificados em trs grupos de acordo com o nvel de conhecimento "a priori" utilizado na seleo de sua estrutura (Ljung, 1987): modelos caixa-branca ("white-box"); modelos caixa-cinza ("grey-box"); modelos caixa-preta ("black-box"). Os modelos caixa-branca tm suas estruturas completamente ajustadas a partir de informaes conhecidas "a priori". Nesse caso, a forma da funo matemtica que descreve o comportamento dinmico do sistema original pr-conhecida. Os modelos caixa-cinza so identificados utilizando algum conhecimento "a priori" para simplificar os algoritmos de seleo de estrutura. Por fim, a identificao dos modelos caixa-preta no utiliza informaes conhecidas "a priori". A estrutura destes modelos ajustada dentro de famlias de representaes conhecidas por apresentar boa flexibilidade na modelagem de sistemas (Ljung, 1987; Ljung, 1995). 1.5 Apresentao do Trabalho O objetivo principal desse trabalho descrever o procedimento de identificao de sistemas dinmicos no-lineares utilizando modelos NARMAX polinomiais.
Os modelos NARMAX polinomiais so estruturas paramtricas entrada-sada capazes de representar o comportamento de uma ampla classe de sistemas dinmicos no-lineares reais (Leontaritis e Billings, 1985a, 1985b; Billings e Chen, 1989). O procedimento de identificao de modelos paramtricos no-lineares pode ser dividido em cinco etapas: (i) aquisio de dados do sistema que se deseja modelar; (ii) aplicao de testes para deteco de no-linearidades nos dados medidos; (iii) seleo da estrutura do modelo que dever representar a dinmica original; (iv) estimao dos parmetros da estrutura selecionada; (v) validao do modelo identificado. O captulo 2 descreve e analisa as cinco etapas do procedimento de identificao de modelos NARMAX polinomiais (modelos caixa-preta) com base na literatura correlata. O captulo 3 analisa a etapa crucial da identificao de sistemas no-lineares: a seleo da estrutura dos modelos. Modelos no-lineares sobreparametrizados tendem a apresentar regimes dinmicos esprios; isto , regimes dinmicos no apresentados pelo sistema original. O captulo revisa um procedimento auxiliar de seleo de estrutura de modelos NARMAX polinomiais. Este procedimento utiliza os conceitos de agrupamentos de termos e coeficientes de agrupamentos para selecionar o conjunto de termos importantes para reproduzir a dinmica do sistema. Em seguida, os termos de modelos NARMAX polinomiais podem ser escolhidos dentro deste conjunto utilizando tcnicas usuais de seleo de estrutura. Os conceitos de agrupamentos de termos e de coeficientes de agrupamentos tambm podem ser empregados na anlise da autoestrutura e da estabilidade e simetria dos pontos fixos de modelos NARMAX polinomiais. Em alguns casos, esta anlise poder ser utilizada na validao de modelos identificados. Por fim, o captulo 3 descreve e analisa uma tcnica para a determinao do perodo de amostragem de um sinal a partir de algumas funes de correlao. Tais ferramentas foram utilizadas para determinar os perodos de amostragem adequados para os sinais de interesse nessa dissertao. O captulo 4 descreve dois conjuntos de rotinas computacionais codificadas para a identificao de modelos NARMAX polinomiais. O primeiro conjunto de rotinas implementa as diversas etapas do procedimento de identificao de modelos NARMAX polinomiais. O segundo conjunto de rotinas implementa algoritmos utilizados na anlise e na visualizao dos modelos identificados. Estes dois conjuntos de rotinas foram utilizados para identificar todos os modelos apresentados nesse trabalho. Ainda no captulo 4, so analisadas as vantagens e desvantagens da codificao das rotinas de identificao em algumas linguagens de programao de alto-nvel adequadas ao processamento matemtico numrico. Os captulos 5 e 6 mostram a aplicao das tcnicas de identificao de modelos NARMAX polinomiais modelagem de sistemas dinmicos no-lineares reais. A identificao dos modelos apresentados nestes captulos seguiu todas as etapas descritas nos captulos 2 e 3. O captulo 5 analisa a identificao no-linear de um forno eltrico sem estrutura de isolamento trmico e que apresenta dinmica bilinear (Rodrigues et al., 1996). O forno
Captulo 1
eltrico utilizado nesse trabalho uma das plantas piloto disponveis no Laboratrio de Controle de Processos Industriais (LCPI) da Universidade Federal de Minas Gerais (Abreu, 1993). O comportamento bilinear evidencia-se pela existncia de constantes de tempo de subida (aquecimento) e de descida (resfriamento) distintas. Alm disso, o mecanismo de transferncia de calor por radiao trmica que se processa no interior do forno altamente no-linear. Dessa maneira, o comportamento dinmico do forno eltrico no pode ser bem representado por modelos lineares (mesmo quando estes modelos so obtidos em estreitas faixas de operao). Por este motivo, a identificao do forno eltrico constitui um bom teste para avaliar a qualidade dos modelos NARMAX polinomiais na representao de sistemas no-lineares reais. O captulo 6 descreve a modelagem no-linear do circuito catico de Chua (Aguirre, Rodrigues e Mendes, 1996). O circuito de Chua apresenta uma topologia bastante simples. Ele constitudo por alguns componentes passivos lineares e um componente no-linear denominado diodo de Chua. O diodo de Chua possui uma curva caracterstica correntetenso linear por partes. A variao de um potencimetro do circuito permite alterar o comportamento dinmico apresentado pelo sistema. Os dois regimes dinmicos modelados neste captulo so aqueles representados pelos atratores caticos de dupla volta e em espiral. Aguirre e Billings (1994b) identificaram modelos NARMAX polinomiais para o circuito de Chua utilizando dados de simulao das equaes dinmicas do sistema. O objetivo desse trabalho identificar modelos NARMAX polinomiais para o circuito de Chua utilizando dados reais. Estes dados so gerados durante a operao de um prottipo do circuito montado e testado no LCPI (Torres e Aguirre, 1995b). Aps os seis captulos descritos, so apresentadas as concluses desse trabalho e algumas propostas para a sua continuao. Por fim, o apndice A apresenta um glossrio sobre sistemas dinmicos no-lineares. Este glossrio descreve alguns conceitos da teoria de sistemas dinmicos no-lineares utilizados na elaborao da dissertao.
Identificao de Sistemas No-Lineares
Captulo 2 2. Identificao de Sistemas No-Lineares

2.1 Introduo Historicamente, o procedimento de identificao foi desenvolvido assumindo a linearidade dos sistemas dinmicos em estudo. Isso ocorreu devido a restries tericas e computacionais vigentes. Entretanto, os sistemas reais so no-lineares e a representao linear limitada em algumas aplicaes. A utilizao de modelos lineares impede que uma gama de comportamentos dinmicos apresentados pelos sistemas reais seja reproduzida. Entre os regimes dinmicos no-modelados por estruturas lineares, pode-se destacar os ciclos limite, as bifurcaes, as dinmicas quasi-peridicas e o caos1. Nas duas ltimas dcadas, um grande nmero de pesquisadores tem se dedicado soluo do problema de identificao de sistemas dinmicos no-lineares (Billings, 1980; Leontaritis e Billings, 1985a, 1985b; Korenberg et al., 1988; Billings et al., 1989; Chen et al., 1989; Haber e Unbehauen, 1990; Aguirre, 1994a; Billings e Zhu, 1994; Johansen, 1994; Ljung, 1994; Prl e Karim, 1994; Aguirre e Billings, 1995a, 1995b, 1995c; Aguirre e Mendes, 1996). O objetivo desse captulo apresentar uma reviso dos principais tpicos relacionados identificao de sistemas no-lineares, baseando-se para isso em algoritmos descritos na literatura. Uma breve reviso da teoria de sistemas dinmicos no-lineares apresentada no apndice A, onde so explicados os principais conceitos e algoritmos relacionados. 2.2 Identificao de Sistemas O problema de identificao de sistemas pode ser dividido em cinco etapas principais (Ljung, 1987):

Obteno de dados de experimentao do sistema que se deseja modelar; Aplicao de testes aos dados obtidos para deteco de no-linearidades; Escolha da estrutura que ser utilizada para representar o modelo; Estimao dos parmetros do modelo; Validao do modelo obtido.
O procedimento descrito acima empregado na identificao tanto de sistemas lineares quanto sistemas no-lineares. As principais diferenas se devem maneira como cada
1A
descrio de tais regimes dinmicos pode ser encontrada, por exemplo, em Fiedler-Ferrara e Prado (1994, Parte II) e no apndice A dessa dissertao.
Captulo 2
10
passo implementado, conforme ser descrito nas subsees seguintes. 2.2.1 Experimentao do Sistema Nessa etapa do processo de identificao, o sistema deve ser experimentado atravs da aplicao de entradas pr-determinadas e da observao das sadas correspondentes (ou das variveis de estado observveis). Os dados assim obtidos sero utilizados na deteco de no-linearidades e no ajuste dos parmetros do modelo escolhido. As entradas a serem utilizadas para excitar o sistema devem ser projetadas para satisfazer um conjunto de propriedades (Billings, 1980; Billings e Voon, 1983; Billings e Voon, 1986) que garantiro a adequabilidade dos dados obtidos. Deseja-se, em princpio, que os sinais de entrada tenham um espectro de frequncias adequado para excitar a dinmica do sistema (no caso de sistemas no-lineares, isto requer que os efeitos no-lineares sejam excitados por tais sinais e assim estejam presentes nos dados). Em sistemas nolineares, nos quais variaes da amplitude do sinal de entrada podem provocar mudanas qualitativas no comportamento do mesmo, necessrio projetar um perfil de amplitudes para os sinais de teste (Aguirre e Billings, 1995a). Certas classes de representaes de sistemas no-lineares podem gerar modelos sensveis ao sinal de entrada. Este tipo de modelo depende de parmetros do sinal de teste aplicado ao sistema (mdia e varincia, por exemplo) e s ser vlido para a excitao considerada. Um exemplo desse fenmeno apresentado e discutido em Billings e Voon (1983, 1984). Na prtica, os sinais mais utilizados para excitar os sistemas so ondas quadradas, sinais binrios pseudo-aleatrios, PRBS (Leontaritis e Billings, 1987), e rudo branco (pseudoaleatrio), que tm um espectro de frequncias relativamente largo. Os dados obtidos na experimentao do sistema devem ser processados por filtros passabaixas, a fim de que o falseamento dos sinais amostrados seja evitado. O espectro de frequncias de um sinal adequadamente amostrado corresponde ao espectro do sinal original no intervalo 1 (2Ts ) f 1 (2Ts ) e se repete com "perodo" 1 Ts , onde Ts o perodo de amostragem escolhido. As componentes de altas frequncias que estejam superpostas ao sinal original iro aparecer como componentes de baixas frequncias no sinal amostrado, distorcendo o espectro de frequncias deste. A distoro do espectro de frequncias do sinal amostrado implica em perda de informaes a respeito do sinal original. Assim, deve-se garantir que a frequncia de amostragem seja maior que o dobro da maior frequncia do sinal original para evitar o falseamento do sinal amostrado (Shannon, 1949). 2.2.2 Deteco de No-Linearidades Todos os sistemas reais so, em ltima instncia, no-lineares. No entanto, a nolinearidade apresentada por alguns bem suave, permitindo que a utilizao de modelos linearizados (em torno de um ponto de operao) seja satisfatria. Quando isso no
11
acontece, essencial empregar um modelo no-linear para melhor descrever a dinmica do sistema. Os dados obtidos na experimentao do sistema podem ser processados por algoritmos de deteco de no-lineridades no ensejo de verificar se existem interaes no-lineares que devam ser modeladas (Billings e Voon, 1983; Haber, 1985; Haber e Unbehauen, 1990). Estes testes verificam se os dados do sistema satisfazem (dentro de limites prestabelecidos) certas propriedades caractersticas de sistemas lineares. Adotar-se- um modelo no-linear para o sistema quando tais propriedades no forem verificadas. Os algoritmos mais utilizados na deteco de no-linearidades so (Haber, 1985):

teste no domnio do tempo; mtodo da correlao cruzada no-linear; mtodo da autocorrelao de ordem elevada.
Neste trabalho, o teste de deteco de no-linearidades apresentado em (Billings e Voon, 1983; Billings e Voon, 1986) ser utilizado para detectar a presena de interaes nolineares em conjuntos de dados. Considere o sistema dinmico descrito pela equao discreta: y (t ) = f ( y (t 1), e(t 1), , y ( t n y ), , u( t d ), , u( t d nu + 1), ,
( 2.1 )
, e(t ne )) + e(t ),
onde y(t), u(t) e e(t) so sada, entrada e rudo do sistema, respectivamente, com atrasos mximos representados por ny, nu, ne. d representa o retardo ou tempo morto do sistema e f uma funo matemtica genrica. O perodo de amostragem Ts foi normalizado para gerar uma representao simples e concisa. Os autores mostraram que a relao: y , y2 , ( ) = E {( y (t ) E { y (t )})( y 2 ( t ) E { y 2 ( t )})} = 0
( 2.2 )
vlida se e somente se o sistema ( 2.1 ) for linear2. Um intervalo de confiana probabilstico delimita a regio onde a funo de correlao ( 2.2 ) deve permanecer para ser considerada nula. Os limites do intervalo de confiana de 95 % so: 1,96 N , onde N o comprimento do registro de dados disponveis (Billings e Voon, 1983; Billings e Voon, 1986). A funo de correlao ( 2.2 ) pode ser estimada utilizando os dados de identificao disponveis. O sistema que gerou os dados dever ser representado por uma modelo nolinear quando a correlao calculada no permanece dentro do intervalo de confiana.
sinal u(t) deve satisfazer algumas propriedades para que o resultado apresentado seja vlido (Billings e Voon, 1983). No entanto, sinais de entrada usuais (senides, sinais gaussianos, PRBS) possuem tais propriedades. O rudo e(t) e a entrada u(t) so supostos independentes (no-correlacionados).
2O
Captulo 2
12
2.2.3 Escolha da Representao e de Estruturas Na modelagem, uma importante questo a escolha da estrutura que dever representar o comportamento de um sistema dinmico. Esta questo se torna ainda mais importante no caso de sistemas no-lineares devido grande diversidade de no-linearidades distintas. A estrutura escolhida deve ser suficientemente complexa para representar uma grande classe de no-linearidades possveis, sem que isto torne invivel sua manipulao matemtica. Algumas representaes utilizadas na modelagem de sistemas no-lineares so: redes neurais (Elsner, 1992); funes de base radial, RBFs (Casdagli, 1989); sries de Volterra (Billings, 1980); "wavelets" (Strang, 1989); funes racionais e funes polinomiais (Billings e Chen, 1989; Haber e Unbenhauen, 1990; Casdagli et al., 1992).
Essas estruturas permitem, em muitos casos, descrever a dinmica do sistema de forma global. Uma alternativa a utilizao de representaes locais. Nestas, o espao de estados do sistema dividido em vizinhanas, nas quais a dinmica aproximada por um mapeamento linear. A descrio global pode ser obtida a partir da interpolao desses modelos locais (Foss e Johansen, 1992; Johansen, 1994; Foss et al., 1994), em detrimento da simplicidade, da facilidade de anlise do modelo e do tempo de processamento computacional. Neste trabalho, sero utilizadas as estruturas "no-lineares auto-regressivas com mdia mvel e entrada exgena" ("non-linear auto-regressive with moving average and exogenous inputs", NARMAX) (Leontaritis e Billings, 1985a; Leontaritis e Billings, 1985b), que constituem uma representao natural para uma grande classe de sistemas no-lineares (Billings e Chen, 1989). A estrutura de um modelo NARMAX com perodo de amostragem normalizado (Leontaritis e Billings, 1985a; Leontaritis e Billings, 1985b; Billings e Chen, 1989): y (t ) = F l [ y (t 1), y (t 2), , y (t n y ), u(t d ), u(t d 1), , e(t ne )] + e(t ) ,
( 2.3 )
u(t d nu + 1), e(t 1), e(t 2),
onde t=1,...,N. F l uma funo no-linear qualquer. y(t), u(t), e(t) so sada, entrada e rudo (aditivo) do sistema, cujos atrasos mximos so representados por ny, nu, ne3. d representa o retardo ou tempo morto do sistema.
3Existem
procedimentos estatsticos que permitem estimar os atrasos ny, nu, ne a partir dos dados de operao do sistema (Davis e Vinter, 1985, captulo 4; Granger e Lin, 1994).
13
A forma da funo F l normalmente no conhecida "a priori". Assim, a dinmica do sistema deve ser reconstruda utilizando-se uma aproximao para representar F l. Possveis aproximaes so: modelos polinomiais, racionais e "output-affine" (Billings e Chen, 1989). Um modelo no-linear polinomial de grau l apresenta a seguinte estrutura (Billings e Chen, 1989): y (t ) = 0 + i1 xi1 (t ) +
i1 =1 n n
i1 =1 i2 = i1
i1i2
xi1 (t ) xi2 (t ) + xil (t ) + e(t ) ,
onde
i1 =1
il = il 1
i1
il
xi1 (t )
( 2.4 )
x1 (t ) = y (t 1) , x2 (t ) = y (t 2) , xn y + nu +1 (t ) = e(t 1) ,
, xn y +1 (t ) = u(t d ) , n = n y + nu + ne .
, xn (t ) = e(t ne ).
Os 's so os parmetros que devem ser estimados para que a estrutura escolhida para o modelo se ajuste janela de dados utilizada na estimao. desejvel que o modelo tambm reproduza a dinmica do sistema e no somente se ajuste aos dados de estimao (Aguirre e Billings, 1994a). A utilizao de modelos polinomiais apresenta algumas vantagens bvias sobre as outras representaes. possvel obter modelos NARMAX polinomiais que ajustem os dados de identificao com boa exatido desde que estes dados no apresentem variaes abruptas (nessa situao, o sinal utilizado na obteno dos modelos apresenta taxa de variao elevada em curtos espaos de tempo)4. Alm disso, um modelo NARMAX polinomial se transforma em uma representao linear quando o ponto de operao do sistema mantido aproximadamente fixo (linearizao do modelo) (Billings e Chen, 1989). Outra vantagem da representao polinomial a facilidade com que a informao analtica sobre a dinmica do modelo pode ser obtida. Essa caracterstica ser discutida em detalhes no prximo captulo. As funes no-lineares polinomiais so lineares nos parmetros, o que permite a utilizao de algoritmos de estimao de parmetros para sistemas lineares. Esses algoritmos de estimao so fceis de implementar, convergem rapidamente e j foram estudados em um vasto nmero de artigos (Davis e Vinter, 1985, captulo 4; Korenberg et al., 1988; Chen et al., 1989, Astrm e Wittenmark, 1990, captulo 13).
Nesse caso, as representaes mais adequadas parecem ser os modelos racionais e os output-affine (Billings e Chen, 1989).
Captulo 2
14
2.2.4 Deteco de Estrutura O nmero de termos possveis em modelos polinomiais cresce bastante com o aumento do grau de no-linearidade l e da ordem ny do modelo. Como pode ser visto na equao ( 2.4 ), o nmero de termos tambm depende de nu e ne. De fato, esse nmero pode ser determinado atravs da seguinte expresso (Korenberg et al., 1988): n = M + 1 ,
( 2.5 )
onde n o nmero de termos (de processo e de rudo) no modelo e M = ni ,

i =1 l
ni =
ni 1 (n y + nu + ne + i 1) i
, n0 = 1 .
O valor de n pode se tornar impraticavelmente grande para modelos polinomiais. Entretanto, o problema aqui no to crtico quanto no caso das sries de Volterra ou modelos de Wiener, onde o nmero de termos pode facilmente chegar a 1010 para sistemas relativamente simples (Billings, 1980). A unio de todos os termos passveis de serem includos em um modelo polinomial denominado conjunto de termos candidatos. Na tentativa de melhor explicar os dados de identificao do sistema, os modelos tendem a se tornar excessivamente complexos. A utilizao desses modelos na prtica torna-se invivel, pois muito tempo e esforo computacional sero necessrios para implementar a estimao de parmetros, simular o modelo e predizer o comportamento do sistema. Alm disso, modelos no-lineares sobreparametrizados tendem a apresentar regimes dinmicos esprios; ou seja, regimes dinmicos no apresentados pelo sistema original (Aguirre e Billings, 1995a). Embora o nmero de termos possveis em modelos polinomiais seja muito elevado, apenas um pequeno nmero deles suficiente para aproximar a dinmica do processo, na maioria dos casos. Garantindo que os termos importantes no modelo possam ser corretamente encontrados, representaes concisas podem ser obtidas para uma grande diversidade de sistemas no-lineares. O procedimento de encontrar os termos a serem includos no modelo denominado deteco de estrutura. Existem alguns algoritmos para implementar a deteco de estrutura de modelos nolineares. O uso de algoritmos genticos para deteco de termos em modelos NARMAX foi investigado por Fonseca et al. (1993). Cada modelo possvel foi codificado como um indivduo com uma cadeia de genes, onde cada gene indica um termo constituinte do modelo. Atravs do uso de tcnicas evolutivas, foi selecionado o indivduo mais forte; ou seja, o melhor modelo. Outro mtodo utilizado para a deteco de estrutura de modelos no-lineares o "zeroing-and-refitting" (Kadtke et al., 1993). Neste mtodo, considerase um modelo inicial com todos os termos possveis. Todos os parmetros deste modelo que apresentarem valor absoluto menor que uma tolerncia (previamente ajustada) so zerados; ou seja, seus respectivos termos so eliminados do modelo. Os termos cujos
15
parmetros no foram zerados constituem o novo modelo. Os parmetros desse novo modelo so, ento, reestimados. O procedimento descrito acima pode ser repetido um nmero definido de vezes ou at que nenhum termo possa mais ser eliminado, gerando assim o modelo final. A taxa de reduo do erro ("error reduction ratio" ou ERR) um outro critrio utilizado na deteco de estrutura de modelos NARMAX polinomiais (Korenberg et al., 1988; Billings et al., 1989; Chen et al., 1989). O ERR de cada termo candidato um nmero que indica a melhoria obtida na representao do sistema atravs da sua incluso no modelo. Um algoritmo de deteco de estrutura baseado no ERR ser descrito aps a apresentao do algoritmo de estimao de parmetros. 2.2.5 Estimao de Parmetros Determinada a estrutura de um modelo, deve-se estimar seus parmetros para aproximar o comportamento dinmico apresentado pelo sistema. Isto normalmente feito (no caso de modelos polinomiais) aplicando-se tcnicas de mnimos quadrados5 aos dados obtidos em experimentao. A estrutura apresentada em ( 2.4 ) pode ser representada como: y (t ) = pi (t )i + e(t ) ,
i =1 n
( 2.6 )
onde os regressores do modelo, pi(t), correspondem aos diferentes termos no polinmio e os i so os respectivos parmetros. A equao ( 2.6 ) pode ser escrita na forma do erro de predio:
+ (t ) , y (t ) = pi (t ) i
i =1 n
( 2.7 )
onde o chapu sobre as variveis faz referncia valores estimados e o resduo de identificao (t,) definido como:
) = y (t ) y ) , (t , (t ,
( 2.8 )
) = . (t , y pi (t ) i
i =1 n
( 2.9 )
O vetor de resduos {(t), t=1,...,N} representa os erros de modelagem, o rudo aditivo do sistema e incertezas de ordem qualquer. A equao ( 2.9 ) denominada preditor de ( t ) a predio de "um-passo-a-frente" de y(t). "um-passo-a-frente" e y
5
Outras alternativas possveis so indicadas em Billings e Voon (1984).
Captulo 2
16
Os parmetros i do modelo devem ser escolhidos, dentro de um espao de busca, de modo a minimizar um ndice de desempenho pr-estabelecido. Considerar-se- o ndice de desempenho (Astrm e Wittenmark, 1990, captulo 13; Jota, 1994): 1 J N ( ) = N
f ((t , )) ,
t =1
( 2.10 )
onde () uma funo matemtica genrica. Os parmetros estimados sero diferentes para cada considerada. Utilizando ()= T , tem-se o chamado mtodo dos mnimos quadrados. Nesse caso, ( 2.10 ) transforma-se em: 1 J N ( ) = N
( t , )
t =1
(t , ) ,
( 2.11 )
que dever ser minimizado para determinar o conjunto de parmetros correspondente6. O vetor de parmetros estimados ser omitido na representao dos resduos de identificao e da sada predita do modelo, no texto que se segue, para simplificao de notao. Representando a equao ( 2.7 ) em notao matricial: Y = P + ,
( 2.12 )
onde Y = [ y (1) y ( 2) y ( N )]
T
= [(1) (2) p1 (1) p ( 2) 1 P= p1 ( N ) = p2 (1) p2 (2) p2 ( N )
( N )] ,
T
pn (1) pn (2) , pn ( N ) 2 n ,
e T indica transposio da matriz ou vetor. A matriz P denominada matriz de regressores do modelo e indica o vetor de parmetros nominal. A soluo do problema de mnimos quadrados conhecida e dada por (Golub e Van Loan, 1989):
possvel dar pesos diferentes aos resduos (1),...,(N), no mtodo dos mnimos quadrados, mudandose adequadamente a funo de custo a ser minimizada (Davis e Vinter, 1985, captulo 4).
6
17
T 1 T LS = ( P P ) P Y .
( 2.13 )
As matrizes Y e P foram definidas em ( 2.12 ). A matriz PTP denominada matriz de informao. Esta matriz simtrica e positiva definida quando P tem posto pleno de colunas7. Entretanto, ela pode perder essas propriedades em casos de malcondicionamento numrico grave.
A equao ( 2.13 ) denominada equao normal. A soluo LS existe e nica desde T que P P seja no-singular. Para que isso seja verificado, a matriz P deve ter posto pleno de colunas. Nessa situao, as colunas de P so linearmente independentes e formam uma base num espao vetorial gerado por P (espao imagem de P). Quando Y no pertence ao espao vetorial descrito pelas colunas de P (como ir acontecer na quase totalidade dos casos), os dados do sistema no podero ser completamente explicados pelos regressores. Nesse caso, P LS representar a projeo ortogonal de Y no espao imagem de P e os resduos da estimao (t) sero mnimos e ortogonais a tal espao (Golub e Van Loan, 1989).
A estimativa obtida dita no-polarizada se o vetor de resduos {(t), t=1,...,N} for branco e no apresentar correlao com os regressores; isto (Davis e Vinter, 1985, captulo 4; Korenberg et al., 1988):
E { LS } = ,
( 2.14 )
onde E representa esperana matemtica e o vetor nominal de parmetros. Quando isso no acontece, os resduos apresentam alguma dinmica que no foi devidamente explicada pelo modelo. Novos termos devem ser includos no mesmo para que as estimativas se tornem no-polarizadas e toda a dinmica dos dados seja absorvida pelo modelo8. Existem mtodos de estimao de parmetros que garantem a obteno de estimativas no-polarizadas mesmo quando o rudo e(t) do sistema for no-branco e no estiver devidamente modelado. Um desses mtodos o da varivel instrumental (Billings e Voon, 1984; Davis e Vinter, 1985, captulo 4; Jota, 1994), no qual definida uma nova varivel aleatria v(t) que apresenta correlao com os regressores do modelo e nocorrelacionada com e(t). Essa nova varivel ser, ento, utilizada na estimao, no lugar
A matriz de informao PTP simtrica e positiva semidefinida quando a matriz de regressores P no tem posto pleno de colunas. 8Um cuidado especial deve ser tomado com os termos em rudo, no modelo. Na prtica, modela-se o rudo apenas para evitar a polarizao dos parmetros. Obtido o modelo, despreza-se a parte estocstica e considera-se apenas a parte determinstica para simulao e anlise (Aguirre, 1994a). Em algumas aplicaes tais como predio a curto prazo, filtragem e controle adaptativo, entre outras, tanto a parte estocstica quanto a parte determinstica do modelo so utilizadas (Jota, 1994; Aguirre e Billings, 1995b; Aguirre et al., 1996).
Captulo 2
18
dos regressores antigos9. Implementaes Ortogonais do Algoritmo de Mnimos Quadrados Quando P mal-condicionada, a formao da matriz PTP torna-se sujeita a problemas numricos (propagao de erros, preciso insuficiente nos clculos) que podem afetar a estabilidade do algoritmo de mnimos quadrados (Chen et al., 1989). Nesse caso, a soluo da equao normal atravs da expresso ( 2.13 ) torna-se invivel. Malcondicionamento numrico acontece quando as colunas de regressores na matriz P so altamente correlacionadas entre si. Uma alternativa para aliviar tal problema a ortogonalizao da matriz P. Nesta situao, as colunas de P sero no-correlacionadas e formaro uma base ortogonal para o espao vetorial soluo de P . Alguns algoritmos utilizados na soluo do problema de mnimos quadrados ortogonais so o procedimento de Gram-Schmidt (clssico e modificado) e o mtodo da transformao de Householder. Descrever-se-, em seguida, o mtodo da transformao de Householder (Chen et al., 1989), o qual ser utilizado na estimao ortogonal de parmetros neste trabalho (vide captulo 4). Se a matriz P tiver posto pleno de colunas, ela pode ser decomposta em: P = QR , onde Q R superior.
N n
( 2.15) n n T uma matriz ortonormal (Q Q=I) e R R uma matriz triangular
Criando a matriz aumentada Q , obtm-se:
Q = [Q | qn +1 ... q N ] ,
( 2.16 )
R P = Q , 0
( 2.17 )
onde Q tem dimenso NN. As novas colunas acrescentadas a Q podem ser quaisquer, desde que Q tenha posto pleno de colunas. Aplicando Q T a Y (vetor de sadas do sistema):
9O
mtodo da Varivel Instrumental para sistemas no-lineares pode ser invivel ou bastante complexo e, portanto, pouco utilizado (Billings e Voon, 1984; Billings e Voon, 1986).
19
y1 Q TY = , y2 onde y1 e y2 tm dimenso n1 e (N-n)1, respectivamente. Assim: Y P 2 = Q T (Y P) = y1 R 2 + y2

2 2
( 2.18 )
,
( 2.19 )
onde . 2 indica norma euclidiana. A estimativa dos parmetros pode ser obtida solucionando-se o sistema linear triangular (usando substituio reversa, por exemplo): R = y1 .
( 2.20 )
A fatorao QR da matriz P pode ser implementada utilizando-se transformaes de Householder devidamente projetadas para tanto (Chen et al., 1989; Golub e Van Loan, 1989). O procedimento de Gram-Schmidt ser descrito a seguir, pois ele constitui uma outra opo para implementar a ortogonalizao do conjunto de regressores do algoritmo de mnimos quadrados, a qual bastante utilizada na literatura (Korenberg et al., 1988; Billings et al., 1989; Chen et al., 1989). No procedimento de Gram-Schmidt, a matriz P decomposta no produto de duas matrizes, uma ortogonal e a outra triangular superior, como na fatorao de Householder. A forma de implementar tal decomposio o que diferencia os dois mtodos. Considere: P = WA ,
( 2.21 )
onde A uma matriz triangular superior com a diagonal unitria, de dimenso nn e W uma matriz ortogonal (WTW=D, sendo D uma matriz diagonal), de dimenso Nn, a ser construda a partir dos dados de operao. Da equao ( 2.12 ): Y = P ( A 1 A ) + .
( 2.22 )
Define-se:
Captulo 2
20
W = PA 1 , g = A , Y = Wg + ,
( 2.23 ) ( 2.24 ) ( 2.25 )
onde as colunas de W constituem os novos regressores (ditos ortogonais) do problema e g o vetor de parmetros para este conjunto de regressores. A soluo do problema de mnimos quadrados ortogonais ( 2.25 ) (Korenberg et al., 1988; Billings et al., 1989; Chen et al., 1989):
1 T = D W Y. g
( 2.26 )
atravs de ( 2.26 ), os parmetros do modelo original podem ser obtidos Determinado g segundo ( 2.24 )10.
2.2.6 Critrios de Informao Na literatura de identificao de sistemas, existem procedimentos que permitem estimar a ordem de modelos dinmicos a partir de dados, utilizando algum critrio de otimizao. Entre tais mtodos, destacam-se o critrio de informao de Akaike, AIC (Akaike, 1974), o critrio de informao de Bayes, BIC (Kashyap, 1977), o critrio de informao de Schwarz (Crutchfield e McNamara, 1987) e a "entropia do modelo" (Mees, 1993). O mtodo mais utilizado para estimar o nmero de termos que devem ser includos em modelos dinmicos o critrio de informao de Akaike (1974). De acordo com o critrio de Akaike, o nmero timo de termos em um modelo deve minimizar a seguinte funo de custo: J = N log(Var {(t )}) + 2 np ,
( 2.27 )
onde N o comprimento dos registros de dados e np o nmero de termos de processo no modelo. A funo de custo de Akaike estabelece um compromisso entre a qualidade do ajuste aos dados de identificao (quantificada pelo primeiro termo) e a procura por representaes parcimoniosas (quantificada pelo segundo termo). O critrio de Akaike e outros critrios de informao (de Gooijer et al., 1985) foram desenvolvidos no contexto de sistemas lineares. Contudo, tais critrios fornecem resultados consistentes para muitos sistemas no-lineares (Aguirre, 1994b). O nmero de termos determinado a partir do critrio de Akaike minimiza a varincia dos resduos de identificao em uma estrutura fixa (a qual foi previamente ajustada atravs
Chen et al. (1989) apresentam ainda um algoritmo de estimao ortogonal baseado na decomposio em valores singulares da matriz de regressores P. Este algoritmo pode ser utilizado para solucionar o problema de mnimos quadrados em casos onde a matriz de regressores P no tem posto pleno de colunas e a matriz PTP singular.
10
21
de um critrio de seleo de estrutura qualquer). Entretanto, no se pode afirmar que um modelo selecionado pelo critrio de informao seja capaz de reproduzir as propriedades dinmicas do sistema original (Aguirre e Billings, 1994a). Aguirre (1994b) mostra que os critrios de informao nem sempre selecionam os modelos com melhores propriedades dinmicas, embora geralmente se aproximem deles. O critrio de Akaike no determina o "melhor" modelo, mas delimita a regio de busca no espao de estruturas de modelos. 2.2.7 Deteco de Estrutura Utilizando o ERR Utilizando ( 2.25 ) e considerando E {(t )} = 0 , define-se a varincia do erro de modelagem (t) como: Var {(t )} = lim N
n 1 T 1 T = lim N Y Y g i2 wiT wi , N N i =1
( 2.28 )
onde gi indica os elementos do vetor de parmetros g e wi indica os regressores ortogonais (colunas da matriz W). Supondo que nenhum termo fosse includo no modelo, a varincia de (t) seria igual ao erro quadrtico mdio da sada y(t). A cada novo termo colocado no modelo, a varincia de (t) decrescida de um fator 1 N ( gi2 wiT wi ) , onde wi indica o termo includo e gi o
seu respectivo parmetro. A reduo no valor da varincia pode ser normalizada com relao ao erro quadrtico mdio do sinal de sada. Assim, o ERR de cada termo definido formalmente como: [ ERR]i = g i2 wiT wi Y TY , 1 i n .
( 2.29 )
O ERR indica a poro da varincia da sada explicada pela incluso de um novo termo no modelo. Ele pode ser utilizado na deteco de estrutura de modelos polinomiais. Escolhe-se o nmero de termos desejados para o modelo e considerar-se-o aqueles que possurem os maiores valores de ERR. O valor do ERR depende da posio em que o termo considerado includo no modelo. Em (Billings et al., 1989) apresentado um esquema de deteco de estrutura, baseado no ERR, que visa contornar esse defeito. No algoritmo, denominado "regresso-direta", todos os regressores pi(t) so considerados na determinao de cada wi(t), sendo escolhido aquele que apresentar o maior valor de ERR naquela posio. Nos algoritmos descritos nesta seo, a estimao de parmetros feita de maneira "offline". A estimao pode ser tambm implementada "on-line". Nesse caso, o vetor de parmetros inicializado e recalculado segundo uma expresso recursiva a cada intervalo de amostragem, quando um novo registro de entrada e sada do sistema obtido.
Captulo 2
22
Existem algoritmos para deteco de estrutura e estimao de parmetros "on-line", tambm baseados na ortogonalizao da matriz de regressores do modelo (Billings et al., 1994). No entanto, tais algoritmos so sensivelmente mais complexos do que aqueles disponveis para a deteco "off-line" e sua utilidade prtica ainda precisa ser estabelecida. Os algoritmos de estimao "on-line" so utilizados quando o sistema que est sendo modelado variante no tempo. Nessa situao, os parmetros precisam ser continuamente estimados e mudanas refletidas nos dados do sistema devem ser capazes de forar a atualizao destes parmetros. Para que isso acontea, os algoritmos "online" utilizam um fator de esquecimento, geralmente exponencial, que privilegia os dados mais recentes em detrimento dos mais antigos. A estimao "on-line" tambm utilizada no projeto de controladores adaptativos. Prl e Karim (1994) apresentam um controlador preditivo adaptativo baseado em modelos NARX polinomiais, com deteco de estrutura "off-line" e estimao "on-line". 2.2.8 Validao de Modelos A ausncia de algum termo importante pode provocar a polarizao dos parmetros estimados. Dessa maneira, torna-se necessrio submeter o modelo obtido a alguns testes que devero avaliar sua adequabilidade em representar o sistema original. Uma das vertentes da validao de modelos dinmicos prev o uso de funes de correlao para detectar alguma possvel dinmica no-modelada nos resduos. Tratando-se de sistemas lineares, deve ser verificado se os resduos (t) so brancos e no-correlacionados com a entrada. Esta verificao pode ser feita calculando-se as funes auto-correlao dos resduos e correlao cruzada dos resduos com a entrada (Box e Jenkins, 1976; Ljung, 1987). Tratando-se de sistemas no-lineares, esses testes no so suficientes pois eles falham em detectar termos cruzados de rudo, entre outros (Billings e Voon, 1983; Billings e Voon, 1986). Na validao de modelos no-lineares, devem ser verificadas as seguintes identidades (Billings e Voon, 1983; Billings e Voon, 1986; Billings e Zhu, 1994): ( 1 ) = E {(t )(t 1 )} = ( 1 ) ,
( 2.30 )
u ( 1 ) = E {(t )u(t 1 )} = 0, 1
( 2.31 )
u ( 1 ) = E {(t + 1) (t 1 )u(t 1 )} = 0, 1
( 2.32 )
u 2 , ( 1 ) = E {(u 2 (t ) E {u 2 (t )}) (t 1 )} = 0, 1
( 2.33 )
u2 , 2 ( 1 ) = E {(u (t ) E {u (t )}) (t 1 )} = 0, 1
( 2.34 )
23
, , ( 1 ) = E {((t ) E {(t )})(( t 1 ) E {(t )})} = ( 1 )

( 2.35 )
, 2 , ( 1 ) = E {((t ) E {(t )})( ( t 1 ) E { ( t )})} = 0, 1

( 2.36 )
2 , 2 , ( 1 ) = E {( 2 (t ) E { 2 (t )})( 2 ( t 1 ) E { 2 ( t )})} = ( 1 )
( 2.37 )
( y ) , 2 , ( 1 ) = E {( y (t )(t ) E { y (t ) (t )})( ( t 1 ) E { ( t )})} = ( 1 )

( 2.38 )
( y ), u2 , ( 1 ) = E {( y (t )(t ) E {y (t )(t )})(u 2 ( t 1 ) E {u 2 ( t )})} = 0, 1

( 2.39 )
onde ( 1 ) a funo delta de Dirac e o apstrofe indica que a mdia foi subtrada dos sinais. Baseado no comprimento do registro de dados disponveis, N, definido um intervalo probabilstico de 95 % de confiana, dentro do qual as funes de correlao devem se manter para serem consideradas nulas. Os limites do intervalo de confiana de 95 % so: 1,96 N (Billings e Voon, 1983; Billings e Voon, 1986). O procedimento de validao descrito acima garante apenas que no existem correlaes no-modeladas nos resduos de identificao. A validao assim implementada denominada estatstica, pois baseia-se em critrios estatsticos. No entanto, os modelos validados podem no apresentar o mesmo comportamento dinmico que os sistemas originais (Aguirre e Billings, 1994a; Aguirre e Billings, 1995a). A validao dinmica deve verificar se um modelo apresenta caractersticas dinmicas semelhantes quelas do sistema que est sendo identificado. Algumas propriedades dinmicas que podem ser utilizadas para validar modelos so (Aguirre e Billings, 1994a):

expoentes de Lyapunov (expoentes de Lyapunov positivos quantificam a sensibilidade do sistema s condies iniciais); mapas e sees de Poincar; dimenso de correlao; diagramas de bifurcao (indicam mudanas qualitativas no comportamento do sistema medida que um determinado parmetro do sistema variado).
Os invariantes dinmicos acima citados descrevem aspectos qualitativos ou quantitativos da dinmica do sistema. Segundo Aguirre e Billings (1994a), os diagramas de bifurcao so mais adequados na validao por serem mais sensveis mudanas na estrutura do modelo. Estes diagramas que podem ser obtidos via simulao do modelo. Parameswaran e Raol (1994) propuseram um algoritmo para obteno do modelo dos resduos de estimao. Esse procedimento pode ser utilizado na validao estatstica de modelos. Por sua vez, Brown et al. (1994) descrevem uma tcnica de validao baseada no princpio da sincronizao de sistemas dinmicos.
Captulo 2
24
2.3 Tcnicas de Reconstruo de Espao de Estados Uma importante ferramenta na anlise e na predio de sries temporais a tcnica de reconstruo de espaos de estados. Esta tcnica de reconstruo ser descrita e analisada nessa seo, pois ela constitui uma alternativa para a representao de sistemas dinmicos no-lineares. Alm disso, ela guarda muitas semelhanas com a identificao de modelos no-lineares, assunto pesquisado nessa dissertao. Um "embedding" um espao topologicamente equivalente ao espao de estados de um dado sistema dinmico11. Este "embedding" pode ser gerado a partir de sries temporais que descrevem a dinmica do sistema (Casdagli et al., 1992). Os principais invariantes dinmicos do sistema original podem ser estimados sobre a dinmica reconstruda no "embedding", pois os dois espaos so equivalentes no sentido topolgico. Normalmente, no se sabe "a priori" quantas e quais so as variveis de estado de um sistema dinmico. Esse fato dificulta a construo de "embeddings" para o sistema. Alm disso, dispe-se, quase sempre, de medies de uma nica varivel do processo (sada ou outra grandeza observvel). Assim, dever ser definido um conjunto de coordenadas que servir como base para a reconstruo do espao de estados original. O conjunto de coordenadas ser escolhido de acordo com o tipo de dados disponveis e deve apresentar alguma relao com o processo em estudo. Breeden e Packard (1994) discutem uma variedade de coordenadas de reconstruo. O sistema de coordenadas mais utilizado na construo de "embeddings" baseado nas coordenadas de atraso. Define-se o vetor de coordenadas de atraso como: y( t ) = [ y ( t ) y ( t ) y (t (d e 1) )]
T
,
( 2.40 )
onde o tempo de atraso e de a dimenso do "embedding". A escolha do tempo de atraso de vital importncia na construo do "embedding" (Casdagli et al., 1992; Aguirre, 1995a). Se ele for muito grande, a distncia entre os dados considerados na formao do vetor de atraso grande e eles podero no ser suficientes para reproduzir a dinmica do sistema em estudo. Por outro lado, se ele for pequeno demais, as coordenadas escolhidas sero altamente correlacionadas. Nesse caso, podero aparecer problemas de mal-condicionamento numrico, o que ir gerar reconstrues pobres. Floris Takens props e demonstrou alguns teoremas sobre a reconstruo de espaos de estados de sistemas dinmicos no-lineares (Takens, 1980). Uma verso de um destes teoremas apresentada a seguir.
Dois espaos vetoriais so topologicamente equivalentes quando as propriedades mtricas definidas sobre eles so idnticas. Nesse caso, a razo entre distncias medidas nos dois espaos uniforme, limitada e diferente de zero (Fiedler-Ferrara e Prado, 1994).
11
25
Teorema de Takens (1980): Seja M uma variedade compacta de dimenso r. Considere ainda pares (X, g), onde X um campo vetorial suave (classe C2) e g uma funo suave sobre M. Assim, X , g : M R 2 r +1 definido por: X , g ( x ) = {g ( x ), g ( 1 ( x )), , g ( 2 r ( x))} , um "embedding", onde t ( x ) o fluxo gerado por X. O campo vetorial X descreve a dinmica do sistema original em equao de estados (onde x o vetor de estados). r indica a dimenso do atrator do sistema descrito pelo campo X, enquanto que g() uma funo de observao. De acordo com o teorema, um "embedding" deste sistema pode ser construdo utilizando coordenadas de atraso escolhidas de tal maneira que d e > 2r + 1 12. Nesse caso, existe um mapeamento suave f tal que: y (t + k ) = f ( y(t )) ,
( 2.41 )
onde y(t) representa a dinmica reconstruda no "embedding", y a varivel de sada do sistema original e k o intervalo de predio considerado ( k N). O resultado de Takens garante que a srie temporal de uma nica varivel bastar para a reconstruo quando a dimenso do "embedding" for escolhida suficientemente grande (Ma, 1980; Takens, 1980; Sauer et al., 1991). Os resultados de Takens foram estabelecidos considerando-se dados infinitos e sem rudo. Como os dados reais no se encaixam nessa situao, devero ser analisadas quais as consequncias da utilizao dos mesmos no processo de reconstruo. Em (Casdagli et al., 1992) feito um estudo da amplificao do rudo presente nos dados, no processo de reconstruo. O processo de obteno do mapeamento semelhante identificao de sistemas13. Em um primeiro passo, deve ser escolhida a estrutura que ser utilizada para representar o mapeamento . Neste trabalho, sero utilizados modelos polinomiais (globais), cujos parmetros podem ser ajustados atravs de um algoritmo de mnimos quadrados ortogonais. A representao obtida para deve passar ainda por um procedimento de validao dinmica. Um cuidado importante a ser tomado na obteno do mapeamento o ajuste correto do modelo de rudo na estrutura escolhida para reproduzir a dinmica do sistema. Da mesma maneira que na identificao de modelos NARMAX polinomiais, um modelo incorreto de rudo pode levar polarizao dos parmetros estimados.
Nesse caso, a funo de observao g() mapeia o vetor de estados original na sada do sistema. Um modelo NARMAX polinomial para sries temporais pode ser visto como um caso especial do mapeamento suave , onde a dimenso da reconstruo (de) feita igual ordem do sistema (ny) e o tempo de atraso () feito igual ao perodo de amostragem (Ts).
13
12
Captulo 2
26
O mapeamento poder ser utilizado na implementao da anlise, predio e controle do sistema original (Crutchfield e McNamara, 1987; Casdagli, 1989; Sauer et al., 1991; Casdagli, 1992; Casdagli et al., 1992; Breeden e Packard, 1994). 2.4 Comentrios Finais Neste captulo, foram revisados os principais passos da identificao de sistemas dinmicos no-lineares. O processo de obteno de modelos no-lineares , em essncia, semelhante identificao de sistemas lineares (problema este conhecido na literatura). Os dois procedimentos so diferenciados pela maneira que cada etapa do processo implementada. O projeto de excitaes para coleta de dados de sistemas no-lineares deve levar em considerao que tais sistemas podem apresentar comportamentos dinmicos distintos, de acordo com a regio de operao considerada. Os algoritmos de deteco de no-linearidades tm como funo informar o grau de nolinearidade apresentado nos dados de experimentao do sistema. De acordo com a indicao destes algoritmos, ser feita a opo entre a utilizao de um modelo linear ou um modelo no-linear. Assim, os dados de experimentao devem refletir o comportamento do sistema em todas as suas faixas de operao. Sempre que possvel, desejvel utilizar modelos lineares, pois estes so mais simples e fceis de serem analisados e controlados. A grande dificuldade verificada na modelagem no-linear a escolha da estrutura a ser utilizada para representar a dinmica do sistema em estudo. Essa estrutura deve ser suficientemente complexa para permitir a representao de uma ampla classe de nolinearidades, garantindo-se que os modelos obtidos sejam passveis de manipulao computacional posterior. Nesse trabalho, utilizaram-se modelos NARMAX polinomiais para representar a dinmica de sistemas no-lineares. Os algoritmos de identificao devem ser capazes de selecionar os termos do modelo que so necessrios para reproduzir o comportamento dinmico refletido nos dados de experimentao. A sobreparametrizao de modelos no-lineares polinomiais faz com que estes apresentem dinmicas no contidas nos dados. A estimao de parmetros dever ajustar a estrutura escolhida para representar o sistema original. Por fim, os modelos obtidos devem passar por testes que iro avaliar a sua capacidade em ajustar os dados de identificao e reproduzir a dinmica apresentada pelo sistema. Uma outra estrutura bastante utilizada na representao de sistemas no-lineares a rede neural. As redes neurais tm estruturas muito flexveis que podem ajustar dados de treinamento com considervel exatido. A derivao de modelos dinmicos na forma de redes neurais tambm pode ser subdividida nas cinco etapas do procedimento de identificao descrito nesse captulo. A seleo de estrutura de redes neurais consiste em determinar:
27
o nmero de neurnios em cada uma das camadas da rede; o nmero de camadas de entrada, de camadas escondidas e de camadas de sada; a interconexo entre os neurnios da rede. Os modelos em redes neurais tambm apresentam regimes dinmicos esprios quando sobreparametrizados. Mais uma vez, o procedimento de seleo de estrutura de vital importncia na derivao de modelos matemticos (Narendra e Parthasarathy, 1990). Destaca-se que as redes so estruturas no-lineares nos pesos (ou parmetros), o que exige a utilizao de algoritmos mais complexos para a estimao dos mesmos sobre os dados de treinamento. Um algoritmo muito utilizado para estimar pesos de uma rede neural o "back-propagation". Este algoritmo uma verso no-linear do mtodo dos mnimos quadrados (Rummelhart et al., 1986; Casdagli et al., 1992). Ali inar (1995) descreve e analisa o desempenho de algumas estruturas na derivao de modelos entrada-sada para sistemas dinmicos no-lineares. As estruturas analisadas so polinmios no-lineares, redes neurais, funes de base radial, funes lineares por partes, funes de regresso, entre outras. O autor conclui que a utilizao de uma estrutura no compatvel com os tipos de no-linearidades existentes nos dados tem um efeito significativo sobre o esforo de identificao e a qualidade do modelo gerado. Assim, o processo de seleo da estrutura de um modelo dinmico para sistemas nolineares deve receber uma ateno especial durante o procedimento de identificao. A determinao do retardo ou tempo morto de um sistema dinmico uma tarefa difcil e de vital importncia para o sucesso dos procedimentos de modelagem, anlise e controle. Em princpio, o critrio do ERR deve ser capaz de selecionar termos de entrada com atraso igual ou maior que o retardo, embora isso nem sempre acontea na prtica. Nessa situao, necessrio conhecer o retardo do sistema "a priori". Jota (1994) discute a determinao do retardo de um sistema dinmico com base na qualidade de ajuste dos dados de identificao. O procedimento de identificao de modelos NARMAX para sistemas multivariveis semelhante quele utilizado para derivar modelos monovariveis. Neste caso, as funes que relacionam cada uma das sadas do sistema com as demais sadas e entradas so funes no-lineares que podem ser representadas por modelos NARMAX polinomiais de grau l. Estes modelos NARMAX polinomiais sero identificados simultaneamente, a partir de dados, utilizando as tcnicas descritas nesse captulo. As grandes dificuldades associadas identificao de modelos NARMAX multivariveis so a ordem elevada da matriz de regressores (acarretando um elevado esforo computacional) e a necessidade de sincronismo na amostragem de todas as variveis envolvidas. Um exemplo da utilizao das tcnicas de identificao de modelos NARMAX polinomiais na modelagem de sistemas multivariveis apresentado em (Billings et al., 1989). A tcnica de reconstruo de espaos de estados semelhante ao procedimento de identificao de sistemas no-lineares. A equao de estados obtida atravs da tcnica de reconstruo pode ser utilizada na derivao de um mapeamento suave f que descreve o comportamento entrada-sada do sistema (empregando algoritmos de identificao). Este mapeamento f ser utilizado para a anlise, predio e controle do sistema modelado.
Captulo 3
28
Captulo 3 3. Seleo de Estrutura de Modelos NoLineares: Agrupamentos de Termos e Coeficientes de Agrupamentos

3.1 Introduo Uma importante etapa no procedimento de obteno de modelos no-lineares a escolha da estrutura a ser empregada na representao do sistema em estudo. Estruturas passveis de serem utilizadas na modelagem de sistemas no-lineares foram apresentadas no captulo anterior. O nmero de termos possveis nestas estruturas cresce bastante com o aumento do grau de no-linearidade e da ordem do modelo considerado. Modelos com um nmeros excessivo de termos podem apresentar regimes dinmicos esprios (Aguirre e Billings, 1995a), alm da dificuldade na manipulao analtica e computacional. Dessa maneira, torna-se importante desenvolver procedimentos que permitam selecionar os termos da estrutura que sero importantes na reproduo da dinmica do sistema original. Um dos mtodos empregados na seleo de estrutura de modelos no-lineares o ERR, apresentado no captulo anterior. Ser descrito, nas sees seguintes, um mtodo para escolha de termos em modelos no-lineares baseado nos conceitos de agrupamentos de termos e de coeficientes de agrupamentos. Este mtodo ajusta a estrutura de um modelo NARMAX polinomial atravs da determinao dos agrupamentos de termos necessrios para reproduzir a dinmica do sistema. Feito isso, os termos do modelo podero ser selecionados dentro destes agrupamentos de termos, atravs do critrio do ERR. Ser discutida, ainda, a utilizao de funes de correlao no-lineares para determinar o tempo de atraso adequado para a identificao de modelos NARMAX e para a reconstruo de espaos de estados de sistemas dinmicos. 3.2 Agrupamentos de Termos e Coeficientes dos Agrupamentos1 O modelo NARMAX polinomial foi definido na equao ( 2.4 ). A parte determinstica (que no envolve termos contendo o rudo e(t)) do modelo polinomial pode ser reescrita como (Peyton-Jones e Billings, 1989):
1Este
assunto descrito detalhadamente em (Aguirre, 1994a; Aguirre e Billings, 1995c; Aguirre e Mendes, 1996).
Seleo de Estrutura de Modelos No-Lineares
29
y (t ) = onde
m n y , nu
m = 0 p = 0 n1 , nm
c p,m p (n1 ,
n y , nu ny
, nm ) y (t ni ) u(t ni ) ,
i =1 i = p +1
( 3.1 )
n1 , nm n1 =1
nm =1
nu
Os monmios da equao ( 2.4 ) so agrupados de acordo com sua ordem m (0 m l, onde l o grau de no-linearidade do modelo). Cada termo de ordem m contm p fatores multiplicativos em y(t-i) e m-p fatores multiplicativos em u(t-j). Os parmetros destes termos so representados por cp,m-p(n1,,nm), onde n1,,nm indicam os atrasos de cada fator constituinte do monmio considerado. O perodo de amostragem Ts foi omitido na expresso ( 3.1 ) por questes de coeso e simplicidade. O primeiro somatrio da equao ( 3.1 ) faz referncia aos monmios de ( 2.4 ), separando-os de acordo com sua ordem. O segundo somatrio referencia o nmero de fatores em y(t-i) no termo considerado. Dentro do conjunto de termos de ordem m, um termo qualquer pode ser acessado atravs do ajuste do valor de p adequado. Por fim, o ltimo somatrio permite que seja feita a distino entre os termos de ( 2.4 ) atravs do ajuste dos atrasos de cada um dos fatores constituinte do termo. Exemplo 3.1. Seja o modelo NARMAX polinomial2: y (t ) = 0,44551y (t 1) + 0,57773 y (t 2) 0,83997u(t 2) + 0,64166u(t 1) 0,00867 y (t 1) 2 u(t 1) 1,31720u(t 3)u(t 1) 2 0,16796 y (t 3) 3 + 0,78831y (t 2)u(t 2) + 0,00056 y (t 3) 2 u(t 3).
( 3.2 )
O modelo acima foi obtido com l = 3, ny = nu =3. Os nove termos do modelo foram escolhidos a partir de um conjunto de oitenta e quatro termos candidatos, pelo critrio do ERR. Expressando o modelo ( 3.2 ) como em ( 3.1 ): y (t ) = onde:
Os modelos apresentados neste captulo foram obtidos utilizando-se modelo linear de rudo para evitar a polarizao das estimativas de parmetros. Entretanto, ser apresentada somente a parte determinstica dos modelos, pois apenas ela levada em considerao na definio de agrupamentos de termos e coeficientes de agrupamentos.
2
3 m
m = 0 p = 0 n1 , nm
c p,m p (n1 ,
3, 3
, nm ) y (t ni ) u(t ni ) ,
i =1 i = p +1
( 3.3 )
Captulo 3
30
c1,0 (1) = 0,44551, c1,0 (2) = 0,57773, c0,1 (2) = 0,83997, c0,1 (1) = 0,64166, c2,1 (11 , ) = 0,00867,
c0,3 (3,11 , ) = 1,31720, c3,0 (3,3,3) = 0,16796, c1,1 (2,2) = 0,78831, c2,1 (3,3) = 0,00056, demais c p ,m p () = 0.
3 n m =1
n1 , nm n1 =1
3, 3
Se o perodo de amostragem, Ts, escolhido suficientemente pequeno (Ts 0): y (t 1) y (t 2) u(t 1) u(t 2) Aplicando ( 3.4 ) na equao ( 3.1 ):
n y , nu
y(t n y ) , u(t nu ) .
( 3.4 )
y (t )
n1 , nm
c p, m- p (n1 ,
, nm ) y (t 1) p u(t 1) m p .
m= 0 p = 0
( 3.5 )
O conjunto de termos da forma y (t i ) p u(t j ) m p denominado agrupamento de termos ("term cluster" em Aguirre e Billings, 1995c). Os agrupamentos de termos sero ,n representados por y p um p (m=0,,l e p=0,,m). A constante n c p , m p ( n1 , , n m ) n ,n
y u 1 m
o coeficiente do agrupamento de termos y p um p ("cluster coefficient" em Aguirre e Billings, 1995c) e ser representada por
yp u
m p
. Todos os termos pertencentes a um
dado agrupamento de termos explicam o mesmo tipo de no-linearidade no modelo. Nas definies de agrupamentos de termos e coeficientes de agrupamento, considerou-se que o intervalo de amostragem Ts tende a zero no limite. Apesar disso, a aproximao descrita na equao ( 3.5 ) continua vlida para os valores usuais de Ts e ny (Aguirre e Billings, 1995c). O conjunto de termos candidatos a unio de todos os agrupamentos de termos possveis; isto : {termos candidatos} =
p = 0 , ,m m = 0 , ,l
y p u m p
.
( 3.6 )
Ser apresentado, a seguir, um exemplo que ir ilustrar as definies acima.
31
Exemplo 3.2. O modelo NARMAX polinomial ( 3.2 ) possui seis agrupamentos de termos distintos. Os agrupamentos do modelo e seus coeficientes so: Agrupamento y u yu y 2u y3 u3 Coeficiente y = c1,0 (1) + c1,0 (2) = 1,00324 u = c0,1 (1) + c0,1 (2) = 0,19831 yu = c1,1 (2,2) = 0,78831 , ) + c2,1 (3,3) = 0,00811 y2u = c2,1 (11
y3 u3
= c3,0 (3,3,3) = 0,16796
= c0,3 (3,11 , ) = 1,31720

( 3.7 )
3.2.1 Agrupamentos Esprios em Modelos Polinomiais No-Lineares Os conceitos de agrupamentos de termos e de coeficientes de agrupamentos de termos podem ser utilizados para derivar um procedimento auxiliar de seleo de estrutura de modelos no-lineares polinomiais. Um algoritmo de seleo de estrutura que utilize a idia de agrupamentos de termos dever ser capaz de determinar quais so os agrupamentos que devero estar presentes no modelo para reproduzir a dinmica do sistema. Aps a escolha dos agrupamentos mais importantes ou efetivos, os termos do modelo podero ser selecionados utilizando o ERR. Os modelos NARMAX polinomiais so bastante sensveis sobreparametrizao de sua estrutura, conforme citado na seo 2.2.4. Assim, um modelo que contenha termos que no estejam dentro dos agrupamentos efetivos pode apresentar regimes dinmicos esprios. A importncia de um agrupamento de termos em um modelo no-linear pode ser quantificada pelo coeficiente do agrupamento. O coeficiente de um agrupamento de termos ser nulo se os termos nele contidos no forem importantes para reproduzir a dinmica do sistema modelado. Este resultado vlido quando Ts 0. Na prtica, Ts ser suficientemente pequeno e no nulo. Nessa situao, um agrupamento de termos que no seja essencial possuir um coeficiente muito pequeno (e no nulo) em comparao com aqueles apresentados pelos agrupamentos importantes. O coeficiente de um agrupamento efetivo no drasticamente alterado pela presena de rudo nos dados de identificao (desde que a relao sinal/rudo seja suficientemente elevada). Por outro lado, o coeficiente dos agrupamentos esprios ir apresentar grandes variaes quando o nvel de rudo nos dados alterado. Este fato poder ser utilizado
Captulo 3
32
como indicao de que tais agrupamentos no devem estar presentes no modelo polinomial (Aguirre e Billings, 1995c). Exemplo 3.3. Utilizando dados de uma srie temporal obtida experimentalmente3, foram identificados modelos NARMA (autnomos) polinomiais com l = 3, ny = 3 e nmero de termos de processo variando entre 14 e 20. Os agrupamentos de termos existentes em um modelo polinomial com l=3 so: 0 , y , y 2 , y 3 . Calculou-se o coeficiente de cada um dos agrupamentos de termos dos modelos identificados. Os resultados obtidos so apresentados na figura 3.1. np indica o nmero de termos de processo no modelo.
-3
x 10 2 0 -2 -4 14
-4
1 .1
1 .0 5
1 16 (a ) 18 np - 0 .0 0 5 - 0 .0 1 - 0 .0 1 5 - 0 .0 2 20 14 16 (b ) 18 np 20
x 10 5 0 -5 -1 0 -1 5 14
16 (c)
18 np
20
14
16 (d )
18 np
20
Figura 3.1. Coeficientes dos agrupamentos de termos em funo do nmero de termos do modelo. (a)
(b)
(c)
y2
(d)
y3
Atravs dos grficos apresentados, verifica-se que os coeficientes dos agrupamentos 0 e y 2 apresentam magnitude reduzida em comparao com os coeficientes dos outros dois agrupamentos ( y e y 3 ). O valor dos dois primeiros coeficientes varia bastante quando o nmero de termos do modelo aumentando, inclusive trocando de sinal, enquanto os outros dois coeficientes permanecem relativamente constantes. Esses fatos sugerem que os agrupamentos 0 e y 2 so provavelmente esprios no modelo e podem ser excludos do conjunto de termos candidatos.
A varivel medida a tenso sobre um capacitor do circuito de Chua (1992), o qual ser apresentado e analisado no captulo 6.
33
Os modelos polinomiais no-lineares identificados a partir do conjunto de agrupamentos efetivos tm melhores chances de reproduzir as bifurcaes do sistema original. Alm disso, estes modelos tendem a ser mais robustos aos efeitos prejudiciais da sobreparametrizao (Aguirre e Billings, 1995c). Modelos polinomiais podero apresentar sobreparametrizao de estrutura sem que isto implique na introduo de regimes dinmicos esprios, desde que os termos daqueles tenham sido escolhidos dentro do conjunto de agrupamentos efetivos4. 3.3 Agrupamentos de Termos e Pontos Fixos Os agrupamentos de termos e seus coeficientes podem ser utilizados na determinao dos pontos fixos de um sistema no-linear representado por um modelo NARMAX polinomial. O conhecimento da posio e da estabilidade dos pontos fixos de um sistema importante na anlise de seu comportamento dinmico. 3.3.1 Pontos Fixos: Nmero e Localizao Os pontos fixos (ou pontos de equilbrio) de um sistema autnomo discreto so os pontos que satisfazem a seguinte relao: y (t ) = y (t + i ) , i Z + . A definio de ponto fixo para sistemas no-autnomos a mesma, considerando apenas a parte autnoma do sistema (obtida fazendo u(t + i ) = 0, i Z + ). Os sistemas dinmicos no-lineares possuem mais de um ponto fixo, enquanto que os sistemas lineares possuem apenas um ponto fixo trivial. O nmero de pontos fixos de um modelo NARMAX polinomial determinado pelo grau de no-linearidade l utilizado na sua derivao. Os pontos fixos de um modelo NARMAX podem ser calculados atravs da seguinte equao (obtida por Aguirre e Mendes (1996) utilizando a definio de pontos fixos e a equao ( 3.1 )): y (t ) = c0,0 + y (t ) c1,0 (n1 ) + y (t )
n1 =1 ny 2 n y ,n y n1 ,n2
2 ,0
(n1 , n2 ) +
+ y(t )
n y ,n y n1 ,nl
l ,0
(n1 ,
, nl ) .
( 3.8 )
A equao ( 3.8 ) pode ser reescrita utilizando a definio de coeficientes de agrupamentos:
yl
y (t ) l +
y2
y (t ) 2 + ( y 1) y (t ) + 0 = 0 ,
( 3.9 )
Os termos constituintes de um dado agrupamento so muito semelhantes quando o perodo de amostragem suficientemente pequeno. Nesta situao, pode ocorrer o compartilhamento de informao entre os termos de um mesmo agrupamento (Aguirre e Billings, 1995c).
Captulo 3
34
onde
= c0,0 o termo constante do modelo.
Um modelo NARMAX polinomial ir apresentar l pontos fixos, garantindo-se que y 0 5.

l
Exemplo 3.4. Deseja-se calcular os pontos fixos do seguinte modelo NARMA polinomial: y (t ) = 2,97700 y (t 1) 2,60430 y (t 2) 0,09248 y (t 5) 0,55171y (t 1) 3 0,59999 y (t 5) 3 3,27480 y (t 2) 3 0,59810 y (t 3) 2 y (t 1) + 0,13473 y (t 3) 0,49828 y (t 5) 2 y (t 2) + 2,28880 y (t 4) y (t 2) 2 + 0,64710 y (t 4) + 0,30857 y (t 5) 2 y (t 1) + 0,20633 y (t 2) y (t 1) 2 1,65400 y (t 4) y (t 2) y (t 1) 0,16888 y (t 4) 2 y (t 2) + 1,67400 y (t 5) 2 y (t 4) 112370 , y (t 5) y (t 4) 2 + 2,90600 y (t 2) 2 y (t 1) + 1,01980 y (t 3) y (t 2) 2 + 0,05325 y (t 4) 3 ,
( 3.10 )
onde l = 3, ny = 5 e np = 20. Os agrupamentos de termos existentes no modelo so: Agrupamento Coeficiente y y = 1,06208 y3 y3 = 0,01256
( 3.11 )
De acordo com as expresses ( 3.9 ) e ( 3.11 ), os pontos fixos do modelo podem ser obtidos atravs da soluo da seguinte equao: 0,01256 y (t ) 3 + (1 1,06208) y (t ) = 0.
( 3.12 )
Assim, os pontos fixos do modelo ( 3.10 ) so: y1 = 2,22258 , y2 = 0 , y 3 = 2,22258.

( 3.13 )
5Aguirre
e Mendes (1996) apresentam as solues literais da equao ( 3.9 ) para 1 l 3 .
35
3.3.2 Estabilidade dos Pontos Fixos Um ponto fixo p (ou y ) dito estvel no sentido de Lyapunov quando a resposta do sistema submetido a uma pequena perturbao permanece pequena (em torno do ponto fixo) medida que t . O ponto fixo p instvel se a perturbao cresce quando o tempo aumenta. A estabilidade de um ponto fixo (no sentido de Lyapunov) pode ser verificada atravs dos autovalores da matriz Jacobiana do sistema avaliada sobre o respectivo ponto fixo. Um modelo polinomial NAR (autnomo e sem termos de rudo) pode ser representado n n por um mapeamento suave f : R y R y tal que: y (t + k ) = f ( y(t )) ,
( 3.14 )
onde y(t) o vetor de estados do "embedding" gerado a partir dos dados de identificao e k o intervalo de predio considerado. A equao ( 3.14 ) pode ser expandida da seguinte maneira:
0 y (t n y + 1) 0 y ( t n + 2) y = 0 y ( t 1) f y ( t ) y(t n y ) 1 0 0 f y ( t n y + 1) 0 1 0 f y (t n y + 2 ) 1 f y ( t 1) 0 0 y (t n y ) y (t n + 1) y , y ( t 2) y (t 1)
( 3.15 )
onde f y (t i ) = 0 se f() no inclui y(t-i). Assim, a matriz Jacobiana do mapeamento f definida como:
0 0 Df = 0 f y ( t n y ) 1 0 0 f y (t n y + 1) 0 1 0 f y (t n y + 2) . 1 f y ( t 1) 0 0
( 3.16 )
O prximo passo na anlise da estabilidade o clculo dos autovalores da matriz Jacobiana avaliada sobre os pontos fixos do sistema. Os autovalores estveis estaro situados dentro de um crculo de raio unitrio, centrado na origem do plano z = e sTs ( z = z + j z , onde z e z so as partes real e imaginria do autovalor, respectivamente). Os demais autovalores sero instveis.
Captulo 3
36
Exemplo 3.5. Os autovalores da matriz Jacobiana de ( 3.10 ), avaliada no ponto fixo y1 , so: 1 2 3 4 5 = 0,94112 + 0,37499 j , = 0,94112 0,37499 j , = 0,44005 + 0,15059 j , = 0,44005 0,15059 j , = 0,58762.
( 3.17 )
Os dois primeiros autovalores, complexos e conjugados, so instveis. Os outros dois autovalores complexos e conjugados so estveis, enquanto que o quinto autovalor do modelo estvel. Assim, o ponto fixo y1 um ponto de sela (instvel). O sistema original (circuito de Chua (1992)) de terceira ordem e possui trs pontos fixos. Existem trs autovalores associados a cada um dos pontos fixos do sistema. Entretanto, a reconstruo ( 3.10 ) de quinta ordem e existem cinco autovalores associados a cada um dos pontos fixos do modelo. Este assunto discutido com mais detalhes em (Aguirre, 1994a), onde indicada uma maneira de descobrir quais so os autovalores "excedentes". Os autovalores associados ao ponto fixo trivial so: 1 = 0,94065 + 0,35710 j , 2 = 0,94065 0,35710 j , 3 = 0,44055 , 4 = 0,14955 , 5 = 1,38672.
( 3.18 )
O par de autovalores complexos e conjugados instvel. O terceiro e o quarto autovalor so estveis, enquanto que o ltimo instvel. Os autovalores para o ponto fixo y3 so idnticos queles apresentados na equao ( 3.17 ), em funo da simetria do sistema. Maiores detalhes sobre a simetria do sistema sero discutidos na prxima seo. 3.3.3 Simetria dos Pontos Fixos Os pontos fixos constituem um ponto de partida para a anlise da autoestrutura e do comportamento dinmico de um sistema (Guckenheimer e Holmes, 1983). Nesse contexto, um outro problema interessante a verificao da simetria dos pontos fixos de um modelo NARMAX.
37
Pontos fixos simtricos so aqueles equidistantes da origem do sistema de coordenadas utilizado para descrever uma dada dinmica. A anlise de simetria considera apenas pontos fixos reais, pois sistemas fsicos no possuem pontos fixos complexos. Utilizando a equao ( 3.9 ), pode-se determinar quais os agrupamentos de termos que devem estar presente no modelo para que este apresente pontos fixos no-triviais simtricos. Em (Aguirre e Mendes, 1996) apresentada uma tabela que indica os agrupamentos de termos de um modelo NARMA polinomial em funo da localizao de seus pontos fixos. Esta tabela encontra-se reproduzida abaixo.
Tabela 3.1. Agrupamentos de termos dentro dos quais devem ser escolhidos os termos de um modelo para que este apresente pontos fixos no-triviais simtricos e pontos triviais na quantidade indicada na segunda coluna (Aguirre e Mendes, 1996).
l 1 2 3 4 4 5 5 6 6 6 Exemplo 3.6.
N de pontos fixos triviais 1 0 1 0 2 1 3 0 2 4
Agrupamentos de termos y y2 , 0 y3 , y y4 , y2 , 0 y4 , y2 y5 , y 3 , y y5 , y 3 y6 , y4 , y2 , 0 y6 , y4 , y2 y6 , y4
O modelo ( 3.10 ) possui um ponto fixo trivial e um par no-trivial e simtrico (vide expresso ( 3.13 )). Os agrupamentos de termos presentes no modelo so: y e y 3 . Pode ser constatado que a incluso de termos do agrupamento y2 no modelo implica em perda da simetria dos pontos fixos no-triviais (conforme ser apresentado no captulo 6). 3.4 Escolha do Tempo de Atraso ou Perodo de Amostragem utilizando Funes de Correlao No-Lineares A anlise de um sistema dinmico no modelado comea com a obteno de dados que descrevam o seu comportamento. Estes dados podero ser utilizados na derivao de modelos NARMAX polinomiais ou na reconstruo de espaos de estados do sistema original.
Captulo 3
38
A construo de um "embedding" comea com a escolha das coordenadas que sero utilizadas para represent-lo. O sistema de coordenadas mais utilizado aquele das coordenadas de atraso, apresentadas na expresso ( 2.40 ) e reapresentadas aqui: y( t ) = [ y ( t ) y ( t ) y (t (d e 1) )] .
T
( 3.19 )
A determinao da dimenso do "embedding" de e do tempo de atraso foi abordada na seo 2.3. Na identificao de modelos NARMAX polinomiais, os parmetros a serem ajustados so o grau de no-linearidade l, os atrasos (ny, nu e ne) e o perodo de amostragem Ts. Existem diversos procedimentos para escolha do perodo de amostragem Ts ou do tempo de atraso , conforme a abordagem considerada (Rosenstein et al., 1994). 3.4.1 Escolha do Perodo de Amostragem Ts 6 Ser apresentado, nessa seo, um mtodo para escolha do perodo de amostragem Ts que ser utilizado na identificao de modelos NARMAX polinomiais. Esta tcnica utiliza uma funo de correlao no-linear para detectar interaes lineares e nolineares presentes nos dados de identificao. As funes de correlao linear e no-linear a serem utilizadas so definidas como (Billings e Tao, 1991): yy ( 1 ) = E { y (t ) y ( t 1 )} ,
( 3.20 )
y 2 , y2 , ( 1 ) = E {( y (t ) E { y (t )})( y ( t 1 ) E { y ( t )})} ,
( 3.21 )
onde E indica esperana matemtica. O procedimento de escolha de Ts comea com a obteno das auto-correlaes citadas, utilizando os dados de identificao. Em seguida, define-se: m = min{ y , y2 , } ,
( 3.22 )
onde y e y2 , so os primeiros mnimos das auto-correlaes linear e no-linear, respectivamente. Por fim, o perodo de amostragem pode ser escolhido de acordo com: m Ts m . 20 10
( 3.23 )
Esta tcnica descrita em (Aguirre, 1995a).
39
A equao ( 3.23 )7 no representa, necessariamente, uma relao matemtica precisa. No entanto, ela tem sido usada com sucesso na identificao de diversos sistemas nolineares (Aguirre, 1995a; Chen et al., 1996). Exemplo 3.7. Uma srie temporal, com 15.000 pontos, foi obtida a partir da integrao numrica de um sistema de equaes diferenciais no-lineares, com passo de integrao t= 4 106 . As auto-correlaes linear e no-linear desta srie temporal foram obtidas e so apresentadas na figura abaixo.
1 0 .8 0 .6 0 .4 0 .2 0 (a ) 1 0 .5 0 -0 .5 -1 0 (b ) 2 0 4 0
1
2 0
4 0
1
6 0
8 0
1 0 0
6 0
8 0
1 0 0
Figura 3.2. Funes correlao de uma srie temporal. (a) Correlao linear (b) Correlao no-linear
De acordo com a figura 3.2, o primeiro mnimo da funo de correlao linear ocorre em y 50 4 10 6 = 200 s . Por sua vez, o primeiro mnimo da correlao no-linear ocorre em y 2 , 40 4 10 6 = 160 s . Assim, m = min{200 s, 160 s} = 160 s e o perodo de amostragem dever ser escolhido dentro da faixa 8 s Ts 16 s . Escolhendo Ts = 12 s, os dados de identificao podero ser obtidos selecionando um ponto a cada trs da srie temporal original. Os valores obtidos para o perodo de amostragem utilizando o procedimento acima so geralmente menores que aqueles indicados pelos demais mtodos encontrados na literatura (Rosenstein et al., 1994; Aguirre, 1995a). Estes mtodos determinam o perodo de amostragem a ser utilizado na identificao do mapeamento suave f (seo 2.3). Este mapeamento ser utilizado para estimar propriedades dinmicas do sistema (tais como dimenso de correlao) e o perodo de amostragem pode ser maior (Aguirre, 1995a; Chen et al., 1996).
Os limites inferior e superior da equao ( 3.23 ) podem ser frequentemente relaxados para m 25 e m 5 , respectivamente.
Captulo 3
40
3.5 Comentrios Finais Este captulo abordou algumas questes relacionadas identificao de modelos NARMAX polinomiais. Em uma primeira etapa, foram revistas as definies de agrupamentos de termos e de coeficientes de agrupamentos. Estes conceitos podem ser utilizados no desenvolvimento de um procedimento auxiliar de seleo de estrutura de modelos no-lineares polinomiais. Por fim, descreveu-se uma tcnica de determinao do perodo de amostragem a ser utilizado em reconstrues de sistemas dinmicos nolineares. A importncia de um agrupamento de termos refletida pelo valor de seu coeficiente. Analisando os coeficientes dos agrupamentos de termos, pode-se determinar quais so os agrupamentos mais importantes na construo de modelos discretos para um sistema em estudo. Os termos deste modelo devero ser escolhidos dentro dos agrupamentos efetivos, utilizando critrios tais como o ERR. Modelos no-lineares polinomiais que contenham termos pertencentes aos agrupamentos no-efetivos podem apresentar regimes dinmicos esprios, no contidos nos dados de identificao. Modelos polinomiais identificados dentro do conjunto de agrupamentos efetivos so mais robustos aos efeitos negativos da sobreparametrizao. A utilizao da tcnica de seleo de estrutura baseada no conceito de agrupamentos de termos geralmente leva a modelos que melhor reproduzem a dinmica do sistema original. A anlise da autoestrutura e da dinmica de um modelo polinomial facilitada pelo conhecimento dos agrupamentos de termos nele presentes e do valor de seus respectivos coeficientes. Os coeficientes dos agrupamentos de termos de um modelo so utilizados na determinao do nmero de pontos fixos do mesmo e de suas localizaes. Questes tais como estabilidade e simetria de pontos fixos tambm podem ser estudadas sob o prisma dos agrupamentos de termos. Um outro problema analisado neste captulo foi a escolha do perodo de amostragem a ser utilizado na identificao de modelos NARMAX polinomiais. O procedimento descrito utiliza uma funo de correlao no-linear para detectar interaes presentes nos dados e que no tenham sido percebidas pela correlao linear. Assim, o perodo de amostragem indicado pelo procedimento menor do que aquele obtido considerando-se apenas interaes lineares. Deve ser ressaltado que as definies e os procedimentos apresentados nesse captulo foram propostos h pouco tempo. Tais procedimentos apresentam um potencial ainda no explorado completamente e sero utilizados em captulos subsequentes desta dissertao.
Ambiente Computacional para Identificao de Sistemas No-Lineares
41
Captulo 4 4. Ambiente Computacional para Identificao de Sistemas No-Lineares

4.1 Introduo O procedimento de identificao de modelos NARMAX polinomiais foi descrito nos captulos 2 e 3. Algumas etapas deste procedimento so a aquisio de dados do sistema que se deseja modelar, a estimao de parmetros da estrutura selecionada para representar a dinmica original e a validao do modelo identificado. A literatura tcnica apresenta diversos algoritmos para a implementao computacional destas etapas da identificao de modelos regressivos no-lineares (Billings, 1980; Billings e Voon, 1983; 1984; Leontaritis e Billings, 1987; Chen et al., 1989; Golub e Van Loan, 1989; Foss e Johansen, 1992; Granjer e Lin, 1994; Luo et al., 1994; Parameswaran e Raol, 1994; Aguirre, 1995a). Estes algoritmos utilizam princpios de lgebra matricial, otimizao e processamento de sinais para derivar modelos para sistemas no-lineares genricos. O objetivo desse captulo descrever um conjunto de rotinas computacionais implementadas para derivar modelos NARMAX polinomiais para sistemas no-lineares (Mendes e Aguirre, 1995). Estas rotinas foram codificadas a partir de algoritmos descritos na literatura e posteriormente foram empregadas na modelagem de alguns sistemas no-lineares reais, conforme ser descrito nos captulos seguintes. As principais rotinas utilizadas sero descritas e analisadas quanto velocidade de processamento e a carga computacional. Por fim, sero propostas modificaes nestas rotinas para otimizar o procedimento de identificao. 4.2 Descrio das Rotinas de Identificao As rotinas computacionais utilizadas nessa dissertao foram implementadas no ambiente MATLAB (MathWorks, 1990a). O MATLAB um ambiente de desenvolvimento projetado para simplificar a manipulao computacional de matrizes (MATLAB uma sigla para "MATrix LABoratory" ou Laboratrio de Matrizes). O MATLAB pode interpretar rotinas codificadas em uma linguagem de programao de alto-nvel prpria. Esta linguagem de programao estruturada e foi utilizada para implementar internamente ao ambiente uma srie de ferramentas teis no processamento de sinais e na modelagem e controle de sistemas dinmicos ("toolboxes", MathWorks, 1990b, 1990c, 1990d). O "software" apresenta ainda uma interface grfica bastante amigvel e intuitiva.
Captulo 4
42
As caractersticas do MATLAB facilitaram o desenvolvimento de rotinas computacionais para a identificao de sistemas dinmicos no-lineares utilizando modelos NARMAX polinomiais. Estas rotinas em conjunto com o MATLAB constituem um ambiente computacional para a identificao de sistemas no-lineares. Algumas rotinas internas do MATLAB so utilizadas na anlise dos modelos identificados. As rotinas computacionais codificadas para a identificao de modelos no-lineares polinomiais podem ser divididas em dois conjuntos. As rotinas de um primeiro conjunto implementam a seleo de estrutura, a estimao de parmetros, a simulao e a validao estatstica de modelos NARMAX polinomiais monovariveis (Mendes e Aguirre, 1995). Os algoritmos codificados nas rotinas so apresentados em (Chen et al., 1989; Golub e Van Loan, 1989). O segundo conjunto de rotinas MATLAB implementa algoritmos utilizados na anlise e na visualizao dos modelos monovariveis identificados. Estas rotinas foram codificadas ao longo da elaborao do presente trabalho e englobam ferramentas para: anlise de agrupamentos de termos e coeficientes de agrupamentos em modelos NARMAX polinomiais; anlise da estabilidade dos pontos fixos de um modelo; predio de comportamento de modelos NARMAX polinomiais; estimao de invariantes dinmicos dos modelos identificados. Uma descrio sucinta dos parmetros de entrada e de sada das rotinas MATLAB citadas apresentada em (Rodrigues e Aguirre, 1996). As figuras 4.1 4.4 mostram fluxogramas do procedimento de identificao de modelos NARMAX polinomiais monovariveis a partir de dados entrada-sada de um sistema dinmico. Os fluxogramas destacam as rotinas MATLAB que implementam cada uma das etapas da identificao.
43
Aquisio de dados Pr-processamento dos dados para a identificao (filtragem digital antifalseamento, dizimao e condicionamento dos sinais medidos) Dados de entrada-sada para a identificao
Parmetros da estrutura do modelo NARMAX polinomial: l , n y , nu , n e , d Determinao do conjunto de termos candidatos Rotina: genterms.m
Conjunto de todos os termos candidatos
Seleo de estrutura e estimao de parmetros do modelo NARMAX monovarivel Rotina: orthreg.m Modelo identificado Simulao do modelo identificado (predio de "infinitos-passos-a-frente") Rotina: simodeld.m Dados de simulao Validao do modelo identificado Rotinas: Validao estatstica: mvt_ts.m e mvt_euy.m Validao dinmica: lyap.m
Modelo representa a dinmica do sistema original?
no
sim Visualizao do modelo identificado Rotina: genmod.m
Figura 4.1. Fluxograma do procedimento de identificao de modelos NARMAX polinomiais.
Captulo 4
44
Dados de identificao, Termos candidatos
Montagem da matriz de regressores P a partir dos termos candidatos Rotinas: build_no.m e build_pr.m Regressores P Ortogonalizao da matriz de regressores P utilizando fatorao QR e decomposio de Householder Rotinas: house.m, rowhouse.m e apply_qr.m Regressores W ortogonais Seleo de estrutura e estimao de parmetros do modelo NARMAX monovarivel Rotina: housels.m Modelo identificado Figura 4.2. Detalhe do fluxograma apresentado na figura 4.1. 2
Dados de simulao Criao de um vetor de dados auxiliar para simplificar o clculo de funes de correlao Rotina: desloc.m Dados auxiliares Clculo das funes de correlao lineares e no-lineares utilizadas para a validao estatstica do modelo monovarivel identificado Rotina: ccf.m e correl.m
Diagramas de correlao estatstica Figura 4.3. Detalhe do fluxograma apresentado na figura 4.1.
45
Estrutura NARMAX selecionada atravs do critrio do ERR Anlise dos agrupamentos de termos e coeficientes de agrupamentos da estrutura identificada Rotina: coefc.m Agrupamentos de termos efetivos Identificar modelos dentro dos agrupamentos efetivos ? sim
no
Eliminao dos agrupamentos de termos esprios Rotina: mcand.m Dados de identificao, Conjunto de termos candidatos modificado Seleo de estrutura e estimao de parmetros do novo modelo monovarivel Rotina: orthreg.m
Figura 4.4. Fluxograma da anlise dos agrupamentos de termos dos modelos NARMAX polinomiais.
Exemplo 4.1. A figura 4.5 apresenta um exemplo de rotina MATLAB implementada para identificar modelos NARMAX polinomiais. Este exemplo pretende mostrar a estrutura da linguagem de programao MATLAB e destacar alguns parmetros de entrada e sada das rotinas citadas nos fluxogramas anteriores. A rotina foi codificada para identificar um conjunto de 15 modelos NARMAX polinomiais monovariveis com nmero de termos de processo variando entre 11 np 25 . A estrutura dos modelos ser selecionada atravs do critrio de ERR (na rotina orthreg) e os seus parmetros sero estimados pelo mtodo de mnimos quadrados ortogonais "off-line" (vide captulo 2).
Captulo 4
46
% Demonstrao NARMAX echo on; % Carregando e visualizando os dados de identificao load c:\dados\arqdados.dat u=arqdados(1:2000,1); y=arqdados(1:2000,2); plot([y u]); % Gerando o conjunto de termos candidatos com: % grau de no-linearidade: l = 3, atraso mximo em y(t): ny = 2, % atraso mximo em u(t): nu = 1, atraso mximo em (t): n = 5 [Cand,tot2]=genterms(3,2,1,5); % Identificando modelos NARMAX polinomiais com np termos de processo % e 15 termos de rudo. A varivel de sada model retorna a estrutura % selecionada, enquanto que a varivel x retorna os parmetros estimados % e o ERR de cada termo do modelo for np=11:1:25, [model,x,e,va]=orthreg(Cand,u,y,[np,15],5); % Simulando o modelo identificado % Os 15 primeiros pontos dos dados de identificao so usados como % condies iniciais. ym=simodeld(model,x(:,1),u,y(1:15)); plot([ym u]); end; % Validando estatisticamente o modelo identificado % A rotina mvt_euy traa na tela os diagramas de correlao utilizados % para validar modelos dinmicos no-lineares mvt_euy(e,u,y,30,1,1);
Figura 4.5. Exemplo de rotina MATLAB para a identificao de modelos NARMAX polinomiais.
4.3 Anlise das Rotinas de Identificao As rotinas de identificao descritas na seo anterior foram codificadas na linguagem de programao do MATLAB. O MATLAB apresenta diversas caractersticas teis para a construo de um ambiente computacional de identificao de sistemas. Entre estas caractersticas, destacam-se a interface grfica amigvel e as rotinas de suporte prconstrudas1. Por outro lado, o MATLAB no gera cdigo executvel e possui uma capacidade de processamento restrita fato refletido pela velocidade de interpretao de
1
Rotinas para a filtragem de dados, anlise espectral de sinais, identificao de modelos regressivos lineares, controle de sistemas dinmicos, etc.
47
cdigo no muito elevada e pelos problemas de gerenciamento da memria RAM que aparecem quando a matriz de regressores P possui um nmero elevado de termos. Estes problemas podem inviabilizar a utilizao de rotinas MATLAB em experimentos de modelagem e controle que exijam processamento mais rpido. Nesse caso, as rotinas usadas devero ser recodificadas em outra linguagem de programao mais adequada. As rotinas de identificao de modelos NARMAX polinomiais podem ser implementadas em uma srie de linguagens de programao distintas. Estas linguagens podem ser de baixo-nvel (ASSEMBLY) ou de alto-nvel (BASIC, PASCAL, FORTRAN, C). Entretanto, as linguagens de programao mais adequadas para o processamento matemtico numrico so o FORTRAN ("FORmula TRANslation") e o C (C++), alm do MATLAB. Estas linguagens de programao so amplamente utilizadas nos meios cientfico e acadmico. O C++ uma linguagem de programao estruturada que se caracteriza por: alto desempenho no processamento computacional; flexibilidade nas operaes de leitura e escrita em dispositivos perifricos; alta portabilidade de cdigo. Estas caractersticas so bastante desejadas na montagem do ambiente de identificao de sistemas dinmicos reais. Assim, as rotinas de identificao da seo 4.2 podem ser recodificadas em C++ quando necessrio. Destaca-se a existncia do aplicativo MATCOM (Yeren, 1995) que faz converso de cdigo MATLAB para cdigo C++ compilvel. Este aplicativo "freeware" e atualmente est disponvel na INTERNET para transferncia2. Uma outra possibilidade consiste em utilizar as linguagens MATLAB e C++ interligadas no processamento das rotinas de identificao. A funo cmex do MATLAB (MathWorks, 1990a) gera arquivos mex que executam cdigo C++ (ou FORTRAN) dentro do ambiente MATLAB. Esta interligao permite aproveitar as qualidades dos dois ambientes de programao na execuo da tarefa em questo. As rotinas de identificao disponveis (Mendes e Aguirre, 1995) podem ser otimizadas para diminuir o tempo de processamento associado e minimizar os problemas de gerenciamento de memria. Uma srie de alteraes no cdigo destas rotinas podem promover uma melhoria significativa de desempenho do ambiente de identificao de modelos no-lineares polinomiais. Algumas diretivas capazes de diminuir a carga computacional das rotinas de identificao so: utilizar algoritmos com um nmero mnimo de multiplicaes e adies; minimizar o uso de estruturas de comparao, as quais demandam muito tempo computacional para serem realizadas; implementar os algoritmos em um bloco nico de cdigo, evitando utilizar funes externas (alm daquelas providas pela linguagem de programao);
2
O MATCOM pode ser transferido no site INTERNET: http://techunix.technion.ac.il/~yak/ug.html.
Captulo 4
48
gerar cdigo enxuto, sem comentrios e instrues para contornar falhas do usurio. A implementao das diretivas acima determinaria uma reduo da estruturao e da legibilidade das rotinas, alm de torn-las susceptveis a falhas do usurio. Entretanto, estas diretivas podem ser utilizadas para otimizar o cdigo das rotinas quando o usurio visado possui algum conhecimento sobre identificao de sistemas e sobre os algoritmos implementados. Destaca-se ainda que esse trabalho no pretende gerar um ambiente otimizado para a identificao de sistemas dinmicos no-lineares, mas apenas utilizar um conjunto de rotinas computacionais para modelar sistemas no-lineares em aplicaes reais. As rotinas MATLAB originais foram utilizadas para testar a validade de algumas diretivas descritas no pargrafo anterior. Nestas rotinas, as instrues para verificar a consistncia dos dados de entrada e os comentrios explicativos foram eliminados. Em seguida, as rotinas originais e as rotinas modificadas foram avaliadas durante a execuo de uma mesma tarefa. Esta tarefa consumiu cerca de 190 MFlops de processamento em um computador PC486DX2 66 MHz. Observou-se que as rotinas modificadas desempenharam a dada tarefa em aproximadamente metade do tempo consumido pelas rotinas originais. Nesse caso, as alteraes implementadas promoveram uma significativa melhora de desempenho na identificao de modelos NARMAX polinomiais. Os modelos apresentados nessa dissertao foram identificados a partir do conjunto de rotinas modificadas. 4.4 Comentrios Finais Esse captulo descreveu um conjunto de rotinas MATLAB implementadas para derivar modelos NARMAX monovariveis para sistemas dinmicos no-lineares. Este conjunto de rotinas foi utilizado na modelagem de alguns sistemas no-lineares reais (vide captulo 5 e captulo 6). O MATLAB foi escolhido como suporte para um ambiente computacional de identificao de sistemas no-lineares por apresentar uma interface grfica amigvel e um conjunto de rotinas teis pr-implementadas, alm de interpretar rotinas externas codificadas em uma linguagem de programao especfica. Esta linguagem de programao do MATLAB apresenta estruturas sintticas encontradas em muitas outras linguagens de alto-nvel. O MATLAB possui um conjunto de rotinas pr-implementadas para a identificao de modelos regressivos lineares (Box e Jenkins, 1976; Ljung, 1987). O "toolbox" de identificao de sistemas (MathWorks, 1990c) inclui rotinas para a estimao de parmetros (mtodos dos mnimos quadrados ortogonais e de variveis instrumentais), a simulao e a validao estatstica (anlise de funes de correlao dos resduos de identificao) de modelos ARMAX (modelo linear auto-regressivo, de mdia mvel e entrada externa). Os experimentos de identificao e controle em tempo real exigem uma velocidade de processamento computacional adequada (em comparao com a velocidade de resposta
49
do sistema em questo) e uma boa flexibilidade nas operaes de leitura e escrita em dispositivos perifricos (para a interao com o sistema). Nessa situao, a utilizao de rotinas codificadas em MATLAB pode ser invivel. Ento, torna-se necessrio recodificar as rotinas de identificao e controle em outra linguagem de programao como o C++, por exemplo. As rotinas MATLAB utilizadas para identificar modelos NARMAX polinomiais nesse trabalho podem ser otimizadas para diminuir o tempo de processamento numrico associado. Algumas alteraes capazes de diminuir a carga computacional destas rotinas foram apresentadas na seo 4.3. Observou-se que estas alteraes implementadas nas rotinas MATLAB originais promoveram uma significativa melhora de desempenho na identificao de modelos NARMAX monovariveis. Por fim, destaca-se a necessidade de rotinas computacionais para identificao de modelos NARMAX polinomiais multivariveis e para a estimao de parmetros "online" (descrita no captulo 2). Estas rotinas podem ser implementadas em MATLAB no futuro.
Captulo 5
50
Captulo 5 5. Modelagem No-Linear de um Forno Eltrico

5.1 Introduo Um forno eltrico foi o primeiro sistema escolhido para avaliar a aplicabilidade e o desempenho dos algoritmos de identificao descritos no captulo anterior. O forno eltrico utilizado nesse trabalho encontra-se montado no Laboratrio de Controle de Processos Industriais (LCPI) do Centro de Pesquisa e Desenvolvimento em Engenharia Eltrica (CPDEE) da Universidade Federal de Minas Gerais. O sistema foi selecionado por apresentar alguns fenmenos no-lineares, os quais no poderiam ser reproduzidos com modelos lineares. 5.2 Descrio do Sistema O forno eltrico do LCPI - CPDEE (Abreu, 1993) uma caixa metlica com dimenses 151031 cm3, construdo a partir de uma chapa de alumnio com espessura igual a 2 mm. O elemento de aquecimento interno uma lmpada eltrica de 200W. O forno no isolado termicamente, de modo que variaes na temperatura ambiente afetam o seu comportamento dinmico. O sensor utilizado para medio de temperatura um resistor com coeficiente de temperatura negativo (NTC) ligado em ponte de Wheatstone, a qual encontra-se equilibrada temperatura ambiente. O sinal de tenso resultante do desbalanceamento da ponte processado por um conversor A/D de 12 bits e por um microcomputador, onde so implementados os algoritmos de controle. O sinal de controle gerado aplicado planta, conforme figura 5.1 na pgina seguinte. O elemento atuador um triac operando como chave. O sensor de temperatura apoiado sobre a superfcie externa do forno eltrico, sem ser afixado a sua estrutura metlica. Essa configurao de medio torna o sistema sensvel a distrbios externos tais como flutuaes da temperatura ambiente e a existncia de correntes de ar. O objetivo de controle ajustar a temperatura de um ponto na superfcie externa do forno a um perfil de referncia previamente estabelecido. O controlador determina o tempo em que a lmpada permanece acesa entre duas amostragens, gerando um sinal de controle normalizado entre 0 % e 100 %. A lmpada permanece acesa por um tempo uTs 100 , onde u o sinal de controle e Ts o perodo de amostragem.
Modelagem No-Linear de um Forno Eltrico
51
Conversor AnalgicoDigital
Circuito Segurador e Amostrador
NTC
MicroComputador (Controle)
Triac (Atuador)
Forno Eltrico
Figura 5.1. Diagrama de blocos do forno eltrico implementado no LCPI - CPDEE.
Abreu (1993) desenvolveu um modelo do sistema, baseado na fsica do processo. A troca de calor entre a lmpada e a superfcie externa do forno se processa atravs de dois fenmenos: conveco e radiao. A taxa de transferncia de calor por radiao depende da quarta potncia da temperatura absoluta do meio emissor, o que torna o processo no-linear e dependente da condio de operao (fato caracterizado por ganhos e constantes de tempo variantes com o ponto de operao). A transferncia de calor por conveco depende diretamente da diferena de temperatura absoluta entre os meios envolvidos. A transferncia de calor por radiao ir predominar em relao transferncia por conveo durante o perodo de aquecimento do forno. Esse fato ocorre porque as dimenses reduzidas do forno impedem a circulao das ondas de conveco. Por outro lado, durante o resfriamento do forno predomina a transferncia de calor por conveco (do forno para o meio ambiente). Este mecanismo de transferncia de calor faz com que o forno apresente diferentes constantes de tempo de aquecimento e resfriamento (Abreu, 1993). Estas constantes de tempo e o ganho do sistema em regime permanente dependem das condies iniciais do sistema e da regio de operao considerada. Maiores detalhes sobre o comportamento dinmico do forno so encontrados em (Abreu, 1993). 5.3 Representao da Dinmica No-Linear do Forno Eltrico A modelagem do forno eltrico ser apresentada nas sees seguintes, onde cada seo referencia um dos passos do procedimento de identificao descrito no captulo 2. 5.3.1 Aquisio de Dados O primeiro passo do procedimento de identificao a obteno de dados que caracterizem a operao do sistema que se deseja modelar. Idealmente, os dados de identificao devem ser capazes de refletir os diversos regimes dinmicos apresentados pelo sistema. Para tanto, o sinal de excitao da planta deve apresentar espectro suficientemente amplo em frequncia e amplitude de tal forma que excursione o sistema
Captulo 5
52
pelos regimes dinmicos de interesse. Infelizmente, isso nem sempre possvel em sistemas reais, devido a restries operacionais. No procedimento de aquisio de dados do forno, a planta operou em malha fechada com um controlador automtico proporcional-integral-derivativo (PID) at que um dado perfil de referncia fosse ajustado. Em seguida, a malha de realimentao foi aberta, o sinal de teste aplicado ao comando do triac e o correspondente sinal de temperatura da chapa do forno foi medido e processado. O sinal de teste utilizado para gerar os dados de identificao do forno denominado "rudo quantizado" (Jota,1995). O algoritmo de gerao do "rudo quantizado" sorteia aleatoriamente a amplitude do sinal e a mantm constante durante um intervalo de tempo previamente escolhido (pelo usurio). Ao final deste intervalo, o algoritmo modifica a amplitude do sinal de maneira quantizada e a mantm constante durante o mesmo intervalo de tempo anterior. O sinal gerado (vide sinal de entrada mostrado na figura 5.2) apresenta mdia prxima de zero em torno do valor de inicializao do algoritmo. As figuras 5.2 e 5.3 mostram algumas massas de dados obtidas durante a experimentao do forno eltrico. O sinal de sada mostrado a temperatura da superfcie externa do forno, normalizada em relao a uma temperatura mxima possvel. Por sua vez, a entrada mostra o sinal normalizado de tenso aplicado ao comando do triac que controla o estado da lmpada. Destaca-se que os dados apresentados so adimensionais e as escalas verticais dos grficos indicam porcentagens dos valores mximos de temperatura do forno (sinal de sada) e de tenso aplicada ao triac (sinal de entrada). O perodo de amostragem dos sinais Ts = 70 s e t, na figura, indica o nmero de amostras.
100 s a d a 50 e n tra d a
0 0 (a ) 100 s a d a 50 100 t 150 200 250
50 e n tra d a
0 (b ) 0 50 100 t 150 200 250
Figura 5.2. Resposta do forno eltrico ao rudo quantizado. (a) Massa de dados frq1 (b) Massa de dados frq2. A varivel t indica o nmero de amostras. Os dados so adimensionais e esto normalizados ao intervalo [0 %, 100 %].
O sinal de sada da massa de dados frq1 apresenta variaes bruscas em t30 e t130, as quais no refletem mudanas no sinal de entrada. Acredita-se que estas variaes ocorram por falhas de comunicao entre o microcomputador e o processo, constituindo
53
condies anormais de funcionamento (Jota, 1995). O sistema operou em malha fechada at t=10, aproximadamente. Nessa condio, os parmetros do controlador PID eram: K p = 10 , Ti = 150 , Td = 0 , onde Kp o ganho proporcional, Ti o tempo integral e Td o tempo derivativo. Esses valores no apresentam influncia sobre os posteriores testes de aquisio dos dados de identificao.
80 60 40 20 e n tra d a 0 0 (a ) 80 60 40 20 e n tra d a 0 0 (b ) 50 100 t 150 200 s a d a 50 100 t 150 200 250 s a d a
Figura 5.3. Resposta do forno eltrico ao degrau. (a) Massa de dados fd1 (b) Massa de dados fd2. A varivel t indica o nmero de amostras. Os dados so adimensionais e esto normalizados ao intervalo [0 %, 100 %].
Os dados fd1 e fd2 foram coletados em duas regies de operao sobre as quais o forno eltrico apresenta dinmica distinta. A figura 5.3 mostra a existncia de constantes de tempo de aquecimento e resfriamento distintas. Analisando as massas de dados fd1 e fd2 no intervalo 60 t 130 , observa-se que a sada do sistema continua a aumentar lentamente enquanto o sinal de controle mantido constante. Esta anlise mostra que o forno apresenta duas constantes de tempo de aquecimento, uma rpida e outra lenta. A existncia de duas constantes de tempo de subida uma caracterstica de alguns processos trmicos. A constante de tempo rpida reflete a transferncia de calor do elemento de aquecimento (lmpada eltrica) para o meio aquecido (chapa metlica do forno). A constante de tempo lenta, por sua vez, indica a perda de calor do meio aquecido para a sua vizinhana, at que o equilbrio trmico seja alcanado. No forno eltrico, esse fenmeno se manifesta atravs do aquecimento da camada de ar que o envolve. Um fenmeno semelhante pode ser observado na dinmica de um termopar intrnseco (Doebelin, 1990, Captulo 8, pginas 638-639). Esse sensor utiliza a prpria superfcie metlica cuja temperatura se deseja medir para compor o termopar. O sensor apresenta uma constante de tempo de subida bastante rpida, considerada instantnea, e uma constante de subida lenta, conforme pode ser observado na sua curva de resposta (Doebelin, 1990, figura 8.17).
Captulo 5
54
Um outro fenmeno que pode levar ao aparecimento das duas constantes de tempo de aquecimento a ao de distrbios externos sobre o processo, visto que o forno eltrico no isolado termicamente e a sua dinmica lenta. Alguns destes distrbios que podem afetar a dinmica do forno eltrico so a variao da temperatura ambiente e as correntes de ar. Um fenmeno semelhante ocorre no resfriamento do forno, embora em menor intensidade. A presena dessas constantes de tempo distintas no evidente nas massas de dados frq1 e frq2 devido grande atividade do sinal de sada. Observa-se que o sinal de sada da massa de dados fd2 apresenta uma variao brusca em t 210, tal como as verificadas na massa de dados frq1. A massa de dados frq2 foi utilizada para derivar modelos NARMAX polinomiais para o forno, pois os seus sinais de entrada e sada so bastante ativos e no apresentam as falhas verificadas na massa frq1. As demais massas de dados foram empregadas na validao dos modelos identificados, sendo que fd1 e fd2 foram utilizadas para verificar se as constantes de tempo de aquecimento e resfriamento dos modelos estavam prximas dos seus valores reais. As relaes sinal/rudo1 (SNR) estimadas para as massas de dados obtidas so apresentadas na tabela 5.1.
Tabela 5.1. Relao sinal/rudo das massas de dados de operao do forno eltrico.
Massa de Dados frq1 frq2 fd1 fd2
SNR (dB) 35,31 56,23 64,84 17,51
No clculo das relaes sinal/rudo, a varincia do rudo foi aproximada pela varincia dos resduos de identificao de modelos NARMAX polinomiais derivados para o processo. Esse um procedimento padro na rea de processamento de sinais (Ljung, 1987). As massas de dados frq1 e fd2 apresentam SNR reduzidas em relao aos dois outros conjuntos de dados porque os modelos NARMAX estimados no reproduzem as variaes abruptas verificadas nos respectivos sinais de sada medidos. Assim, estas variaes encontram-se refletidas nos resduos da identificao, aumentando a varincia destes e diminuindo a relao sinal/rudo. A filtragem para evitar falseamento do sinal amostrado no foi implementada neste caso. Essa opo foi feita com base no seguintes fatos: o espectro de frequncias do sinal de sada do forno eltrico limitado; o rudo observacional que corrompe o sistema apresenta baixas amplitudes e altas frequncias; eventualmente, o elemento sensor utilizado pode atuar como um filtro passa-baixas com as caractersticas desejadas (Abreu, 1993). A qualidade dos modelos identificados indica que a excluso da filtragem anti-falseamento no comprometeu os resultados obtidos.
definio empregada aqui : SNR (dB)= 20 log(Var {y (t )} Var { (t )}) , onde Var indica varincia, y(t) o sinal de sada medido e (t) indica os resduos de identificao. log indica logaritmo decimal.
1A
55
Um filtro passa-baixas digital de dcima ordem e fase nula foi implementado no MATLAB (MathWorks, 1990a, 1990b) e usado para filtrar dados super-amostrados2 do forno. O sinal filtrado foi amostrado e utilizado na derivao de modelos. Os modelos identificados apresentaram propriedades dinmicas e estatsticas semelhantes quelas dos modelos obtidos sem filtragem dos dados e, portanto, no sero mostrados nesse texto. O perodo de amostragem dos sinais manipulados foi escolhido de acordo com o procedimento descrito no captulo 3. As funes de auto-correlao linear e no-linear do sinal de sada de frq1 foram calculadas (usando as equaes ( 3.20 ) e ( 3.21 )) e utilizadas para escolher Ts, conforme pode ser observado na figura 5.4.
1
0 .5
-0 .5 0 (a ) 1 20 40 60 80 100
0 .5
-0 .5 0 (b ) 20 40 60 80 100
Figura 5.4. Funes de auto-correlao da sada de frq1. (a) auto-correlao linear, equao ( 3.20 ) (b) auto-correlao no-linear, equao ( 3.21 ).
Os primeiros mnimos das funes de auto-correlao ocorrem em instantes idnticos; isto : y = y 2 , 45 70 = 3150 s . Logo, o perodo de amostragem deve ser escolhido na faixa 157 s Ts 315 s . Os dados de identificao do forno eltrico foram obtidos selecionando-se um a cada trs pontos das massas de dados apresentadas anteriormente, o que resulta em um perodo de amostragem final de Ts = 210 s 3. Observa-se que as funes de auto-correlao apresentadas possuem um mnimo local em t 3 70 = 210 s . Este primeiro mnimo no foi considerado na determinao do perodo de amostragem porque ele reflete uma escala de tempo bem mais curta presente nos dados. Visivelmente, esta escala no a base de tempo dominante nos dados e parece razovel conjecturar que ela aparece devido s falhas ocorridas em frq1 e ao rudo que corrompe o sistema.
2 3
Dados super-amostrados so amostrados a uma taxa maior que 1/Ts. O ensaio para obteno de uma massa de 250 pontos utilizando-se Ts = 210 s seria muito demorado (cerca de 14 horas e 30 minutos). Assim, optou-se por dizimar os dados obtidos anteriormente e trabalhar com sries mais curtas ( 250 3 pontos).
Captulo 5
56
5.3.2 Deteco de No-Linearidades Os algoritmos de deteco de no-linearidades so utilizados para quantificar a presena de interaes no-lineares nos dados de identificao. O resultado destes algoritmos indicar se necessrio utilizar modelos no-lineares para reproduzir a dinmica do sistema em estudo. O teste de deteco de no-linearidades apresentado no captulo 2 (Billings e Voon, 1983, 1986) foi utilizado para verificar se o relacionamento entrada-sada do forno linear ou no-linear. A figura 5.5 mostra o resultado do teste aplicado aos dados do forno. As linhas pontilhadas indicam os intervalos de confiana de 90 % e 95 %.
1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1 -8 (b) 90 % 95% 0 -0.2 -0.4 -0.6 -0.8 -1 -8 1 0.8 0.6 0.4 0.2
(a)
-6
-4
-2
-6
-4
-2
Figura 5.5. Deteco de no-linearidade nos dados do forno. (a) dados frq1 (b) dados frq2.
As interaes no-lineares presentes nos dados do forno so significativas, visto que a funo de correlao ( 2.2 ) no permanece dentro da regio delimitada pelo intervalo de confiana. Assim, necessrio utilizar estruturas no-lineares para representar a dinmica do forno. Analisando a figura 5.5, observa-se que a massa de dados frq1 apresenta interaes nolineares bem mais significativas do que aquelas encontradas em frq2. Acredita-se que isso acontece porque o sinal de entrada da srie frq1 excursiona o sistema em uma regio de operao mais ampla do que a faixa visitada pelos dados de frq2. Alm disso, a massa de dados frq1 apresenta variaes abruptas no-lineares, as quais no so verificadas em frq2. 5.3.3 Deteco de Estrutura e Estimao de Parmetros Um passo importante na identificao de um sistema dinmico a escolha da estrutura que ser usada para represent-lo. Nesse trabalho, utilizaram-se modelos NARMAX polinomiais para reproduzir a dinmica do forno eltrico.
57
Os modelos NARMAX polinomiais do forno foram identificados utilizando grau de nolinearidade l = 3. Polinmios no-lineares de ordem 3 so capazes de representar um ampla classe de sistemas no-lineares (Billings e Fadzil, 1985; Billings et al., 1989; Noshiro et al., 1993; Jang e Kim, 1994; Prl e Karim, 1994; Aguirre e Billings, 1994b, 1995a). A escolha dos atrasos e do nmero de termos dos modelos foi feita de maneira experimental. Em um primeiro passo, ajustou-se ny = nu = 2 e identificou-se um conjunto de modelos NARMAX com np variando entre 5 e 20. Em seguida, incrementou-se os valores dos atrasos, fazendo ny = nu = 3, e identificou-se outro conjunto de modelos. Alguns modelos foram preliminarmente escolhidos de acordo com a capacidade de ajuste dos dados de identificao. Os melhores modelos do forno foram ento selecionados com base nos resultados dos testes de validao estatstica e dinmica. Os procedimentos de validao dos modelos escolhidos sero apresentados na seo 5.3.5. Na inteno de verificar a qualidade da modelagem no-linear do forno, identificou-se um conjunto de modelos lineares a partir dos dados frq2. Os melhores modelos lineares foram comparados com os modelos NARMAX polinomiais selecionados anteriormente. Os termos dos modelos NARMAX de ordem 2 e 3 foram selecionados dentro de conjuntos de 35 e 84 termos candidatos, respectivamente. O procedimento de deteco da estrutura dos modelos foi implementado a partir do critrio do ERR e do conceito de agrupamentos de termos efetivos, enquanto que o algoritmo de mnimos quadrados ortogonal foi utilizado para estimar os parmetros. Utilizou-se um modelo linear de rudo, com 22 termos, para minimizar a polarizao dos parmetros estimados. O nmero de termos deste modelo linear de rudo foi ajustado de modo a derivar modelos estatisticamente vlidos. Alguns dos melhores modelos obtidos para representar a dinmica do forno eltrico so apresentados a seguir. modelo no-linear nl281 Especificaes: l = 3, ny = nu = 2, 8 termos de processo, 22 termos lineares de rudo e Ts = 210 s. y (t ) = 0,96659 y (t 1) + 1,81300 y (t 2) 0,01888u(t 2) + 0,74820u(t 1) 5,65530 10 5 y (t 1) 2 u(t 1) 7,4452 10 5 u(t 1) 3 115340 , 10 4 y (t 2) 3 + 116990 , 10 4 y (t 1) 3 + i (t i ) + (t ) .
i =1 22
( 5.1 )
Captulo 5
58
modelo no-linear nl391 Especificaes: l = 3, ny = nu = 3, 9 termos de processo, 22 termos lineares de rudo e Ts = 210 s. y (t ) = 0,44551y (t 1) + 0,57773 y (t 2) 0,63628u(t 2) + 0,48606u(t 1) 114580 , 10 6 y (t 1) 2 u(t 1) 9,97760 10 5 u(t 3)u(t 1) 2 2,92710 10 -5 y (t 3) 3 + 7,88310 10 3 y (t 2)u(t 2) + 7,43860 10 8 y (t 3) 2 u(t 3) + i (t i ) + (t ) .
i =1 22
( 5.2 )
modelo linear ml371 Especificaes: l = 1, ny = nu = 3, 7 termos de processo, 22 termos lineares de rudo e Ts = 210 s. y (t ) = 2,04900 + 0,79715 y (t 1) + 0,67033 y (t 2) 0,16872u(t 2) + 0,30468u(t 1) 0,50961y (t 3) 0,09997u(t 3) + i (t i ) + (t ) .
i =1 22
( 5.3 )
Alguns termos dos modelos no-lineares apresentam parmetros cujos valores absolutos so bastante reduzidos em relao aos demais. Isso acontece porque tais modelos foram identificados utilizando-se dados no-normalizados ao intervalo [0,1] e estes parmetros so pequenos para compensar os elevados valores dos termos quadrticos e cbicos que os multiplicam. Os modelos discretos acima conseguem ajustar os dados de identificao com considervel exatido. Observou-se que os dois modelos no-lineares no apresentam diferena sensvel de desempenho. O modelo linear leva aos maiores erros de predio, os quais correspondem diferena entre a sada do sistema e a predio de "infinitospassos-a-frente" do modelo. Em cada passo da predio de "infinitos-passos-a-frente", o modelo reinicializado com as suas predies em iteraes passadas e no com os dados do sistema. O critrio de informao de Akaike (captulo 2) tambm foi utilizado para estimar o nmero adequado de termos para a identificao do forno eltrico. O objetivo desse teste foi comparar os modelos NARMAX polinomiais apresentados acima e os melhores modelos no-lineares segundo o critrio de Akaike. No teste, o conjunto de termos candidatos foi previamente ordenado de acordo com o valor do ERR de cada termo. Utilizando este conjunto ordenado, identificou-se uma srie de modelos NARMAX polinomiais com nmero de termos crescente. Em seguida, avaliou-se o ndice de Akaike para cada um dos modelos derivados. Os resultados obtidos so apresentados na figura 5.6. O primeiro mnimo do critrio de Akaike indica o modelo que minimiza a varincia dos resduos de identificao para aquela disposio de termos gerada pelo ERR.
59
20 0 -20 -40 -60 -80 -100 -120 -140 -160 -180 0 (a)
20 0 -20 -40 -60 -80 -100 -120 -140 -160 -180 0 (b)
10
15
20
np
10
15
20
np
Figura 5.6. Critrio de Akaike na deteco de estrutura de modelos NARMAX. (a) ny = nu= 2 (b) ny = nu = 3. A estrutura dos modelos foi selecionada atravs do critrio do ERR.
A curva mostrada na figura 5.6(a) no apresenta um primeiro mnimo bem definido. Entretanto, o melhor modelo de ordem 2 dever ser encontrado na faixa 6 n p 9 . Os modelos nl281 e nl391 foram selecionados por representar adequadamente a dinmica do forno eltrico e tambm por minimizar o critrio de Akaike. Assim, as duas aproximaes levam a resultados semelhantes, o que vem reiterar a qualidade dos citados modelos. O critrio do erro de predio final ou FPE (Akaike, 1974; Gooijer et al., 1985) tambm foi empregado na estimao do nmero adequado de termos para os modelos do forno. Os resultados coincidem com as estimativas do critrio de Akaike e no sero mostrados aqui. 5.3.4 Deteco de Estrutura Utilizando ERR e Agrupamentos de Termos Os termos dos modelos do forno eltrico foram escolhidos atravs do critrio do ERR. O ERR consegue selecionar modelos com boa qualidade estatstica e dinmica quando os dados de identificao apresentam elevada relao sinal/rudo e taxa de amostragem adequada. Em situaes onde o ERR no funciona adequadamente, um procedimento auxiliar pode ser utilizado para ajustar a estrutura de modelos NARMAX polinomiais (Aguirre e Billings, 1995c). Neste procedimento, os termos dos modelos so escolhidos dentro de agrupamentos de termos considerados efetivos, conforme foi descrito no captulo 3. Essa seo apresenta uma anlise dos agrupamentos de termos presentes em modelos do forno eltrico. O objetivo desta anlise verificar o desempenho do critrio do ERR na seleo dos termos destes modelos.
Captulo 5
60
No intuito de determinar os agrupamentos de termos importantes na representao da dinmica do forno, dois conjuntos de modelos NARMAX polinomiais foram identificados. O primeiro conjunto foi gerado a partir dos dados frq2 amostrados na taxa f s = 1 Ts = 1/ 210 s-1 = 048 , mHz . O segundo conjunto de modelos foi derivado utilizando os dados frq2 super-amostrados4 para delimitar o conjunto de termos candidatos e dados amostrados na taxa fs para ajustar a estrutura e estimar os parmetros. Os coeficientes dos agrupamentos de termos destes modelos foram calculados e so apresentados nas figuras 5.7 e 5.8 da pgina seguinte. Os dados foram normalizados ao intervalo [0,1] para permitir a comparao entre as amplitudes dos diversos coeficientes de agrupamentos. Os coeficientes dos agrupamentos de termos y , y2 , y3 , u, u2 , u3 apresentaram comportamentos semelhantes sobre os dois conjuntos de modelos identificados. Para sistematizar a informao, apenas uma figura de cada caso ser apresentada. Um agrupamento de termos considerado esprio na representao de um sistema dinmico quando o seu coeficiente apresenta valor reduzido em relao aos demais coeficientes de agrupamentos (Aguirre e Billings, 1995c; Aguirre e Mendes, 1996). A oscilao do coeficiente de um agrupamento, medida que o nmero de termos do modelo aumentado, tambm pode significar que ele no necessrio para reproduzir a dinmica do sistema original. Deve ser destacado que o valor de um coeficiente de agrupamento mais significativo quando: o nmero de termos do modelo analisado reduzido, pois problemas de malcondicionamento nmerico so inevitveis medida que o tamanho do modelo cresce; os dados de identificao esto super-amostrados, visto que a definio de agrupamentos de termos supe que Ts 0, no limite (captulo 3). Os resultados obtidos atravs da anlise dos agrupamentos de termos no "determinam" a estrutura de um modelo NARMAX que deve representar a dinmica do forno. Eles devem ser encarados como apoio ao processo de seleo da estrutura dos modelos.
4No
presente trabalho, utilizaram-se os 250 pontos da srie frq2 (Ts =70 s) para delimitar o conjunto de termos candidatos.
61
1.2 1 1 0.5 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -2.5 -0.6 6 (a) 7 8 9 10 -3 6 (b) 0 -0.5 -1 -1.5 -2
np
11
12
13
14
15
10
np
11
12
13
14
15
y y2 y3
u u2 u3
Figura 5.7. Coeficientes de agrupamentos de termos em modelos NARMAX do forno. (a) agrupamentos de termos de sada (b) agrupamentos de termos de entrada.
1.5 1.5
0.5
0.5
-0.5
-0.5
-1
-1
-1.5 6 (a)
10
np
11
12
13
14
15
-1.5 7 (b)
10
11
np
12
13
14
15
16
yu yu2 y 2 u
yu yu2 y 2 u
Figura 5.8. Coeficientes de agrupamentos de termos em modelos NARMAX do forno. (a) modelos identificados a partir de dados amostrados taxa fs (b) modelos identificados a partir de dados superamostrados.
Os agrupamentos 0 (termo constante) e y2 no aparecem em nenhum dos modelos identificados. De acordo com a figura 5.7(b), o agrupamento u2 parece ser esprio, j que o seu coeficiente oscila em torno de zero e apresenta valor reduzido (em relao aos demais coeficientes) nos primeiros modelos analisados. Assim, os termos pertencentes a estes agrupamentos podem ser excludos do conjunto de termos candidatos. Os resultados apresentados na figura 5.8 so aparentemente contraditrios. A figura 5.8(a) mostra que o agrupamento y2u no encontrado em modelos identificados a
Captulo 5
62
partir da massa de dados frq2. Por outro lado, a figura 5.8(b) parece indicar que o agrupamento yu2 no precisa ser considerado na identificao do forno, pois ele s aparece em modelos com n p 12 , os quais so instveis nas faixas de operao consideradas. Alm disso, ocorre uma inverso no sinal dos coeficientes investigados. Portanto, um estudo comparativo foi necessrio para determinar a importncia dos agrupamentos yu2 e y2u na modelagem do forno eltrico. Em uma primeira etapa, identificaram-se modelos NARMAX polinomiais excluindo os termos do agrupamento yu2 . Em seguida, os termos no considerados foram aqueles pertencentes ao agrupamento y2u . Observou-se que apenas os modelos identificados aps a excluso de yu2 foram capazes de reproduzir os dados de validao. Assim, acredita-se que os agrupamentos de termos mais significativos na modelagem do forno eltrico so: y , y3 , u, u3 , yu, y2u . interessante observar que todos os termos dos modelos no-lineares nl281 e nl391 pertencem aos agrupamentos considerados importantes. Alm disso, os melhores modelos identificados dentro do conjunto de agrupamentos efetivos so idnticos nl281 e nl391, destacando que estes novos modelos foram identificados a partir dos dados frq2 sem utilizar nenhuma informao conhecida "a priori". Esse fato mostra a qualidade dos modelos identificados utilizando o critrio do ERR para ajuste de estrutura. 5.3.5 Validao dos Modelos Identificados O ltimo passo do procedimento de identificao de sistemas a validao dos modelos obtidos. A validao estatstica de um modelo deve indicar se os seus resduos de identificao so brancos ou no, o que pode ser feito atravs da anlise das funes de correlao ( 2.30 ) a ( 2.39 ). A validao dinmica, por sua vez, deve indicar se o modelo capaz de reproduzir propriedades dinmicas do sistema original. Os resultados dos testes de validao estatstica dos modelos nl281, nl391 e ml371 so apresentados nas figuras 5.9 5.11.
63
1 0 -1 0 (a ) X 1( 0 -1 -1 0 (c ) 1 0 -1 -1 0 (e ) 1 0 -1 -1 0 (g ) 1 0 -1 0 ( i) 10 20 10 20
1 0 -1 0 (b ) 1 0 -1 -1 0 (d ) 1 0 -1 0 10 0 (f ) 1 0 -1 0 10 10 20 10 20
10
10
0 (h ) 1 0 -1 -1 0 ( j)
10
20
10
Figura 5.9. Validao estatstica do modelo nl281. Correlaes calculadas: (a) (t)(t) (b) u(t)(t) (c) (t)(t)u(t) (d) u2,(t)(t) (e) u2,(t)2(t) (f) ,(t),(t) (g) ,(t)2,(t) (h) 2,(t)2,(t) (i) (y(t)(t)),2,(t) (j) (y(t) (t)), u2,(t).
1 0 -1 0 (a ) 1 0 -1 -1 0 (c ) 1 0 -1 -1 0 (e ) 10 20 1 0 -1 0 (b ) 1 0 -1 -1 0 (d ) 1 0 -1 0 10 0 (f) 10 20 10 20
10
10
Captulo 5
64
1 0 -1 -1 0 (g ) 1 0 -1 0 ( i) 10 20
1 0 -1 0 10
0 (h ) 1 0 -1 -1 0 ( j)
10
20
10
Figura 5.10. Validao estatstica do modelo nl391. Correlaes calculadas: (a) (t)(t) (b) u(t)(t) (c) (t)(t)u(t) (d) u2,(t)(t) (e) u2,(t)2(t) (f) ,(t),(t) (g) ,(t)2,(t) (h) 2,(t)2,(t) (i) (y(t)(t)),2,(t) (j) (y(t) (t)), u2,(t).
1 0 -1 0 (a ) 1 0 -1 -1 0 (c ) 1 0 -1 -1 0 (e ) 1 0 -1 -1 0 (g ) 1 0 -1 0 ( i) 10 20 10 20 1 0 -1 0 (b ) 1 0 -1 -1 0 (d ) 1 0 -1 0 10 (f ) 1 0 -1 0 10 0 (h ) 1 0 -1 -1 0 ( j) 10 20 0 10 20 10 20
10
10
10
Figura 5.11. Validao estatstica do modelo ml371. Correlaes calculadas: (a) (t)(t) (b) u(t)(t) (c) (t)(t)u(t) (d) u2,(t)(t) (e) u2,(t)2(t) (f) ,(t),(t) (g) ,(t)2,(t) (h) 2,(t)2,(t) (i) (y(t)(t)),2,(t) (j) (y(t) (t)), u2,(t).
O apstrofe nas variveis indica que a mdia foi subtrada dos sinais. As linhas tracejadas delimitam um intervalo de confiana de 95 %, dentro do qual as correlaes calculadas devem permanecer para serem consideradas nulas. As figuras acima indicam que os modelos do forno eltrico so capazes de explicar adequadamente os regimes dinmicos contidos nos dados de identificao. Os resduos
65
de identificao no podem ser preditos a partir da histria passada do sistema, o que garante estimativas de parmetros no-polarizadas. As correlaes lineares do modelo nl281 (figuras 5.9(a), 5.9(b) e 5.9(f)) saem da faixa delimitada pelo intervalo de confiana apenas em = 10, o que no compromete a qualidade do mesmo. Os parmetros de comparao utilizados para a validao dinmica dos modelos analisados so as constantes de tempo de aquecimento e resfriamento e o ganho em regime permanente. Para tanto, os modelos foram simulados com os sinais de entrada de cada uma das massas de dados de validao: frq1, fd1 e fd2. A simulao foi implementada utilizando a estrutura identificada para gerar predies do sinal de sada "infinitos-passos-a-frente". Em seguida, as predies foram comparadas com o sinal de sada do conjunto de dados correspondentes (Rodrigues et al., 1996). As primeiras 22 amostras da massa de dados frq2 foram utilizadas para inicializar os modelos. As figuras 5.12 5.17 mostram as simulaes dos modelos do forno. Apenas os resultados mais significativos so apresentados.
100
90 80 70 60 50 40 30 20 10 0 0 10
s ad a
- - -
m o d e lo
- -
e n tra d a
20
30
40 t
50
60
70
80
Figura 5.12. Simulao do modelo nl281 utilizando frq1.
Captulo 5
66
100
90 80 70 60 50 40 30 20 10 0 0 10
s ad a
- - -
m o d e lo
- -
e n tra d a
20
30
40 t
50
60
70
80
Figura 5.13. Simulao do modelo nl391 utilizando frq1.
Os modelos no-lineares foram capazes de reproduzir, com considervel exatido, a sada de frq1 quando simulados com o correspondente sinal de entrada. Os modelos analisados foram identificados a partir da massa de dados frq2, a qual no apresenta as falhas verificadas em frq1 nos instantes t 30 e t 130. Como era de se esperar, os modelos no predizem estas falhas, o que indica boa consistncia dos resultados. Deve ser destacado que o modelo segue a falha em uma predio "umpasso-a-frente".
100
90 80 70 60 50 40 30 20 10 0 0 10
s a d a
- - -
m od e lo
- -
e n tra d a
20
30
40 t
50
60
70
80
Figura 5.14. Simulao do modelo ml371 utilizando frq1.
Um modelo linear apresenta constantes de tempo de subida e de descida idnticas. De fato, o modelo ml371 ajusta o mesmo valor para as constantes de tempo de subida e descida, na resposta ao degrau. Este valor aparenta ser uma mdia das constantes de aquecimento e de resfriamento do forno. Esse fato reitera a necessidade de estruturas no-lineares para reproduzir a dinmica do forno eltrico.
67
100
90 80 70 60 50 40 30 20 10 0 0 10
s a d a
- - -
m o d e lo
- -
e n tra d a
20
30
40 t
50
60
70
Figura 5.15. Simulao do modelo nl281 utilizando fd2.

100
90 80 70 60 50 40 30 20 10 0 0 10
s a d a
- - -
m o d e lo
- -
e n tra d a
20
30
40 t
50
60
70
80

100
s a d a
- - -
m od e lo
- -
e n tra d a
80
60
40
20
0 0 20
40 t
60
Captulo 5
68
O modelo nl281 instvel nas regies de operao visitadas pela massa de dados fd1. Essas regies de operao diferem daquelas onde foram gerados os dados de identificao frq2. Assim, este modelo reproduz a dinmica do forno apenas em determinadas regies de operao. Os modelo no conseguem reproduzir adequadamente os dados de fd2. A constante de tempo de subida dos modelos reproduz a constante rpida de aquecimento do forno. A constante de tempo de descida aparenta ser uma composio das constantes rpida e lenta do resfriamento. Mesmo assim, os modelos no-lineares ajustam duas constantes distintas para o aquecimento e o resfriamento do forno. Observa-se, ainda, que os modelo no reproduzem a variao brusca do sinal de sada da massa de dados fd2. A tabela 5.2 compila o valor do desvio padro dos erros de predio dos modelos nl281, nl391 e ml371.
Tabela 5.2. Desvio padro dos erros de predio dos modelos do forno (dados em porcentagem).
Dados frq1 fd1 fd2 nl281 1,42 1,66
Modelo nl391 1,75 3,53 1,77
ml371 2,23 9,12 1,49
O modelo nl281 apresenta o melhor ajuste dos dados de validao. Por sua vez, o modelo linear gera os maiores erros de predio (exceto na simulao com a entrada da massa de dados fd2). 5.4 Anlise de Tendncia em Dados de Sistemas Dinmicos Um sinal pode ser decomposto em trs parcelas (Box e Jenkins, 1976, captulo 9): uma componente que "explica" a dinmica do sistema em estudo; uma componente aleatria rudo que corrompe o sinal; uma tendncia. A existncia de uma tendncia em um conjunto de dados dificulta a anlise da dinmica do sistema original, j que esta tendncia se superpe s componentes de interesse. A tendncia poder ser eliminada (ou reduzida) em situaes onde o objetivo primordial a anlise de comportamento de sistemas dinmicos e no o ajuste de dados. Destaca-se que a identificao de modelos e a predio de comportamento devem ser feitas a partir dos dados originais, incluindo a tendncia. Os sinais de sada das massas de dados fd1 e fd2 apresentam tendncias visveis, conforme pode ser verificado na figura 5.3 5. Os modelos nl281 e nl391 no conseguem
5
Nessa anlise, a constante de aquecimento lenta do forno eltrico foi considerada como uma tendncia nos dados.
69
reproduzir estas tendncias (figuras 5.15 5.17), pois foram identificados a partir de frq2, cujo sinal de sada bastante ativo e no apresenta tendncia visvel. A tendncia em fd2 (observada no intervalo 30 t 45 , principalmente) foi reduzida, visando isolar o sinal que reflete a dinmica do forno. Para tanto, utilizou-se a funo detrend do "software" MATLAB (MathWorks, 1990a, 1990b). Esta funo usa a transformada rpida de Fourier, FFT, para ajustar uma reta aos dados originais e eliminar qualquer tendncia. Os dados sem tendncia foram utilizados na validao dinmica dos modelos NARMAX polinomiais identificados. A figura 5.18 mostra a simulao dos modelos nl281 e nl391 com o sinal de entrada da massa de dados fd2. Os resultados destas simulaes foram comparados com os dados de fd2 sem a tendncia.
80 80
dados originais - - - dados sem tendncia 78 - - modelo

76
dados originais - - - dados sem tendncia 78 - - modelo

76
74
74
72
72
70
70
68
68
66
20
40 t
60
66 0 (b)
20
40 t
60
(a)
Figura 5.18. Anlise de tendncia na massa de dados fd2. (a) validao do modelo nl281 (b) validao do modelo nl391.
A sada dos modelos identificados est mais prxima dos dados de validao aps a eliminao da tendncia. As constantes de resfriamento destes modelos reproduzem a constante original do forno, embora o valor final dos modelos seja diferente daquele apresentado pela sada sem tendncia. Observa-se, ainda, que o modelo nl281 no consegue reproduzir adequadamente o ganho do forno em regime permanente. Os fatos destacados confirmam a qualidade dinmica dos modelos nl281 e nl391. 5.5 Comentrios Finais Este captulo descreveu a modelagem de um sistema no-linear real utilizando as tcnicas de identificao apresentadas anteriormente. O sistema modelado foi um forno eltrico construdo para estudar problemas de identificao e controle. O forno eltrico apresenta diferentes constantes de tempo de aquecimento e de resfriamento. As duas constantes de tempo so distintas porque o mecanismo de aquecimento do forno forado, atravs da atuao sobre uma lmpada eltrica,
Captulo 5
70
enquanto que o resfriamento passivo. Alm disso, a transferncia de calor no forno se processa atravs de fenmenos distintos, radiao e conveco trmica, de acordo com a regio de operao considerada. A transferncia de calor por radiao altamente nolinear, dependendo da quarta potncia da temperatura absoluta do meio emissor. A transferncia de calor por conveco, por sua vez, depende linearmente da diferena das temperaturas absolutas dos meios envolvidos. Vrios modelos NARMAX polinomiais foram identificados para representar a dinmica do forno eltrico. Alguns modelos foram apresentados ao longo do texto. Observa-se que no existe o melhor modelo e sim uma famlia de modelos que reproduzem a dinmica do forno eltrico com boa exatido. A escolha de um modelo dentro desta famlia depender da aplicao em questo (anlise, predio ou controle). Os dados obtidos no abrangem toda a faixa de operao do forno. Em consequncia, os modelos identificados so capazes de descrever a dinmica do sistema apenas nas regies visitadas pelos dados disponveis. A obteno de modelos globais estar condicionada obteno de dados de identificao que excitem todos os modos de operao do forno. Os algoritmos de identificao (apresentados no captulo 4) mostraram-se bastante robustos e poderosos, pois estimaram bons modelos para o forno eltrico utilizando uma quantidade reduzida de dados (84 pontos). Os registros de dados de identificao tiveram seus tamanhos comprometidos devido ao valor elevado do perodo de amostragem do sistema. A relao sinal/rudo das massas de dados no era muito baixa, o que simplificou os procedimentos de seleo de estrutura e estimao de parmetros. Deve ainda ser destacado que a filtragem anti-falseamento de sinais no foi implementada. Embora no seja um procedimento recomendvel, a eliminao dessa etapa de pr-processamento dos dados do sistema no resultou em distoro do espectro de frequncias do sinal amostrado. A deteco da estrutura dos modelos identificados para o forno foi implementada atravs do critrio do ERR e do conceito de agrupamentos de termos efetivos. O ERR consegue selecionar modelos com boa qualidade estatstica e dinmica quando os dados de identificao apresentam elevada relao sinal/rudo e taxa de amostragem adequada. O critrio do ERR ajustou adequadamente a estrutura dos modelos do forno eltrico, selecionando apenas termos pertencentes aos agrupamentos considerados efetivos. Observou-se experimentalmente que modelos no-lineares predizem melhor a dinmica do forno eltrico em comparao com modelos lineares gerados a partir dos mesmos dados. Basicamente, esse fato acontece porque os modelos no-lineares ajustam constantes de tempo distintas para o aquecimento e para o resfriamento do forno eltrico, enquanto que os modelos lineares ajustam uma nica constante de tempo para o processo. A validao estatstica de um modelo dinmico deve estar sempre conjugada com um procedimento de validao dinmica. O modelo linear ml371, por exemplo, apresentou resduos de identificao brancos, embora no tenha reproduzido adequadamente as constantes de tempo do processo.
71
O estudo do forno eltrico foi considerado bastante significativo pois envolveu diversos problemas relacionados modelagem e anlise de sistemas dinmicos. Esse captulo mostrou que a aplicao das tcnicas de identificao de sistemas no-lineares a sistemas reais vivel pois produziu modelos capazes de representar adequadamente a dinmica do sistema em estudo.
Captulo 6
72
Captulo 6 6. Modelagem No-Linear do Circuito de Chua

6.1 Introduo O circuito de Chua um dos circuitos eletrnicos no-lineares mais estudados e um grande nmero de trabalhos sobre ele tm sido publicados na literatura especializada (Glover e Mees, 1992; Chua e Hasler, 1993; Hartley e Mossayebi, 1993; Madan, 1993; Aguirre e Billings, 1994b; Aguirre, 1995b). O circuito de Chua foi utilizado para avaliar o procedimento de identificao de sistemas no-lineares usando modelos NARMA polinomiais. Nesse captulo, sero apresentados e analisados os principais resultados obtidos na modelagem deste circuito. Os principais conceitos da teoria de sistemas dinmicos no-lineares abordados nesse texto so descritos no apndice A. As figuras 6.1 e 6.2 desse captulo foram gentilmente cedidas por Leonardo Torres (Torres e Aguirre, 1995a). 6.2 Descrio do Sistema O circuito de Chua apresenta uma topologia bastante simples. Ele constitudo por elementos passivos lineares (dois capacitores, um indutor e um potencimetro) e um elemento no-linear denominado diodo de Chua (Chua et al., 1986; Chua, 1992). O diodo de Chua um resistor de dois terminais e comportamento linear por partes. A figura 6.1 mostra o diagrama esquemtico do circuito e a figura 6.2 apresenta a curva caracterstica do diodo de Chua1.
R id rL C2 L iL
Diodo de Chua
C1
Figura 6.1. Circuito eletrnico de Chua.

1
O diodo de Chua pode ser implementado utilizando componentes discretos (Kennedy, 1992) ou integrados (Cruz e Chua, 1992).
Modelagem do Circuito No-Linear de Chua
73
id m0
m1 -B p
Bp
vC 1 m0
Figura 6.2. Curva caracterstica do diodo de Chua.
As equaes dinmicas do circuito de Chua so: C1 C2 dv C1 dt dv C 2 = v C2 v C1 R v C1 v C2 i d ( v C1 ) ,
= + iL , dt R di L L = v C 2 rL i L . dt
( 6.1 )
onde vC1 e vC 2 so as tenses sobre os capacitores C1 e C 2 , respectivamente, e iL a corrente no indutor L. rL indica a resistncia interna do indutor. A caracterstica correntetenso do diodo de Chua (Chua et al., 1986; Chua, 1992): id (v C1 ) = m 0 v C1 + B p ( m 0 m1 ), se v C1 < B p id (v C1 ) = m1 v C1 , se B p v C1 B p id (v C1 ) = m 0 v C1 + B p ( m1 m 0 ), se v C1 > B p
( 6.2 )
onde as constantes m0, m1 so as inclinaes das regies lineares e Bp o valor de tenso onde ocorre a mudana na caracterstica iv do dispositivo (vide figura 6.2). Observa-se que esta curva apresenta uma simetria mpar em relao ao eixo de correntes. Hartley (1989) props a utilizao de um polinmio cbico para aproximar a caracterstica do diodo de Chua. O circuito de Chua possui trs elementos armazenadores de energia os capacitores e o indutor e apresenta equao de estados de terceira ordem, cujas variveis so: vC1 , vC 2 e iL. O sistema autnomo, pois no existem fontes externas de energia atuando sobre ele. Em alguns trabalhos, as equaes ( 6.1 ) so utilizadas em uma forma normalizada, com o objetivo de simplificar a anlise da dinmica do circuito.
Captulo 6
74
As equaes dinmicas do circuito de Chua possuem trs pontos fixos, os quais podem ser calculados segundo a definio mostrada no incio da seo 3.3.1. Os pontos fixos da dinmica deste sistema so (Torres e Aguirre, 1995a): p1 = (v C11 , v C 21 , i L1 ), onde v C11 =
B p (R + rL )(m 0 m1 ) 1 + (R + rL )m 0 B p rL (m 0 m1 ) 1 + (R + rL )m 0 B p (m 0 m1 ) 1 + (R + rL )m 0 ,
v C 21 = i L1 = p 2 = (0,0,0). p3 = ( v C11 , v C 21 ,i L1 ).
O circuito apresenta dois pontos fixos simtricos ( p1 e p3 ) e um ponto fixo trivial ( p2 ). A estabilidade destes pontos fixos foi analisada em (Torres e Aguirre, 1995a). Os trs pontos fixos da dinmica do circuito de Chua apresentam comportamento local instvel, embora o sistema seja globalmente estvel (caracterstica de sistemas caticos). O circuito de Chua exibe vrios comportamentos dinmicos distintos quando o valor dos componentes e das constantes envolvidas so variados. Os dois regimes dinmicos de maior interesse para esse estudo so aqueles representados pelo atrator de dupla volta e pelo atrator em espiral (Chua et al., 1986), sobre os quais o sistema apresenta comportamento catico (vide figuras 6.3 e 6.4).
-3
x 10 4 2 iL(t) 0 -2 -4 4 2 0 -2 vC1(t) -4 -1 -0.5 vC2(t) 0.5 0 1
Figura 6.3. Atrator catico de dupla volta, no circuito de Chua.
75
-3
x 10 3 2 iL(t) 1 0 -1 1 0.5 0 -0.5 vC2(t) -1 -4 -3 vC1(t) -1 -2 0
Figura 6.4. Atrator catico em espiral, no circuito de Chua.
Uma anlise detalhada mostra que o circuito de Chua apresenta comportamento catico em determinadas condies de operao (Chua et al., 1986). Alguns autores acreditam que essa topologia a configurao mais simples e robusta de um sistema autnomo que pode apresentar comportamento catico (Wu, 1987). Por estes e outros motivos apresentados anteriormente, o circuito de Chua considerado um padro ("benchmark") para o estudo de sistemas dinmicos no-lineares. 6.3 Representao da Dinmica No-Linear do Circuito de Chua As sees seguintes descrevem as etapas do procedimento de modelagem do circuito de Chua operando sobre os atratores de dupla volta e em espiral. Observa-se que estas etapas diferem ligeiramente daquelas utilizadas na identificao no-linear do forno eltrico (captulo 5). 6.3.1 Aquisio de Dados Os dados para a identificao do circuito de Chua foram gerados atravs de dois procedimentos distintos: simulao da dinmica descrita pelas equaes ( 6.1 ) e ( 6.2 ); aquisio de dados de operao em um prottipo do circuito (Torres e Aguirre, 1995b). Os dados de simulao foram obtidos a partir da soluo numrica do sistema de equaes diferenciais ( 6.1 ). Um algoritmo de Runge-Kutta de quarta ordem (Parker e Chua, 1989) foi utilizado para integrar numericamente as equaes dinmicas com um passo de clculo igual a t=110-7. Nessa tarefa, foram utilizadas rotinas implementadas em linguagem C por Leonardo Torres. Os valores dos componentes do circuito e das constantes envolvidas foram variados de modo a simular vrios regimes dinmicos apresentados pelo sistema.
Captulo 6
76
Os dados obtidos a partir da soluo numrica das equaes dinmicas ( 6.1 ) foram utilizados na delimitao de uma regio do espao de estruturas de modelos (descrito com detalhes em Aguirre e Billings, 1995a) onde posteriormente seriam procurados modelos NARMA polinomiais para o circuito de Chua. A regio selecionada no espao de estruturas de modelos do sistema pode ser descrita por: 4 n y 6, 10 n p 30 . Um segundo conjunto de dados de identificao foi obtido durante a operao de um prottipo do circuito. Este prottipo encontra-se montado no Laboratrio de Controle de Processos Industriais (LCPI) do Centro de Pesquisa e Desenvolvimento em Engenharia Eltrica (CPDEE) e foi projetado com fins didticos e de pesquisa (Torres e Aguirre, 1995b). Os valores dos componentes eletrnicos utilizados e dos parmetros do diodo de Chua implementado (utilizando componentes discretos) so: C 1 = 10 nF 5 %; C 2 = 90 nF 5 %; L = 21,0 0,5 mH; rL = 15,0 0,5 ; m 0 = 0,37 0,04 mS; m1 = 0,68 0,04 mS; B p = 11 , 0,2 V. A variao do potencimetro R do prottipo permite alterar o comportamento dinmico apresentado pelo circuito. Os atratores de dupla volta e em espiral foram gerados fazendo R1800 e R1900 , respectivamente. Os perodos ideais para a amostragem dos sinais de tenso e de corrente no circuito foram determinados a partir dos dados de simulao, utilizando a tcnica descrita no captulo 3. O perodo escolhido para a amostragem dos sinais vC1 e i L sobre o atrator de dupla volta foi Ts = 12 s , enquanto que o sinal vC 2 foi amostrado com Ts = 8 s . O perodo de amostragem de vC1 sobre o atrator em espiral foi escolhido como Ts = 20 s . A aquisio dos dados de operao do circuito foi feita atravs de um osciloscpio digital TEKTRONIX, modelo TDS 540 (Tektronix, 1992)2. Em um primeiro ensaio, utilizou-se o modo de aquisio "hi res" do osciloscpio para obter 5.000 amostras dos sinais vC1 , vC 2 e iL sobre o atrator de dupla volta e 5.000 amostras de vC1 sobre o atrator em espiral. A aquisio no modo "hi res" utiliza uma resoluo de discretizao dependente do perodo de amostragem considerado, conforme mostrado na tabela 3-1 do manual de operao do osciloscpio (pgina 3-13, Tektronix, 1992). A resoluo correspondente aos perodos de amostragem utilizados neste ensaio 13 bits, o que
2
A corrente no indutor L foi amostrada atravs de uma ponta de prova de corrente baseada no efeito Hall. Esta ponta de prova distorceu levemente o sinal medido sem, entretanto, alterar as suas caractersticas estatsticas bsicas (mdia, varincia, etc).
77
limita o nmero mximo de amostras que podem ser armazenadas na memria do aparelho em 5.000. Em um segundo ensaio, optou-se por utilizar o modo de aquisio "sample". Este modo de aquisio trabalha com uma resoluo de discretizao menor que aquela do modo "hi res" (8 bits). Entretanto, o nmero mximo de amostras significativamente superior. Neste ensaio, foram amostrados 15.000 pontos dos sinais vC1 , vC 2 e iL sobre o atrator de dupla volta (dados super-amostrados, com perodo Ts = 4 s ) e 15.000 pontos de vC1 sobre o atrator em espiral (dados tambm superamostrados, com o mesmo perodo de amostragem anterior). Algumas massas de dados experimentais so mostradas nas figuras 6.5 6.7. As trs massas de dados iniciais (figura 6.5) correspondem ao primeiro ensaio, o qual utilizou resoluo de discretizao igual a 13 bits. As quatro massas de dados seguintes (figuras 6.6 e 6.7) foram obtidas no segundo ensaio, utilizando resoluo de discretizao igual a 8 bits e perodo de amostragem Ts = 4 s . Os dados apresentados nas figura 6.6 e 6.7 foram gerados reamostrando-se as massas de dados originais s taxas necessrias para a identificao de modelos NARMA polinomiais. Os sinais de tenso foram medidos em volts, enquanto que o sinal de corrente foi medido em amperes. Nas figuras, t indica o nmero de amostras.
5 0 -5 0 (a) 1 0 -1 0 (b) 0.0 05 0 -0 .00 5 0 (c) 50 0 10 00 t 15 00 20 00 50 0 10 00 t 15 00 20 00
50 0
10 00 t
15 00
20 00
Figura 6.5. Dados experimentais do circuito de Chua sobre o atrator de dupla volta. (a) tenso vC1 massa dsvc1 (volts) (b) tenso vC2 - massa dsvc2 (volts) (c) corrente iL - massa dsil (amperes). t indica o nmero de amostras.
Captulo 6
78
0 -5 0 (a ) 1 0 -1 0 (b ) 0.0 02 0 -0 .002 0 (c ) 50 0 10 00 t 15 00 20 00 50 0 10 00 t 15 00 20 00 50 0 10 00 t 15 00 20 00
Figura 6.6. Dados experimentais do circuito de Chua sobre o atrator de dupla volta. (a) tenso vC1 massa ddsvc1 (volts) (b) tenso vC2 - massa ddsvc2 (volts) (c) corrente iL - massa ddsil (amperes). t indica o nmero de amostras.
0 -2 -4 -6 0 50 0 10 00 t 15 00 20 00
Figura 6.7. Dados experimentais da tenso vC1 sobre o atrator em espiral - massa spivc1 (volts). t indica o nmero de amostras.
-1
2.6
10
0.018
2.4 0.016 2.2 0.014 0.012 0.01 1.8 0.008 0.006 0.004 1.4 0.002 1.2 0 (a) 50 t 100 150 (b) 0 0 50 100 t 150 200 250
1.6
Figura 6.8. Ampliao da figura 6.6 para destacar a qualidade da converso analgico-digital dos sinais medidos. (a) tenso vC1 (volts) (b) corrente iL (amperes).
Observa-se, na figura 6.8, que as massas obtidas no segundo ensaio de aquisio de dados apresentam graves problemas de digitalizao devidos baixa resoluo utilizada na converso analgico-digital dos sinais medidos. Estes problemas de digitalizao so mais evidentes quando a amplitude do sinal em converso reduzida (em relao ao
79
valor mximo do sinal). Tais erros de digitalizao aparecero como rudo aditivo para os algoritmos de identificao, o que tende a dificultar a seleo de estrutura e estimao de parmetros a partir destas massas de dados. Alm disso, os modelos NARMA polinomiais identificados a partir de dados com baixa relao sinal/rudo geralmente apresentam estruturas mais complexas em comparao com os modelos obtidos a partir de dados mais limpos (Aguirre e Billings, 1995b). As relaes sinal/rudo (SNR) estimadas para as massas de dados obtidas so apresentadas na tabela 6.1.
Tabela 6.1. Relao sinal/rudo das massas de dados de identificao do circuito de Chua.
Massa de Dados dsvc1 dsvc2 dsil ddsvc1 ddsvc2 ddsil spivc1
SNR (dB) 72,30 69,71 49,81 58,79 50,71 47,51 49,28
No clculo das relaes sinal/rudo acima, a varincia do rudo foi aproximada pela varincia dos resduos de identificao de modelos NARMA polinomiais derivados para o processo. Observa-se que as massas de dados ddsvc1, ddsvc2 e ddsil apresentam relaes sinal/rudo menores do que as correspondentes relaes das massas dsvc1, dsvc2 e dsil. A reduo da relao sinal/rudo das massas de dados da figura 6.6 se deve ao rudo de digitalizao presente nos dados, conforme foi discutido anteriormente. A pr-filtragem dos dados para evitar o falseamento dos sinais amostrados no foi implementada neste trabalho. Embora esse no seja um procedimento recomendvel, a qualidade dos modelos identificados (vide seo 6.3.4) indica que a excluso da filtragem anti-falseamento no comprometeu os resultados obtidos, pois no houve perda de informao na amostragem. Destaca-se que as massas de dados obtidas no segundo ensaio de aquisio esto super-amostradas. Assim, estes dados poderiam ser facilmente pr-processados por filtros digitais no intuito de eliminar o possvel falseamento dos sinais amostrados. O procedimento de aquisio de dados atravs do osciloscpio digital TEKTRONIX permite detectar a existncia de falseamento atravs de uma anlise visual dos sinais exibidos em sua tela. Uma breve anlise do fenmeno e mtodos teis para evit-lo so discutidos no manual de operao do aparelho (pgina 2-15, Tektronix, 1992).
Captulo 6
80
6.3.2 Deteco de Estrutura e Estimao de Parmetros As equaes matemticas ( 6.1 ) e ( 6.2 ) que descrevem a dinmica do circuito de Chua so no-lineares. Visto que a estrutura do sistema era previamente conhecida, no foi necessrio utilizar testes de deteco de no-linearidades para quantificar as interaes presentes nos dados de identificao. Alm disso, o comportamento catico do sistema em determinadas regies de operao no pode ser representado por estruturas lineares, o que tambm justificou a utilizao de modelos no-lineares. O circuito de Chua um sistema autnomo que possui trs elementos armazenadores de energia. Existem variveis de estado fsicas associadas a cada um destes elementos armazenadores de energia. Modelos dinmicos multivariveis para o circuito de Chua devem ser capazes de descrever o comportamento destas variveis de estado em funo da histria passada do sistema. No presente trabalho, estes modelos seriam compostos por conjuntos de polinmios NARMA, conforme foi analisado na seo 2.4. Entretanto, o procedimento de identificao de modelos NARMA multivariveis exige que todas as variveis de interesse tenham sido amostradas simultaneamente. A aquisio simultnea de dados das trs variveis de estado do circuito de Chua mostrou-se invivel devido inadequao dos equipamentos disponveis. Por outro lado, o teorema de Takens (1980) mostra que os espaos de estados de sistemas dinmicos podem ser reconstrudos a partir de medies de uma nica varivel do processo, garantindo-se que o registro de dados disponveis seja suficientemente longo (e sem rudo) e a estrutura da reconstruo seja adequadamente ajustada (vide seo 2.3). Analisando o teorema de Takens, optouse por tentar reconstruir os regimes dinmicos caticos do circuito atravs de modelos NARMA monovariveis identificados a partir de cada uma das suas variveis de estado. O procedimento de obteno destes modelos monovariveis ser descrito na sequncia dessa seo. Os atratores de dupla volta e em espiral do circuito de Chua foram reconstrudos de acordo com o teorema de Takens. Os espaos de estados originais foram aproximados por sistemas de coordenadas de atraso fazendo d e = n y e = Ts . A figura 6.9 (pgina seguinte) apresenta projees bidimensionais de algumas destas reconstrues. Os atratores dos modelos NARMA polinomiais identificados para o circuito de Chua tambm sero apresentados dessa maneira, na seo 6.3.4. A estrutura escolhida para representar a dinmica do circuito de Chua foi apresentada na equao ( 2.4 ). O grau de no-linearidade desta estrutura foi ajustado em l = 3, com base em trabalhos similares anteriores (Aguirre e Billings, 1994b; Aguirre, 1995b). Em uma primeira etapa, nenhuma informao conhecida "a priori" foi utilizada para facilitar o processo de seleo de estrutura dos modelos. A estrutura dos modelos obtidos foi ajustada de maneira experimental. Para tanto, identificaram-se trs conjuntos de modelos NARMA polinomiais utilizando dados relativos a cada uma das variveis de estado do sistema. Estes conjuntos de modelos foram identificados dentro da regio do espao de estruturas de modelos que foi delimitada a partir dos dados de simulao (conforme mencionado na seo 6.3.1). Os melhores modelos identificados para o circuito de Chua foram escolhidos atravs de procedimentos de validao dinmica,
81
dentro do conjunto de modelos que reproduziram os atratores caticos. Os modelos selecionados sero apresentados na seo 6.3.4.
4 3 2 1 0 vc1(t-4) -1 -2 -3 -4 -4 (a) 10 0.03 0.02 0.01 0 iL(t-4) -0.01 -0.02 -0.03 -0.04 -0.04 (c) 10 -0.02 0 iL(t) 0.02 0.04 (d)
-1 -1
0.8 0.6 0.4 0.2 0 vc2(t-4) -0.2 -0.4 -0.6 -0.8 -1 (b) 1 0 -1 -2 vc1(t-4) -3 -4 -5 -6 -6
-2
0 vc1(t)
-0.5
0 vc2(t)
0.5
-5
-4
-3
-2 vc1(t)
-1
Figura 6.9. Projees bidimensionais das reconstrues dos atratores caticos do circuito de Chua. (a) atrator de dupla volta reconstrudo a partir da massa de dados dsvc1 (dados em volts) (b) atrator de dupla volta reconstrudo a partir da massa de dados dsvc2 (dados em volts) (c) atrator de dupla volta reconstrudo a partir da massa de dados ddsil (dados em amperes) (d) atrator em espiral reconstrudo a partir da massa de dados spivc1 (dados em volts).
Os termos dos modelos identificados foram escolhidos atravs do critrio do ERR, dentro de conjuntos de 35, 56 e 84 termos candidatos. Os parmetros destes modelos foram estimados atravs de um algoritmo ortogonal de mnimos quadrados. Um modelo linear de rudo com 20 termos foi utilizado para minimizar a polarizao dos parmetros estimados. O nmero de termos do modelo linear de rudo foi ajustado de modo a gerar modelos estatisticamente vlidos. Nesse caso, utilizou-se como referncia o modelo linear de rudo ajustado por Aguirre e Billings (1994b).
Captulo 6
82
A modelagem dos regimes caticos do circuito de Chua a partir da varivel vC1 foi bastante eficiente. Uma srie de modelos NARMA polinomiais com boa qualidade dinmica e estatstica foram identificados a partir de medies da tenso sobre o capacitor C1 (massa de dados dsvc1). A identificao destes modelos foi simplificada pela boa qualidade dos dados de identificao, os quais foram amostrados a uma taxa adequada para a identificao e apresentaram relao sinal/rudo relativamente elevada. Alm disso, estes dados excursionaram o sistema pelas trs regies lineares da curva caracterstica do diodo de Chua, permanecendo sobre elas um tempo suficiente para que os modelos pudessem "aprender" a dinmica global do circuito. Os modelos polinomiais identificados a partir da varivel v C 2 (massas de dados dsvc2 e ddsvc2) no foram capazes de reproduzir os regimes dinmicos contidos nos dados. Estes modelos apresentaram comportamento dinmico peridico, com periodicidades idnticas. Uma propriedade interessante foi observada nos modelos NARMA polinomiais identificados a partir da varivel iL, utilizando a massa de dados ddsil. A princpio, os modelos obtidos no foram capazes de representar os regimes dinmicos originais. Entretanto, alguns destes modelos reproduzem a sequncia de bifurcaes do sistema quando o parmetro do primeiro termo linear (ou primeiro termo cbico) variado incrementalmente. Acredita-se que a estrutura destes modelos foi ajustada corretamente, embora os parmetros no tenham sido adequadamente estimados. A reduzida relao sinal/rudo dos dados de identificao (tabela 6.1) dificulta a estimao destes parmetros, pois a varincia das estimativas proporcional varincia do rudo (Davis e Vinter, 1985; Ljung, 1987). Os modelos NARMA polinomiais para o atrator em espiral foram identificados a partir de dados filtrados. A varivel escolhida para a modelagem foi a tenso vC1 . Os dados spivc1 originais no eram adequados para os procedimentos de seleo de estrutura e estimao de parmetros, conforme foi comprovado experimentalmente. Assim, estes dados foram processados por um filtro digital passa-baixas de quarta ordem com frequncia de corte normalizada c = 0,24. O filtro foi implementado no MATLAB (MathWorks, 1990a), utilizando a funo cheby2 (MathWorks, 1990b) para calcular os coeficientes do filtro e a funo filtfilt (MathWorks, 1990b) para processar os dados. Esta funo filtfilt gera um filtro digital de fase nula, no qual a filtragem feita em sentido direto e posteriormente em sentido reverso para garantir uma defasagem total nula. A figura 6.10 mostra a massa de dados filtrada e uma projeo bidimensional do atrator reconstrudo utilizando coordenadas de atraso. A relao sinal/rudo da massa de dados filtrada foi calculada: SNR = 70,6 dB. Alguns modelos NARMA polinomiais identificados a partir dos dados spivc1 filtrados foram capazes de reproduzir a dinmica do circuito de Chua sobre o atrator em espiral. Estes modelos foram validados e aquele que melhor reproduziu as propriedades dinmicas do sistema original ser apresentado na seo 6.3.4.
83
Por fim, destaca-se que o procedimento de identificao de modelos NARMA polinomiais para o circuito de Chua mostrou-se bastante sensvel ao comprimento das massas de dados utilizadas e ao padro de comportamento3 por elas apresentado. Por vezes, a alterao desses parmetros mudou significativamente a qualidade dinmica dos modelos estimados. Entretanto, esse efeito ainda no foi quantificado matematicamente.
1 0 -1 -2 -3 -4 -5 -6 0 (a) 1 0 -1 -2 vc1(t-4) -3 -4 -5 -6 500
t
1000
1500
2000
-6 (b)
-5
-4
-3
-2 vc1 (t)
-1
Figura 6.10. (a) Dados spivc1 filtrados (volts) (b) Projeo do atrator reconstrudo a partir dos dados filtrados. t indica o nmero de amostras.
6.3.3 Deteco de Estrutura Utilizando ERR e Agrupamentos de Termos Os conceitos de agrupamentos de termos e coeficientes de agrupamentos (descritos no captulo 3) foram utilizados para analisar a estrutura dos modelos NARMA polinomiais identificados para o circuito de Chua. Na identificao do circuito de Chua, o conjunto de termos candidatos pode ser dividido em quatro agrupamentos de termos: 0 , y , y 2 e y 3 . No intuito de determinar quais so os agrupamentos efetivos na modelagem do sistema, identificaram-se dois conjuntos de modelos NARMA polinomiais a partir de medies da tenso vC1 . O primeiro conjunto de modelos foi identificado a partir de dados sobre o atrator de dupla volta, utilizando n y = 4 e 10 n P 20 . Os dados de identificao foram normalizados ao intervalo [-1,1] para permitir a comparao entre as magnitudes dos coeficientes de agrupamentos e minimizar os problemas de mal-condicionamento numrico. A figura 6.11 mostra o comportamento destes coeficientes em funo do nmero de termos dos modelos identificados. Um segundo conjunto de modelos NARMA foi identificado a partir de dados sobre o atrator em espiral. A ordem dos modelos foi ajustada em n y = 5 e o nmero de termos variava entre 15 n P 30 . A figura 6.12 mostra o comportamento dos coeficientes de agrupamentos dos modelos em funo de np.
3
Nmero de cruzamentos do sinal por zero, tempo de permanncia em cada lbulo do atrator, etc.
Captulo 6
84
-3
10 2 1 .1 0 1 -2 (a ) 1 0 10 0 -2 -4 -6 10 (c ) 15 np 20 -0 .4 10 (d ) 15 np 20
-3
15 np
20
0 .9 (b ) 1 0
15 np
20
-0 .2
Figura 6.11. Coeficientes de agrupamentos de termos em modelos do atrator de dupla volta (coeficientes calculados sobre os dados dsvc1). (a)
(b)
(c)
y2
(d)
y3
Observa-se que os coeficientes dos agrupamentos 0 e y 2 possuem magnitudes reduzidas em relao aos coeficientes dos outros dois agrupamentos e apresentam comportamento oscilatrio medida que o nmero de termos dos modelos aumentado. Por esse motivo, os agrupamentos 0 e y 2 podem ser considerados esprios na modelagem da dinmica sobre o atrator de dupla volta e podem ser eliminados do conjunto de termos candidatos no procedimento de seleo de estrutura. Assim, os agrupamentos efetivos sero: y e y 3 .
0 -0 .2 -0 .4 (a ) 1 .6 1 .4 1 .2 1 15 20 np 25 (b ) 0 .8 15 20 np 0 .0 4 0 .0 2 0 -0 .0 2 -0 .0 4 15 (c ) 20 np 25 (d ) 15 20 np 25 25
0 .3 0 .2 0 .1 0 -0 .1
Figura 6.12. Coeficientes de agrupamentos de termos em modelos do atrator em espiral (coeficientes calculados sobre os dados spivc1 filtrados). (a)
(b)
(c)
y2
(d)
y3
85
Os coeficientes dos agrupamentos de termos considerados possuem magnitudes prximas em valor absoluto, alm de apresentar um comportamento estvel medida que np aumenta. Nesse caso, nenhum agrupamento de termos pode ser considerado esprio e todos devero compor o conjunto de termos candidatos na identificao da dinmica sobre o atrator em espiral. Os resultados apresentados nessa seo so validados pelos trabalhos (Elgar e Chandran, 1993; Elgar e Kennedy, 1993). Nestes trabalhos, a estrutura no-linear do circuito de Chua foi determinada a partir de uma anlise espectral. A funo de biespectro (Nikias e Raghuveer, 1987) no mostrou a existncia de interaes quadrticas significativas em dados obtidos sobre o atrator de dupla volta, enquanto que a funo de triespectro detectou fortes interaes cbicas. Por outro lado, o biespectro e o triespectro revelaram considerveis interaes quadrticas e cbicas nos dados sobre o atrator em espiral. O estudo da autoestrutura da dinmica do circuito de Chua e da simetria de seus pontos fixos tambm confirma os resultados obtidos nessa anlise de agrupamentos de termos. A tabela 3.1 mostra que modelos NARMA polinomiais para o atrator de dupla volta devem ser compostos por termos dos agrupamentos y e y 3 , pois a dinmica do sistema sobre este atrator possui dois pontos fixos simtricos e um ponto fixo trivial. Os melhores modelos obtidos dentro do conjunto de agrupamentos efetivos tambm sero apresentados e analisados na seo seguinte. 6.3.4 Validao dos Modelos Identificados Os modelos NARMA polinomiais identificados para representar a dinmica do circuito de Chua sobre os atratores caticos tiveram as suas principais propriedades dinmicas avaliadas. O objetivo primordial desta avaliao foi selecionar os modelos que reproduzem o comportamento do sistema original com maior exatido e menor custo computacional. As propriedades escolhidas para medir a qualidade dinmica dos modelos do circuito de Chua so (Aguirre e Billings, 1994a)4: geometria do atrator (forma, tamanho, simetria e autoestrutura); espectro de expoentes de Lyapunov ( { i }in=1 ); dimenso de Lyapunov do atrator (DL); dimenso de correlao do atrator (DC).
Destaca-se que o diagrama de bifurcaes seria a ferramenta mais adequada para a validao dinmica dos modelos identificados (Aguirre e Billings, 1994a). Entretanto, o processo de obteno do diagrama de bifurcaes para sistemas dinmicos autnomos muito complexo (Parker e Chua, 1989). Por esse motivo, este mtodo de validao foi omitido nessa etapa do trabalho.
4
As definies destes termos so apresentadas no apndice A.
Captulo 6
86
A forma, o tamanho e a simetria dos atratores dos modelos identificados foram avaliadas visualmente. Os pontos fixos dos modelos e os autovalores associados foram calculados atravs das equaes ( 3.9 ) e ( 3.16 ). O espectro de expoentes de Lyapunov foi calculado atravs da frmula ( A.5 ), avaliando a autoestrutura da matriz Jacobiana do sistema sobre os dados disponveis. Uma rotina MATLAB (MathWorks, 1990a) foi implementada para estimar o espectro de expoentes dos modelos identificados. Nesta tarefa, utilizaram-se 10.000 amostras da dinmica dos modelos para estimar os expoentes de Lyapunov. Estas 10.000 amostras foram geradas em simulaes dos modelos analisados. Um grande problema associado ao clculo dos expoentes de Lyapunov e demais invariantes dinmicos a verificao da convergncia das estimativas. A convergncia das estimativas dos expoentes de Lyapunov dos modelos estudados foi estabelecida experimentalmente, embora existam mtodos mais elaborados para tanto (Ellner et al., 1991). Um outro problema importante o teste do carter estacionrio dos dados utilizados, pois ele um pr-requisito essencial para a existncia de invariantes que caracterizem o regime dinmico em questo (Isliker e Kurths, 1993). As massas de dados utilizadas foram supostas estacionrias no sentido restrito5. As estimativas do espectro de Lyapunov foram empregadas no clculo da dimenso de Lyapunov dos modelos atravs da equao ( A.3 ). A dimenso de correlao dos atratores destes modelos foi calculada atravs das tcnicas de reconstruo de espaos de estados e do algoritmo de Parker e Chua (1989, captulo 7). 20.000 amostras da dinmica dos modelos foram processadas para estimar as dimenses de correlao. A estimao dos invariantes dinmicos dos modelos uma tarefa bastante complexa. A qualidade destas estimativas depender do tamanho dos registros de dados processados, da relao sinal/rudo destes dados e dos algoritmos computacionais utilizados. Por esses motivos, a avaliao do comportamento dinmico dos modelos identificados ainda envolve fatores subjetivos ("julgamento de engenharia"), alm da anlise dos invariantes. As tabelas 6.2 e 6.3 mostram os pontos fixos e os principais invariantes dinmicos do circuito de Chua, respectivamente. Os pontos fixos da dinmica do circuito de Chua foram calculados de duas maneiras distintas. Em uma primeira etapa, eles foram calculados atravs da definio de ponto fixo (vide sees 3.3.1 e 6.2). Em uma segunda etapa, os pontos fixos da dinmica do sistema foram calculados atravs do algoritmo sugerido em (Glover e Mees, 1992), utilizando os dados de operao do prottipo do circuito. Os invariantes dinmicos apresentados na tabela 6.3 tambm foram calculados a partir dos dados de operao do prottipo.
Um sinal estacionrio no sentido restrito apresenta mdia constante no tempo e funo de autocorrelao dependente apenas da distncia entre as amostras consideradas (Papoulis, 1991).
87
Tabela 6.2. Autoestrutura dos atratores caticos do circuito de Chua.
(a) definio de ponto fixo (b) algoritmo de (Glover e Mees, 1992)6
Atrator de dupla volta p1 = (1,88 V; 15,57 mV; 1,04 mA ) p 2 = ( 0; 0; 0) p 3 = p1 p1 = (2,12 0,06 V; n.e.; 1,23 0,26 mA ) p 2 = ( 0; 0; 0) p3 = ( 2,20 0,06 V; n.e.; 114 , 0,26 mA )
Atrator em espiral p1 = (2,24 V; 17,55 mV; 117 , mA ) p 2 = ( 0; 0; 0) p 3 = p1 p1 = ( n.e.; n.e.; n.e.) p 2 = ( 0; 0; 0) p3 = ( 3,42 0,03 V; n.e.; n.e.)
Tabela 6.3. Invariantes dinmicos dos atratores caticos do circuito de Chua.
Dimenso Lyapunov Dimenso Correlao
Atrator de dupla volta 2,26 2,7810-3 2,06 6,5910-2
Atrator em espiral 2,24 1,0910-3 1,88
Alguns dos melhores modelos NARMA polinomiais identificados para representar os atratores caticos do circuito de Chua so: modelo ds1 Varivel identificada: vC1 sobre o atrator de dupla volta (dados dsvc1). Especificaes: l = 3, n y = 5, 13 termos de processo, 20 termos lineares de rudo, Ts = 12 s. y (t ) = 2,88045 y (t 1) 2,43319 y (t 2) + 0,19256 y (t 5) + 0,42319 y (t 3) 0,00078 y (t 1) 2 0,50164 y (t 1) 3 0,03275 y (t 5) 3 0,30319 y (t 2) 3 0,09080 y (t 3) 2 y (t 1) + 0,02465 y (t 5) 2 y (t 2) + 0,39849 y (t 5) y (t 2) 2 + 0,85829 y (t 2) y (t 1) 2 0,36564 y (t 5) y (t 2) y (t 1) + i (t i ) + (t ).
i =1 20
( 6.3 )
A sigla n.e. indica valores no estimados. Algumas componentes dos pontos fixos do circuito de Chua no foram estimadas por falta de massas de dados adequadas.
Captulo 6
88
modelo ds2 Varivel identificada: v C1 sobre o atrator de dupla volta (dados dsvc1). Especificaes: l = 3, n y = 4 , 20 termos de processo, 20 termos lineares de rudo e Ts = 12 s. y (t ) = 3,1757 y (t 1) 3,4226 y (t 2) + 1,3374 y (t 3) 0,0389 y (t 4) 0,0007 y (t 1) 2 1,4255 y (t 1) 3 + 5,0857 y (t 2) y (t 1) 2 2,2513 y (t 3) y (t 1) 2 0,0481y (t 4) 3 0,2241y (t 4) 2 y (t 3) + 4,8688 y (t 3) y (t 2) y (t 1) + 0,1502 y (t 4) y (t 1) 2 + 1,3821y (t 4) y (t 2) 2 0,0325 y (t 3) 2 y (t 2) 1,5754 y (t 4) y (t 3) y (t 2) 0,9929 y (t 4) y (t 2) y (t 1) 1,4047 y (t 3) 2 y (t 1) 4,8141y (t 2) 2 y (t 1) + 0,8628 y (t 4) y (t 3) 2 + 0,4088 y (t 4) 2 y (t 1) + i (t i ) + (t ).
i =1 20
( 6.4 )
Observa-se que os modelos ds1 e ds2 possuem termos quadrticos com coeficientes muito pequenos em relao aos demais. Estes termos pertencem a um agrupamento de termos considerado esprio na modelagem do atrator de dupla volta do circuito de Chua (vide seo 6.3.3). Apesar disso, os modelos ds1 e ds2 reproduzem o atrator de dupla volta com boa exatido (conforme ser mostrado na figura 6.13). modelo dsae1 Varivel identificada: v C1 sobre o atrator de dupla volta (dados dsvc1). Especificaes: l = 3, n y = 4 , 17 termos de processo (selecionados dentro do conjunto de agrupamentos efetivos), 20 termos lineares de rudo e Ts = 12 s. y (t ) = 3,5230 y (t 1) 4,2897 y (t 2) 0,2588 y (t 4) + 2,0652 y (t 3) 1,7784 y (t 1) 3 + 6,1761y (t 2) y (t 1) 2 + 0,1623 y (t 4) y (t 2) y (t 1) 2,7381y (t 3) y (t 1) 2 5,5369 y (t 2) 2 y (t 1) + 0,1031y (t 2) 3 + 0,4623 y (t 4) 3 0,5247 y (t 4) y (t 2) 2 1,8965 y (t 3) 2 y (t 1) + 5,4255 y (t 3) y (t 2) y (t 1) + 0,7258 y (t 4) 2 y (t 2) 1,7684 y (t 4) 2 y (t 3) + 11800 , y (t 4) y (t 3) 2 + i (t i ) + (t ).
i =1 20
( 6.5 )
89
modelo dsae2 Varivel identificada: i L sobre o atrator de dupla volta (dados ddsil dizimados). Especificaes: l = 3, n y = 6 , 20 termos de processo (selecionados dentro do conjunto de agrupamentos efetivos), 20 termos lineares de rudo e Ts = 12 s. y (t ) = 1,4092 y (t 1) 0,6483y (t 4) + 0,3634 y (t 2) + 0,6199 y (t 6) 0,2903 y (t 3) 0,3988 y (t 5) 1891,2489 y (t 6) y (t 5) y (t 1) + 4628,2549 y (t 6) y (t 4) y (t 2) 2415,2616 y (t 5) y (t 4) y (t 3) 527,2104 y (t 1) 3 2915,2755 y (t 6) 3 + 6979,7872 y (t 6) 2 y (t 4) + 9211841 , y (t 3) y (t 2) y (t 1) + 50,8122 y (t 6) 2 y (t 5) 1932,6477 y (t 6) y (t 2) 2 4953,4587 y (t 6) y (t 4) 2 1869,3976 y (t 6) 2 y (t 2) + 2054,9849 y (t 5) y (t 4) y (t 1) + 2250,7216 y (t 6) y (t 5) y (t 3) 558,6647 y (t 6) 2 y (t 1) + i (t i ) + (t ).
i =1 20
( 6.6 )
O modelo dsae2 foi gerado atravs de uma variao incremental do parmetro 1 do primeiro termo linear de um modelo NARMA polinomial identificado a partir dos dados ddsil. Os dois modelos apresentam atratores distintos, embora as suas estruturas sejam idnticas (os termos do primeiro modelo no foram alterados). O modelo original foi identificado utilizando dados normalizados ao intervalo [-0,025 A; 0,025 A] e o seu atrator era um ciclo limite instvel de perodo unitrio. modelo esp1 Varivel identificada: v C1 sobre o atrator em espiral (dados spivc1 filtrados e dizimados). Especificaes: l=3, n y = 5 , 23 termos de processo, 20 termos lineares de rudo e Ts = 20 s. y (t ) = 0,228660 + 2,968064 y (t 1) 2,893206 y (t 2) + 1,601020 y (t 3) 0,287626 y (t 4) 0,088461y (t 5) + 0,653338 y (t 1) 2 + 0,043401y (t 5) 2 0,079976 y (t 5) y (t 1) 0,638002 y (t 2) y (t 1) + 0,186301y (t 4) y (t 3) + 0,088595 y (t 5) 2 y (t 4) + 0,113172 y (t 1) 3 0,238244 y (t 4) 3 0,247567 y (t 4) y (t 1) 2 + 0,307877 y (t 4) y (t 2) y (t 1) + 0,170870 y (t 3) 2 y (t 1) 0,263581y (t 5) 2 y (t 3) 0,625514 y (t 5) y (t 3) y (t 2) + 0,353422 y (t 5) y (t 2) 2 0,133970 y (t 3) y (t 2) y (t 1) + 0,625611y (t 5) y (t 4) y (t 3) 0,133350 y (t 2) 2 y (t 1) + i (t i ) + (t ).
i =1 20
( 6.7 )
Captulo 6
90
A figura 6.13 mostra as projees bidimensionais dos atratores caticos dos cinco modelos escolhidos.
4 3 2 1 0 vc1(t-4) -1 -2 -3 -4 -4 (a) 4 3 2 1 0 vc1(t-4) -1 -2 -3 -4 -4 (c) 4 3 2 1 0 vc1(t-4) -1 -2 -3 -4 -4 (b) 0.04 0.03 0.02 0.01 0 iL(t-4) -0.01 -0.02 -0.03 -0.04 4 -0.04 (d) 10 -0.02 0 iL(t) 0.02
-1
-2
0 vc1(t)
-2
0 vc1(t)
10
-1
-2
0 vc1(t) 1 0 -1 -2 vc1(t-4) -3 -4 -5 -6 -6 (e)
0.04
-5
-4
-3
-2 vc1(t)
-1
Figura 6.13. Projees bidimensionais de atratores caticos. (a) modelo ds1 (volts) (b) modelo ds2 (volts) (c) modelo dsae1 (volts) (d) modelo dsae2 (amperes) (e) modelo esp1 (volts).
91
As tabelas 6.4 e 6.5 compilam os pontos fixos e os invariantes dinmicos dos modelos identificados para representar os regimes dinmicos caticos do circuito de Chua. importante destacar que os pontos fixos dos modelos monovariveis reproduzem apenas as componentes dos pontos fixos originais relativas varivel de estado utilizada para a identificao.
Tabela 6.4. Pontos fixos dos modelos identificados para o circuito de Chua.
Pontos Fixos
modelo ds1 y 1 = 2,21 V y 2 = 0 V y 3 = 2,27 V modelo dsae1 y1 = 2,24 V y 2 = 0 V y 3 = 2,24 V modelo esp1 y 1 = 0,57 V y 2 = 3,49 V y 3 = 6,62 V Modelo ds1 2,11 6,0210-3 1,99 0,07 Modelo dsae1 2,18 9,7210-4 1,83 0,01 Modelo esp1 2,01 1,8910-4 1,95
modelo ds2 y1 = 2,20 V y 2 = 0 V y 3 = 2,27 V modelo dsae2 y1 = 1,75 mA y 2 = 0 mA y 3 = 1,75 mA
Pontos Fixos
Pontos Fixos
Tabela 6.5. Invariantes dinmicos dos atratores caticos do circuito de Chua.
Dimenso Lyapunov Dimenso Correlao Dimenso Lyapunov Dimenso Correlao Dimenso Lyapunov Dimenso Correlao
Modelo ds2 2,06 2,6610-4 1,84 0,04 Modelo dsae2 2,07 1,5510-3 2,06 0,05
Os modelos identificados reproduzem os pontos fixos (e os autovalores associados) da dinmica do circuito de Chua com razovel exatido. Os maiores erros relativos foram apresentados pelos modelos identificados a partir de dados com reduzida relao sinal/rudo (modelo dsae2) e dados filtrados (modelo esp1). Conforme mencionado anteriormente, a varincia das estimativas de parmetros proporcional varincia do rudo. Assim, a utilizao de dados de identificao ruidosos tende a distorcer a autoestrutura (como tambm as propriedades dinmicas) dos modelos gerados. Observase, ainda, uma assimetria dos pontos fixos no-triviais dos modelos ds1 e ds2. Estes pontos fixos so assimtricos porque os modelos analisados possuem termos quadrticos (a simetria de pontos fixos de modelos NARX polinomiais foi analisada com detalhes na seo 3.3.3). O maior expoente de Lyapunov de todos modelos analisados positivo, o que indica um
Captulo 6
92
comportamento dinmico catico. O erro relativo das estimativas obtidas variou entre 10 % e 100 % (Aguirre, Rodrigues e Mendes, 1996). Na estimao do maior expoente de Lyapunov, difcil determinar qual parcela do erro observado foi gerada pelo desajuste do modelo e qual parcela foi gerada pela impreciso da estimativa deste expoente utilizando poucos dados. Assim, acredita-se que existe uma boa consistncia nos resultados apesar dos elevados erros. A dimenso de Lyapunov calculada para os modelos identificados ficou muito prxima da dimenso dos atratores originais, mesmo em situaes onde as estimativas do espectro de Lyapunov no eram boas. A dimenso de correlao dos atratores dos modelos identificados no-inteira, o que indica a estranheza destes atratores. O erro relativo das estimativas obtidas atingiu valores muito reduzidos, conforme pode ser verificado nas tabelas 6.3 e 6.5. Os resultados dos testes de validao estatstica (descritos na seo 2.2.8) indicam que os modelos do circuito de Chua so capazes de representar adequadamente os regimes dinmicos contidos nos dados, pois os seus resduos de identificao so brancos (dentro de um intervalo probabilstico de 95 % de confiana). Assim, destaca-se que no existem correlaes no-modeladas nestes resduos. 6.4 Comentrios Finais Esse captulo descreveu a identificao dos regimes dinmicos caticos do circuito nolinear de Chua. Os regimes dinmicos analisados foram aqueles representados pelos atratores de dupla volta e em espiral (Chua, 1992). Este circuito eletrnico considerado um "benchmark" no estudo da teoria de sistemas dinmicos no-lineares (Chua e Hasler, 1993; Madan, 1993). Os sistemas caticos geralmente apresentam comportamentos dinmicos complexos regidos por equaes matemticas concisas (Stewart,1989). Logo, a principal motivao da modelagem NARMA do circuito de Chua foi verificar a capacidade dos algoritmos de identificao em derivar estruturas polinomiais compactas para representar os regimes dinmicos originais. O procedimento de identificao do circuito foi bastante eficaz, pois ele derivou modelos NARMA polinomiais que reproduzem as principais propriedades dinmicas dos atratores do sistema com razovel exatido (sem utilizar estruturas demasiadamente complexas). O procedimento de aquisio dos dados de identificao utilizando o osciloscpio digital TEKTRONIX apresentou algumas dificuldades. Alguns registros de dados obtidos apresentaram elevados erros de discretizao devidos baixa resoluo de digitalizao utilizada na amostragem. Entretanto, a utilizao de uma elevada resoluo de digitalizao implica em uma reduo do nmero mximo de amostras que podem ser armazenadas na memria do aparelho. Dessa maneira, torna-se necessrio estabelecer um compromisso entre a resoluo de digitalizao a ser utilizada e o nmero de amostras desejado (para identificao e validao de modelos). A filtragem anti-falseamento dos sinais amostrados no foi implementada nesse trabalho. A eliminao dessa etapa de prprocessamento dos dados no comprometeu a qualidade dos resultados obtidos.
93
A utilizao de modelos NARMA multivariveis para representar os regimes dinmicos caticos do circuito de Chua foi evitada pela dificuldade operacional de amostrar trs variveis de estado simultaneamente (alm da inexistncia de rotina computacional para derivar tais modelos). Nesse trabalho, os regimes dinmicos de interesse foram representados por modelos NARMA monovariveis identificados a partir de cada uma variveis de estado do circuito. O teorema de Takens mostra que esses regimes dinmicos podem ser reproduzidos por modelos no-lineares monovariveis, garantindose que o registro de dados de identificao seja suficientemente longo e que a estrutura dos modelos seja adequadamente ajustada. Observou-se que os modelos monovariveis identificados possuem ordens superiores ordem da equao dinmica do circuito de Chua. Obviamente, estes modelos possuem invariantes dinmicos esprios, os quais no reproduzem propriedades dinmicas do sistema original. Entretanto, os modelos monovariveis precisam ajustar atrasos elevados na varivel de identificao para suprir informaes sobre o sistema que seriam fornecidas pelas outras variveis nos modelos multivariveis. Aguirre (1995b) investigou o desempenho de alguns algoritmos de controle para sistemas caticos utilizando modelos NARMA polinomiais para representar o comportamento dinmico do circuito de Chua. O autor observou que os melhores controladores foram projetados a partir de modelos NARMA multivariveis. Apesar disso, os modelos NARMA monovariveis podem ser muito eficientes em outros algoritmos de controle para sistemas caticos (Aguirre e Billings, 1994c). As estruturas dos modelos NARMA polinomiais identificados foram analisadas atravs dos conceitos de agrupamentos de termos e coeficientes de agrupamentos. O critrio do ERR no ajustou corretamente a estrutura dos modelos ds1 e ds2, pois selecionou termos pertencentes a agrupamentos esprios (de acordo com as consideraes de simetria dos pontos fixos do sistema e a anlise espectral). Mesmo assim, estes modelos reproduzem o atrator de dupla volta suficientemente bem. Os modelos polinomiais identificados dentro do conjunto de agrupamentos efetivos (dsae1 e dsae2) reproduzem as principais propriedades dinmicas e estticas do sistema original. Observou-se experimentalmente que a dinmica do circuito de Chua sobre o atrator em espiral pode ser reproduzida utilizando-se apenas termos lineares e cbicos em modelos NARMA polinomiais (apesar da funo de biespectro ter detectado considerveis interaes quadrticas em dados sobre este atrator).
Concluso
94
Concluso
A obteno de modelos matemticos que reproduzam a dinmica de sistemas em estudo uma tarefa de vital importncia em Engenharia. Uma abordagem possvel para a construo de modelos matemticos a identificao de sistemas. A identificao de sistemas a tcnica que permite desenvolver modelos matemticos a partir de dados medidos. Esse trabalho investigou a aplicao de tcnicas para identificao de sistemas dinmicos no-lineares utilizando modelos NARMAX polinomiais. A identificao de sistemas dinmicos no-lineares uma rea de pesquisa relativamente recente. Os fundamentos tericos da identificao de modelos no-lineares ainda esto sendo estabelecidos, conforme pode ser verificado no grande nmero de trabalhos publicados em revistas especializadas. Atualmente, o procedimento de identificao necessita da experincia e da capacidade de julgamento do usurio para determinar modelos no-lineares para os sistemas em estudo, fato refletido pelos resultados publicados nessa dissertao. Assim, esta rea de pesquisa ainda est em fase de consolidao. Esse trabalho analisou a capacidade dos modelos polinomiais em reproduzir o comportamento de sistemas no-lineares a partir de dados reais. Os modelos NARMAX polinomiais podem representar a dinmica de tais sistemas com considervel exatido desde que utilizem estruturas adequadamente ajustadas e dados de identificao sem variaes abruptas. Os modelos NARMAX polinomiais so lineares nos parmetros, o que permite utilizar o algoritmo de estimao linear por mnimos quadrados. Alm disso, as propriedades estatsticas e dinmicas dos modelos polinomiais identificados podem ser calculadas com facilidade. Estas caractersticas fazem com que os modelos polinomiais sejam ferramentas teis na modelagem e na anlise de sistemas no-lineares. Por outro lado, a grande dificuldade associada identificao de modelos NARMAX polinomiais o ajuste de suas estruturas. Esse trabalho mostrou que as tcnicas de seleo de estrutura baseadas no ERR e nos conceitos de agrupamentos de termos e coeficientes de agrupamentos podem ser bastante eficazes quando utilizadas adequadamente. A validao de um modelo matemtico deve indicar se ele capaz de reproduzir as principais propriedades estatsticas e dinmicas do sistema original. A validao estatstica de modelos no-lineares identificados tipicamente utiliza funes de correlao lineares e no-lineares para acessar os regimes dinmicos no-modelados. Por sua vez, a validao dinmica baseia-se na avaliao de propriedades dinmicas dos modelos. Entre estas propriedades, destacam-se os expoentes de Lyapunov, a dimenso de correlao, o mapa de Poincar e o diagrama de bifurcaes. Na prtica, verifica-se que um modelo vlido estatisticamente pode no ser vlido dinamicamente. Dessa maneira, desejvel
Concluso
95
que um procedimento de validao estatstica esteja sempre associado a um procedimento de validao dinmica dos modelos identificados. Os modelos NARMAX polinomiais foram utilizados para representar o comportamento dinmico de alguns sistemas no-lineares reais. Os sistemas modelados foram o forno eltrico do Laboratrio de Controle de Processos Industriais (LCPI) e o circuito eletrnico de Chua. O procedimento de identificao derivou um conjunto de modelos que reproduzem os principais regimes dinmicos destes sistemas com uma boa exatido. Obviamente, a anlise da qualidade da modelagem de um sistema utilizando uma dada estrutura depender da aplicao considerada. A performance dos melhores modelos lineares e no-lineares derivados para o forno eltrico foi comparada (destaca-se que todos estes modelos foram identificados a partir das mesmas massas de dados). Observou-se que os modelos no-lineares so melhores preditores que os lineares. Alm disso, os modelos no-lineares conseguem ajustar duas constantes de tempo distintas para o aquecimento e o resfriamento do forno. Essa observao relevante visto que tal fenmeno observado na planta e no pode ser descrito por modelos lineares convencionais. Os dois regimes dinmicos do circuito de Chua modelados nesse trabalho so aqueles representados pelos atratores de dupla volta e em espiral, sobre os quais o sistema apresenta comportamento catico. A modelagem destes atratores (seleo de estrutura e estimao de parmetros) foi dificultada pela utilizao de algumas massas de dados com reduzida relao sinal/rudo. Mesmo assim, o procedimento de identificao derivou estruturas polinomiais compactas para reproduzir os atratores em estudo. Alguns aspectos da identificao de sistemas no-lineares no foram analisados nessa dissertao. Assim, algumas propostas para a continuao desse trabalho podem ser apresentadas: anlise mais profunda do papel dos agrupamentos de termos e dos coeficientes de agrupamentos na seleo de estrutura de modelos NARMAX polinomiais; desenvolvimento de rotinas computacionais para a identificao de modelos NARMAX polinomiais multivariveis; desenvolvimento de rotinas computacionais para a determinao do diagrama de bifurcaes dos modelos identificados (em alguns casos, o diagrama de bifurcaes poder ser utilizado para a validao destes modelos); identificao de sistemas no-lineares utilizando algoritmos "on-line" para a seleo de estrutura e estimao de parmetros de modelos NARMAX polinomiais; anlise da modelagem de sistemas no-lineares com tempo morto; projeto de controladores para sistemas no-lineares utilizando modelos NARMAX polinomiais identificados; utilizao dos modelos NARMAX identificados para a deteco falhas de operao do sistema original.
Referncias Bibliogrficas
106
Abreu, S. D. G. (1993). Avaliao de desempenho de controladores auto-ajustveis. Dissertao de Mestrado, Programa de Ps-Graduao em Engenharia Eltrica, Universidade Federal de Minas Gerais. Aguirre, L. A. (1994a). Application of global polynomial models in the identification, analysis and control of nonlinear dynamics and chaos. PhD Thesis, Department of Automatic Control and Systems Engineering, University of Sheffield, U.K. Aguirre, L. A. (1994b). Some remarks on structure selection for nonlinear models. International Journal of Bifurcation and Chaos, 4(6):1707-1714. Aguirre, L. A. (1995a). A nonlinear correlation function for selecting the delay time in dynamical reconstructions. Physics Letters A, 203(1995):88-94. Aguirre, L. A. (1995b). The use of identified models in the control of chaotic circuit. Em IEEE Symposium on Circuits and Systems, Seattle, U.S.A. Aguirre, L. A. e Billings, S. A. (1994a). Validating identified nonlinear models with chaotic dynamics. International Journal of Bifurcation and Chaos, 4(1):109-125. Aguirre, L. A. e Billings, S. A. (1994b). Discrete reconstruction of strange attractors of Chua's circuit. International Journal of Bifurcation and Chaos, 4(4):853-864. Aguirre, L. A. e Billings, S. A. (1994c). Model reference control of regular and chaotic dynamics in the Duffing-Ueda oscillator. IEEE Transactions on Circuits and Systems, Part I, 41(7):477-480. Aguirre, L. A. e Billings, S. A. (1995a). Dynamical effects of overparametrization in nonlinear models. Physica D, 80:26-40. Aguirre, L. A. e Billings, S. A. (1995b). Identification of models for chaotic systems from noisy data: implications for performance and nonlinear filtering. Physica D, 85:239-258. Aguirre, L. A. e Billings, S. A. (1995c). Improved structure selection for nonlinear models based on term clustering. International Journal of Control, 62(3):569-587.
107
Aguirre, L. A. e Mendes, E. M. A. M. (1996). Global nonlinear polynomial models: Structure, term clusters and fixed points. International Journal of Bifurcation and Chaos, 6(2):279-294. Aguirre, L. A., Billings, S. A., Mendes, E. M. A. M. (1996). Smoothing data with local instabilities for the identification of chaotic systems. International Journal of Control, 63(3):483-505. Aguirre, L. A., Rodrigues, G. G. e Mendes, E. M. A. M. (1996). Nonlinear identification and cluster analysis of chaotic attractors from a real implementation of Chua's circuit. Submetido para publicao no International Journal of Bifurcation and Chaos. Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6):716-723. Astrm, K. J. e Bohlin, T. (1965). Numerical identification of linear dynamic systems from normal operating records. Em IFAC Symposium on Self-Adaptive Systems, Teddington, U. K. Astrm, K. J. e Eykhoff, P. (1971). System Identification - A survey. Automatica, 7:123167. Astrm, K. J. e Wittenmark, B. (1990). Computer-controlled systems - Theory and design. Prentice-Hall International, New York, U.S.A. Astrm, K. J. (1994). The future of control. Modeling, Identification and Control, Special 15th Anniversary Issue, 15(3):127-134. Billings, S. A. (1980). Identification of nonlinear systems - A survey. IEE Proceedings, Part D, 127(6):272-285. Billings, S. A. e Fadzil, M. B. (1985). The pratical identification of systems with nonlinearities. Em IFAC Identification and System Parameter Estimation, pginas 155-160, York, U.K. Billings, S. A. e Voon, W. S. F. (1983). Structure detection and model validity tests in the identification of nonlinear systems. IEE Proceedings, Part D, 130(4):193-199. Billings, S. A. e Voon, W. S. F. (1984). Least squares parameter estimation algorithms for non-linear systems. International Journal of Systems and Science, 15(6):601615. Billings, S. A. e Voon, W. S. F. (1986). Correlation based model validity tests for nonlinear models. International Journal of Control, 44(1):235-244.
108
Billings, S. A. e Chen, S. (1989). Representation of non-linear systems: the NARMAX model. International Journal of Control, 49(3):1013-1032. Billings, S. A., Chen, S. e Korenberg, M. J. (1989). Identification of MIMO non-linear systems using a forward-regression orthogonal estimator. International Journal of Control, 49(6):2157-2189. Billings, S. A. e Tao, Q. H. (1991). Model validation tests for nonlinear signal processing applications. International Journal of Control, 54:157-194. Billings, S. A. e Zhu, Q. M. (1994). Model validation tests for multivariable nonlinear models including neural networks. Research Report n. 484, Department of Automatic Control and Systems Engineering, University of Sheffield, U.K. Box, G. E. P., Jenkins, G. M. (1976). Time series analysis: Forecasting and control. Holden-Day Series in Time Series Analysis and Digital Processing, Holden-Day. Breeden, J. L. e Packard, N. H. (1994). A learning algorithm for optimal representation of experimental data. International Journal of Bifurcation and Chaos, 4(2):311326. Brown, R., Rulkov, N. F. e Tracy, E. R. (1994). Modeling and synchronizing chaotic systems from time-series data. Physical Review E, 49(5):3784-3800. Casdagli, M. (1989). Nonlinear prediction of chaotic time series. Physica D, 35:335-356. Casdagli, M. (1992). A dynamical systems approach to modeling input-output systems. Em Nonlinear Modeling and Forecasting, pginas 265-281, Addison Wesley. Casdagli, M., Jardins, D. D., Eubank, S., Farmer, J. D., Gibson, J., Theiler, J. e Hunter, N. (1992). Nonlinear modeling of chaotic time series: theory and applications. Em Applied Chaos, captulo 15, pginas 335-380. John Wiley & Sons, New York, U.S.A. Casti, J. L. (1977). Dynamical systems and their applications: Linear theory. Academic Press, New York, U.S.A. Chen, C. T. (1984). Linear system theory and design. Holt, Rinehart and Winston, New York, U.S.A. Chen, S., Billings, S. A. e Luo, W. (1989). Orthogonal least squares methods and their application to non-linear system identification. International Journal of Control, 50(5):1873-1896. Chen, G., Chen, G. e Figueiredo, R. J. P. (1996). Estimation and control of chaotic dynamical systems using time series data. Research Report, Department of Electrical and Computer Engineering, University of Houston, U.S.A.
109
Chua, L. O. (1992). The genesis of Chua's circuit. Archiv fr Elektronik und bertragungstechnik, 46(4):250-257. Chua, L. O. e Hasler, M. (1993). (Editores Convidados). Special issue on chaos in nonlinear electronic circuits. IEEE Transactions on Circuits and Systems, 40(1011). Chua, L. O., Komuro, M. e Matsumoto, T. (1986). The double scroll family. IEEE Transactions on Circuits and Systems, Part I, 33(11):1072-1118 Crutchfield, J. P. e McNamara, B. S. (1987). Equations of montion from a data series. Complex Systems, 1:417-422. Cruz, J. e Chua, L. O. (1992). A CMOS IC nonlinear resistor for Chua's circuit. IEEE Transactions on Circuits and Systems, Part I, 39(12):985-995. inar, A. (1995). Nonlinear time series models for multivariable dynamic processes. Chemometrics and Intelligent Laboratory Systems, 30:147-158. Davis, M. H. A., Vinter, R. B. (1985). Sthocastic modeling and control. Chapman and Hall, London, U.K. Doebelin, E. O. (1980). System modeling and response Theoretical and experimental approaches. John Wiley & Sons, Inc. Doebelin, E. O. (1990). Measurement systems - Application and design. McGraw-Hill Publishing, Singapore. Eckmann, J. P. (1981). Roads to turbulence in dissipative dynamical systems. Review of Modern Physics, 53. Elgar, S. e Chandram, V. (1993). High order spectral analysis to detect nonlinear interactions in measured time series and an application to Chua's circuit. International Journal of Bifurcation and Chaos, 4(1):127-136. Elgar, S. e Kennedy, M. P. (1993). Bispectral analysis of Chua's circuit. Journal of Circuits , Systems and Computers, 3(1):33-48. Ellner, S., Gallant, A. R., McCaffrey, D. e Nychka, D. (1991). Convergence rates and data requirements for Jacobian-based estimates of Lyapunov exponents from data. Physics Letters A, 153(6,7):357-363. Elsner, J. B. (1992). Predicting time series using a neural network as a method of distinguishing chaos from noise. Journal of Physics A: Mathematical Gen., 25:843850.
110
Fiedler-Ferrara, N., Prado, C. P. C. (1994). Caos, Uma introduo. Editora Edgar Blcher Ltda, So Paulo, Brasil. Fonseca, C. M., Mendes, E. M., Fleming, P. J. e Billings, S. A. (1993). Non-linear model term selection with genetic algorithms. Em IEE/IEEE Workshop on Natural Algorithms in Signal Processing, pginas 27/1-27/8. Foss, B. A. e Johansen, T. A. (1992). A NARMAX model representation for adaptive control based on local models. Modeling, Identification and Control, 13(1):25-39. Foss, B. A., Johansen, T. A. e Srensen, A. V. (1994). Nonlinear predictive control using local models - Applied to batch processes. Em IFAC Chemistry, Japan. Gleick, J. (1989). Caos A criao de uma nova cincia. Editora Campus, Rio de Janeiro, Brasil. Glover, J. e Mees, A. (1992). Reconstructing the dynamics of Chua's circuit. Journal of Circuits, Systems and Computers, 3(1):201-214. Golub, G. H. e Van Loan, C. F. (1989). Matrix computations. John Hopkins, London, U.K. Goodwin, G. C. e Payne, R. L. (1977). Dynamic systems identification: Experiment, design and data analysis. Academic Press, New York, U.S.A. de Gooijer, J. G., Abraham, B., Gould, A., Robinson, L. (1985). Methods for determining the order of an autoregressive-moving average process: a survey. International Statistical Review, 53(3):301-329. Granger, C. e Lin, J. (1994). Using the mutual information coefficient to identify lags in nonlinear models. Journal of Time Series Analysis, 15(4):371-384. Grassberger, P. e Procaccia, I. (1983). Measuring the strangeness of strange attractors. Physica D, 9:189-208. Guckenheimer, J. e Holmes, P. (1983). Nonlinear oscillations, dynamical systems and bifurcation of vector fields. Springer-Verlag, New York, U.S.A. Haber, R. (1985). Nonlinearity tests for dynamic processes. Em IFAC Identification and System Parameter Estimation, pginas 409-413, York, U.K. Haber, R. e Unbehauen, H. (1990). Structure identification of nonlinear dynamic systems - A survey on input/output approaches. Automatica, 26(4):651-677. Hartley, T. T. (1989). The duffing double scroll. Em Proceedings of American Control Conference, pginas 419-423, Pittsburgh, U.S.A.
111
Hartley, T. T. e Mossayebi, F. (1993). Control of Chua's circuit. Journal of Circuits, Systems and Computers, 3(1):173-194. Hougen, J. O. (1972). Measurements and control applications for practicing engineers. Cahners Books, Massachusets, U.S.A. Isliker, H. e Kurths, J. (1993). A test for stationarity: Finding parts in time series apt for correlation dimension estimates. International Journal of Bifurcation and Chaos, 3(6):1573-1579. Jang, H. e Kim, K. (1994). Identification of loudspeaker nonlinearities using the NARMAX modeling technique. Journal of Audio Engineering Society, 42(1/2):5059. Johansen, T. A. (1994). Adaptive control of MIMO non-linear systems using local ARX models and interpolation. Em IFAC Chemistry, Japan. Jota, F. G. (1994). Controladores auto-sintonizveis. Notas de Aula. Programa de PsGraduao em Engenharia Eltrica, Universidade Federal de Minas Gerais. Jota, F. G. (1995). Comunicao pessoal. Centro de Pesquisa e Desenvolvimento em Engenharia Eltrica, Universidade Federal de Minas Gerais. Kadtke, J. B., Brush, J. e Holzfuss, J. (1993). Global dynamical equations and Lyapunov exponents from noisy chaotic time series. International Journal of Bifurcation and Chaos, 3(3):607-616. Kalman, R. E., Falb, P. L. e Arbib, M.A. (1969). Topics in mathematical system theory. McGraw-Hill Books Company, New York, U.S.A. Kapitaniak, T. (1993). Generating strange nonchaotic trajectories. Physical Review E, 47(2):1408-1410. Kaplan, J. e Yorke, J. (1979). Chaotic behaviour of multidimensional difference equations. Em Functional differential equations and approximation of fixed points, Lecture Notes in Mathematics, n. 730, Springer Verlag, Berlin, Germany. Kashyap, R. L. (1977). A bayesian comparision of different classes of dinamical models using empirical data. IEEE Transactions on Automatic Control, 22(5):715-727. Keren, Y. (1995). MATCOM A MATLAB to C++ translator and support libraries. Software Users Guide. Kennedy, M. P. (1992). Robust OP Amp realization of Chua's circuit. Frequenz, 46(3/4):66-80.
112
Klamkin, M. S. (Editor) (1987). Mathematical modeling: Classroom notes in applied mathematics. SIAM, Philadelphia, U.S.A. Korenberg, M., Billings, S. A., Liu, Y. P. e McIlroy, P. J. (1988). Orthogonal parameter estimation algorithm for non-linear sthocastic systems. International Journal of Control, 48(1):193-210. Leontaritis, I. J. e Billings, S. A. (1985a). Input-output parametric models for non-linear systems part I: deterministic non-linear systems. International Journal of Control, 41(2):303-328. Leontaritis, I. J. e Billings, S. A. (1985b). Input-output parametric models for non-linear systems part II: stochastic non-linear systems. International Journal of Control, 41(2):329-344. Leontaritis, I. J. e Billings, S. A. (1987). Experimental design and identifiability for nonlinear systems. International Journal of Systems and Science, 18(1):189-202. Ljung, L. (1987). System identification - Theory for the user. Prentice-Hall International, New Jersey, U.S.A. Ljung, L. (1994). System identification in a MIC perspective. Modeling, Identification and Control, Special 15th Anniversary Issue, 15(3):153-159. Ljung, L. (1995). System identification. Technical Report, Department of Electrical Engineering, Linkping University, Sweden. Luo, W., Billings, S. A., Tsang, K. M. (1994). On-line structures detection and parameter estimation with exponential windowing for nonlinear systems. Research Report n. 503, Department of Automatic Control and Systems Engineering, University of Sheffield, U.K. Madan, R. A. (1993). Special issue on Chua's circuit: a paradigm for chaos. Journal of Circuits, Systems and Computers, 3(1). Ma, R. (1980). On the dimension of the compact invariant sets of certain non-linear maps. Em Dynamical systems and turbulence, Lecture Notes in Mathematics, n. 898, Springer Verlag, Berlin, Germany. MathWorks, Inc. (1990a). PC-MATLAB for MS-DOS Personal Computers. Software Users Guide. MathWorks, Inc. (1990b). Signal Processing Toolbox - for use with MATLAB. Software Users Guide. MathWorks, Inc. (1990c). System Identification Toolbox - for use with MATLAB. Software Users Guide.
113
MathWorks, Inc. (1990d). Control System Toolbox - for use with MATLAB. Software Users Guide. May, R. M. (1976). Simple mathematical models with very complicated dynamics. Nature, 261:459-467. Mees, A. (1993) Parsimonious dynamical reconstruction. International Journal of Bifurcation and Chaos, 3(3):669-675. Mendes, E. M. A. M. e Aguirre, L. A. (1995). Orthogonal estimation of nonlinear models. Relatrio de Pesquisa CPDEE/LCPI/01-95, Centro de Pesquisa e Desenvolvimento em Engenharia Eltrica, Universidade Federal de Minas Gerais. Moon, F. C. (1987). Chaotic vibrations - An introduction for applied scientist and engineers. John Wiley & Sons, New York, U.S.A. Narendra, K. e Parthasarathy, K. (1990). Identification and control of dynamical systems using neural networks. IEEE Transactions on Neural Networks, 1(1). Nikias, C. L. e Raghuveer, M. R. (1987). Bispectrum estimation: A digital signal processing framework. Proceedings of IEEE, 75(7):869-891. Noshiro, M., Furuya, M., Linkens, D. e Goode, K. (1993). Nonlinear identification of PCO2 control system in man. Computer Methods and Programs in Biomedicine, 40:189-202. Papoulis, A. (1991). Probability, Random Variables and Stochastic Processes. McGrawHill International Editions, Singapore. Parameswaran, V. e Raol, J. R. (1994). Estimation of model error for nonlinear system identification. IEE Proceedings, Part D, 141(6):403-408. Parker, T. S. e Chua, L. O. (1989). Pratical numerical algorithms for chaotic systems. Springer Verlag, Berlin, Germany. Parlitz, U. (1992). Identification of true and spurious Lyapunov exponents from time series. International Journal of Bifurcation and Chaos, 2(1):155-165. Peyton-Jones, J. C. e Billings, S. A. (1989). Recursive algorithm for computing the frequency response of a class of non-linear difference equation models. International Journal of Control, 50(5):1925-1940. Prl, T. e Karim, M. N. (1994). Model-predictive PH control using real-time NARX approach. AIChE Journal, 40(2):269-282.
114
Qammar, H. K. e Mossayebi, F. (1994). System identification and model-based control of a chaotic system. International Journal of Bifurcation and Chaos, 4(4):843-851. Rodrigues, G. G., Aguirre, L. A., Freitas, U. S. e Pena, R. T. (1996). Modelagem nolinear de um forno eltrico utilizando modelos NARMAX polinomiais. Anais do XI Congresso Brasileiro de Automtica, So Paulo-SP. Rodrigues, G. G. e Aguirre, L. A. (1996). Manual de utilizao de rotinas MATLAB para a identificao de modelos NARMAX polinomiais. Relatrio de Pesquisa CPDEE/LCPI/03-96, Centro de Pesquisa e Desenvolvimento em Engenharia Eltrica, Universidade Federal de Minas Gerais. Rosenstein, M. T., Collins, J. J. e De Luca, C. J. (1994). Reconstruction Expansion as a geometry-based framework for choosing proper delay times. Physica D, 65:117134. Rummelhart, D. E., Hinton, G. E. e Williams, R. J. (1986). Learning internal representations by error propagation. Em Parallel Distributed Processing, volume 1, pginas 318-362. MIT Press, Massachusets, U.S.A. Sauer, T., Yorke, J. A., Casdagli, M. (1991). Embedology. Journal of Statistical Physics, 65(3/4):579-616. Seborg, D. E. (1994). A perspective on advanced strategies for process control. Modeling, Identification and Control, Special 15th Anniversary Issue, 15(3):179189. Shannon, C. E. (1949). Communications in the presence of noise. Proceedings of IRE, 37:10-21. Sderstrm, T., Ljung, L. e Gustavsson, L. (1978). A theoretical analysis of recursive identification methods. Automatica, 14:231-244. Souza, A. V. P. (1996). Introduo analise de sistemas dinmicos no lineares. Monografia final do Programa de Aprimoramento Discente (PAD), Centro de Pesquisa e Desenvolvimento em Engenharia Eltrica, Universidade Federal de Minas Gerais. Strang, G. (1989) Wavelets and dilation equations: a brief introduction. SIAM Review, 31(4):614-627. Stewart, I. (1989). Does God plays dice? the new mathematics of chaos. Penguim, Suffolk, U.K. Suykens, J. A. K. e Vandewalle, J. (1995). Learning a simple recurrent neural state space model to behave like Chua's double scrool. IEEE Transactions on Circuits and Systems, Part I, 42(8):499-502.
115
Takens, F. (1980). Detecting strange attractors in turbulence. Em Dynamical systems and turbulence, Lecture Notes in Mathematics, n. 898, Springer Verlag, Berlin, Germany. Tektronix, Inc. (1992). TDS 520 & 540 digitizing oscilloscopes - User manual. Operation Guide. Thompson, J. M. T. e Stewart, H. B. (1993). A tutorial glossary of geometrical dynamics. International Journal of Bifurcation and Chaos, 3(2):223-239. Torres, L. A. B. e Aguirre, L. A. (1995a). Montagem e sintonia de um oscilador catico. Relatrio de Pesquisa CPDEE/LCPI/02-95, Centro de Pesquisa e Desenvolvimento em Engenharia Eltrica, Universidade Federal de Minas Gerais. Torres, L. A. B. e Aguirre, L. A. (1995b). PEDINAL Prottipo para o estudo de dinmica no-linear. Relatrio de Pesquisa CPDEE/LCPI/03-95, Centro de Pesquisa e Desenvolvimento em Engenharia Eltrica, Universidade Federal de Minas Gerais. Wu, S. (1987). Chua's circuit family. IEEE Proceedings, 75(8):1022:1032. Zervos, C. Blanger, P. R., Dumont, G. A. (1988). On PID controller tuning using orthonormal series identification. Automatica, 24(2):165-175.
Apndice A
96
Apndice A A. Glossrio sobre Sistemas Dinmicos NoLineares

A.1 Introduo Esse apndice apresenta uma breve descrio de alguns conceitos da teoria de sistemas dinmicos no-lineares utilizados na dissertao1. No glossrio, os termos em negrito so descritos em verbetes prprios. As figuras mostradas nesse apndice foram gentilmente cedidas por lvaro V. P. Souza (Souza, 1996). A.2 Glossrio Atrator Um atrator a regio do espao de estados para a qual a dinmica de um sistema dissipativo converge aps o trmino do seu movimento transitrio ( t ). O conceito de atrator no pode ser estendido para os sistemas dinmicos conservativos, pois no possvel haver contrao de elementos de hiper-volume no espao de estados destes sistemas. A dimenso do atrator deve ser menor que o nmero de graus de liberdade do sistema original. O nico atrator possvel para a dinmica de sistemas lineares autnomos a origem do seu espao de estados. Entre os possveis atratores para sistemas no-lineares, destacam-se os pontos fixos (dimenso 0), os ciclos limite (dimenso 1), os torides (dimenso 2) e os fractais (dimenso no-inteira). J. P. Eckmann (1981) props uma definio formal de atrator. Fiedler-Ferrara e Prado (1994) apresentam uma verso desta definio: "Uma regio compacta A um atrator de um fluxo ( x , t ) se as quatro hipteses a seguir valem (x o vetor de estados do sistema que gerou o fluxo): (i) A invariante segundo ( x , t ) : ( x , t ) A para todo x A e para todo t; (ii) A tem uma vizinhana contraente: ( x , t ) ( x , t ) < x x para qualquer t e para quaisquer x x definidos na vizinhana de A;
1
Guckenheimer e Holmes (1983) apresentam definies rigorosas dos conceitos descritos.
Glossrio sobre Sistemas Dinmicos No-Lineares
97
(iii) o fluxo recorrente: trajetrias comeando em qualquer subconjunto aberto de A voltam a esse subconjunto para valores de t suficientemente longos; (iv) o fluxo no pode ser decomposto: A no pode ser dividida em duas partes invariantes no-triviais". Observa-se que um atrator estvel no sentido de Lyapunov, pois toda trajetria iniciada em uma vizinhana infinitesimal do atrator tende assintoticamente a ele quando t . Bacia de Atrao Uma bacia de atrao o lugar geomtrico de todas as condies iniciais que levam um sistema dinmico dissipativo ao mesmo atrator. Destaca-se que as bacias de atrao de um sistema catico podem estar separadas por uma superfcie fractal (Thompson e Stewart, 1993). Bifurcao Uma bifurcao uma mudana qualitativa na dinmica de um sistema em decorrncia da variao de um parmetro de bifurcao b alm de um valor crtico b = bc . As bifurcaes promovem alteraes na estabilidade estrutural de um sistema dinmico. As bifurcaes de sistemas dinmicos no-lineares podem ser divididas em duas classes: (i) bifurcaes locais; (ii) bifurcaes globais. Os efeitos das bifurcaes locais ficam restritos vizinhana de um ponto ou ciclo no espao de estados. As bifurcaes locais ocorrem quando a parte real de um autovalor de um sistema contnuo apresenta uma mudana de sinal. Em sistemas discretos (mapas), as bifurcaes locais ocorrem quando o mdulo de um autovalor da dinmica torna-se maior (ou menor) que um. Essa mudana gerada pela variao do parmetro de bifurcao b e pode afetar a estabilidade dos pontos fixos do sistema. Assim, estas bifurcaes so denominadas locais porque esto associadas alterao da estabilidade da dinmica do sistema em torno de um dado ponto fixo (efeito local). As bifurcaes locais podem ser subdivididas em supercrticas e subcrticas, de acordo com o sentido de variao do parmetro de bifurcao b . A bifurcao local do tipo sela-n ocorre quando um autovalor real do sistema contnuo varia de um valor negativo a outro positivo (ou vice-versa). Aps a bifurcao, o sistema possui pontos fixos instveis (selas) e estveis (ns). A bifurcao de Hopf, por sua vez, ocorre quando a parte real de um par de autovalores complexos e conjugados passa por zero. Nesse caso, o equilbrio estvel do sistema transforma-se em um ciclo limite estvel (ou instvel no caso subcrtico). As bifurcaes do tipo duplicao de perodo2 (ocorre em mapas), Neimark (ocorre em mapas) e forquilha so outros exemplos de bifurcaes locais.
A bifurcao de duplicao de perodo uma rota para o caos (Fiedler-Ferrara e Prado, 1994).
Apndice A
98
Ao contrrio das bifurcaes locais, os efeitos das bifurcaes globais no ficam restritos a uma regio do espao de estados do sistema. As bifurcaes globais provocam alteraes abruptas na estrutura das bacias de atrao do sistema. A intermitncia um fenmeno relacionado com a ocorrncia de bifurcaes do tipo global. Este fenmeno caracteriza-se pelo chaveamento repentino entre dois regimes dinmicos distintos: periodicidade e caos, por exemplo. As bifurcaes dos sistemas dinmicos no-lineares ainda podem ser classificadas em3: (i) bifurcaes contnuas; (ii) bifurcaes descontnuas. As bifurcaes contnuas geram alteraes suaves na dinmica do sistema. Elas no promovem o chaveamento rpido da dinmica e nem a expanso repentina do atrator do sistema. As bifurcaes contnuas englobam as bifurcaes locais supercrticas. Existem dois tipos de bifurcaes descontnuas: (i) bifurcaes explosivas;(ii) bifurcaes perigosas. As bifurcaes explosivas so eventos globais que promovem a expanso abrupta e reversvel do atrator do sistema afetado. Por sua vez, as bifurcaes perigosas podem promover o chaveamento da dinmica do sistema para atratores remotos. As bifurcaes locais subcrticas so exemplos de bifurcaes perigosas. Estas bifurcaes podem gerar ciclos de histerese quando o atrator original no imediatamente reestabelecido com a inverso do sentido de variao do parmetro de bifurcao. Caos O caos um regime dinmico determinstico caracterizado por uma grande sensibilidade s condies iniciais. A dinmica de um sistema catico possui direes de instabilidade local no seu espao de estados. Por esse motivo, minsculas variaes na inicializao da dinmica do sistema sero amplificadas exponencialmente ao longo de tais direes de instabilidade. As trs condies necessrias para a caracterizao de um regime catico em um sistema dinmico so (Fiedler-Ferrara e Prado, 1994): (i) a existncia de expoentes de Lyapunov i positivos; (ii)
i =1
< 0, o que garantir a contrao de hiper-volumes no espao de estados do
sistema; (iii) a dimenso de um sistema contnuo4 deve satisfazer a relao: n 3 . Os expoentes de Lyapunov positivos caracterizam as direes de instabilidade local no espao de estados de um sistema catico. Os sistemas dinmicos que possuem mais de um expoente de Lyapunov positivo so denominados hiper-caticos.
classificao vlida somente para as bifurcaes de codimenso 1 (Thompson e Stewart, 1993). Estas bifurcaes ocorrem a partir da variao de um nico parmetro de bifurcao. 4Sistema discretos unidimensionais podem apresentar regime dinmico catico (vide mapa logstico).
3Esta
99
As principais propriedades dos regimes dinmicos caticos so (Fiedler-Ferrara e Prado, 1994): (i) imprevisibilidade: a sensibilidade variao das condies iniciais dificulta a predio de comportamento dos sistemas caticos a longo prazo. Nesse caso, uma pequena impreciso na avaliao da condio inicial do sistema provoca um grande erro de predio algum tempo depois. (ii) espectro contnuo de frequncias: apenas sinais aperidicos apresentam um espectro de frequncias contnuo. Assim, os sinais caticos so aperidicos. (iii) invarincia na escala: essa propriedade indica que a dinmica de um sistema catico (no seu espao de estados) apresenta estrutura semelhante em qualquer grau de detalhamento (propriedade de auto-semelhana). (iv) "carter estacionrio": embora os sistemas caticos sejam aperidicos, os padres observados tendem repetio. O atrator de um sistema dinmico catico denominado atrator estranho. Os atratores estranhos geralmente apresentam dimenses de correlao e de Lyapunov no-inteiras (fractais). Entretanto, existem exemplos de atratores caticos no-fractais e de atratores fractais no-caticos. Os atratores fractais no-caticos so caracterizados por estrutura fractal, embora as trajetrias vizinhas sobre ele no divirjam exponencialmente com o tempo (Kapitaniak, 1993). Diagrama de Bifurcaes O diagrama de bifurcaes mostra a dinmica de um sistema em funo de um parmetro de bifurcao b . Este diagrama apresenta de maneira concisa todas as bifurcaes de comportamento do sistema analisado (dentro da faixa de variao considerada para o parmetro de bifurcao). A figura A.1 mostra o diagrama de bifurcaes do mapa logstico (May, 1976) em funo do parmetro de bifurcao . A dinmica do mapa logstico tende a um ponto fixo estvel quando < 3. A diviso da curva de bifurcao em = 3 indica uma duplicao do perodo do sinal de sada (em relao ao perodo inicial). Esta duplicao de perodo gerada por uma bifurcao local do tipo duplicao de perodo (ou "flip") (Fiedler-Ferrara e Prado, 1994). O sistema apresenta outras bifurcaes de duplicao de perodo medida que o valor de aumenta at = = 3,569 . A partir deste valor de , o sistema apresenta rbitas aperidicas (representadas pelas faixas difusas no diagrama de bifurcaes). Estas rbitas aperidicas caracterizam regimes dinmicos complexos como o caos, por exemplo (Fiedler-Ferrara e Prado, 1994). Observa-se ainda a existncia de janelas de periodicidade par e mpar na regio < < 4 .
Apndice A
100
Figura A.1. Diagrama de bifurcaes do mapa logstico em funo do parmetro de bifurcao .
Dimenso de Correlao A dimenso de correlao uma medida da dimenso de um atrator. A dimenso de correlao est relacionada com o nmero de equaes diferenciais necessrias para caracterizar a dinmica sobre o dado atrator. Se a dimenso de correlao de um atrator DC = d + , onde d inteiro e 0 1, ento o menor nmero de equaes diferenciais necessrias para descrever a dinmica do sistema original d + 1. O espao de estados de um sistema dinmico pode ser reconstrudo a partir de uma srie temporal { yt }tN=1 , onde y uma varivel observvel do sistema 5. y i e y j indicam dois pontos sobre as trajetrias do sistema no espao de estados reconstrudo e S ij uma mtrica neste espao: S ij = y i y j . A funo de correlao pode ser definida como (Grassberger e Procaccia, 1983): C ( ) = lim N 1 (nmero de pares ( y i , y j ) que satisfazem S ij < ), N
( A.1 )
onde um valor positivo e pequeno. A dimenso de correlao definida a partir da funo de correlao na frmula abaixo (Grassberger e Procaccia, 1983): DC = lim log e C ( ) . log e
( A.2 ) A seo 2.3 da dissertao analisou a reconstruo de espaos de estados utilizando coordenadas de atraso.
5
101
Dimenso de Lyapunov A dimenso de Lyapunov (ou dimenso de Kaplan-Yorke) uma outra medida da dimenso do atrator de um sistema dinmico. A dimenso de Lyapunov estabelece uma conexo entre a dimenso fractal do atrator e a estabilidade de um sistema dinmico no-linear (estabilidade medida pelos seus expoentes de Lyapunov). Seja { i }in=1 o espectro de expoentes de Lyapunov de um sistema (ordenados de maneira decrescente). Define-se j como o maior inteiro tal que
i =1
> 0 . Assim, a dimenso de
Lyapunov de um atrator determinada como (Kaplan e Yorke, 1979): DL = j + 1 + 2 + j +1 +j .

( A.3 )
Expoentes de Lyapunov Os expoentes de Lyapunov medem a taxa de divergncia exponencial de trajetrias vizinhas em certas direes do espao de estados de um sistema dinmico no-linear. Os expoentes de Lyapunov constituem uma generalizao do conceito de autovalores para sistemas no-lineares. Para entender o significado dos expoentes de Lyapunov, considere um pequeno hipervolume esfrico no espao de estados de um sistema dinmico no-linear. A dinmica do sistema mapeia este pequeno hiper-volume de condies iniciais em uma regio hiperelipsoidal (considerando escalas de tempo suficientemente curtas e escalas de comprimento suficientemente pequenas). Nesse processo, a dinmica do sistema comprime algumas direes da hiper-esfera e alarga outras direes. Os expoentes de Lyapunov medem a taxa de expanso exponencial dos eixos principais do hiper-volume elipsoidal sob o efeito da dinmica do sistema. Em termos matemticos, os expoentes de Lyapunov de um sistema dinmico no-linear so definidos pela expresso (Moon, 1987): l (t ) 1 i = lim t log e i , i = 1, t r (0) ,n
( A.4 )
onde n a ordem do sistema, r(0) o raio inicial da hiper-esfera de condies iniciais e li (t ) o comprimento do eixo principal i da regio hiper-elipsoidal aps um tempo t. A existncia de um ou mais expoentes de Lyapunov positivos define direes de instabilidade local na dinmica do sistema. A soma dos expoentes de Lyapunov de um sistema dissipativo globalmente estvel negativa, embora alguns expoentes possam ser
Apndice A
102
positivos. Esse fato indica que trajetrias vizinhas no espao de estados destes sistemas tendem a se aproximar e convergem para o atrator do sistema quando t . A expresso abaixo apresenta uma frmula matemtica para o clculo dos expoentes de Lyapunov de um sistema dinmico no-linear (Moon, 1987): 1 i = lim N log e i , i = 1, N ,n
( A.5 )
onde: { i }in=1 so os autovalores da matriz [Df ( y N ) Df ( y N 1 ) Df ( y1 )] ; Df ( yt ) R n n a matriz Jacobiana do sistema avaliada em yt; { yt }tN=1 uma trajetria sobre o atrator do sistema. Fiedler-Ferrara e Prado (1994) mostram os sinais dos expoentes de Lyapunov de um sistema em funo da sua ordem e do seu comportamento dinmico. Os expoentes de Lyapunov tambm podem ser estimados a partir de modelos identificados para representar a dinmica de um sistema em estudo. Entretanto, a ordem destes modelos geralmente maior que n (vide teorema de Takens, seo 2.3). Nessa situao, tais modelos possuiro um nmero maior de expoentes de Lyapunov que o sistema original. Um subconjunto destes expoentes de Lyapunov estimados reproduzem os expoentes originais. Os expoentes "excedentes" so denominados esprios e podem ser separados dos expoentes reais atravs de procedimentos descritos em (Parlitz, 1992). Fractal Um fractal uma estrutura rica em detalhes em escalas arbitrariamente pequenas. Estas estruturas fractais no podem ser descritas pela geometria euclidiana tradicional. Ainda no existe uma definio matemtica formal para o conceito fractal. As principais propriedades das estruturas fractais so: (i) dimenso de correlao no-inteira; (ii) auto-semelhana; (iii) irregularidade local e global. A propriedade da auto-semelhana indica que um fractal possui estrutura semelhante em qualquer grau de detalhamento. O diagrama de bifurcaes do mapa logstico (figura A.1) possui uma estrutura fractal. A figura A.2 mostra a ampliao de uma pequena regio deste diagrama (dentro da sua janela de periodicidade 3) para apresentar a propriedade da auto-semelhana. Observa-se, na figura, que esta pequena regio possui uma estrutura semelhante ao diagrama completo.
103
Figura A.2. Ampliao de uma regio do diagrama de bifurcaes do mapa logstico para demonstrar a propriedade de auto-semelhana das estruturas fractais.
Invariantes Os invariantes so grandezas utilizadas para caracterizar o comportamento dinmico de um sistema. O valor numrico destes invariantes no depende do sistema de coordenadas utilizado para representar a dinmica do sistema (Thompson e Stewart, 1993). Os invariantes dinmicos podem ser contnuos ou discretos. Os invariantes contnuos podem assumir quaisquer valores em um dado intervalo de nmeros reais. Os expoentes de Lyapunov e a dimenso de correlao so exemplos de invariantes dinmicos contnuos. Por outro lado, os invariantes dinmicos discretos assumem valores sobre conjuntos finitos (ou enumerveis). O ndice de Poincar de um ponto fixo (Guckenheimer e Holmes, 1983) um exemplo de invariante discreto.
Apndice A
104
Mapa de Poincar Considere um sistema dinmico autnomo descrito pela equao de estados: dx = f ( x ), dt
( A.6 )
onde x R o vetor de estados do sistema e f uma funo vetorial no-linear. x 0 uma rbita peridica deste sistema. Seja R n uma hiper-superfcie de dimenso (n-1) transversal ao fluxo ( x , t ) gerado por ( A.6 ). x0 o ponto no qual a rbita x 0 intercepta a hiper-superfcie e U uma vizinhana de x0 . O mapa de Poincar M :U definido em um ponto x1 U como: M ( x1 ) = ( x1 , ( x1 )),
( A.7 )
onde o tempo necessrio para que a rbita que saiu de x1 retorne hiper-superfcie . A hiper-superfcie denominada seo de Poincar. Logo, o mapa de Poincar (ou mapa de "primeiro-retorno") a sequncia de pontos onde uma rbita do sistema intercepta a seo de Poincar. Uma trajetria peridica do sistema corresponde a um ponto fixo do mapa de Poincar M. De maneira semelhante, um subharmnico de frequncia ( frequencia original k ) corresponde a k pontos fixos de M. A figura A.3 ilustra o conceito do mapa de Poincar para um sistema dinmico autnomo genrico.
Figura A.3. Procedimento de obteno do mapa de Poincar de um sistema dinmico.
Um sistema dinmico no-autnomo de dimenso n pode ser transformado em um sistema autnomo de dimenso n + 1. Nesse procedimento, o tempo t torna-se uma varivel de estado do sistema. Assim, o mapa de Poincar de um sistema no-autnomo pode ser obtido atravs da monitorao das intersees do fluxo da sua dinmica com as hiper-superfcies t = iT , i = 1,2, . O valor de T deve ser ajustado de modo que o mapa de Poincar gerado reproduza certas propriedades do atrator original (Moon, 1987). Na
105
obteno do mapa de Poincar de sistemas com excitao peridica, comum ajustar o valor de T igual ao perodo do sinal de entrada aplicado. O mapa de Poincar bastante utilizado na anlise de sistemas dinmicos no-lineares, pois ele reproduz algumas propriedades do sistema original em um espao vetorial de dimenso inferior a n 6. A obteno do mapa de Poincar de um sistema com dimenso n > 3 pode ser muito complexa. Entretanto, existem artifcios para facilitar a anlise da dinmica destes sistemas utilizando mapas de Poincar (Aguirre e Billings, 1994a). O mapa de Poincar de um sistema dinmico catico geralmente possui estrutura fractal. Repulsor Um repulsor a regio do espao de estados de um sistema dinmico dissipativo que repele todas as trajetrias iniciadas em sua vizinhana. Assim, um repulsor uma regio instvel no sentido de Lyapunov. Observa-se que os conceitos de repulsor e atrator so opostos, pois o atrator concentra todas as trajetrias de estados que nele penetram.
O mapa de Poincar reproduz a estabilidade do sistema original, entre outras propriedades.

Giovani Guimaraes Rodrigues

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Giovani Guimaraes Rodrigues

Încărcat de

Drepturi de autor:

Formate disponibile

Giovani Guimares Rodrigues

Extrado de Gleick (1989).

Conjuntos Numricos Z Z+ N R Variveis A C() ci,j DC Df DL d de e(t) Fl() f() f g() g

JN() k l M m N n ne np ny n n P PTP p(t) p Q Q R r Ts t u(t) v(t) W w(t) c X x(t) x

y(t) y1, y2 y z t () 1 { i }in=1 b

y1 y2 () ( x , t ) Operadores E{} Var{y(t)} . 2 . []T

NARX NTC PID PRBS RAM RBF

Relao sinal/rudo ("Signal/noise ratio"). Marca registrada ("Trade mark").

Consideraes sobre a Modelagem de Sistemas

Captulo 1 1. Consideraes sobre a Modelagem de Sistemas

Consideraes sobre a Modelagem de Sistemas

Considere o sistema representado pelas equaes dinmicas: dx = f ( x, u, t ) + v ( t ) , dt y = h( x , u , t ) + e( t ) ,

Consideraes sobre a Modelagem de Sistemas

Consideraes sobre a Modelagem de Sistemas

Identificao de Sistemas No-Lineares

Captulo 2 2. Identificao de Sistemas No-Lineares

Identificao de Sistemas No-Lineares

u(t d nu + 1), e(t 1), e(t 2),

Identificao de Sistemas No-Lineares

xi1 (t ) xi2 (t ) + xil (t ) + e(t ) ,

onde n o nmero de termos (de processo e de rudo) no modelo e M = ni ,

Identificao de Sistemas No-Lineares

Outras alternativas possveis so indicadas em Billings e Voon (1984).

= [(1) (2) p1 (1) p ( 2) 1 P= p1 ( N ) = p2 (1) p2 (2) p2 ( N )

Identificao de Sistemas No-Lineares

( 2.15) n n T uma matriz ortonormal (Q Q=I) e R R uma matriz triangular

Criando a matriz aumentada Q , obtm-se:

Identificao de Sistemas No-Lineares

y1 Q TY = , y2 onde y1 e y2 tm dimenso n1 e (N-n)1, respectivamente. Assim: Y P 2 = Q T (Y P) = y1 R 2 + y2

Identificao de Sistemas No-Lineares

Identificao de Sistemas No-Lineares

, , ( 1 ) = E {((t ) E {(t )})(( t 1 ) E {(t )})} = ( 1 )

, 2 , ( 1 ) = E {((t ) E {(t )})( ( t 1 ) E { ( t )})} = 0, 1

( y ) , 2 , ( 1 ) = E {( y (t )(t ) E { y (t ) (t )})( ( t 1 ) E { ( t )})} = ( 1 )

( y ), u2 , ( 1 ) = E {( y (t )(t ) E {y (t )(t )})(u 2 ( t 1 ) E {u 2 ( t )})} = 0, 1

Identificao de Sistemas No-Lineares

Identificao de Sistemas No-Lineares

Captulo 3 3. Seleo de Estrutura de Modelos NoLineares: Agrupamentos de Termos e Coeficientes de Agrupamentos

Seleo de Estrutura de Modelos No-Lineares

. Todos os termos pertencentes a um

Ser apresentado, a seguir, um exemplo que ir ilustrar as definies acima.

Seleo de Estrutura de Modelos No-Lineares

= c3,0 (3,3,3) = 0,16796

= c0,3 (3,11 , ) = 1,31720

Seleo de Estrutura de Modelos No-Lineares

A equao ( 3.8 ) pode ser reescrita utilizando a definio de coeficientes de agrupamentos:

= c0,0 o termo constante do modelo.

Um modelo NARMAX polinomial ir apresentar l pontos fixos, garantindo-se que y 0 5.

Assim, os pontos fixos do modelo ( 3.10 ) so: y1 = 2,22258 , y2 = 0 , y 3 = 2,22258.

e Mendes (1996) apresentam as solues literais da equao ( 3.9 ) para 1 l 3 .

Seleo de Estrutura de Modelos No-Lineares

Seleo de Estrutura de Modelos No-Lineares

N de pontos fixos triviais 1 0 1 0 2 1 3 0 2 4

Esta tcnica descrita em (Aguirre, 1995a).

Seleo de Estrutura de Modelos No-Lineares

Ambiente Computacional para Identificao de Sistemas No-Lineares

Captulo 4 4. Ambiente Computacional para Identificao de Sistemas No-Lineares

Ambiente Computacional para Identificao de Sistemas No-Lineares

Conjunto de todos os termos candidatos

Modelo representa a dinmica do sistema original?

sim Visualizao do modelo identificado Rotina: genmod.m

Figura 4.1. Fluxograma do procedimento de identificao de modelos NARMAX polinomiais.

Dados de identificao, Termos candidatos

Ambiente Computacional para Identificao de Sistemas No-Lineares